Kruskal Wallis-testet i statistik
Kruskal Wallis-testet är en icke-parametrisk statistisk metod som används för att jämföra skillnader mellan tre eller fler grupper. I många studier vill forskare ofta avgöra om flera grupper har signifikant olika värden för en viss variabel. Om data uppfyller antagandena om normalitet och varianshomogenitet är envägs-ANOVA-testet vanligtvis förstahandsvalet. Men när dessa antaganden inte är uppfyllda – till exempel om data är icke-normalfördelade, om det finns extrema extremvärden eller om mätskalan är ordinal – är Kruskal Wallis-testet ett kraftfullt och allmänt använt alternativ.
Definition och grundläggande begrepp
Kruskal-Wallis-testet (ofta skrivet som Kruskal-Wallis H-test) är en utvidgning av Mann-Whitney U-testet, som utvidgar det till mer än två grupper. Dess grundprincip är att jämföra datas "rankningar", inte de faktiska värdena. Eftersom det är rangbaserat kräver detta test inte en normalfördelning och är relativt motståndskraftigt mot påverkan av extremvärden.
Intuitivt sett, om flera grupper har samma fördelning, kommer datarankningarna över grupperna att blandas slumpmässigt. Omvänt, om vissa grupper tenderar att ha högre eller lägre värden, kommer rangordningarna att klustras och producera en större teststatistik.
När används Kruskal Wallis-testet?
Kruskal Wallis-testet används när:
1. Antalet grupper är ≥ 3, och forskaren vill jämföra skillnaderna i central plats (vanligtvis medianen) mellan grupperna.
2. Data uppfyller inte ANOVA-antagandena, särskilt inte residualernas normalitet.
3. Ordinala dataskalor (t.ex. nöjdhetspoäng: mycket missnöjd till mycket nöjd) eller icke-normala intervall-/kvotdata.
4. Oberoende stickprov, vilket innebär att medlemmar i en grupp inte är parade ihop med eller släkt med andra grupper.
Ett exempel: en forskare vill jämföra patientnöjdhetsnivåer med tjänster på tre olika sjukhus med hjälp av en Likertskala från 1–5. Eftersom data är ordinala är Kruskal Wallis ett lämpligt val.
Kruskal Wallis-testets antaganden
Även om den är icke-parametrisk har Kruskal Wallis fortfarande flera viktiga antaganden:
1. Oberoende observation: data i varje grupp måste komma från olika individer.
2. Svarsvariabeln måste vara minst ordinal: data måste vara sorterbara.
3. Fördelningsformerna mellan grupperna bör vara likartade: om fördelningsformerna är mycket olika kan tolkningen av skillnaderna vara mer komplex. Detta test tolkas ofta som en skillnad i medianvärden, men mediantolkningen är mest lämplig om fördelningsformerna är likartade.
Hypotes i Kruskal Wallis-testet
I Kruskal Wallis-testet testas hypotesen:
– H0 (nollhypotes): fördelningen (eller medianen) för alla grupper är densamma.
– H1 (alternativ hypotes): det finns minst en grupp vars fördelning (eller median) är annorlunda.
Det bör noteras att när H0 förkastas, säger Kruskal-Wallis-testet helt enkelt "det finns en skillnad", men specificerar inte vilka grupper som är olika. Detta kräver ytterligare testning (post-hoc).
Beräkningssteg
Sammanfattningsvis är stegen i Kruskal Wallis-testet:
1. Kombinera all data från alla grupper.
2. Rangordna från minsta till största värde. Om det finns oavgjort, använd den genomsnittliga rangordningen.
3. Lägg ihop rankningarna i varje grupp.
4. Beräkna teststatistiken H.
Den allmänna statistiska formeln för H är:
\[
H = ∫12/N(N+1) \sum_{i=1}^{k} \frac{R_i^2}{n_i} – 3(N+1)
\]
Information:
– \(N\) = summan av alla observationer
– \(k\) = antal grupper
– \(n_i\) = antal observationer i den i:te gruppen
– \(R_i\) = antal rangordningar i den i:te gruppen
H-värdet jämförs sedan med chi-kvadratfördelningen (\(\chi^2\)) med \(k-1\) frihetsgrader. Om p-värdet är mindre än signifikansnivån (t.ex. 0,05), förkastas H0.
Illustrativt exempel
Anta att en föreläsare vill veta om det finns en skillnad i statistiska testresultat mellan tre inlärningsmetoder: A, B och C. Efter att ha samlat in data visar det sig att resultaten inte är normalfördelade eftersom det finns flera extremvärden. Föreläsaren använder sedan Kruskal Wallis-testet.
Om testresultaten visar ett p-värde på 0,01 (mindre än 0,05), så dras slutsatsen att det finns en signifikant skillnad mellan minst två inlärningsmetoder. Föreläsaren vet dock ännu inte om metod A är bättre än B eller C. Det är här en efterföljande analys behövs.
Post-hoc-test efter Kruskal Wallis
Om Kruskal Wallis-testet är signifikant är nästa steg att utföra parvisa jämförelser. Några vanliga metoder är:
1. Dunns test: används oftast för post-hoc Kruskal Wallis.
2. Parvis Mann–Whitney med korrigering (Bonferroni, Holm eller Benjamini-Hochberg) för att kontrollera för fel på grund av upprepad testning.
Syftet med denna korrigering är att förhindra en ökad risk för typ I-fel (att ange en skillnad när det inte finns någon skillnad) på grund av att många jämförelser görs.
Effektstorlek
Förutom betydelse betonar många moderna studier effektstorlekar för att hjälpa läsarna att förstå skillnadens omfattning. Några effektstorlekar som ofta förknippas med Kruskal-Wallis-modellen inkluderar:
– H-baserad Eta-kvadrat (η²):
\[
\eta^2 = \frac{H – k + 1}{N – k}
\]
– Epsilonkvadrat (ε²) som ett mer konservativt alternativ.
Effektstorlekar hjälper till att tolka om skillnaden är liten, medelstor eller stor, inte bara "signifikant eller inte".
Fördelar och begränsningar
Överskott
1. Kräver inte antagandet om normalitet.
2. Lämplig för ordinaldata.
3. Mer robust mot extremvärden än parametriska metoder.
Keterbatasan
1. Visar inte vilka grupper som är olika utan post-hoc.
2. Tolkning som skillnaden i medianvärden är mest giltig om gruppernas fördelningsform är likartad.
3. Om de faktiska uppgifterna är normala och homogena kan ANOVA vara mer kraftfull (högre styrka).
Stängning
Kruskal-Wallis-testet är ett viktigt verktyg inom inferentiell statistik, särskilt när forskare hanterar data som inte uppfyller antagandena för parametriska metoder. Med sin rangbaserade metod möjliggör detta test mer flexibla jämförelser av tre eller fler grupper, särskilt för ordinala eller icke-normala data. Dess användning kräver dock fortfarande en förståelse för antagandena, tolkning av resultaten och behovet av post-hoc-analys för att identifiera verkligt olika par av grupper. Genom att kombinera p-värden, effektstorlekar och lämplig ytterligare analys kan Kruskal-Wallis-testet ge robusta och relevanta slutsatser inom en mängd olika forskningsområden, från hälsa och utbildning till näringsliv och samhällsvetenskap.
