De Kruskal-Wallis-test in de statistiek
De Kruskal-Wallis-test is een niet-parametrische statistische methode die wordt gebruikt om verschillen tussen drie of meer groepen te vergelijken. In veel onderzoeken willen onderzoekers vaak vaststellen of verschillende groepen significant verschillende waarden hebben voor een bepaalde variabele. Als de data voldoen aan de aannames van normaliteit en homogeniteit van variantie, is de eenweg-ANOVA-test meestal de eerste keuze. Wanneer echter niet aan deze aannames wordt voldaan – bijvoorbeeld wanneer de data niet normaal verdeeld zijn, er extreme uitschieters zijn of de meetschaal ordinaal is – is de Kruskal-Wallis-test een krachtig en veelgebruikt alternatief.
Definitie en basisbegrippen
De Kruskal-Wallis-test (vaak geschreven als de Kruskal-Wallis H-test) is een uitbreiding van de Mann-Whitney U-test, die geschikt is voor meer dan twee groepen. Het basisprincipe is het vergelijken van de "rangordes" van de gegevens, niet de werkelijke waarden. Omdat deze test gebaseerd is op rangordes, is een normale verdeling niet vereist en is de test relatief ongevoelig voor de invloed van uitschieters.
Intuïtief gezien zullen de rangordes van de gegevens willekeurig door elkaar lopen als meerdere groepen dezelfde verdeling hebben. Omgekeerd, als sommige groepen de neiging hebben hogere of lagere waarden te hebben, zullen de rangordes zich clusteren en een grotere toetsingsstatistiek opleveren.
Wanneer wordt de Kruskal-Wallis-test gebruikt?
De Kruskal-Wallis-test wordt gebruikt wanneer:
1. Het aantal groepen is ≥ 3, en de onderzoeker wil de verschillen in centrale locatie (meestal de mediaan) tussen de groepen vergelijken.
2. De gegevens voldoen niet aan de aannames van de ANOVA, met name de normaliteit van de residuen.
3. Ordinale dataschalen (bijv. tevredenheidsscores: zeer ontevreden tot zeer tevreden) of niet-normale interval-/ratio-data.
4. Onafhankelijke steekproeven, wat betekent dat leden van één groep niet gekoppeld of aan elkaar verwant zijn aan leden van andere groepen.
Een voorbeeld: een onderzoeker wil de patiënttevredenheid over de dienstverlening in drie verschillende ziekenhuizen vergelijken met behulp van een Likert-schaal van 1 tot 5. Omdat de gegevens ordinaal zijn, is de Kruskal-Wallis-test een geschikte keuze.
Aannames van de Kruskal-Wallis-test
Hoewel de Kruskal-Wallis-test niet-parametrisch is, kent deze toch een aantal belangrijke aannames:
1. Onafhankelijkheid van de waarneming: de gegevens in elke groep moeten afkomstig zijn van verschillende individuen.
2. De responsvariabele moet minimaal ordinaal zijn: de gegevens moeten sorteerbaar zijn.
3. De verdelingsvormen tussen de groepen moeten vergelijkbaar zijn: als de verdelingsvormen sterk verschillen, kan het interpreteren van de verschillen complexer zijn. Deze test wordt vaak geïnterpreteerd als een verschil in medianen, maar de interpretatie op basis van de mediaan is het meest geschikt als de verdelingsvormen vergelijkbaar zijn.
Hypothese in de Kruskal-Wallis-test
Bij de Kruskal-Wallis-test wordt de volgende hypothese getoetst:
– H0 (nulhypothese): de verdeling (of mediaan) van alle groepen is gelijk.
– H1 (alternatieve hypothese): er is minstens één groep waarvan de verdeling (of mediaan) anders is.
Het is belangrijk op te merken dat wanneer de nulhypothese (H0) wordt verworpen, de Kruskal-Wallis-test simpelweg stelt "er is een verschil", maar niet specificeert welke groepen verschillen. Dit vereist nader onderzoek (post-hoc).
Berekeningsstappen
Samenvattend zijn de stappen van de Kruskal-Wallis-test als volgt:
1. Combineer alle gegevens van alle groepen.
2. Rangschik van kleinste naar grootste waarde. Bij gelijke waarden, gebruik het gemiddelde.
3. Tel de ranglijsten in elke groep bij elkaar op.
4. Bereken de toetsingsstatistiek H.
De algemene H-statistische formule is:
\[
H = \frac{12}{N(N+1)} \sum_{i=1}^{k} \frac{R_i^2}{n_i} – 3(N+1)
\]
Opmerkingen:
– \(N\) = totaal van alle waarnemingen
– \(k\) = aantal groepen
– \(n_i\) = aantal waarnemingen in de i-de groep
– \(R_i\) = aantal rangen in de i-de groep
De H-waarde wordt vervolgens vergeleken met de chi-kwadraatverdeling (\(\chi^2\)) met \(k-1\) vrijheidsgraden. Als de p-waarde kleiner is dan het significantieniveau (bijv. 0,05), wordt H0 verworpen.
Illustratief voorbeeld
Stel dat een docent wil weten of er een verschil is in de scores van een statistische toets tussen drie leermethoden: A, B en C. Na het verzamelen van de gegevens blijkt dat de scores niet normaal verdeeld zijn, omdat er verschillende extreme waarden zijn. De docent gebruikt vervolgens de Kruskal-Wallis-toets.
Als de testresultaten een p-waarde van 0,01 (minder dan 0,05) laten zien, wordt geconcludeerd dat er een significant verschil is tussen ten minste twee leermethoden. De docent weet echter nog niet of methode A beter is dan B of C. Dit is waar een post-hoc analyse nodig is.
Post-hoc test na Kruskal-Wallis
Als de Kruskal-Wallis-test significant is, is de volgende stap het uitvoeren van paarsgewijze vergelijkingen. Enkele veelgebruikte methoden zijn:
1. Dunn's test: wordt het vaakst gebruikt voor post-hoc Kruskal-Wallis-tests.
2. Paarsgewijze Mann-Whitney-toets met correctie (Bonferroni, Holm of Benjamini-Hochberg) om fouten als gevolg van herhaalde toetsing te controleren.
Het doel van deze correctie is om te voorkomen dat de kans op een type I-fout (het stellen van een verschil terwijl er geen verschil is) toeneemt als gevolg van het maken van veel vergelijkingen.
Effectgrootte
Naast de significantie benadrukken veel moderne studies de effectgrootte om lezers te helpen de omvang van het verschil te begrijpen. Enkele effectgroottes die vaak geassocieerd worden met het Kruskal-Wallis-model zijn:
– H-gebaseerde Eta-kwadraat (η²):
\[
\eta^2 = \frac{H – k + 1}{N – k}
\]
– Epsilon-kwadraat (ε²) als een conservatiever alternatief.
Effectgroottes helpen bij de interpretatie of het verschil klein, middelgroot of groot is, en niet alleen of het "significant of niet" is.
Voordelen en beperkingen
Overmaat
1. Vereist geen aanname van normaliteit.
2. Geschikt voor ordinale gegevens.
3. Meer bestand tegen uitschieters dan parametrische methoden.
Keterbatasan
1. Laat zonder post-hoc analyse niet zien welke groepen van elkaar verschillen.
2. De interpretatie van het verschil in medianen is het meest geldig als de vorm van de verdeling van de groepen vergelijkbaar is.
3. Als de feitelijke gegevens normaal en homogeen verdeeld zijn, kan ANOVA krachtiger zijn (hogere power).
Sluitend
De Kruskal-Wallis-test is een belangrijk instrument in de inferentiële statistiek, vooral wanneer onderzoekers te maken hebben met data die niet voldoen aan de aannames van parametrische methoden. Dankzij de ranggebaseerde aanpak maakt deze test flexibelere vergelijkingen van drie of meer groepen mogelijk, met name voor ordinale of niet-normaal verdeelde data. Het gebruik ervan vereist echter nog steeds inzicht in de aannames, de interpretatie van de resultaten en de noodzaak van post-hoc analyses om werkelijk verschillende paren van groepen te identificeren. Door p-waarden, effectgroottes en passende aanvullende analyses te combineren, kan de Kruskal-Wallis-test robuuste en relevante conclusies opleveren in uiteenlopende onderzoeksgebieden, van gezondheid en onderwijs tot bedrijfsleven en sociale wetenschappen.
