Kruskal Wallisin testi tilastotieteessä
Kruskal Wallis -testi on ei-parametrinen tilastollinen menetelmä, jota käytetään vertailemaan kolmen tai useamman ryhmän välisiä eroja. Monissa tutkimuksissa tutkijat haluavat usein selvittää, onko useilla ryhmillä merkitsevästi erilaiset arvot tietylle muuttujalle. Jos data täyttää normaaliuden ja varianssin homogeenisuuden oletukset, yksisuuntainen ANOVA-testi on yleensä ensimmäinen valinta. Kuitenkin, kun nämä oletukset eivät täyty – esimerkiksi data ei ole normaalijakautunut, siinä on äärimmäisiä poikkeamia tai mittausasteikko on ordinaalinen – Kruskal Wallis -testi on tehokas ja laajalti käytetty vaihtoehto.
Määritelmä ja peruskäsitteet
Kruskal–Wallis-testi (usein kirjoitettu Kruskal–Wallis H -testinä) on Mann–Whitney U -testin laajennus, joka laajentaa sen kattamaan useamman kuin kaksi ryhmää. Sen perusperiaatteena on vertailla datan "järjestyksiä", ei todellisia arvoja. Koska se on järjestyspohjainen, tämä testi ei vaadi normaalijakaumaa ja on suhteellisen vastustuskykyinen poikkeavien arvojen vaikutukselle.
Intuitiivisesti, jos useilla ryhmillä on sama jakauma, datan sijoitukset ryhmissä sekoittuvat satunnaisesti. Kääntäen, jos joillakin ryhmillä on yleensä korkeampia tai matalampia arvoja, sijoitukset kasautuvat ja tuottavat suuremman testisuureen.
Milloin Kruskal-Wallis-testiä käytetään?
Kruskal-Wallis-testiä käytetään, kun:
1. Ryhmien lukumäärä on ≥ 3, ja tutkija haluaa verrata ryhmien välisiä eroja keskeisessä sijainnissa (yleensä mediaanissa).
2. Data ei täytä ANOVA-oletuksia, etenkään residuaalien normaaliuden osalta.
3. Ordinaalidata-asteikot (esim. tyytyväisyyspisteet: erittäin tyytymättömästä erittäin tyytyväiseen) tai normaalista poikkeava intervalli-/suhdedata.
4. Itsenäiset otokset, mikä tarkoittaa, että yhden ryhmän jäseniä ei ole paritettu tai liitetty muihin ryhmiin.
Esimerkkinä mainittakoon, että tutkija haluaa verrata potilastyytyväisyyttä kolmen eri sairaalan palveluihin käyttäen Likert-asteikkoa 1–5. Koska data on ordinaalista, Kruskal Wallis -asteikko on sopiva valinta.
Kruskal Wallis -testin oletukset
Vaikka Kruskal Wallisin teoria ei ole parametrinen, sillä on silti useita tärkeitä oletuksia:
1. Havaintojen riippumattomuus: kunkin ryhmän datan on oltava peräisin eri yksilöiltä.
2. Vastausmuuttujan on oltava vähintään ordinaalinen: datan on oltava lajiteltavissa.
3. Ryhmien välisten jakaumamuotojen tulisi olla samankaltaisia: jos jakaumamuodot ovat hyvin erilaisia, erojen tulkinta voi olla monimutkaisempaa. Tätä testiä tulkitaan usein mediaanien erona, mutta mediaanitulkinta on sopivin, jos jakaumamuodot ovat samankaltaisia.
Hypoteesi Kruskal-Wallis-testissä
Kruskal-Wallis-testissä testattava hypoteesi on:
– H0 (nollahypoteesi): kaikkien ryhmien jakauma (tai mediaani) on sama.
– H1 (vaihtoehtoinen hypoteesi): on olemassa ainakin yksi ryhmä, jonka jakauma (tai mediaani) on erilainen.
On huomattava, että kun H0 hylätään, Kruskal-Wallis-testi yksinkertaisesti toteaa, että "ero on olemassa", mutta ei täsmennä, mitkä ryhmät ovat erilaisia. Tämä vaatii lisätestausta (post-hoc).
Laskentavaiheet
Yhteenvetona voidaan todeta, että Kruskal Wallis -testin vaiheet ovat:
1. Yhdistä kaikki tiedot kaikista ryhmistä.
2. Järjestä arvot pienimmästä suurimpaan. Jos arvot ovat tasapisteissä, käytä keskimääräistä sijoitusta.
3. Laske yhteen kunkin ryhmän sijoitukset.
4. Laske testisuure H.
Yleinen H-tilastollinen kaava on:
\[
H = ∫_{12}{N(N+1)} ∫_{i=1}^{k} ∫_{R_i^2}{n_i} – 3(N+1)
\]
Tiedot:
– \(N\) = kaikkien havaintojen summa
– \(k\) = ryhmien lukumäärä
– \(n_i\) = havaintojen lukumäärä i:nnessä ryhmässä
– \(R_i\) = i:nnen ryhmän sijoitusten lukumäärä
H-arvoa verrataan sitten khiin neliö -jakaumaan (\(\chi^2\)), jonka vapausasteet ovat \(k-1\). Jos p-arvo on pienempi kuin merkitsevyystaso (esim. 0,05), H0 hylätään.
Havainnollistava esimerkki
Oletetaan, että luennoitsija haluaa tietää, onko tilastollisten testien tuloksissa eroja kolmen oppimismenetelmän: A, B ja C, välillä. Tiedonkeruun jälkeen käy ilmi, että pisteet eivät ole normaalijakauman mukaisia, koska ääriarvoja on useita. Luennoitsija käyttää sitten Kruskal-Wallis-testiä.
Jos testitulokset osoittavat p-arvon 0,01 (alle 0,05), niin päätellään, että ainakin kahden oppimismenetelmän välillä on merkittävä ero. Luennoitsija ei kuitenkaan vielä tiedä, onko menetelmä A parempi kuin B vai C. Tässä kohtaa tarvitaan post-hoc-analyysia.
Kruskal Wallisin jälkeinen post-hoc-testi
Jos Kruskal-Wallis-testi on merkitsevä, seuraava vaihe on suorittaa parittaiset vertailut. Joitakin yleisiä menetelmiä ovat:
1. Dunnin testi: käytetään useimmiten post-hoc Kruskal-Wallis-testissä.
2. Käytä Mann–Whitney-testiä pareittain korjauksella (Bonferroni, Holm tai Benjamini-Hochberg) toistuvista testeistä johtuvien virheiden hallitsemiseksi.
Tämän korjauksen tarkoituksena on estää tyypin 1 virheen (eron ilmoittaminen, vaikka eroa ei ole) mahdollisuuden kasvu useiden vertailujen vuoksi.
Vaikutuksen koko
Merkittävyyden lisäksi monet nykytutkimukset korostavat vaikutuskokoja auttaakseen lukijoita ymmärtämään eron suuruuden. Joitakin Kruskal-Wallis-malliin usein liitettyjä vaikutuskokoja ovat:
– H-pohjainen Eta-neliö (η²):
\[
\eta^2 = \frac{H – k + 1}{N – k}
\]
– Epsilon-neliö (ε²) konservatiivisempana vaihtoehtona.
Vaikutuskoot auttavat tulkitsemaan, onko ero pieni, keskisuuri vai suuri, ei vain "merkittävä vai ei".
Edut ja rajoitukset
Ylimääräinen
1. Ei vaadi normaaliuden olettamusta.
2. Sopii ordinaalitiedoille.
3. Kestää poikkeavia havaintoja paremmin kuin parametriset menetelmät.
Keterbatasan
1. Ei näytä, mitkä ryhmät eroavat toisistaan ilman jälkikäteen tehtävää arviointia.
2. Tulkinta on, että mediaanien ero on pätevin, jos ryhmien jakauman muoto on samanlainen.
3. Jos todellinen data on normaalia ja homogeenista, ANOVA voi olla tehokkaampi (korkeampi teho).
Sulkeminen
Kruskal-Wallis-testi on tärkeä työkalu päättelevässä tilastotieteessä, erityisesti silloin, kun tutkijat käsittelevät dataa, joka ei täytä parametristen menetelmien oletuksia. Arvoperusteisen lähestymistapansa ansiosta tämä testi mahdollistaa joustavammat vertailut kolmen tai useamman ryhmän välillä, erityisesti ordinaali- tai epänormaalidatan tapauksessa. Sen käyttö edellyttää kuitenkin oletusten ymmärtämistä, tulosten tulkintaa ja post-hoc-analyysin tarvetta todella erilaisten ryhmäparien tunnistamiseksi. Yhdistämällä p-arvot, vaikutuskoot ja asianmukaisen lisäanalyysin Kruskal-Wallis-testi voi tarjota vankkoja ja relevantteja johtopäätöksiä useilla tutkimusaloilla, terveydenhuollosta ja koulutuksesta liike-elämään ja yhteiskuntatieteisiin.
