Geen non-parametrische toets kiezen. Dat is een moker kiezen om een spijker mee te slaan. Nonparametische opties hebben minder power dan parametrische opties, en hebben eigenlijk alleen winst als de assumptieschending, voornamelijk op de aanname van de normaliteit van de resdiueen zeer ernstig geschonden worden. Denk hierbij aan meetniveau (data is in wezen ordinaal) of de verdelingsvorm (door ernstige scheefheid van de residueen is het gemiddelde geen juiste schatter meer).
Idem voor transformaties: transformeren heeft alleen zin (en is alleen toegestaan) wanneer aangenomen mag worden dat de populatieverdeling normaal verdeeld is. Ik zou daarom ook niet zondermeer gaan lopen hameren op je data. Het kan soms ook extreem lastig zijn om getransformeerde data te beschrijven (wat is bijvoorbeeld de wortel van gedragsintentie, e.d.).
Ik zou mij niet druk maken om N-verschillen zolang een groep niet driemaal groter is dan de andere. Als dit toch het geval is: onthoud dat een ANOVA gepowerd is naar de kleinste groep. Dus ik zou in de context van deze cursus de vergrootte kans op type-1 fout benoemen en interpreteren, en het daarbij laten.
De N-verschillen worden vooral relevant in het licht van ongelijke varianties. De keuze voor Brown-Forsythe of Welch als correctiefactor wordt bepaald door te kijken naar waar de grootste variantie wordt waargenomen. Als de grootste variantie in de kleinste groep zit is dit niet zo'n probleem, want eigenlijk wel logisch. Dan is Brown-Forsythe voldoende. Als de grootste variantie in de kleinste groep zit wordt dikwijls Welch gekozen.
Raadpleeg het boek van Field voor oplossingen voor deze dataproblemen en liever niet het internet. Daar is een veelvoud aan oplossingen, maar deze vereisen ook een getraind oog om ze op waarde of context te kunnen schatten.