Kalkulator testu Kruskala–Wallisa
Wpisz obserwacje trzech lub czterech grup, a kalkulator przeprowadzi test Kruskala–Wallisa: poranguje łącznie wszystkie wartości, obliczy statystykę H z poprawką na rangi wiązane, stopnie swobody, wartość p oraz decyzję przy wybranym poziomie istotności.
Porównanie trzech lub większej liczby grup na podstawie rang
Wzór testu Kruskala–Wallisa
Gdzie:
- \(k\) — liczba grup
- \(n_j\) — liczba obserwacji w grupie \(j\)
- \(N\) — łączna liczba obserwacji we wszystkich grupach, \(N = \sum n_j\)
- \(R_j\) — suma rang grupy \(j\); wszystkie \(N\) obserwacji ranguje się łącznie od najmniejszej (1) do największej (\(N\)), a wartościom powtórzonym przypisuje się średnią ich rang
- \(t\) — liczebność każdej grupy wartości powtórzonych (stosowana w czynniku poprawkowym \(C\))
- \(\chi^2_{k-1}\) — rozkład chi-kwadrat o \(k-1\) stopniach swobody
Statystyka \(H\) porównuje średnią rangę każdej grupy z ogólną średnią rangą \((N+1)/2\). Jeśli wszystkie grupy pochodzą z tego samego rozkładu, każda z nich powinna mieć zbliżoną średnią rangę, a \(H\) będzie małe; gdy natomiast któraś grupa skłania się ku wartościom większym (albo mniejszym), jej średnia ranga odbiega od średniej ogólnej i \(H\) rośnie. Przy założeniu słuszności hipotezy zerowej \(H'\) ma w przybliżeniu rozkład chi-kwadrat o \(k-1\) stopniach swobody, co pozwala wyznaczyć wartość p.
Test Kruskala–Wallisa – przykład obliczenia
Przykład: badacz porównuje oceny satysfakcji pacjentów (0–10) przy trzech metodach leczenia. Grupa 1: 7; 8; 9; 9; 10. Grupa 2: 5; 6; 6; 7; 8. Grupa 3: 3; 4; 4; 5; 6; 7. Tutaj \(k = 3\), \(N = 16\).
Porangowanie wszystkich 16 obserwacji łącznie (wartościom powtórzonym przypisuje się średnie rangi) daje sumy rang \(R_1 = 67.5\), \(R_2 = 41\), \(R_3 = 27.5\).
\[ H = \frac{12}{16 \cdot 17}\left(\frac{67.5^2}{5} + \frac{41^2}{5} + \frac{27.5^2}{6}\right) - 3 \cdot 17 = \frac{12}{272} \cdot 1373.4917 - 51 = 9.5952 \]
W danych występują powtórzenia (sześć grup wartości powtórzonych o liczebnościach 2, 2, 3, 3, 2, 2), zatem \(\sum(t^3 - t) = 72\), a \(N^3 - N = 4080\):
\[ C = 1 - \frac{72}{4080} = 0.9824, \quad H' = \frac{9.5952}{0.9824} = 9.7674 \]
Przy \(\nu = k - 1 = 2\) stopniach swobody przybliżenie chi-kwadrat daje \(p = 0.0076\).
Wynik: \(H' = 9.7674\), \(p = 0.0076 \le \alpha = 0.05\), więc hipotezę zerową odrzucamy — co najmniej jedna metoda leczenia daje zasadniczo inne oceny. Grupa 1 ma najwyższą średnią rangę (13,5 wobec średniej ogólnej 8,5), co wskazuje na ogólnie wyższe wartości.
Jak korzystać z kalkulatora
- Wpisz obserwacje pierwszej grupy w polu Obserwacje grupy 1. Liczby oddzielaj spacjami, nowymi wierszami lub średnikami; przecinki dziesiętne (np. 7,5) są akceptowane.
- Wypełnij w tym samym formacie pola Obserwacje grupy 2 i Obserwacje grupy 3. Wszystkie grupy muszą mierzyć tę samą zmienną w tej samej skali.
- Jeśli masz czwartą grupę, wpisz ją w polu Obserwacje grupy 4 (opcjonalnie); przy porównywaniu tylko trzech grup zostaw to pole puste. Każdą pustą grupę po prostu pomijamy.
- Ustaw Poziom istotności (domyślnie 0,05) — próg, poniżej którego wartość p uznaje się za statystycznie istotną.
- Naciśnij Oblicz. Otrzymasz statystykę \(H'\) z poprawką na rangi wiązane, nieskorygowane \(H\), stopnie swobody, wartość p, decyzję przy wybranym \(\alpha\) oraz tabelę z liczebnością, sumą rang, średnią rangą i medianą każdej grupy.
Czym jest test Kruskala–Wallisa
Test Kruskala–Wallisa to nieparametryczna metoda porównywania trzech lub więcej grup niezależnych. Rozszerza test U Manna–Whitneya (przypadek dwóch grup) tak, jak jednoczynnikowa analiza wariancji rozszerza test t. Zamiast porównywać średnie grup, test łączy wszystkie obserwacje, zastępuje każdą wartość jej rangą i sprawdza, czy rangi rozkładają się między grupami równomiernie. Jeśli jedna grupa zawiera systematycznie największe wartości, jej średnia ranga wyraźnie przewyższy ogólną średnią rangę \((N+1)/2\), co zwiększy statystykę \(H\).
Ponieważ test działa na rangach, nie zakłada niczego o kształcie badanych rozkładów. Nie wymaga normalności, toleruje dane o rozkładzie skośnym i jest odporny na wartości odstające — jedna skrajna obserwacja może zniekształcić średnią, ale przesuwa rangę tylko o stałą wartość. Dzięki temu stanowi standardową alternatywę dla jednoczynnikowej ANOVA, gdy jej założenia (w przybliżeniu normalne reszty, zbliżone wariancje) budzą wątpliwości, albo gdy dane są ocenami porządkowymi, rankingami lub wynikami w dowolnej skali. Logika porównań opartych na rangach jest taka sama jak w korelacji rang Spearmana.
Hipoteza zerowa mówi, że wszystkie grupy pochodzą z tego samego rozkładu, czyli że żadna grupa nie daje zasadniczo większych ani mniejszych wartości niż pozostałe. Mała wartość p (równa \(\alpha\) lub niższa) oznacza, że zaobserwowane różnice rang są mało prawdopodobne przy losowym doborze próby — odrzucasz więc hipotezę zerową i stwierdzasz, że co najmniej jedna grupa się różni. Zwróć uwagę na to, czego test nie mówi: które grupy różnią się od których. Aby to ustalić, wykonaj analizę post-hoc, na przykład test Dunna, albo porównania parami testem U Manna–Whitneya z progiem skorygowanym metodą Bonferroniego: \(\alpha / (k(k-1)/2)\). Jeśli nie masz pewności, jak odczytać wynik, kalkulator wartości p szczegółowo wyjaśnia logikę testowania istotności.
Interpretacja median wymaga ostrożności. Ściśle rzecz biorąc, test Kruskala–Wallisa porównuje całe rozkłady (czy wartości jednej grupy mają tendencję do przewyższania wartości innej). Jako porównanie median można go odczytywać wyłącznie wtedy, gdy rozkłady grup mają zbliżony kształt i rozrzut. Kalkulator podaje medianę i średnią rangę każdej grupy, aby pokazać, skąd biorą się różnice, ale formalny wniosek zawsze dotyczy rozkładów, a nie pojedynczej statystyki podsumowującej.
Założenia, ograniczenia i praktyczne wskazówki
- Próby niezależne. Grupy muszą być od siebie niezależne (w każdej grupie inni badani). Przy schematach z danymi sparowanymi lub powtarzanymi pomiarami test Kruskala–Wallisa się nie nadaje — zwykle wybiera się wtedy test Friedmana.
- Niezależne obserwacje wewnątrz grup. Każda wartość powinna pochodzić od innego badanego lub innej jednostki eksperymentalnej; powtórzone pomiary tej samej jednostki zawyżają efektywną liczebność próby.
- Dane porządkowe lub ilościowe. Wartości muszą być przynajmniej rangowalne. Kategorii nominalnych (kolory, grupy krwi) nie da się w ten sposób testować — dla danych kategorialnych użyj zamiast tego testu chi-kwadrat.
- Przybliżenie chi-kwadrat. Wartość p wyznacza się, przybliżając \(H'\) rozkładem \(\chi^2_{k-1}\). Najlepiej to działa, gdy każda grupa liczy co najmniej 5 obserwacji. Przy mniejszych grupach traktuj wartość p ostrożnie; lepszym wyborem jest metoda dokładna lub permutacyjna.
- Rangi wiązane są poprawnie obsługiwane. Wartościom powtórzonym przypisuje się średnie rangi, a statystykę koryguje czynnikiem \(C\), więc umiarkowana liczba powtórzeń (częsta w skalach ocen) nie stanowi problemu. Kalkulator pokazuje zarówno \(H\), jak i skorygowane \(H'\), aby było widać, jak duża jest korekta.
- Podobne rozkłady ułatwiają interpretację. Jeśli grupy wyraźnie różnią się kształtem lub wariancją, istotne \(H'\) odzwierciedla różnicę w całym rozkładzie, a niekoniecznie tylko w położeniu.
- Liczebności grup nie muszą być równe. Wzór uwzględnia różne \(n_j\); jedynie bardzo małe grupy osłabiają przybliżenie chi-kwadrat.
Najczęściej zadawane pytania
Jak obliczyć statystykę H Kruskala–Wallisa ręcznie?
Najpierw poranguj łącznie wszystkie N obserwacji ze wszystkich grup, wartościom powtórzonym przypisując średnią ich rang. Zsumuj rangi w każdej grupie, aby otrzymać \(R_j\), a następnie zastosuj wzór \( H = \frac{12}{N(N+1)} \sum \frac{R_j^2}{n_j} - 3(N+1) \). Jeśli występują powtórzenia, podziel H przez czynnik poprawkowy \( C = 1 - \sum(t^3 - t)/(N^3 - N) \). Porównaj \(H'\) z rozkładem chi-kwadrat o \(k-1\) stopniach swobody, aby uzyskać wartość p. Ręczne obliczenia możesz sprawdzić, zestawiając je z wynikami pośrednimi kalkulatora.
Jaka jest dobra lub typowa wartość statystyki H Kruskala–Wallisa?
Nie ma uniwersalnej „dobrej” wartości — H zależy od liczby grup i łącznej liczebności próby. Ogólnie H bliskie 0 oznacza bardzo zbliżone rozkłady rang w grupach, a większe wartości H wskazują na rzeczywiste różnice. Liczy się to, czy H przekracza krytyczną wartość chi-kwadrat przy danej liczbie stopni swobody: przy \(k=3\) grupach (2 stopnie swobody) wartość krytyczna dla poziomu 0,05 wynosi 5,991, więc H′ powyżej tej wartości jest istotne na poziomie 5%. Zawsze odczytuj H razem z wartością p.
Czy test Kruskala–Wallisa można stosować przy tylko dwóch grupach?
Formalnie da się go obliczyć, ale przy dwóch grupach jest matematycznie równoważny dwustronnemu testowi U Manna–Whitneya, a to właśnie test Manna–Whitneya jest wyborem przyjętym zgodnie z konwencją. Ten kalkulator wymaga co najmniej trzech wypełnionych grup. Jeśli masz tylko dwie grupy, użyj kalkulatora testu U Manna–Whitneya; jeśli natomiast dane są sparowane lub pochodzą z pomiarów powtarzanych, test Kruskala–Wallisa w ogóle się nie nadaje — zastosuj test Friedmana.
Jak raportować wyniki testu Kruskala–Wallisa, na przykład w pracy naukowej?
Typowe zdanie w stylu APA brzmi: „Test Kruskala–Wallisa wykazał statystycznie istotną różnicę w satysfakcji między trzema metodami leczenia, \(H'(2) = 9.77\), \(p = .008\).” Podaj skorygowaną statystykę z zastosowaną poprawką na rangi wiązane, stopnie swobody w nawiasie oraz dokładną wartość p. Zamieść liczebności grup i mediany (albo średnie rangi), aby czytelnik widział, gdzie leżą różnice, i wspomnij o ewentualnych porównaniach post-hoc, na przykład teście Dunna ze skorygowanymi wartościami p.
Czy test Kruskala–Wallisa zakłada równe liczebności grup lub równe wariancje?
Nie. Wzór bezpośrednio uwzględnia różne liczebności grup \(n_j\), a ponieważ test działa na rangach, a nie na surowych wartościach, nie wymaga — w przeciwieństwie do ANOVA — równości wariancji (homoskedastyczności). Głównym praktycznym ograniczeniem jest przybliżenie chi-kwadrat, które staje się zgrubne, gdy grupa liczy mniej niż około 5 obserwacji — wtedy traktuj wartość p jako przybliżoną albo skorzystaj z metody dokładnej lub permutacyjnej. Najbardziej ryzykowne są bardzo nierównoważne schematy z bardzo małymi grupami.
Dlaczego moje H′ jest większe od H i czy poprawka na rangi wiązane ma znaczenie?
Gdy występują powtórzenia, poprawka zawsze obniża czynnik C poniżej 1, więc podzielenie przez C może wyłącznie zwiększyć statystykę: \(H' \ge H\). Kompensuje to fakt, że powtórzenia czynią dane mniej informacyjnymi i bez tej korekty zaniżałyby H. Przy licznych powtórzeniach — typowych dla skal ocen typu 1–5 czy 0–10 — korekta może zauważalnie zmienić wartość p, czasem przesuwając wynik graniczny na drugą stronę progu istotności. Właśnie dlatego kalkulator podaje zarówno H, jak i H′, aby było widać wielkość tej korekty.
Jakie są najczęstsze błędy przy stosowaniu testu Kruskala–Wallisa?
Do najczęstszych pomyłek należą: stosowanie go dla danych sparowanych lub pomiarów powtarzanych (użyj testu Friedmana); wpisywanie pomiarów tych samych osób jako osobnych grup; traktowanie istotnego wyniku jako dowodu, że każda grupa różni się od każdej innej (wynik mówi tylko, że co najmniej jedna się różni — wykonaj testy post-hoc, np. test Dunna); oraz twierdzenie, że test porównuje mediany, gdy rozkłady grup wyraźnie różnią się kształtem. Unikaj też mieszania w jednej analizie zmiennych mierzonych w różnych skalach i pamiętaj, że duża wartość p nie dowodzi, że rozkłady są identyczne.