Słownik metodologiczny · Testy statystyczne

Estymator Hodgesa–Lehmanna – mediana różnic par jako miara przesunięcia

Estymator Hodgesa–Lehmanna to mediana różnic wszystkich par obserwacji z dwóch grup – odporna miara efektu do testu Manna–Whitneya i Wilcoxona. Pokazujemy, jak go liczyć, interpretować i raportować z przedziałem ufności w R.

Strona główna / Słownik / Estymator Hodgesa–Lehmanna
W skrócie: Estymator Hodgesa–Lehmanna to mediana wszystkich różnic par obserwacji z dwóch grup (w jednej próbie – mediana średnich Walsha). Jest odporną miarą przesunięcia, towarzyszącą testom Manna–Whitneya i Wilcoxona, i ma przedział ufności oparty na rangach.

Co to jest estymator Hodgesa–Lehmanna?

Estymator Hodgesa–Lehmanna (HL) to odporny estymator przesunięcia położenia oparty na rangach. Dla dwóch niezależnych prób jest to mediana wszystkich różnic par xi − yj (przy 15 i 15 osobach – mediana 225 różnic). Dla jednej próby lub różnic w parach jest to mediana średnich Walsha, czyli średnich ze wszystkich par obserwacji. Hodges i Lehmann (1963) wyprowadzili takie estymatory ze statystyk testów rangowych, m.in. Wilcoxona, aby uzyskać ocenę położenia odporną na grube błędy. Jest to więc naturalna miara efektu do testu Manna–Whitneya i testu Wilcoxona.

Właściwości

  • Odporność: pojedyncza obserwacja odstająca zmienia tylko niewielką część różnic par, więc HL prawie się nie przesuwa.
  • Efektywność: asymptotyczna efektywność HL względem różnicy średnich równa się efektywności Pitmana testu rangowego względem testu t (Hodges i Lehmann, 1963), a ta dla testu Wilcoxona nie spada poniżej 0.864 (Hodges i Lehmann, 1956). Przy rozkładzie normalnym traci się więc niewiele, a przy grubych ogonach często się zyskuje.
  • Przedział ufności: granice wyznacza się z tych samych statystyk rangowych (Bauer, 1972); w R zwraca je wilcox.test(..., conf.int = TRUE).

Jak interpretować

HL nie jest różnicą median. Gdy rozkłady różnią się tylko przesunięciem, szacuje to przesunięcie. Gdy różnią się też kształtem, opisuje typową różnicę między losową osobą z jednej i z drugiej grupy. Uzupełnia go delta Cliffa, która mówi, jak często wyniki jednej grupy są wyższe.

Przykład w R

Nowa i dotychczasowa metoda nauczania (po 15 osób, dane symulowane), w grupie nowej jedna wartość odstająca (60 pkt). Różnica średnich wynosi 7.01, a HL = 4.80 pkt, 95% CI [1.50; 9.30], p = .007. Przedział z testu t jest znacznie szerszy: [1.34; 12.69].

Na rysunku

Dwa panele. A: histogram 225 różnic wyników par osób (nowa minus dotychczasowa metoda). 210 różnic, jasnoszare słupki, leży między −10 a 20 pkt; 15 różnic z udziałem wyniku 60, ciemnoszare słupki, leży osobno, od 32.2 pkt w górę. Ciągła pionowa linia przy 4.80 to mediana różnic, czyli estymator Hodgesa–Lehmanna; przerywana linia przy 7.01 to średnia różnic. B: gdy wynik odstający rośnie od 24 do 100 pkt, różnica średnich rośnie po prostej od 4.61 do 9.68 pkt, a estymator Hodgesa–Lehmanna i różnica median zatrzymują się na 4.80 i 4.70 pkt
Rysunek 1. Rozkład różnic wszystkich 225 par osób z medianą (estymator Hodgesa–Lehmanna) i średnią (A) oraz trzy miary przesunięcia przy zmianie wyniku odstającego (B). Obliczenia: R, pakiety ggplot2 i patchwork (dane z przykładu, set.seed(559)).

Co widać. Panel A pokazuje wszystkie 225 różnic par z przykładu. Wynik 60 pkt bierze udział w 15 z nich i wszystkie leżą osobno, od 32.2 pkt w górę (ciemne słupki). Mediana wszystkich różnic to estymator Hodgesa–Lehmanna: 4.80 pkt. Średnia tych samych różnic wynosi 7.01 pkt i jest dokładnie różnicą średnich grup, bo średnia z różnic par równa się różnicy średnich. Te skrajne różnice mocno przesuwają średnią, ale mediany prawie nie ruszają, bo to tylko 15 z 225 par. Panel B zmienia sam wynik odstający od 24 do 100 pkt. Różnica średnich rośnie po prostej od 4.61 do 9.68 pkt. HL zmienia się tylko, dopóki ten wynik jest jeszcze w środku rozkładu (4.30 pkt przy 24), a potem stoi na 4.80. Różnica median zachowuje się podobnie (4.70 pkt).

Na co uważać. Rysunek pokazuje jedną zmienianą obserwację. Gdy odstających wyników jest więcej, przesuwa się i HL, bo skrajne różnice zaczynają sięgać środka ich rozkładu. Na histogramie różnic nie widać też niepewności – przedział ufności HL trzeba policzyć osobno (kod w sekcji Estymator Hodgesa–Lehmanna w R). Płaska linia HL nie znaczy, że wynik 60 można pominąć w opisie. Napisz, że był i jak go potraktowano. Histogram różnic par dla danych bez odstających wyników i przy rozkładach o różnym kształcie pokazuje rysunek 5 we wpisie test Manna–Whitneya w obrazkach.

Podpis do pracy:

Rysunek 1. Różnice wyników we wszystkich 225 parach osób uczonych nową i dotychczasową metodą (po n = 15). Uwaga. Panel A: ciemne słupki – 15 różnic z udziałem wyniku odstającego (60 pkt); linia ciągła – mediana różnic (estymator Hodgesa–Lehmanna, 4.80 pkt); linia przerywana – średnia różnic (różnica średnich, 7.01 pkt). Panel B: estymator Hodgesa–Lehmanna, różnica średnich i różnica median przy zmianie wyniku odstającego od 24 do 100 pkt.

Kod rysunku używa tych samych danych co przykład (set.seed(559), wynik 60 wpisany ręcznie). Zakres 24–100 pkt w panelu B ustalono ręcznie. Rysunek na stronie powstał z tego kodu po podmianie motywu na motyw serwisu (krój czcionki, siatka). Dane, geometrie i skale są identyczne.

Kod R rysunku 1
# Rysunek 1. Różnice wszystkich 225 par i estymator Hodgesa–Lehmanna (dane z przykładu)
library(ggplot2)
library(patchwork)

# Paleta Okabe–Ito i prosty motyw
kol <- c(HL = "#0072B2", srednie = "#D55E00", mediany = "#009E73")
motyw <- theme_minimal(base_size = 14) +
  theme(plot.title = element_text(face = "bold", colour = "#0f1d3a", size = rel(1.0)),
        panel.grid.minor = element_blank(), panel.grid.major = element_line(colour = "grey88", linewidth = 0.4),
        legend.position = "bottom", plot.background = element_rect(fill = "white", colour = NA))

set.seed(559)                                       # te same dane co w przykładzie
nowa    <- round(rnorm(15, mean = 24, sd = 4), 1)
kontrol <- round(rnorm(15, mean = 20, sd = 4), 1)
nowa[15] <- 60                                      # obserwacja odstająca
roznice <- outer(nowa, kontrol, "-")                # 225 różnic par
pary <- data.frame(d = as.vector(roznice),
                   zrodlo = ifelse(as.vector(row(roznice)) == 15, "15 par z wynikiem 60", "pozostałe 210 par"))
round(c(HL = median(pary$d), srednia_roznic = mean(pary$d), roznica_srednich = mean(nowa) - mean(kontrol),
        min_par_z_60 = min(pary$d[pary$zrodlo != "pozostałe 210 par"])), 2)

# Panel A: histogram różnic par; mediana = HL, średnia różnic = różnica średnich
linie <- data.frame(x = c(median(pary$d), mean(pary$d)), miara = c("HL", "srednie"),
                    et = sprintf(c("HL = mediana różnic = %.2f", "średnia różnic = %.2f"), c(median(pary$d), mean(pary$d))))
pA <- ggplot(pary, aes(d, fill = zrodlo)) +
  geom_histogram(binwidth = 2, boundary = 0, colour = "white") +
  geom_vline(data = linie, aes(xintercept = x, colour = miara, linetype = miara), linewidth = 1.1, show.legend = FALSE) +
  geom_text(data = linie, aes(x = x, y = Inf, label = et, colour = miara), hjust = -0.05, vjust = c(1.5, 3.3), size = 4,
            inherit.aes = FALSE, show.legend = FALSE) +
  scale_fill_manual(values = c("15 par z wynikiem 60" = "grey25", "pozostałe 210 par" = "grey75"), name = NULL) +
  scale_colour_manual(values = kol) + scale_linetype_manual(values = c(HL = "solid", srednie = "dashed")) +
  scale_y_continuous(expand = expansion(mult = c(0.02, 0.25))) +
  labs(title = "A. Różnice wszystkich par: nowa − dotychczasowa", x = "Różnica wyników (pkt)", y = "Liczba par") +
  motyw

# Panel B: wynik odstający zmienia się od 24 do 100 pkt – co dzieje się z trzema miarami przesunięcia
siatka <- seq(24, 100, by = 1)
wrazl <- do.call(rbind, lapply(siatka, function(v) { x <- nowa; x[15] <- v
  data.frame(v = v, miara = names(kol),
             wartosc = c(median(outer(x, kontrol, "-")), mean(x) - mean(kontrol), median(x) - median(kontrol))) }))
wrazl$miara <- factor(wrazl$miara, levels = names(kol))
sapply(c(24, 60, 100), function(v) round(wrazl$wartosc[wrazl$v == v], 2))
konce <- subset(wrazl, v == max(siatka))
konce$et <- c("Hodges–Lehmann", "różnica średnich", "różnica median")
konce$y_et <- konce$wartosc + c(0.5, 0, -0.5)
pB <- ggplot(wrazl, aes(v, wartosc, colour = miara, linetype = miara)) +
  geom_vline(xintercept = 60, linetype = "dotted", colour = "grey40") +
  annotate("text", x = 61, y = 10.6, label = "dane z przykładu (60)", hjust = 0, size = 3.8, colour = "grey30") +
  geom_line(linewidth = 1.1) +
  geom_text(data = konce, aes(y = y_et, label = et), hjust = 0, nudge_x = 2, size = 3.8, show.legend = FALSE) +
  scale_colour_manual(values = kol, guide = "none") +
  scale_linetype_manual(values = c(HL = "solid", srednie = "dashed", mediany = "dotdash"), guide = "none") +
  scale_x_continuous(limits = c(24, 128), breaks = seq(30, 100, 10)) +
  labs(title = "B. Wynik odstający rośnie – co się zmienia", x = "Wartość wyniku odstającego (pkt)",
       y = "Oszacowanie przesunięcia (pkt)") +
  motyw

p <- pA / pB + plot_layout(heights = c(1.1, 1))
p
Wynik w R
              HL   srednia_roznic roznica_srednich     min_par_z_60
            4.80             7.01             7.01            32.20
     [,1] [,2] [,3]
[1,] 4.30 4.80 4.80
[2,] 4.61 7.01 9.68
[3,] 4.10 4.70 4.70

Jak opisać w pracy

Grupy porównano testem Manna–Whitneya. Wyniki w grupie uczonej nową metodą były wyższe (p = .007); estymator Hodgesa–Lehmanna przesunięcia wyniósł 4.80 pkt, 95% CI [1.50; 9.30].

Więcej miar efektu dla testów rangowych: wielkość efektu w testach nieparametrycznych.

Przykład reprodukowalny

Estymator Hodgesa–Lehmanna w R

Kod liczy HL ręcznie jako medianę różnic wszystkich par (outer()), porównuje go z różnicą średnich i median, a potem odczytuje ten sam estymator i przedział ufności z wilcox.test().

Przesunięcie przy obserwacji odstającej

Dane wejściowe: dwie symulowane grupy po 15 osób (średnie 24 i 20, SD 4), w grupie nowej jedna wartość zastąpiona przez 60 (set.seed(559)).

Co odczytać: HL = 4.80 (ręcznie i w wilcox.test), różnica średnich 7.01, różnica median 4.70; CI HL [1.50; 9.30] wobec [1.34; 12.69] z testu t.

R
# Estymator Hodgesa–Lehmanna: mediana wszystkich różnic par (x_i - y_j)
set.seed(559)
nowa    <- round(rnorm(15, mean = 24, sd = 4), 1)   # wynik testu, nowa metoda
kontrol <- round(rnorm(15, mean = 20, sd = 4), 1)   # wynik testu, metoda dotychczasowa
nowa[15] <- 60                                      # jedna obserwacja odstająca
roznice <- outer(nowa, kontrol, "-")                # 15 x 15 = 225 różnic
round(c(HL_recznie = median(roznice),
        roznica_srednich = mean(nowa) - mean(kontrol),
        roznica_median = median(nowa) - median(kontrol)), 2)
w <- wilcox.test(nowa, kontrol, conf.int = TRUE, exact = FALSE)
round(c(w$estimate, CI = w$conf.int, p = w$p.value), 3)
round(t.test(nowa, kontrol)$conf.int, 2)            # przedział dla różnicy średnich
Wynik w R
      HL_recznie roznica_srednich   roznica_median 
            4.80             7.01             4.70 
difference in location                    CI1                    CI2 
                 4.800                  1.500                  9.300 
                     p 
                 0.007 
[1]  1.34 12.69
attr(,"conf.level")
[1] 0.95

Bibliografia oprogramowania

Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3 (funkcja wilcox.test() z pakietu stats). Rysunek 1 wykonano w pakiecie ggplot2, panele złożono pakietem patchwork, a plik SVG zapisano pakietem svglite. W pracy podaj wersje faktycznie użytych pakietów (sessionInfo()).

  1. R: R Core Team. (2026). R: A language and environment for statistical computing (Version 4.5.3) [Computer software]. R Foundation for Statistical Computing. https://www.R-project.org/
  2. ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org
  3. patchwork (wersja 1.3.2): Pedersen, T. L. (2025). patchwork: The composer of plots [R package]. https://doi.org/10.32614/CRAN.package.patchwork
  4. svglite (wersja 2.2.2): Wickham, H., Henry, L., Pedersen, T. L., Luciani, T. J., Decorde, M., & Lise, V. (2025). svglite: An 'SVG' graphics device [R package]. https://doi.org/10.32614/CRAN.package.svglite

Najczęstsze pytania

Czy estymator Hodgesa–Lehmanna to różnica median?

Nie. To mediana różnic wszystkich par obserwacji z obu grup. Wartości bywają zbliżone, ale przy różnych kształtach rozkładów mogą się wyraźnie różnić.

Jak policzyć estymator Hodgesa–Lehmanna w R?

Funkcją wilcox.test(x, y, conf.int = TRUE): wartość „difference in location” to estymator, a conf.int – jego przedział ufności. Ręcznie: median(outer(x, y, "-")).

Kiedy podawać Hodgesa–Lehmanna zamiast różnicy średnich?

Gdy porównujesz grupy testem Manna–Whitneya lub Wilcoxona, gdy w danych są obserwacje odstające albo rozkład ma grube ogony. Podaj go w jednostkach zmiennej, z przedziałem ufności.

Powiązane hasła

Poradniki, w których użyjesz tego pojęcia

Potrzebujesz wsparcia w analizie danych?

Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.

Wyceń analizęOferta dla studentów

Bibliografia i dalsza literatura naukowa (APA 7)

  1. Bauer, D. F. (1972). Constructing confidence sets using rank statistics. Journal of the American Statistical Association, 67(339), 687–690. https://doi.org/10.1080/01621459.1972.10481279
  2. Hodges, J. L., & Lehmann, E. L. (1956). The efficiency of some nonparametric competitors of the t-test. The Annals of Mathematical Statistics, 27(2), 324–335. https://doi.org/10.1214/aoms/1177728261 ● Otwarty dostęp
  3. Hodges, J. L., & Lehmann, E. L. (1963). Estimates of location based on rank tests. The Annals of Mathematical Statistics, 34(2), 598–611. https://doi.org/10.1214/aoms/1177704172 ● Otwarty dostęp

Cytowania BibTeX

@article{bauer1972constructing, author={Bauer, David F.}, title={{Constructing confidence sets using rank statistics}}, journal={Journal of the American Statistical Association}, year={1972}, volume={67}, number={339}, pages={687--690}, doi={10.1080/01621459.1972.10481279}}
@article{hodges1956efficiency, author={Hodges, J. L. and Lehmann, E. L.}, title={{The efficiency of some nonparametric competitors of the t-test}}, journal={The Annals of Mathematical Statistics}, year={1956}, volume={27}, number={2}, pages={324--335}, doi={10.1214/aoms/1177728261}}
@article{hodges1963estimates, author={Hodges, J. L. and Lehmann, E. L.}, title={{Estimates of location based on rank tests}}, journal={The Annals of Mathematical Statistics}, year={1963}, volume={34}, number={2}, pages={598--611}, doi={10.1214/aoms/1177704172}}
R