Test Kruskala-Wallisa w statystyce
Test Kruskala-Wallisa to nieparametryczna metoda statystyczna stosowana do porównywania różnic między trzema lub więcej grupami. W wielu badaniach naukowcy często chcą ustalić, czy kilka grup ma istotnie różne wartości danej zmiennej. Jeśli dane spełniają założenia normalności rozkładu i jednorodności wariancji, zazwyczaj pierwszym wyborem jest jednokierunkowa analiza wariancji (ANOVA). Jednak gdy te założenia nie są spełnione – na przykład dane nie mają rozkładu normalnego, występują skrajne obserwacje odstające lub skala pomiarowa jest porządkowa – test Kruskala-Wallisa stanowi skuteczną i szeroko stosowaną alternatywę.
Definicja i podstawowe pojęcia
Test Kruskala-Wallisa (często zapisywany jako test H Kruskala-Wallisa) jest rozszerzeniem testu U Manna-Whitneya, rozszerzającym go na więcej niż dwie grupy. Jego podstawową zasadą jest porównywanie „rang” danych, a nie rzeczywistych wartości. Ponieważ jest oparty na rangach, test ten nie wymaga rozkładu normalnego i jest stosunkowo odporny na wpływ wartości odstających.
Intuicyjnie, jeśli kilka grup ma ten sam rozkład, rangi danych w grupach będą losowo mieszane. I odwrotnie, jeśli niektóre grupy mają tendencję do wyższych lub niższych wartości, rangi będą się grupować i generować wyższą statystykę testową.
Kiedy stosuje się test Kruskala-Wallisa?
Test Kruskala-Wallisa stosuje się, gdy:
1. Liczba grup jest ≥ 3, a badacz chce porównać różnice w położeniu centralnym (zwykle mediana) między grupami.
2. Dane nie spełniają założeń analizy wariancji (ANOVA), zwłaszcza w zakresie normalności rozkładu reszt.
3. Skale danych porządkowych (np. wyniki zadowolenia: od bardzo niezadowolonego do bardzo zadowolonego) lub dane o nienormalnym przedziale/stosunku.
4. Niezależne próby, co oznacza, że członkowie jednej grupy nie są sparowani ani spokrewnieni z innymi grupami.
Przykładem może być sytuacja, gdy badacz chce porównać poziom zadowolenia pacjentów z usług świadczonych w trzech różnych szpitalach, używając skali Likerta od 1 do 5. Ponieważ dane mają charakter porządkowy, skala Kruskala-Wallisa jest właściwym wyborem.
Założenia testu Kruskala-Wallisa
Mimo że model Kruskala-Wallisa nie jest parametryczny, opiera się on na kilku ważnych założeniach:
1. Niezależność obserwacji: dane w każdej grupie muszą pochodzić od różnych osób.
2. Zmienna odpowiedzi musi być co najmniej porządkowa: dane muszą być sortowalne.
3. Kształty rozkładów między grupami powinny być podobne: jeśli kształty rozkładów są bardzo różne, interpretacja różnic może być bardziej złożona. Ten test jest często interpretowany jako różnica w medianach, ale interpretacja medianowa jest najwłaściwsza, jeśli kształty rozkładów są podobne.
Hipoteza w teście Kruskala-Wallisa
W teście Kruskala-Wallisa testowana jest hipoteza:
– H0 (hipoteza zerowa): rozkład (lub mediana) wszystkich grup jest taki sam.
– H1 (hipoteza alternatywna): istnieje co najmniej jedna grupa, której rozkład (lub mediana) jest inny.
Należy zauważyć, że po odrzuceniu hipotezy H0 test Kruskala-Wallisa stwierdza jedynie, że „istnieje różnica”, ale nie precyzuje, które grupy są różne. Wymaga to dalszych badań (post hoc).
Kroki obliczeniowe
Podsumowując, kroki testu Kruskala-Wallisa są następujące:
1. Połącz wszystkie dane ze wszystkich grup.
2. Uporządkuj wartości od najmniejszej do największej. W przypadku remisów użyj średniej rangi.
3. Zsumuj rankingi w każdej grupie.
4. Oblicz statystykę testową H.
Ogólny wzór statystyczny H jest następujący:
\[
H = \frac{12}{N(N+1)} \sum_{i=1}^{k} \frac{R_i^2}{n_i} – 3(N+1)
\]
Informacja:
– \(N\) = suma wszystkich obserwacji
– \(k\) = liczba grup
– \(n_i\) = liczba obserwacji w i-tej grupie
– \(R_i\) = liczba rang w i-tej grupie
Wartość H jest następnie porównywana z rozkładem chi-kwadrat (\(\chi^2\)) z \(k-1\) stopniami swobody. Jeśli wartość p jest mniejsza niż poziom istotności (np. 0,05), wówczas H0 zostaje odrzucone.
Przykład ilustrujący
Załóżmy, że wykładowca chce sprawdzić, czy występują różnice w wynikach testów statystycznych dla trzech metod nauczania: A, B i C. Po zebraniu danych okazuje się, że wyniki nie mają rozkładu normalnego, ponieważ występuje kilka wartości skrajnych. Wykładowca stosuje test Kruskala-Wallisa.
Jeśli wyniki testu wskazują na wartość p równą 0,01 (mniejszą niż 0,05), wówczas stwierdza się istotną różnicę między co najmniej dwiema metodami nauczania. Wykładowca nie wie jednak jeszcze, czy metoda A jest lepsza od B czy C. W tym miejscu konieczna jest analiza post hoc.
Test post-hoc po Kruskalu-Wallisie
Jeśli test Kruskala-Wallisa jest istotny, kolejnym krokiem jest przeprowadzenie porównań parami. Oto kilka popularnych metod:
1. Test Dunna: najczęściej stosowany do testu post-hoc Kruskala-Wallisa.
2. Parami Manna-Whitneya z korektą (Bonferroni, Holm lub Benjamini-Hochberg) w celu kontroli błędów wynikających z wielokrotnego testowania.
Celem tej korekty jest zapobieżenie zwiększonemu prawdopodobieństwu popełnienia błędu pierwszego rodzaju (stwierdzenia różnicy, gdy tak naprawdę jej nie ma) w wyniku dokonywania wielu porównań.
Rozmiar efektu
Oprócz istotności, wiele współczesnych badań podkreśla znaczenie wielkości efektu, aby pomóc czytelnikom zrozumieć skalę różnicy. Niektóre wielkości efektu często kojarzone z modelem Kruskala-Wallisa obejmują:
– Eta-kwadrat (η²) oparty na H:
\[
\eta^2 = \frac{H – k + 1}{N – k}
\]
– Epsilon kwadrat (ε²) jako bardziej konserwatywna alternatywa.
Rozmiary efektu pomagają ocenić, czy różnica jest mała, średnia czy duża, a nie tylko „znacząca czy nie”.
Zalety i ograniczenia
Nadmiar
1. Nie wymaga założenia normalności.
2. Nadaje się do danych porządkowych.
3. Bardziej odporne na wartości odstające niż metody parametryczne.
Ograniczenia
1. Nie pokazuje, które grupy są różne bez analizy post-hoc.
2. Interpretacja jako różnica median jest najbardziej prawidłowa, jeżeli kształt rozkładu grup jest podobny.
3. Jeśli rzeczywiste dane są normalne i jednorodne, analiza wariancji (ANOVA) może być bardziej efektywna (większa moc).
Zamknięcie
Test Kruskala-Wallisa jest ważnym narzędziem w statystyce inferencyjnej, zwłaszcza gdy badacze mają do czynienia z danymi, które nie spełniają założeń metod parametrycznych. Dzięki podejściu opartemu na rangach, test ten pozwala na bardziej elastyczne porównania trzech lub więcej grup, szczególnie w przypadku danych porządkowych lub nienormalnych. Jednak jego zastosowanie nadal wymaga zrozumienia założeń, interpretacji wyników oraz konieczności analizy post hoc w celu identyfikacji prawdziwie różnych par grup. Łącząc wartości p, wielkości efektu i odpowiednią dalszą analizę, test Kruskala-Wallisa może dostarczyć solidnych i trafnych wniosków w różnych dziedzinach badań, od zdrowia i edukacji po biznes i nauki społeczne.
