Τεστ Kruskal Wallis στη Στατιστική
Το τεστ Kruskal Wallis είναι μια μη παραμετρική στατιστική μέθοδος που χρησιμοποιείται για τη σύγκριση διαφορών μεταξύ τριών ή περισσότερων ομάδων. Σε πολλές μελέτες, οι ερευνητές συχνά θέλουν να προσδιορίσουν εάν αρκετές ομάδες έχουν σημαντικά διαφορετικές τιμές για μια συγκεκριμένη μεταβλητή. Εάν τα δεδομένα πληρούν τις υποθέσεις της κανονικότητας και της ομοιογένειας της διακύμανσης, το τεστ μονόδρομης ANOVA είναι συνήθως η πρώτη επιλογή. Ωστόσο, όταν αυτές οι υποθέσεις δεν πληρούνται - για παράδειγμα, τα δεδομένα δεν είναι κανονικά κατανεμημένα, υπάρχουν ακραίες ακραίες τιμές ή η κλίμακα μέτρησης είναι διατακτική - το τεστ Kruskal Wallis είναι μια ισχυρή και ευρέως χρησιμοποιούμενη εναλλακτική λύση.
Ορισμός και Βασικές Έννοιες
Το τεστ Kruskal-Wallis (συχνά γραμμένο ως τεστ Kruskal-Wallis H) αποτελεί επέκταση του τεστ Mann-Whitney U, επεκτείνοντάς το σε περισσότερες από δύο ομάδες. Η βασική του αρχή είναι να συγκρίνει τις «τάξεις» των δεδομένων, όχι τις πραγματικές τιμές. Επειδή βασίζεται σε κατάταξη, αυτό το τεστ δεν απαιτεί κανονική κατανομή και είναι σχετικά ανθεκτικό στην επίδραση των ακραίων τιμών.
Διαισθητικά, εάν αρκετές ομάδες έχουν την ίδια κατανομή, οι κατατάξεις δεδομένων στις ομάδες θα αναμειγνύονται τυχαία. Αντίθετα, εάν ορισμένες ομάδες τείνουν να έχουν υψηλότερες ή χαμηλότερες τιμές, οι κατατάξεις θα ομαδοποιηθούν και θα παράγουν ένα μεγαλύτερο στατιστικό στοιχείο δοκιμής.
Πότε χρησιμοποιείται το τεστ Kruskal Wallis;
Το τεστ Kruskal Wallis χρησιμοποιείται όταν:
1. Ο αριθμός των ομάδων είναι ≥ 3 και ο ερευνητής θέλει να συγκρίνει τις διαφορές στην κεντρική τοποθεσία (συνήθως τη διάμεση τιμή) μεταξύ των ομάδων.
2. Τα δεδομένα δεν πληρούν τις υποθέσεις της ANOVA, ειδικά την κανονικότητα των υπολειμμάτων.
3. Κλίμακες δεδομένων διατάξεως (π.χ. βαθμολογίες ικανοποίησης: πολύ δυσαρεστημένος έως πολύ ικανοποιημένος) ή δεδομένα μη κανονικού διαστήματος/λόγου.
4. Ανεξάρτητα δείγματα, που σημαίνει ότι τα μέλη μιας ομάδας δεν είναι ζευγαρωμένα ή δεν σχετίζονται με άλλες ομάδες.
Χαρακτηριστικό παράδειγμα: ένας ερευνητής θέλει να συγκρίνει τα επίπεδα ικανοποίησης των ασθενών με τις υπηρεσίες σε τρία διαφορετικά νοσοκομεία χρησιμοποιώντας μια κλίμακα Likert από 1 έως 5. Επειδή τα δεδομένα είναι διατακτικά, η κλίμακα Kruskal Wallis είναι μια κατάλληλη επιλογή.
Υποθέσεις Δοκιμής Kruskal Wallis
Αν και μη παραμετρικό, το Kruskal Wallis εξακολουθεί να έχει αρκετές σημαντικές υποθέσεις:
1. Ανεξαρτησία της παρατήρησης: τα δεδομένα σε κάθε ομάδα πρέπει να προέρχονται από διαφορετικά άτομα.
2. Η μεταβλητή απόκρισης πρέπει να είναι τουλάχιστον διατακτική: τα δεδομένα πρέπει να είναι ταξινομήσιμα.
3. Τα σχήματα κατανομής μεταξύ των ομάδων θα πρέπει να είναι παρόμοια: εάν τα σχήματα κατανομής είναι πολύ διαφορετικά, η ερμηνεία των διαφορών μπορεί να είναι πιο περίπλοκη. Αυτή η δοκιμή συχνά ερμηνεύεται ως διαφορά στις διάμεσες τιμές, αλλά η ερμηνεία της διάμεσης τιμής είναι η πιο κατάλληλη εάν τα σχήματα κατανομής είναι παρόμοια.
Υπόθεση στο Kruskal Wallis Test
Στο τεστ Kruskal Wallis, η υπό εξέταση υπόθεση είναι:
– H0 (μηδενική υπόθεση): η κατανομή (ή διάμεσος) όλων των ομάδων είναι η ίδια.
– H1 (εναλλακτική υπόθεση): υπάρχει τουλάχιστον μία ομάδα της οποίας η κατανομή (ή διάμεσος) είναι διαφορετική.
Θα πρέπει να σημειωθεί ότι όταν το H0 απορρίπτεται, το τεστ Kruskal-Wallis απλώς δηλώνει «υπάρχει διαφορά», αλλά δεν προσδιορίζει ποιες ομάδες είναι διαφορετικές. Αυτό απαιτεί περαιτέρω δοκιμές (εκ των υστέρων).
Βήματα υπολογισμού
Συνοπτικά, τα βήματα του τεστ Kruskal Wallis είναι:
1. Συνδυάστε όλα τα δεδομένα από όλες τις ομάδες.
2. Κατάταξη από τη μικρότερη προς τη μεγαλύτερη τιμή. Εάν υπάρχουν ισοβαθμίες, χρησιμοποιήστε τη μέση κατάταξη.
3. Προσθέστε τις κατατάξεις σε κάθε ομάδα.
4. Υπολογίστε τη στατιστική συνάρτηση δοκιμής H.
Ο γενικός στατιστικός τύπος H είναι:
\[
H = \frac{12}{N(N+1)} \sum_{i=1}^{k} \frac{R_i^2}{n_i} – 3(N+1)
\]
Πληροφορίες:
– \(N\) = σύνολο όλων των παρατηρήσεων
– \(k\) = αριθμός ομάδων
– \(n_i\) = αριθμός παρατηρήσεων στην i-οστή ομάδα
– \(R_i\) = αριθμός τάξεων στην i-οστή ομάδα
Η τιμή H συγκρίνεται στη συνέχεια με την κατανομή χ^2 (\(\chi^2\)) με \(k-1\) βαθμούς ελευθερίας. Εάν η τιμή p είναι μικρότερη από το επίπεδο σημαντικότητας (π.χ., 0,05), τότε η H0 απορρίπτεται.
Ενδεικτικό παράδειγμα
Ας υποθέσουμε ότι ένας λέκτορας θέλει να μάθει εάν υπάρχει διαφορά στις βαθμολογίες στατιστικών τεστ σε τρεις μεθόδους μάθησης: Α, Β και Γ. Μετά τη συλλογή των δεδομένων, αποδεικνύεται ότι οι βαθμολογίες δεν κατανέμονται κανονικά επειδή υπάρχουν αρκετές ακραίες τιμές. Ο λέκτορας στη συνέχεια χρησιμοποιεί το τεστ Kruskal Wallis.
Εάν τα αποτελέσματα των δοκιμών δείξουν τιμή p 0,01 (μικρότερη από 0,05), τότε συμπεραίνεται ότι υπάρχει σημαντική διαφορά μεταξύ τουλάχιστον δύο μεθόδων μάθησης. Ωστόσο, ο διδάσκων δεν γνωρίζει ακόμη εάν η μέθοδος Α είναι καλύτερη από τη Β ή τη Γ. Εδώ είναι που χρειάζεται εκ των υστέρων ανάλυση.
Εκ των υστέρων δοκιμή μετά τον Kruskal Wallis
Εάν το τεστ Kruskal Wallis είναι σημαντικό, το επόμενο βήμα είναι η εκτέλεση συγκρίσεων ανά ζεύγη. Μερικές συνηθισμένες μέθοδοι είναι:
1. Δοκιμασία Dunn: χρησιμοποιείται συχνότερα για post-hoc Kruskal Wallis.
2. Ζευγάρια Mann-Whitney με διόρθωση (Bonferroni, Holm ή Benjamini-Hochberg) για τον έλεγχο σφαλμάτων λόγω επαναλαμβανόμενων δοκιμών.
Ο σκοπός αυτής της διόρθωσης είναι να αποτρέψει την αύξηση της πιθανότητας σφάλματος τύπου Ι (δηλώνοντας μια διαφορά ενώ δεν υπάρχει διαφορά) λόγω πολλών συγκρίσεων.
Μέγεθος εφέ
Εκτός από τη σημασία, πολλές σύγχρονες μελέτες δίνουν έμφαση στα μεγέθη των φαινομένων για να βοηθήσουν τους αναγνώστες να κατανοήσουν το μέγεθος της διαφοράς. Ορισμένα μεγέθη φαινομένων που συχνά συνδέονται με το μοντέλο Kruskal-Wallis περιλαμβάνουν:
– Eta-τετράγωνο (η²) με βάση το H:
\[
\eta^2 = \frac{H – k + 1}{N – k}
\]
– Έψιλον-τετράγωνο (ε²) ως μια πιο συντηρητική εναλλακτική λύση.
Τα μεγέθη των επιδράσεων βοηθούν στην ερμηνεία του κατά πόσον η διαφορά είναι μικρή, μεσαία ή μεγάλη, όχι απλώς «σημαντική ή όχι».
Πλεονεκτήματα και Περιορισμοί
Πλεονεκτήματα
1. Δεν απαιτεί την υπόθεση της κανονικότητας.
2. Κατάλληλο για διατακτικά δεδομένα.
3. Πιο ανθεκτικές έναντι ακραίων τιμών από τις παραμετρικές μεθόδους.
Περιορισμοί
1. Δεν δείχνει ποιες ομάδες είναι διαφορετικές χωρίς εκ των υστέρων ανάλυση.
2. Η ερμηνεία ως η διαφορά στις διάμεσες τιμές είναι πιο έγκυρη εάν το σχήμα κατανομής των ομάδων είναι παρόμοιο.
3. Εάν τα πραγματικά δεδομένα είναι κανονικά και ομοιογενή, η ANOVA μπορεί να είναι πιο ισχυρή (υψηλότερη ισχύς).
Penutup
Το τεστ Kruskal-Wallis είναι ένα σημαντικό εργαλείο στη συμπερασματική στατιστική, ειδικά όταν οι ερευνητές ασχολούνται με δεδομένα που δεν πληρούν τις υποθέσεις των παραμετρικών μεθόδων. Με την προσέγγισή του που βασίζεται στην κατάταξη, αυτό το τεστ επιτρέπει πιο ευέλικτες συγκρίσεις τριών ή περισσότερων ομάδων, ιδιαίτερα για διατακτικά ή μη κανονικά δεδομένα. Ωστόσο, η χρήση του εξακολουθεί να απαιτεί κατανόηση των υποθέσεων, ερμηνεία των αποτελεσμάτων και την ανάγκη για εκ των υστέρων ανάλυση για τον εντοπισμό πραγματικά διαφορετικών ζευγών ομάδων. Συνδυάζοντας τιμές p, μεγέθη επιδράσεων και κατάλληλη περαιτέρω ανάλυση, το τεστ Kruskal-Wallis μπορεί να παρέχει ισχυρά και σχετικά συμπεράσματα σε μια ποικιλία ερευνητικών πεδίων, από την υγεία και την εκπαίδευση έως τις επιχειρήσεις και τις κοινωνικές επιστήμες.
