గణాంకాలలో క్రుస్కల్ వాలిస్ పరీక్ష
క్రుస్కల్ వాలిస్ పరీక్ష అనేది మూడు లేదా అంతకంటే ఎక్కువ సమూహాల మధ్య వ్యత్యాసాలను పోల్చడానికి ఉపయోగించే ఒక నాన్పారామెట్రిక్ గణాంక పద్ధతి. అనేక అధ్యయనాలలో, పరిశోధకులు తరచుగా ఒక నిర్దిష్ట వేరియబుల్ కోసం పలు సమూహాలు గణనీయంగా విభిన్న విలువలను కలిగి ఉన్నాయో లేదో నిర్ధారించాలనుకుంటారు. డేటా సాధారణత మరియు వైవిధ్య సజాతీయత యొక్క అంచనాలను నెరవేర్చినట్లయితే, వన్-వే ANOVA పరీక్ష సాధారణంగా మొదటి ఎంపికగా ఉంటుంది. అయితే, ఈ అంచనాలు నెరవేరనప్పుడు—ఉదాహరణకు, డేటా అసాధారణంగా పంపిణీ చేయబడినప్పుడు, తీవ్రమైన అవుట్లయర్లు ఉన్నప్పుడు, లేదా కొలత స్కేల్ ఆర్డినల్గా ఉన్నప్పుడు—క్రుస్కల్ వాలిస్ పరీక్ష ఒక శక్తివంతమైన మరియు విస్తృతంగా ఉపయోగించే ప్రత్యామ్నాయం.
నిర్వచనం మరియు ప్రాథమిక భావనలు
క్రుస్కల్-వాలిస్ పరీక్ష (దీనిని తరచుగా క్రుస్కల్-వాలిస్ H పరీక్ష అని వ్రాస్తారు) అనేది మాన్-విట్నీ U పరీక్ష యొక్క ఒక విస్తరణ, ఇది రెండు కంటే ఎక్కువ సమూహాలకు విస్తరిస్తుంది. దీని ప్రాథమిక సూత్రం, వాస్తవ విలువలను కాకుండా, డేటా యొక్క "ర్యాంకులను" పోల్చడం. ఇది ర్యాంక్-ఆధారితమైనది కాబట్టి, ఈ పరీక్షకు సాధారణ పంపిణీ అవసరం లేదు మరియు ఇది అవుట్లయర్ల ప్రభావానికి సాపేక్షంగా నిరోధకతను కలిగి ఉంటుంది.
సహజంగా, అనేక సమూహాలు ఒకే విధమైన పంపిణీని కలిగి ఉంటే, ఆ సమూహాలలోని డేటా ర్యాంకులు యాదృచ్ఛికంగా కలిసిపోతాయి. దీనికి విరుద్ధంగా, కొన్ని సమూహాలు ఎక్కువ లేదా తక్కువ విలువలను కలిగి ఉంటే, ర్యాంకులు ఒకచోట చేరి పెద్ద టెస్ట్ స్టాటిస్టిక్ను ఉత్పత్తి చేస్తాయి.
క్రుస్కల్ వాలిస్ పరీక్షను ఎప్పుడు ఉపయోగిస్తారు?
క్రుస్కల్ వాలిస్ పరీక్షను ఈ క్రింది సందర్భాలలో ఉపయోగిస్తారు:
1. సమూహాల సంఖ్య ≥ 3 మరియు పరిశోధకుడు సమూహాల మధ్య కేంద్ర స్థానంలో (సాధారణంగా మధ్యస్థం) తేడాలను పోల్చాలనుకుంటున్నారు.
2. డేటా ANOVA అంచనాలకు, ముఖ్యంగా అవశేషాల సాధారణతకు అనుగుణంగా లేదు.
3. ఆర్డినల్ డేటా స్కేల్స్ (ఉదా. సంతృప్తి స్కోర్లు: చాలా అసంతృప్తి నుండి చాలా సంతృప్తి వరకు) లేదా నాన్-నార్మల్ ఇంటర్వెల్/రేషియో డేటా.
4. స్వతంత్ర నమూనాలు, అంటే ఒక సమూహంలోని సభ్యులు ఇతర సమూహాలతో జతకట్టబడరు లేదా సంబంధం కలిగి ఉండరు.
ఉదాహరణకు: ఒక పరిశోధకుడు 1–5 లైకర్ట్ స్కేల్ను ఉపయోగించి మూడు వేర్వేరు ఆసుపత్రులలోని సేవల పట్ల రోగి సంతృప్తి స్థాయిలను పోల్చాలనుకుంటున్నారు. డేటా ఆర్డినల్ అయినందున, క్రుస్కల్ వాలిస్ ఒక సరైన ఎంపిక.
క్రుస్కల్ వాలిస్ పరీక్ష అంచనాలు
నాన్పారామెట్రిక్ అయినప్పటికీ, క్రుస్కల్ వాలిస్లో ఇప్పటికీ అనేక ముఖ్యమైన ఊహలు ఉన్నాయి:
1. పరిశీలన స్వాతంత్ర్యం: ప్రతి సమూహంలోని డేటా వేర్వేరు వ్యక్తుల నుండి రావాలి.
2. ప్రతిస్పందన వేరియబుల్ కనీసం ఆర్డినల్ అయి ఉండాలి: డేటాను క్రమబద్ధీకరించగలగాలి.
3. సమూహాల మధ్య పంపిణీ ఆకారాలు ఒకేలా ఉండాలి: పంపిణీ ఆకారాలు చాలా భిన్నంగా ఉంటే, ఆ వ్యత్యాసాలను అర్థం చేసుకోవడం మరింత సంక్లిష్టంగా ఉంటుంది. ఈ పరీక్షను తరచుగా మధ్యస్థాలలోని వ్యత్యాసంగా అర్థం చేసుకుంటారు, కానీ పంపిణీ ఆకారాలు ఒకేలా ఉన్నప్పుడు మధ్యస్థ వివరణ అత్యంత సముచితంగా ఉంటుంది.
క్రుస్కల్ వాలిస్ పరీక్షలో పరికల్పన
క్రుస్కల్ వాలిస్ పరీక్షలో, పరీక్షించబడుతున్న పరికల్పన:
– H0 (శూన్య పరికల్పన): అన్ని సమూహాల పంపిణీ (లేదా మధ్యస్థం) ఒకే విధంగా ఉంటుంది.
– H1 (ప్రత్యామ్నాయ పరికల్పన): కనీసం ఒక సమూహం యొక్క పంపిణీ (లేదా మధ్యస్థం) భిన్నంగా ఉంటుంది.
H0 తిరస్కరించబడినప్పుడు, క్రుస్కల్-వాలిస్ పరీక్ష కేవలం "తేడా ఉంది" అని మాత్రమే చెబుతుందని, కానీ ఏ సమూహాలు భిన్నంగా ఉన్నాయో నిర్దేశించదని గమనించాలి. దీనికి తదుపరి పరీక్ష (పోస్ట్-హాక్) అవసరం.
గణన దశలు
సంక్షిప్తంగా, క్రుస్కల్ వాలిస్ పరీక్ష యొక్క దశలు ఈ క్రింది విధంగా ఉన్నాయి:
1. అన్ని గ్రూపుల నుండి మొత్తం డేటాను కలపండి.
2. చిన్న విలువ నుండి పెద్ద విలువ వరకు ర్యాంక్ ఇవ్వండి. ఒకవేళ టై అయితే, సగటు ర్యాంక్ను ఉపయోగించండి.
3. ప్రతి గ్రూపులోని ర్యాంకులను కూడండి.
4. పరీక్ష గణాంకం H ను లెక్కించండి.
సాధారణ H గణాంక సూత్రం:
\[
H = \frac{12}{N(N+1)} \sum_{i=1}^{k} \frac{R_i^2}{n_i} – 3(N+1)
\]
Keterangan:
– \(N\) = అన్ని పరిశీలనల మొత్తం
– \(k\) = సమూహాల సంఖ్య
– \(n_i\) = i-వ సమూహంలోని పరిశీలనల సంఖ్య
– \(R_i\) = i-వ సమూహంలోని ర్యాంకుల సంఖ్య
ఆ తర్వాత H విలువను \(k-1\) డిగ్రీల స్వేచ్ఛతో ఉన్న చి-స్క్వేర్ పంపిణీ (\(\chi^2\)) తో పోలుస్తారు. ఒకవేళ p-విలువ ప్రాముఖ్యత స్థాయి (ఉదా., 0,05) కంటే తక్కువగా ఉంటే, అప్పుడు H0 తిరస్కరించబడుతుంది.
వివరణాత్మక ఉదాహరణ
A, B, మరియు C అనే మూడు అభ్యసన పద్ధతులలో గణాంక పరీక్ష స్కోర్లలో తేడా ఉందో లేదో ఒక అధ్యాపకుడు తెలుసుకోవాలనుకుంటున్నాడు అనుకుందాం. డేటాను సేకరించిన తర్వాత, అనేక విపరీత విలువలు ఉన్నందున స్కోర్లు సాధారణ పంపిణీలో లేవని తేలింది. అప్పుడు ఆ అధ్యాపకుడు క్రుస్కల్ వాలిస్ పరీక్షను ఉపయోగిస్తాడు.
పరీక్ష ఫలితాలు 0,01 (0,05 కంటే తక్కువ) p-విలువను చూపిస్తే, కనీసం రెండు అభ్యాస పద్ధతుల మధ్య గణనీయమైన వ్యత్యాసం ఉందని నిర్ధారించబడుతుంది. అయితే, పద్ధతి A, B లేదా C కంటే మెరుగైనదో కాదో అధ్యాపకుడికి ఇంకా తెలియదు. ఇక్కడే పోస్ట్-హాక్ విశ్లేషణ అవసరం అవుతుంది.
క్రుస్కల్ వాలిస్ తర్వాత పోస్ట్-హాక్ పరీక్ష
క్రుస్కల్ వాలిస్ పరీక్ష గణనీయమైనది అయితే, తదుపరి దశ జంట పోలికలను నిర్వహించడం. కొన్ని సాధారణ పద్ధతులు:
1. డన్ పరీక్ష: పోస్ట్-హాక్ క్రుస్కల్ వాలిస్ కోసం ఎక్కువగా ఉపయోగించబడుతుంది.
2. పునరావృత పరీక్షల వల్ల కలిగే లోపాలను నియంత్రించడానికి సవరణతో (బోన్ఫెరోని, హోల్మ్, లేదా బెంజమిని-హోచ్బర్గ్) జతవారీ మాన్-విట్నీ.
అనేక పోలికలు చేయడం వల్ల టైప్ I దోషం (తేడా లేనప్పుడు తేడా ఉందని చెప్పడం) సంభవించే అవకాశం పెరగకుండా నిరోధించడమే ఈ సవరణ యొక్క ఉద్దేశ్యం.
ప్రభావ పరిమాణం
ప్రాముఖ్యతతో పాటు, అనేక ఆధునిక అధ్యయనాలు పాఠకులకు వ్యత్యాసం యొక్క పరిమాణాన్ని అర్థం చేసుకోవడంలో సహాయపడటానికి ప్రభావ పరిమాణాలపై నొక్కి చెబుతాయి. క్రుస్కల్-వాలిస్ నమూనాతో తరచుగా అనుబంధించబడిన కొన్ని ప్రభావ పరిమాణాలు:
– H-ఆధారిత ఈటా-స్క్వేర్డ్ (η²):
\[
\eta^2 = \frac{H – k + 1}{N – k}
\]
– మరింత సంప్రదాయ ప్రత్యామ్నాయంగా ఎప్సిలాన్-స్క్వేర్డ్ (ε²).
ప్రభావ పరిమాణాలు కేవలం "గణనీయమైనదా కాదా" అని మాత్రమే కాకుండా, ఆ వ్యత్యాసం చిన్నదా, మధ్యస్థమా, లేదా పెద్దదా అని అర్థం చేసుకోవడానికి సహాయపడతాయి.
ప్రయోజనాలు మరియు పరిమితులు
కెలేబిహాన్
1. సాధారణత అనే ఊహ అవసరం లేదు.
2. క్రమ సంఖ్యల డేటాకు అనువైనది.
3. పారామెట్రిక్ పద్ధతుల కంటే అవుట్లయర్లకు వ్యతిరేకంగా మరింత పటిష్టమైనది.
పరిమితులు
1. పోస్ట్-హాక్ లేకుండా ఏ సమూహాలు భిన్నంగా ఉన్నాయో చూపదు.
2. సమూహాల పంపిణీ ఆకారం సారూప్యంగా ఉంటే, మధ్యస్థాలలోని వ్యత్యాసంగా చేసే వివరణ అత్యంత చెల్లుబాటు అవుతుంది.
3. వాస్తవ డేటా సాధారణంగా మరియు సజాతీయంగా ఉంటే, ANOVA మరింత శక్తివంతంగా ఉంటుంది (అధిక శక్తి).
పెనుటప్
అనుమానాత్మక గణాంకాలలో క్రుస్కల్-వాలిస్ పరీక్ష ఒక ముఖ్యమైన సాధనం, ప్రత్యేకించి పారామెట్రిక్ పద్ధతుల యొక్క అంచనాలకు అనుగుణంగా లేని డేటాతో పరిశోధకులు వ్యవహరించేటప్పుడు ఇది ఉపయోగపడుతుంది. దాని ర్యాంక్-ఆధారిత విధానంతో, ఈ పరీక్ష మూడు లేదా అంతకంటే ఎక్కువ సమూహాల మధ్య మరింత సరళమైన పోలికలను అనుమతిస్తుంది, ముఖ్యంగా ఆర్డినల్ లేదా అసాధారణ డేటా విషయంలో. అయినప్పటికీ, దీని వినియోగానికి ఇప్పటికీ అంచనాలపై అవగాహన, ఫలితాల వివరణ, మరియు నిజంగా విభిన్నమైన సమూహాల జతలను గుర్తించడానికి పోస్ట్-హాక్ విశ్లేషణ అవసరం. p-విలువలు, ప్రభావ పరిమాణాలు, మరియు తగిన తదుపరి విశ్లేషణలను కలపడం ద్వారా, క్రుస్కల్-వాలిస్ పరీక్ష ఆరోగ్యం మరియు విద్య నుండి వ్యాపారం మరియు సామాజిక శాస్త్రాల వరకు వివిధ పరిశోధనా రంగాలలో పటిష్టమైన మరియు సంబంధిత నిర్ధారణలను అందించగలదు.
