Prueba de Kruskal-Wallis en estadística
La prueba de Kruskal-Wallis es un método estadístico no paramétrico que se utiliza para comparar las diferencias entre tres o más grupos. En muchos estudios, los investigadores suelen querer determinar si varios grupos presentan valores significativamente diferentes para una variable en particular. Si los datos cumplen con los supuestos de normalidad y homogeneidad de varianza, la prueba ANOVA unidireccional suele ser la primera opción. Sin embargo, cuando estos supuestos no se cumplen —por ejemplo, si los datos no siguen una distribución normal, si existen valores atípicos extremos o si la escala de medición es ordinal—, la prueba de Kruskal-Wallis es una alternativa potente y ampliamente utilizada.
Definición y conceptos básicos
La prueba de Kruskal-Wallis (a menudo denominada prueba H de Kruskal-Wallis) es una extensión de la prueba U de Mann-Whitney, que permite comparar más de dos grupos. Su principio básico consiste en comparar los rangos de los datos, no sus valores absolutos. Al basarse en rangos, esta prueba no requiere una distribución normal y es relativamente resistente a la influencia de valores atípicos.
Intuitivamente, si varios grupos tienen la misma distribución, las clasificaciones de los datos entre los grupos se mezclarán aleatoriamente. Por el contrario, si algunos grupos tienden a tener valores más altos o más bajos, las clasificaciones se agruparán y producirán un estadístico de prueba mayor.
¿Cuándo se utiliza la prueba de Kruskal-Wallis?
La prueba de Kruskal-Wallis se utiliza cuando:
1. El número de grupos es ≥ 3, y el investigador quiere comparar las diferencias en la ubicación central (generalmente la mediana) entre los grupos.
2. Los datos no cumplen con los supuestos del ANOVA, especialmente la normalidad de los residuos.
3. Escalas de datos ordinales (por ejemplo, puntuaciones de satisfacción: de muy insatisfecho a muy satisfecho) o datos de intervalo/razón no normales.
4. Muestras independientes, lo que significa que los miembros de un grupo no están emparejados ni relacionados con otros grupos.
Un ejemplo: un investigador quiere comparar los niveles de satisfacción de los pacientes con los servicios de tres hospitales diferentes utilizando una escala Likert de 1 a 5. Dado que los datos son ordinales, la prueba de Kruskal-Wallis es la opción adecuada.
Supuestos de la prueba de Kruskal-Wallis
Aunque no es paramétrica, la prueba de Kruskal-Wallis todavía tiene varias suposiciones importantes:
1. Independencia de la observación: los datos de cada grupo deben provenir de individuos diferentes.
2. La variable de respuesta debe ser al menos ordinal: los datos deben poder ordenarse.
3. Las distribuciones entre los grupos deben ser similares: si las distribuciones son muy diferentes, interpretar las diferencias puede resultar más complejo. Esta prueba suele interpretarse como una diferencia de medianas, pero la interpretación de la mediana es la más apropiada si las distribuciones son similares.
Hipótesis en la prueba de Kruskal-Wallis
En la prueba de Kruskal-Wallis, la hipótesis que se está probando es:
– H0 (hipótesis nula): la distribución (o mediana) de todos los grupos es la misma.
– H1 (hipótesis alternativa): existe al menos un grupo cuya distribución (o mediana) es diferente.
Cabe señalar que, al rechazar la hipótesis nula (H0), la prueba de Kruskal-Wallis simplemente indica que "existe una diferencia", pero no especifica qué grupos son diferentes. Esto requiere pruebas adicionales (post hoc).
Pasos del cálculo
En resumen, los pasos de la prueba de Kruskal-Wallis son:
1. Combine todos los datos de todos los grupos.
2. Clasifique de menor a mayor valor. En caso de empate, utilice el promedio de las clasificaciones.
3. Suma las clasificaciones de cada grupo.
4. Calcule el estadístico de prueba H.
La fórmula estadística general H es:
\[
H = \frac{12}{N(N+1)} \sum_{i=1}^{k} \frac{R_i^2}{n_i} – 3(N+1)
\]
Información:
– \(N\) = total de todas las observaciones
– \(k\) = número de grupos
– \(n_i\) = número de observaciones en el i-ésimo grupo
– \(R_i\) = número de rangos en el i-ésimo grupo
El valor H se compara entonces con la distribución chi-cuadrado (\(\chi^2\)) con \(k-1\) grados de libertad. Si el valor p es menor que el nivel de significancia (p. ej., 0,05), entonces se rechaza H0.
Ejemplo ilustrativo
Supongamos que un profesor quiere saber si hay diferencias en las puntuaciones de las pruebas estadísticas entre tres métodos de aprendizaje: A, B y C. Tras recopilar los datos, se observa que las puntuaciones no siguen una distribución normal debido a la presencia de varios valores extremos. El profesor entonces utiliza la prueba de Kruskal-Wallis.
Si los resultados de la prueba muestran un valor p de 0,01 (menor que 0,05), se concluye que existe una diferencia significativa entre al menos dos métodos de aprendizaje. Sin embargo, el profesor aún desconoce si el método A es mejor que el B o el C. Es aquí donde se requiere un análisis post hoc.
Prueba post-hoc después de Kruskal-Wallis
Si la prueba de Kruskal-Wallis resulta significativa, el siguiente paso es realizar comparaciones por pares. Algunos métodos comunes son:
1. Prueba de Dunn: se utiliza con mayor frecuencia para la prueba post-hoc de Kruskal-Wallis.
2. Prueba de Mann-Whitney por pares con corrección (Bonferroni, Holm o Benjamini-Hochberg) para controlar los errores debidos a las pruebas repetidas.
El objetivo de esta corrección es evitar un aumento en la probabilidad de error de tipo I (afirmar que existe una diferencia cuando no la hay) debido a la realización de muchas comparaciones.
Tamaño del efecto
Además de la significancia estadística, muchos estudios modernos enfatizan el tamaño del efecto para ayudar a los lectores a comprender la magnitud de la diferencia. Algunos tamaños del efecto frecuentemente asociados con el modelo de Kruskal-Wallis incluyen:
– Eta al cuadrado (η²) basado en H:
\[
\eta^2 = \frac{H – k + 1}{N – k}
\]
– Épsilon al cuadrado (ε²) como una alternativa más conservadora.
El tamaño del efecto ayuda a interpretar si la diferencia es pequeña, mediana o grande, y no solo si es "significativa o no".
Ventajas y limitaciones
Exceso
1. No requiere la suposición de normalidad.
2. Adecuado para datos ordinales.
3. Más robusto frente a valores atípicos que los métodos paramétricos.
Limitaciones
1. No muestra qué grupos son diferentes sin análisis post hoc.
2. La interpretación como la diferencia de medianas es más válida si la forma de distribución de los grupos es similar.
3. Si los datos reales son normales y homogéneos, el ANOVA puede ser más potente (mayor potencia).
Clausura
La prueba de Kruskal-Wallis es una herramienta importante en estadística inferencial, especialmente cuando los investigadores trabajan con datos que no cumplen con los supuestos de los métodos paramétricos. Gracias a su enfoque basado en rangos, esta prueba permite comparaciones más flexibles entre tres o más grupos, particularmente para datos ordinales o no normales. Sin embargo, su uso requiere comprender los supuestos, interpretar los resultados y realizar análisis post hoc para identificar pares de grupos verdaderamente diferentes. Al combinar valores p, tamaños del efecto y un análisis posterior adecuado, la prueba de Kruskal-Wallis puede proporcionar conclusiones sólidas y relevantes en diversos campos de investigación, desde la salud y la educación hasta los negocios y las ciencias sociales.
