Bisakah bootstrap digunakan untuk menggantikan tes non-parametrik?

Saya cukup baru dalam hal statistik. Konsep bootstrap telah membingungkan saya.

Saya tahu bahwa normalitas distribusi pengambilan sampel diperlukan untuk menggunakan tes tertentu seperti uji-t. Dalam kasus ketika data tidak terdistribusi secara normal, dengan meminta "bootstrap" dalam uji-t di SPSS apakah ini akan menghindari masalah ketidaknormalan? Jika demikian, apakah t-statistik yang dilaporkan dalam output didasarkan pada distribusi sampling bootstrap?

Juga, apakah ini akan menjadi tes yang lebih baik dibandingkan dengan menggunakan tes non-parametrik seperti Mann-Whitney atau Kruskal-Wallis dalam kasus di mana saya memiliki data yang tidak normal? Dalam situasi ketika data tidak normal dan saya menggunakan bootstrap, saya tidak akan melaporkan statistik-t: benar?

Bootstrap berfungsi tanpa perlu asumsi seperti normalitas, tetapi bisa sangat bervariasi ketika ukuran sampel kecil dan populasi tidak normal. Jadi bisa lebih baik dalam arti asumsi, tetapi tidak lebih baik dalam semua hal.

Sampel bootstrap dengan penggantian, permutasi menguji sampel tanpa penggantian. Mann-Whitney dan tes nonparametrik lainnya sebenarnya adalah kasus khusus dari tes permutasi. Saya sebenarnya lebih suka tes permutasi di sini karena Anda dapat menentukan statistik uji yang bermakna.

Keputusan tes mana yang harus digunakan harus didasarkan pada pertanyaan yang dijawab dan pengetahuan tentang sains yang mengarah ke data. Teorema Limit Pusat memberi tahu kita bahwa kita masih bisa mendapatkan perkiraan yang sangat baik dari uji-t walaupun populasi tidak normal. Seberapa baik perkiraannya tergantung pada bentuk distribusi populasi (bukan sampel) dan ukuran sampel. Ada banyak kasus di mana uji-t masih masuk akal untuk sampel yang lebih kecil (dan beberapa kasus di mana itu tidak cukup baik dalam sampel yang sangat besar).