Słownik metodologiczny · Testy statystyczne

Test Kruskala-Wallisa

Pełne wyjaśnienie, zastosowanie naukowe i praktyczne, przykład, dobre praktyki oraz gotowy zapis wyniku w APA 7.

Strona główna / Słownik / Test Kruskala-Wallisa

Opracowanie merytoryczne: · Opublikowano: · Aktualizacja:

Co oznacza Test Kruskala-Wallisa?

Test Kruskala–Wallisa porównuje rozkłady rang w co najmniej trzech niezależnych grupach.

Zastosowanie, warunki i dobre praktyki

Kruskal–Wallis porównuje rozkłady rang w co najmniej dwóch niezależnych grupach. Interpretacja jako test median wymaga podobnych kształtów rozkładów; w przeciwnym razie wynik może odzwierciedlać inne różnice. Po teście globalnym potrzebne są skorygowane porównania, rozkłady grup i miara efektu, a nie tylko informacja, że „grupy się różnią”.

Najważniejsze zastosowanie: Stosuj dla wyniku porządkowego lub gdy interesuje ogólne uporządkowanie, przy niezależnych grupach.

Jak to się oblicza i co oznaczają symbole?

H = [12/(N(N+1))]Σ(Rᵢ²/nᵢ) − 3(N+1)

Rᵢ jest sumą rang w grupie, nᵢ jej liczebnością, a N całkowitą liczbą obserwacji. Przy remisach stosuje się korektę; istotny H wymaga dalszych porównań z kontrolą wielokrotności.

Jak poprawnie stosować i interpretować hasło „Test Kruskala-Wallisa”?

Przy ocenie pojęcia „Test Kruskala-Wallisa” trzeba ustalić, czy procedura odpowiada na pytanie o położenie, cały rozkład, rangi czy prawdopodobieństwo przewagi. Przy ocenie hasła „Test Kruskala-Wallisa” określenie „nieparametryczny” nie oznacza braku założeń. W analizie dotyczącej hasła „Test Kruskala-Wallisa” ważne są niezależność albo poprawne parowanie obserwacji, skala co najmniej porządkowa, sposób traktowania remisów oraz podobieństwo kształtu rozkładów, jeśli wynik ma być interpretowany jako różnica median.

Ocena pojęcia „Test Kruskala-Wallisa” powinna pokazać rozkłady i liczebności, ponieważ ta sama statystyka rangowa może wynikać z przesunięcia, różnicy rozproszenia albo obu zjawisk. Dla interpretacji hasła „Test Kruskala-Wallisa” przy wielu remisach lub małej próbie trzeba użyć właściwego wariantu dokładnego albo korekty. W odniesieniu do hasła „Test Kruskala-Wallisa” wielkość efektu i jej przedział ufności są potrzebne do oceny znaczenia wyniku.

Co trzeba opisać w raporcie?

Raport dotyczący „Test Kruskala-Wallisa” powinien podać wariant testu, liczebności, statystykę, sposób obsługi remisów, wartość p oraz miarę efektu z przedziałem ufności. Przy ocenie hasła „Test Kruskala-Wallisa” obok warto przedstawić mediany i kwartyle, lecz nie należy automatycznie nazywać testu rangowego testem różnicy median bez sprawdzenia kształtu rozkładów.

Zakres raportowania dla hasła „Test Kruskala-Wallisa”: H(df)=…, p=…; podaj miarę efektu i post-hoc z korektą.

Przykład praktyczny i gotowa interpretacja

Sytuacja: W trzech niezależnych grupach czasu oczekiwania uzyskano H(2) = 9.84, p = .007; wykres pokazał podobne kształty, a skorygowane porównania wskazały różnicę grup A i C.

Jak ją zinterpretować: Istotny wynik wskazuje różnicę rozkładów rang między co najmniej dwiema grupami. Interpretacja jako różnica median wymaga podobnych kształtów; konkretne pary ustala się dopiero w skorygowanych analizach post-hoc.

Najczęstsza pułapka i granica interpretacji

Nie zawsze jest testem median; interpretacja median wymaga podobnego kształtu rozkładów.

Wynik dotyczący „Test Kruskala-Wallisa” nie jest uniwersalnym zamiennikiem testu parametrycznego po istotnym teście normalności. Dla interpretacji hasła „Test Kruskala-Wallisa” wybór powinien wynikać z pytania, skali i struktury danych, a nie z samej etykiety rozkładu.

Definicje, zalecenia interpretacyjne i sposób raportowania oparto na literaturze metodologicznej wskazanej w bibliografii (Wasserstein i Lazar, 2016).

Powiązane hasła

Chi-kwadrat (test niezależności)Test FriedmanaTest Kołmogorowa-SmirnowaTest Levene’aTest Manna-WhitneyaTest McNemara

Poradniki, w których użyjesz tego pojęcia

Poradnik

Wartość p: co naprawdę oznacza i jak ją poprawnie interpretować

Wartość p bez mitów: definicja, interpretacja, typowe błędy oraz sposób raportowania wraz z wielkością efektu i przedziałem ufności.

Czytaj →Poradnik

Wielkość efektu: jak ocenić znaczenie wyniku poza wartością p

Wielkość efektu wyjaśniona praktycznie: Cohen d, Hedges g, r, R², iloraz szans, eta², przedziały ufności i znaczenie praktyczne.

Czytaj →Poradnik

Pytania badawcze i hipotezy: jak przejść od teorii do analizy

Jak formułować pytania badawcze i hipotezy? Od teorii i operacjonalizacji przez kierunek efektu po plan analizy i prerejestrację.

Czytaj →

Potrzebujesz wsparcia w analizie danych?

Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.

Oferta dla badaczyOferta dla studentów

Bibliografia i dalsza literatura naukowa (APA 7)

  1. Wasserstein, R. L., & Lazar, N. A. (2016). The ASA statement on p-values: Context, process, and purpose. The American Statistician, 70(2), 129–133. https://doi.org/10.1080/00031305.2016.1154108
  2. Greenland, S., Senn, S. J., Rothman, K. J., Carlin, J. B., Poole, C., Goodman, S. N., & Altman, D. G. (2016). Statistical tests, P values, confidence intervals, and power: A guide to misinterpretations. European Journal of Epidemiology, 31(4), 337–350. https://doi.org/10.1007/s10654-016-0149-3
  3. Wilkinson, L., & Task Force on Statistical Inference. (1999). Statistical methods in psychology journals: Guidelines and explanations. American Psychologist, 54(8), 594–604. https://doi.org/10.1037/0003-066X.54.8.594
  4. Sullivan, G. M., & Feinn, R. (2012). Using effect size—or why the P value is not enough. Journal of Graduate Medical Education, 4(3), 279–282. https://doi.org/10.4300/JGME-D-12-00156.1
  5. Lakens, D. (2013). Calculating and reporting effect sizes to facilitate cumulative science: A practical primer for t-tests and ANOVAs. Frontiers in Psychology, 4, 863. https://doi.org/10.3389/fpsyg.2013.00863
  6. Appelbaum, M., Cooper, H., Kline, R. B., Mayo-Wilson, E., Nezu, A. M., & Rao, S. M. (2018). Journal article reporting standards for quantitative research in psychology: The APA Publications and Communications Board task force report. American Psychologist, 73(1), 3–25. https://doi.org/10.1037/amp0000191

Cytowania BibTeX

@article{wasserstein2016pvalues, author={Wasserstein, Ronald L. and Lazar, Nicole A.}, title={The ASA Statement on p-Values: Context, Process, and Purpose}, journal={The American Statistician}, year={2016}, volume={70}, number={2}, pages={129--133}, doi={10.1080/00031305.2016.1154108}}
@article{greenland2016misinterpretations, author={Greenland, Sander and Senn, Stephen J. and Rothman, Kenneth J. and Carlin, John B. and Poole, Charles and Goodman, Steven N. and Altman, Douglas G.}, title={Statistical tests, P values, confidence intervals, and power: a guide to misinterpretations}, journal={European Journal of Epidemiology}, year={2016}, volume={31}, number={4}, pages={337--350}, doi={10.1007/s10654-016-0149-3}}
@article{wilkinson1999statistical, author={Wilkinson, Leland and {Task Force on Statistical Inference}}, title={Statistical methods in psychology journals: Guidelines and explanations}, journal={American Psychologist}, year={1999}, volume={54}, number={8}, pages={594--604}, doi={10.1037/0003-066X.54.8.594}}
@article{sullivan2012effectsize, author={Sullivan, Gail M. and Feinn, Richard}, title={Using effect size—or why the P value is not enough}, journal={Journal of Graduate Medical Education}, year={2012}, volume={4}, number={3}, pages={279--282}, doi={10.4300/JGME-D-12-00156.1}}
@article{lakens2013effect, author={Lakens, Daniël}, title={Calculating and reporting effect sizes to facilitate cumulative science}, journal={Frontiers in Psychology}, year={2013}, volume={4}, pages={863}, doi={10.3389/fpsyg.2013.00863}}
@article{appelbaum2018jars, author={Appelbaum, Mark and Cooper, Harris and Kline, Rex B. and Mayo-Wilson, Evan and Nezu, Arthur M. and Rao, Stephen M.}, title={Journal article reporting standards for quantitative research in psychology}, journal={American Psychologist}, year={2018}, volume={73}, number={1}, pages={3--25}, doi={10.1037/amp0000191}}
R