Kruskal Wallis-testen i statistik
Kruskal Wallis-testen er en ikke-parametrisk statistisk metode, der bruges til at sammenligne forskelle mellem tre eller flere grupper. I mange studier ønsker forskere ofte at bestemme, om flere grupper har signifikant forskellige værdier for en bestemt variabel. Hvis dataene opfylder antagelserne om normalitet og varianshomogenitet, er envejs-ANOVA-testen normalt det første valg. Men når disse antagelser ikke er opfyldt – for eksempel hvis dataene ikke er normalfordelte, der er ekstreme outliers, eller måleskalaen er ordinal – er Kruskal Wallis-testen et kraftfuldt og udbredt alternativ.
Definition og grundlæggende begreber
Kruskal-Wallis-testen (ofte skrevet som Kruskal-Wallis H-testen) er en udvidelse af Mann-Whitney U-testen, der udvider den til mere end to grupper. Dens grundlæggende princip er at sammenligne dataenes "rang", ikke de faktiske værdier. Fordi den er rangbaseret, kræver denne test ikke en normalfordeling og er relativt modstandsdygtig over for indflydelse fra outliers.
Intuitivt set, hvis flere grupper har den samme fordeling, vil datarangeringerne på tværs af grupperne være tilfældigt blandet. Omvendt, hvis nogle grupper har tendens til at have højere eller lavere værdier, vil rangeringerne klynge sig sammen og producere en større teststatistik.
Hvornår anvendes Kruskal Wallis-testen?
Kruskal Wallis-testen bruges når:
1. Antallet af grupper er ≥ 3, og forskeren ønsker at sammenligne forskellene i den centrale placering (normalt medianen) mellem grupperne.
2. Dataene opfylder ikke ANOVA-antagelserne, især ikke residualernes normalitet.
3. Ordinale dataskalaer (f.eks. tilfredshedsscorer: meget utilfreds til meget tilfreds) eller ikke-normale interval-/forholdsdata.
4. Uafhængige stikprøver, hvilket betyder, at medlemmer af én gruppe ikke er parrede eller relateret til andre grupper.
Et eksempel: En forsker ønsker at sammenligne patienttilfredshed med ydelser på tre forskellige hospitaler ved hjælp af en Likert-skala fra 1-5. Da dataene er ordinale, er Kruskal Wallis et passende valg.
Kruskal Wallis Test Antagelser
Selvom Kruskal Wallis er ikke-parametrisk, har den stadig flere vigtige antagelser:
1. Observationsuafhængighed: data i hver gruppe skal komme fra forskellige individer.
2. Responsvariablen skal være mindst ordinal: dataene skal være sorterbare.
3. Fordelingsformerne mellem grupperne bør være ens: Hvis fordelingsformerne er meget forskellige, kan det være mere komplekst at fortolke forskellene. Denne test fortolkes ofte som en forskel i medianer, men medianfortolkningen er mest passende, hvis fordelingsformerne er ens.
Hypotese i Kruskal Wallis-testen
I Kruskal Wallis-testen testes hypotesen:
– H0 (nulhypotese): fordelingen (eller medianen) af alle grupper er den samme.
– H1 (alternativ hypotese): der er mindst én gruppe, hvis fordeling (eller median) er forskellig.
Det skal bemærkes, at når H0 forkastes, siger Kruskal-Wallis-testen blot "der er en forskel", men specificerer ikke, hvilke grupper der er forskellige. Dette kræver yderligere testning (post-hoc).
Beregningstrin
Kort sagt er trinnene i Kruskal Wallis-testen:
1. Kombinér alle data fra alle grupper.
2. Rangér fra mindste til største værdi. Hvis der er uafgjort, brug den gennemsnitlige rangering.
3. Læg ranglisterne i hver gruppe sammen.
4. Beregn teststatistikken H.
Den generelle statistiske formel for H er:
\[
H = ∫12/N(N+1) \sum_{i=1}^{k} \frac{R_i^2}{n_i} – 3(N+1)
\]
Keterangan:
– \(N\) = summen af alle observationer
– \(k\) = antal grupper
– \(n_i\) = antal observationer i den i'te gruppe
– \(R_i\) = antal ranger i den i'te gruppe
H-værdien sammenlignes derefter med chi-kvadratfordelingen (\(\chi^2\)) med \(k-1\) frihedsgrader. Hvis p-værdien er mindre end signifikansniveauet (f.eks. 0,05), forkastes H0.
Illustrativt eksempel
Antag, at en underviser vil vide, om der er forskel i statistiske testresultater på tværs af tre læringsmetoder: A, B og C. Efter at have indsamlet dataene viser det sig, at scorerne ikke er normalfordelte, fordi der er flere ekstremværdier. Underviseren bruger derefter Kruskal Wallis-testen.
Hvis testresultaterne viser en p-værdi på 0,01 (mindre end 0,05), konkluderes det, at der er en signifikant forskel mellem mindst to læringsmetoder. Underviseren ved dog endnu ikke, om metode A er bedre end B eller C. Det er her, post-hoc analyse er nødvendig.
Post-hoc-test efter Kruskal Wallis
Hvis Kruskal Wallis-testen er signifikant, er næste trin at udføre parvise sammenligninger. Nogle almindelige metoder er:
1. Dunns test: bruges oftest til post-hoc Kruskal Wallis.
2. Parvis Mann-Whitney med korrektion (Bonferroni, Holm eller Benjamini-Hochberg) for at kontrollere for fejl forårsaget af gentagen testning.
Formålet med denne korrektion er at forhindre en øget risiko for type I-fejl (angivelse af en forskel, når der ikke er nogen forskel) på grund af mange sammenligninger.
Effektstørrelse
Ud over betydning lægger mange moderne studier vægt på effektstørrelser for at hjælpe læserne med at forstå forskellens størrelse. Nogle effektstørrelser, der ofte forbindes med Kruskal-Wallis-modellen, inkluderer:
– H-baseret Eta-kvadrat (η²):
\[
\eta^2 = \frac{H – k + 1}{N – k}
\]
– Epsilon-kvadrat (ε²) som et mere konservativt alternativ.
Effektstørrelser hjælper med at fortolke, om forskellen er lille, mellem eller stor, ikke bare "signifikant eller ej".
Fordele og begrænsninger
Overskydende
1. Kræver ikke antagelsen om normalitet.
2. Egnet til ordinære data.
3. Mere robust over for outliers end parametriske metoder.
Begrænsninger
1. Viser ikke hvilke grupper der er forskellige uden post-hoc.
2. Fortolkning som forskellen i medianer er mest gyldig, hvis gruppernes fordelingsform er ensartet.
3. Hvis de faktiske data er normale og homogene, kan ANOVA være mere kraftfuld (højere styrke).
Lukker
Kruskal-Wallis-testen er et vigtigt værktøj i inferentiel statistik, især når forskere arbejder med data, der ikke opfylder antagelserne i parametriske metoder. Med sin rangbaserede tilgang muliggør denne test mere fleksible sammenligninger af tre eller flere grupper, især for ordinale eller ikke-normale data. Dens anvendelse kræver dog stadig en forståelse af antagelserne, fortolkning af resultaterne og behovet for post-hoc-analyse for at identificere virkelig forskellige par af grupper. Ved at kombinere p-værdier, effektstørrelser og passende yderligere analyse kan Kruskal-Wallis-testen give robuste og relevante konklusioner inden for en række forskningsområder, fra sundhed og uddannelse til erhvervsliv og samfundsvidenskab.
