这可能会有所帮助：

考克斯博士，PJ 所罗门。1986. 大量小样本的变异性分析。生物计量学 73：543-554。

摘要：讨论了分布形式的详细分析程序，基于许多大小为 r 的样本，其中特别是 r=2、3、4。讨论了区分不同类型偏离标准正态假设的可能性。一些关于脉搏率的数据开发和说明了图形和更正式的程序。

由于实验设置的限制，我只有 n=3 的小数据集。尽管 df 低，但处理和控制之间的差异大到足以产生显着的 p 值。

问题在于，在样本量较小的情况下，进行 t 检验对数据来自正态分布总体的假设变得更加敏感。然而，在我的情况下，多个独立实验始终产生类似的结果。

由于数据差异很小，我无法对实验数据进行分组。

如果您将实验视为块，则可以用来解释这一点。（或者，您可能希望在截距上使用随机效应项，尤其是在不受控制的情况下。）

所以我的问题是，基于多个小样本独立实验的数据做出正态性假设是否站得住脚？

如果您假设一个共同的误差分布并结合所有实验中的残差，您可以尝试评估它，以便说一个正态 QQ 图（正态分数图）。

如果不正确，在这种情况下使用任何统计数据都不合适吗？

您仍然可以在没有正态性的情况下检验您的假设，但请注意，使用非参数检验和如此小的样本量，您不会得到非常显着的结果。

但是，组合实验策略（使用块）也可以在那里工作。

当然还有其他统计数据。例如，您可以进行置换测试。您还可以进行非参数检验，例如 Wilcoxon。