克鲁斯卡尔-沃利斯检验

Kruskal-Wallis 测试：掌握多组非参数分析

By轻松学习统计

您将学习在不同的研究场景中准确应用 Kruskal-Wallis 测试的基本步骤。

介绍

想象一下，如果不假设数据服从正态分布，如何了解不同药物对患者康复时间的影响？这时，克鲁斯卡尔-沃利斯检验就派上了用场。它是非参数统计分析中的强大工具，突破了传统参数检验的局限性。该检验旨在比较多个组的中位数，对于处理非正态或有序数据分布的研究人员来说至关重要。它具有以下优势：

  • 辨别显着差异的稳健方法；
  • 确保从不同数据集中收集的见解准确可靠；
  • 标志着统计方法学的关键进步。

核心亮点

  • Kruskal-Wallis 检验非常适合非正态数据分布。
  • 它有效地比较多个组的中位数。
  • 数据不需要满足严格的方差同质性。
  • 适用于小样本和大样本。
  • 解释 H 统计数据和 p 值揭示了组间差异。
广告
广告

广告标题

广告描述。 Lorem ipsum dolor sat amet，consectetur adipiscing elit。

了解更多

背景与理论

在统计分析中，非参数统计提供了一个重要的框架，用于分析数据而无需依赖传统的参数检验假设，例如正态分布或方差齐性。非参数方法，包括克鲁斯卡尔-沃利斯检验，在处理有序数据或样本量过小而无法验证参数检验所需的分布假设时尤为有用。

了解非参数统计

非参数统计不假定分析数据的潜在概率分布。这使得它们具有高度的通用性，适用于无法满足参数假设的各种情况。非参数检验对于偏态分布和序数数据特别有用，当数据的测量尺度不支持参数假设时，它提供了可靠的替代方案。

克鲁斯卡尔-沃利斯检验：仔细观察

The 克鲁斯卡尔-沃利斯检验是单因素方差分析（ANOVA）的一种非参数替代方法，用于确定两个或多个自变量组在连续或有序因变量上是否存在统计学上的显著差异。尤其值得一提的是，当ANOVA的假设不成立时，Kruskal-Wallis检验可以应用于多组数据。

假设

  • 因变量应该是连续数据、序数数据或计数数据。
  • 因变量应该是连续的或有序的。
  • 自变量应由两个或多个分类的独立组组成。
  • 跨组的观察应该是独立的。

注意： 数据不需要遵循正态分布，因此 克鲁斯卡尔-沃利斯检验 一种非参数方法。

与方差分析的比较

虽然方差分析检验依赖于满足正态性和方差同质性假设的数据，但克鲁斯卡尔-沃利斯检验则不然。相反，它对数据进行排名并比较组之间这些排名的总和，使其适用于非正态分布和序数数据。然而，与方差分析不同，它不直接检验均值差异，而是检验组间中位数或分布的差异。

关键精华

  • 当数据不满足正态性假设时，非参数统计（例如 Kruskal-Wallis 检验）至关重要。
  • Kruskal-Wallis 检验对于分析多个组之间的差异非常有价值，无需采用方差分析等参数检验所需的严格假设。
  • 它适用于广泛的领域和研究场景，使其成为统计分析的多功能工具。

Kruskal-Wallis 检验中的效应大小和类型

克鲁斯卡尔-沃利斯检验确定了多个组之间的显着差异，但要辨别这些差异的实际影响，就需要计算效应大小。效应大小指标将统计显着性转化为可量化的影响度量，这对于现实世界的应用和解释至关重要。

效应大小的标准测量

修正后的η²：η²通常用于方差分析（ANOVA），通过将检验的H统计量与总方差关联起来，可以将其修正为Kruskal-Wallis检验的η²。这种修正方法可以估计效应的大小。但是，在解释其结果时，应考虑到数据的非参数性质。

ε²（ε）是为Kruskal-Wallis检验设计的指标，它能够深入分析组间差异所解释的方差，并考虑了数据的非参数排序。ε²是一种精细的指标，它无需依赖参数假设即可量化效应量，从而补充了检验结果。

额外的非参数效应大小测量

Cohen's d（适用于非参数检验）：在进行事后两两比较时，可以使用 Cohen's d 的改进版本来量化组间标准化差异。这种改进应考虑比较的秩次性质。

秩二列相关：该指标通过比较组间平均秩，以相关系数的形式直观地呈现效应量。它尤其易于使用，能够为广大用户提供简单明了的效应量解释。

将这些效应量计算纳入 Kruskal-Wallis 检验分析可以丰富统计叙述，确保研究结果具有统计显着性，并对实际应用具有明确的影响。通过量化群体差异的大小，研究人员可以更有效地传达其结果与现实世界的相关性。

Kruskal-Wallis 测试的事后测试

在通过 Kruskal-Wallis 检验发现显着结果后，通常需要执行事后检验来查明各组之间的差异所在。这些测试提供：

  • 详细的两两比较；
  • 帮助了解哪些特定群体彼此不同；
  • 从而提供对数据更深刻的见解。

在通过 Kruskal-Wallis 检验确定显着结果后，事后分析对于查明特定的群体差异至关重要。以下是关键测试：

邓恩测试

  • 它是什么：一种广泛使用的非参数方法，用于比较组对之间的排名。
  • 用法：在 Kruskal-Wallis 检验表明总体差异显着后，首选用于详细分析。
  • 特征：：纳入多重比较调整，最大限度地降低 I 类错误的风险。

内门尼测试

  • 它是什么：Nemenyi 检验是一种非参数方法，类似于 ANOVA 中使用的 Tukey HSD 检验，旨在根据排名和进行多个成对比较。
  • 用法：此测试遵循显着的 Kruskal-Wallis 测试，主要是当目标是将每个组与其他组进行比较时。
  • 特征：：它提供全面的分析，无需假设正态分布，使其适用于各种数据类型。该测试有利于提供组间成对差异的详细概述。

康诺弗检验

  • 它是什么：用于成对组比较的非参数检验，类似于 Dunn 检验，但采用不同的 p 值调整方法。
  • 用法：当 Kruskal-Wallis 后需要进行更细致的成对比较时应用。
  • 特征：：提供适用于各种数据类型的替代 p 值调整方法。

Dwass-Steel-Critchlow-Fligner (DSCF) 测试

  • 它是什么：专为多个成对比较而定制的非参数方法。
  • 用法：非常适合后 Kruskal-Wallis 分析，提供全面的成对比较框架，无需正态分布假设。
  • 特征：：针对多重检验进行调整，确保统计结论的完整性。

曼惠特尼 U 检验

  • 它是什么：也称为 Wilcoxon 秩和检验，它比较两个独立组。
  • 用法：适合 Kruskal-Wallis 后的成对比较，特别是在分析特定群体差异时。
  • 需要考虑的事项：不适合多重比较；调整（如 Bonferroni 校正）对于管理 I 类错误率是必要的。

每个测试都具有独特的功能和适用性，使其成为克鲁斯卡尔-沃利斯测试后事后分析的宝贵工具。具体的研究问题、数据特征和 I 类错误控制的需要应指导测试的选择。

何时使用克鲁斯卡尔-沃利斯检验

The 克鲁斯卡尔-沃利斯检验是一种非参数方法，用于比较多个独立组的中位数。当参数检验（例如方差分析）所需的假设不成立时，Kruskal-Wallis检验尤为适用。以下列举了一些Kruskal-Wallis检验最适用的具体情况：

非正态数据分布：当数据不服从正态分布时，尤其是在样本量较小、中心极限定理不适用的情况下，Kruskal-Wallis 检验提供了一种可靠的替代方法。

序数数据：对于以序数尺度测量的数据，该测试可以有效地比较各组，其中各级别之间的数值差异并不一致或没有意义。

异质方差：当各组的方差不同时，Kruskal-Wallis 检验仍然可以应用，这与许多要求方差齐性的参数检验不同。

小样本量：当样本量太小而无法可靠地检验参数检验的假设时，Kruskal-Wallis 检验可能是一个更合适的选择。

例如：

通过应用克鲁斯卡尔-沃利斯检验，研究人员无需参数检验所需的严格假设，即可获得关于群体差异的可靠见解。这增强了统计分析在不同研究领域的稳健性和适用性，确保研究结果建立在准确、方法论严谨的基础上。

临床研究：比较三种不同药物对缓解疼痛的效果，疼痛缓解程度按序数等级评定（例如，无缓解、轻度缓解、中度缓解、完全缓解）。

环境科学：评估各种污染物对植物生长的影响，其中生长被分为有序等级（例如，不生长、缓慢生长、中等生长、快速生长），并且数据存在偏斜或不符合正态性假设。

市场研究：评估零售连锁店中多家门店的客户满意度，满意度采用李克特量表进行衡量（例如，非常不满意、不满意、中立、满意、非常满意）。

教育研究：分析不同教学方法下的考试成绩提高情况，其中提高情况被分类（例如，没有提高、轻微提高、中等提高、显著提高），并且数据分布未知或非正态分布。

广告
广告

广告标题

广告描述。 Lorem ipsum dolor sat amet，consectetur adipiscing elit。

了解更多

计算 Kruskal-Wallis 检验的分步指南

Kruskal-Wallis 检验是一种非参数统计检验，用于确定三个或更多独立组的中位数之间是否存在统计显着差异。本指南将引导您完成执行此测试所涉及的手动计算，提供清晰易懂的方法。

准备您的数据

1. 收集数据：确保你的数据组织有序，一列代表自变量（组），另一列代表因变量（你想在组之间比较的数据）。

2. 假设检验：确认您的数据符合 Kruskal-Wallis 检验的假设。该检验要求每组数据相互独立，且因变量至少为有序变量。

手动计算

1. 对数据进行排序：将所有分组观测值合并成一个数据集，并按从小到大的顺序进行排序。如果存在并列值，则赋予它们平均排名。

2. 计算排名总和：计算每个组的排名总和。

3. 计算检验统计量（H）:

Kruskal-Wallis H 统计量的公式为：

H = 12 n ( n + 1 ) ∑ i = 1 k R i 2 n i − 3 ( n + 1 )

其中 n 为观测总数， k 为组数, Ri​ 为 是 i 的秩和第 thi 组的秩和，ni​ 是 i 中观察的数量第 thi 组的观测数。

4. 确定自由度：自由度比被比较的组数少 1。

5. 找到临界值：使用卡方（χ）分布表找到与你的自由度和选择的显著性水平（通常为 0.05）相对应的临界值。

6. 将 H 与临界值进行比较：如果您计算出的 H 统计量大于χ2 表中的临界值，则可以拒绝原假设，并得出结论：各组之间存在显著差异。

计算效应量（η2)

克鲁斯卡尔-沃利斯检验本身并不提供效应量，但估计效应量的一种方法是通过 eta 平方 (η2), 计算为：

η2 = (H – k + 1)/(n – k)​

其中 H 是 Kruskal-Wallis 统计量，k 是组数，n 是观测值总数。

这提供了一种衡量数据方差有多少是由组差异解释的方法。

视觉表现

考虑创建一个箱线图来可视化数据在各组中的分布。这可以帮助理解数据并解释结果。

Kruskal-Wallis 检验的箱线图

如何在 R 中执行 Kruskal-Wallis 检验

本指南提供了有关使用 R 执行 Kruskal-Wallis 检验的详细分步教程，包括计算效应大小和进行多重比较的事后测试。

数据准备：

1. 数据输入：首先确保你的数据在 R 中格式正确。通常，你会有一列表示自变量（分组因子），另一列表示因变量（你要比较的分数或测量值）。

# Sample data creation
set.seed(123)  # For reproducibility
group <- factor(rep(c("Group1", "Group2", "Group3"), each = 20))
score <- c(rnorm(20, mean = 50, sd = 10), 
           rnorm(20, mean = 55, sd = 15), 
           rnorm(20, mean = 60, sd = 20))
data <- data.frame(group, score)

2. 数据检查：在运行测试之前，对数据进行可视化和检查至关重要。使用箱线图来评估各组之间的分布情况。

# Data visualization
boxplot(score ~ group, data = data, main = "Group Comparison", ylab = "Scores", xlab = "Group")

执行 Kruskal-Wallis 测试：

1. 运行测试：在 R 中使用 kruskal.test() 函数，指定因变量和自变量。

# Kruskal-Wallis Test
kruskal_test_result <- kruskal.test(score ~ group, data = data)
print(kruskal_test_result)

2. 结果解读：输出结果将提供 Kruskal-Wallis 统计量及其对应的 p 值。显著的 p 值（通常 < 0.05）表明各组之间的中位数存在差异。

效应量计算：

1. 计算 Eta 平方：虽然 Kruskal-Wallis 检验不能直接提供效应量，但可以使用 eta 平方 (η²) 作为估计值。

# Effect size calculation
eta_squared <- kruskal_test_result$statistic / length(data$score)
print(eta_squared)

事后分析：

1. 进行事后检验：如果 Kruskal-Wallis 检验结果显著，您可能需要进行事后检验以确定哪些组之间存在差异。可以使用带有 Bonferroni 校正的 pairwise.wilcox.test() 函数来实现此目的。

# Post-hoc analysis
post_hoc_result <- pairwise.wilcox.test(data$score, data$group, p.adjust.method = "bonferroni")
print(post_hoc_result)

2. 解释事后结果：这将提供组之间的两两比较，突出显著差异。

解释 Kruskal-Wallis 检验的结果

理解的结果克鲁斯卡尔-沃利斯检验的结果需要剖析几个关键组成部分，包括H 统计量, p值以及效应量。此外，当发现显著差异时，事后分析对于确定具体的组间差异至关重要。本节旨在阐明这些要素，并提供分析结果的全面概述。

H 统计量和 P 值

The H 统计量是Kruskal-Wallis 检验的核心结果，它表示不同组间秩次的差异。H 值越大，表明组间中位数差异越显著。解读此统计量：

  • 将 H 值与卡方分布的临界值进行比较，并考虑自由度（组数减 1）。
  • The p-值与 H 统计量相关的 表示在零假设下观察到给定结果或更极端结果的概率。低于预定义 alpha 水平（通常为 0.05）的 p 值表示至少一对组中位数之间存在统计显着差异。

效应大小

效应量量化了观察到的差异的大小，提供了统计显著性之外的另一种解释维度。对于 Kruskal-Wallis 检验，η²是一个常用的指标，反映了由组间差异引起的秩方差。η² 值的解释如下：

  • 影响较小： η² ≈ 0.01
  • 中等效果： η² ≈ 0.06
  • 效果大： η² ≈ 0.14

多重比较和事后测试

Kruskal-Wallis检验的显著结果需要通过事后检验进行进一步分析，以识别明显的组间差异。这些检验包括Dunn检验, Nemenyi检验以及Conover检验，每种检验都针对特定的条件和数据类型而设计。进行事后分析的关键点包括：

  • 选择与研究目标和数据属性相符的事后测试。
  • 这些测试本质上会调整由于多重比较而导致 I 类错误的风险，从而确保推理过程的完整性。

常见陷阱和避免策略

  • 过分强调意义：显着的 p 值并不自动意味着有意义或大的影响。整合效应大小考虑因素以获得平衡的解释至关重要。
  • 分布假设：虽然 Kruskal-Wallis 检验比参数检验的假设约束更少，但理想情况下它需要跨组的可比较的分布形状，除非中值差异。确保这种相似性可以增强测试的有效性。

通过精确导航这些组件，研究人员可以从 Kruskal-Wallis 测试中得出准确且有意义的结论，从而丰富对数据潜在模式和关系的理解。

案例研究和应用

The 克鲁斯卡尔-沃利斯检验是一种强大的非参数方法，用于比较三个或更多独立组。本节将介绍实际应用和假设案例研究，以说明Kruskal-Wallis检验的有效性及其带来的启示。

实际应用：环境科学

在一项环境研究中，研究人员旨在评估工业污染对多个地点特定植物物种生长率的影响。根据距工业区的远近程度，这些地点被分为三组：高污染区、中度污染区和低污染区。鉴于增长率的非正态分布和数据的序数性质，采用了克鲁斯卡尔-沃利斯检验。

测试结果显示，三组植物的中位生长速率存在显著差异（H 统计量在 p < 0.05 水平上显著），表明污染水平对植物生长有显著影响。这一发现促使人们制定有针对性的环境政策，重点减少关键地区的工业排放。

假设示例：医疗保健研究

假设一项医疗保健研究，研究人员调查三种不同的慢性病治疗方案的有效性。患者被随机分配到三个治疗组之一，结果指标是生活质量的改善情况，采用序数等级评分。

利用克鲁斯卡尔-沃利斯检验，研究人员发现治疗组的中位改善分数存在统计学上的显着差异。进一步的事后分析确定了哪些具体治疗方法存在显着差异，指导医疗专业人员制定更有效的治疗方案。

广告
广告

广告标题

广告描述。 Lorem ipsum dolor sat amet，consectetur adipiscing elit。

了解更多

结语

本文探讨了克鲁斯卡尔-沃利斯检验，重点阐述了其在处理跨多个组的非参数数据时，在统计分析中的关键作用。该检验的价值在于其能够处理不符合正态性假设的数据，为传统的方差分析提供了一种稳健的替代方案。从环境科学到医疗保健，克鲁斯卡尔-沃利斯检验的应用范围十分广泛，有助于从数据中提取有意义的洞见，从而指导决策和政策制定。克鲁斯卡尔-沃利斯检验体现了对真理的追求，它使研究人员能够揭示数据中的潜在模式，并通过为循证实践提供信息，为社会福祉做出贡献。

通过探索我们博客上的深入文章集，发现更多前沿的统计技术及其应用。

  1. 掌握单向方差分析：初学者综合指南
  2. 掌握 Mann-Whitney U 测试：综合指南
  3. 单向方差分析中要避免的常见错误
  4. 非参数统计：综合指南
  5. 多元方差分析：数据科学家实用指南

常见问题解答 (FAQs)

问题一：什么是 Kruskal-Wallis 检验？Kruskal-Wallis 检验是一种非参数统计方法，用于比较三个或更多独立组的中位数。当数据不符合单因素方差分析等参数检验所需的假设时，它非常有用。

Q2：何时应该使用 Kruskal-Wallis 检验？该检验适用于非正态分布、有序数据、异方差以及样本量较小等无法满足传统参数假设的情况。

问题3：Kruskal-Wallis检验与ANOVA有何不同？与ANOVA不同，Kruskal-Wallis检验不假设数据服从正态分布或方差齐性。它对数据进行排序，并比较各组间秩的总和，因此非常适合非正态分布和有序数据。

Q4：Kruskal-Wallis检验的假设是什么？主要假设包括：因变量为连续变量或有序变量；自变量由两个或多个独立的分类组组成；以及各组之间的观测值相互独立。

Q5：Kruskal-Wallis 检验可以用于事后分析吗？是的，在发现显著结果后，可以进行事后检验，例如 Dunn 检验、Nemenyi 检验、Conover 检验、Dwass-Steel-Critchlow-Fligner 检验和 Mann-Whitney U 检验（进行调整），以确定具体的组间差异。

Q6：Kruskal-Wallis 检验中效应量是如何计算的？效应量可以使用改进的 Eta 平方 (η²)、Epsilon 平方 (ε²)、适用于非参数检验的 Cohen's d 的改进版本以及秩二列相关来量化，从而深入了解组间差异的大小。

Q7：Kruskal-Wallis检验有哪些实际应用？该检验广泛应用于临床研究、环境科学、市场营销研究和教育研究，主要用于处理有序数据、非正态分布或小样本量数据。

Q8：Kruskal-Wallis 检验如何分析数据？数据按所有组进行排序，该检验评估各组之间的排名分布是否存在显著差异，重点关注中位数差异而非均值差异。

Q9：解读Kruskal-Wallis检验结果时应考虑哪些因素？该检验虽然能表明组间差异是否具有统计学意义，但无法具体说明差异体现在哪些方面。因此，需要进行事后检验来进行更详细的两两比较。

Q10：Kruskal-Wallis检验有哪些局限性？是的，该检验无法提供均值差异的信息，需要进行后续的事后分析才能获得更详细的信息。此外，它也不适用于配对数据或重复测量数据。

类似的帖子