Test di Kruskal-Wallis in statistica
Il test di Kruskal-Wallis è un metodo statistico non parametrico utilizzato per confrontare le differenze tra tre o più gruppi. In molti studi, i ricercatori desiderano spesso determinare se diversi gruppi presentano valori significativamente diversi per una particolare variabile. Se i dati soddisfano i presupposti di normalità e omogeneità della varianza, il test ANOVA a una via è solitamente la prima scelta. Tuttavia, quando questi presupposti non sono soddisfatti, ad esempio se i dati non sono distribuiti normalmente, se sono presenti valori anomali estremi o se la scala di misurazione è ordinale, il test di Kruskal-Wallis rappresenta un'alternativa efficace e ampiamente utilizzata.
Definizione e concetti di base
Il test di Kruskal-Wallis (spesso indicato come test H di Kruskal-Wallis) è un'estensione del test U di Mann-Whitney, che lo applica a più di due gruppi. Il suo principio fondamentale è confrontare i "ranghi" dei dati, non i valori effettivi. Essendo basato sui ranghi, questo test non richiede una distribuzione normale ed è relativamente resistente all'influenza dei valori anomali.
Intuitivamente, se diversi gruppi presentano la stessa distribuzione, le classifiche dei dati tra i gruppi saranno mescolate in modo casuale. Al contrario, se alcuni gruppi tendono ad avere valori più alti o più bassi, le classifiche si raggrupperanno e produrranno una statistica del test più elevata.
Quando si utilizza il test di Kruskal-Wallis?
Il test di Kruskal-Wallis viene utilizzato quando:
1. Il numero di gruppi è ≥ 3 e il ricercatore desidera confrontare le differenze nella posizione centrale (di solito la mediana) tra i gruppi.
2. I dati non soddisfano i presupposti dell'ANOVA, in particolare la normalità dei residui.
3. Scale di dati ordinali (ad esempio, punteggi di soddisfazione: da molto insoddisfatto a molto soddisfatto) o dati di intervallo/rapporto non normali.
4. Campioni indipendenti, ovvero i membri di un gruppo non sono accoppiati o imparentati con altri gruppi.
Esempio pratico: un ricercatore desidera confrontare i livelli di soddisfazione dei pazienti rispetto ai servizi offerti in tre diversi ospedali utilizzando una scala Likert da 1 a 5. Poiché i dati sono ordinali, il test di Kruskal-Wallis è una scelta appropriata.
Presupposti del test di Kruskal-Wallis
Sebbene non parametrico, il test di Kruskal-Wallis si basa comunque su diverse ipotesi importanti:
1. Indipendenza dell'osservazione: i dati in ciascun gruppo devono provenire da individui diversi.
2. La variabile di risposta deve essere almeno ordinale: i dati devono essere ordinabili.
3. Le forme di distribuzione tra i gruppi dovrebbero essere simili: se le forme di distribuzione sono molto diverse, l'interpretazione delle differenze può risultare più complessa. Questo test viene spesso interpretato come una differenza tra le mediane, ma l'interpretazione basata sulla mediana è più appropriata se le forme di distribuzione sono simili.
Ipotesi nel test di Kruskal-Wallis
Nel test di Kruskal-Wallis, l'ipotesi verificata è:
– H0 (ipotesi nulla): la distribuzione (o mediana) di tutti i gruppi è la stessa.
– H1 (ipotesi alternativa): esiste almeno un gruppo la cui distribuzione (o mediana) è diversa.
Va notato che, quando l'ipotesi nulla (H0) viene rifiutata, il test di Kruskal-Wallis si limita ad affermare "esiste una differenza", senza specificare quali gruppi siano diversi. Ciò richiede ulteriori test (post-hoc).
Passaggi di calcolo
In sintesi, i passaggi del test di Kruskal-Wallis sono:
1. Unire tutti i dati di tutti i gruppi.
2. Ordina i valori dal più piccolo al più grande. In caso di parità, considera la media dei valori.
3. Sommare i punteggi di ciascun gruppo.
4. Calcolare la statistica del test H.
La formula statistica generale H è:
\[
H = \frac{12}{N(N+1)} \sum_{i=1}^{k} \frac{R_i^2}{n_i} – 3(N+1)
\]
Osservazioni:
– \(N\) = totale di tutte le osservazioni
– \(k\) = numero di gruppi
– \(n_i\) = numero di osservazioni nel gruppo i-esimo
– \(R_i\) = numero di ranghi nel gruppo i-esimo
Il valore H viene quindi confrontato con la distribuzione chi-quadro (\(\chi^2\)) con \(k-1\) gradi di libertà. Se il valore p è inferiore al livello di significatività (ad esempio, 0,05), allora H0 viene rifiutata.
Esempio illustrativo
Supponiamo che un docente voglia sapere se esiste una differenza nei punteggi di un test statistico tra tre metodi di apprendimento: A, B e C. Dopo aver raccolto i dati , si scopre che i punteggi non sono distribuiti normalmente perché sono presenti diversi valori estremi. Il docente utilizza quindi il test di Kruskal-Wallis.
Se i risultati del test mostrano un valore p di 0,01 (inferiore a 0,05), si conclude che esiste una differenza significativa tra almeno due metodi di apprendimento. Tuttavia, il docente non sa ancora se il metodo A sia migliore del B o del C. È qui che si rende necessaria un'analisi post-hoc.
Test post-hoc dopo Kruskal Wallis
Se il test di Kruskal-Wallis risulta significativo, il passo successivo consiste nell'eseguire confronti a coppie. Alcuni metodi comuni sono:
1. Test di Dunn: utilizzato più frequentemente per il test post-hoc di Kruskal-Wallis.
2. Test di Mann-Whitney a coppie con correzione (Bonferroni, Holm o Benjamini-Hochberg) per controllare gli errori dovuti a test ripetuti.
Lo scopo di questa correzione è prevenire un aumento della probabilità di errore di tipo I (indicare una differenza quando non esiste) dovuto all'esecuzione di numerosi confronti.
Dimensione dell'effetto
Oltre alla significatività statistica, molti studi moderni pongono l'accento sulle dimensioni dell'effetto per aiutare i lettori a comprendere l'entità della differenza. Alcune dimensioni dell'effetto spesso associate al modello di Kruskal-Wallis includono:
– Eta-quadrato (η²) basato su H:
\[
\eta^2 = \frac{H – k + 1}{N – k}
\]
– Epsilon-quadrato (ε²) come alternativa più conservativa.
Le dimensioni dell'effetto aiutano a interpretare se la differenza è piccola, media o grande, non solo "significativa o non significativa".
Vantaggi e limiti
Eccesso
1. Non richiede l'assunzione di normalità.
2. Adatto per dati ordinali.
3. Più robusto contro i valori anomali rispetto ai metodi parametrici.
Limitazioni
1. Non mostra quali gruppi sono diversi senza analisi post-hoc.
2. L'interpretazione come differenza tra le mediane è più valida se la forma della distribuzione dei gruppi è simile.
3. Se i dati effettivi sono normali e omogenei, l'ANOVA può essere più potente (maggiore potenza).
Chiusura
Il test di Kruskal-Wallis è uno strumento importante nella statistica inferenziale , soprattutto quando i ricercatori si trovano a lavorare con dati che non soddisfano i presupposti dei metodi parametrici. Grazie al suo approccio basato sui ranghi, questo test consente confronti più flessibili tra tre o più gruppi, in particolare per dati ordinali o non normali. Tuttavia, il suo utilizzo richiede comunque la comprensione dei presupposti, l'interpretazione dei risultati e la necessità di analisi post-hoc per identificare coppie di gruppi realmente differenti. Combinando i valori p, le dimensioni dell'effetto e ulteriori analisi appropriate, il test di Kruskal-Wallis può fornire conclusioni solide e rilevanti in una varietà di campi di ricerca, dalla salute e l'istruzione al business e alle scienze sociali.
