İstatistik Sözlüğü → Kruskal-Wallis Testi
Kruskal-Wallis Testianaliz
Üç ya da daha fazla bağımsız grubun değerlerini birlikte sıralayıp grupların ortalama sıralarını karşılaştırarak, en az bir grubun diğerlerinden sistematik olarak farklı olup olmadığını sınayan, normallik gerektirmeyen test.
Kavram
Tek yönlü ANOVA, üç ya da daha fazla grubun ortalamalarını karşılaştırır ve her grupta normal dağılım ile eşit varyans varsayar. Veri çarpıksa, belirgin aykırı değerler içeriyorsa, gruplar küçükse ya da ölçüm sıralı bir ölçekteyse bu varsayımlar zayıflar. Kruskal-Wallis testi, Mann-Whitney U testinin üç ve daha fazla gruba genişletilmiş hâlidir: değerler yerine sıraları kullanır ve dağılımın biçimi hakkında varsayım gerektirmez.
Tüm gruplardaki gözlemler birlikte küçükten büyüğe sıralanır; eşit değerler ortalama sırayı alır. Ardından her grubun ortalama sırası hesaplanır. Gruplar arasında fark yoksa her grubun ortalama sırası genel ortalama sıraya, yani (N + 1)/2 değerine yakın çıkmalıdır. H istatistiği, grupların ortalama sıralarının bu değerden ne kadar uzaklaştığını özetler ve büyük örneklemlerde k − 1 serbestlik dereceli ki-kare dağılımına yaklaşır. H büyüdükçe p küçülür.
Gözlemlerin bağımsız olduğu varsayılır. Testin sınadığı hipotez, grupların değerlerinin birbirinden sistematik olarak büyük ya da küçük olma eğiliminde olmadığıdır; sonucu 'medyanlar farklı' diye okumak ancak grupların dağılım biçimi ve yayılımı benzerse doğrudur. Anlamlı bir H yalnız 'en az bir grup farklıdır' der; hangi grupların farklı olduğunu Dunn testi gibi post-hoc karşılaştırmalar gösterir. Etki büyüklüğü (η²_H ya da ε²) farkın pratik önemini gösterir.
Ne zaman kullanılır?
- Üç ya da daha fazla bağımsız grubu sürekli ya da sıralı bir ölçümde karşılaştırırken; özellikle gruplar küçük, dağılımlar çarpık ya da aykırı değerler belirginse veya veri sıralı ölçekteyse.
- Yalnız iki grup varsa Mann-Whitney U testi; aynı kişiler her koşulda ölçüldüyse Friedman testi kullanılır.
- Veri her grupta yaklaşık normalse ve gruplar yeterince büyükse tek yönlü ANOVA (varyanslar farklıysa Welch ANOVA) daha güçlüdür; gruplar doğal bir sıraya sahipse ve düzenli bir artış ya da azalış bekleniyorsa Jonckheere-Terpstra testi daha uygundur.
Gündelik bir örnek
Bir belediye, şehrin merkez, ara bölge ve kenar mahallelerindeki duraklarda yolcuların otobüsü ne kadar beklediğini karşılaştırmak istiyor ve her bölgeden 20 bekleme süresi kaydediyor. Süreler çoğunlukla 5-15 dakika, ama kenar mahallelerde birkaç yolcu 45 dakikadan fazla beklemiş; dağılım çarpık. Kruskal-Wallis testi 60 beklemenin tümünü sıralar ve üç bölgenin ortalama sıralarını karşılaştırır. Ortalama sıralar merkezde 20,5, ara bölgede 30, kenarda 41 ve p = 0,001 çıkarsa en az bir bölgedeki bekleme süreleri diğerlerinden farklıdır; Dunn testi farkın özellikle merkez ile kenar mahalleler arasında olduğunu gösterebilir.
MerQur'da parametreler
Post-hoc test (Yok, Dunn (Bonferroni), Dunn (Holm), Dunn (Benjamini-Hochberg), Dunn (Hochberg), Dunn (Šidák), Conover-Iman, Nemenyi, Dwass-Steel-Critchlow-Fligner)
Kavram: Kruskal-Wallis anlamlıysa post-hoc testler hangi grup çiftlerinin farklı olduğunu, çoklu karşılaştırmadan doğan yanlış alarm riskini denetleyerek gösterir. Dunn testi tüm grupların ortak sıralamasını kullanır ve farklı p düzeltmeleriyle (Bonferroni, Holm, Benjamini-Hochberg…) birleştirilebilir; Conover-Iman genellikle daha güçlüdür; Nemenyi ve Dwass-Steel-Critchlow-Fligner ise tüm çiftleri tek bir aile olarak ele alan, Tukey tipi yöntemlerdir.
Gündelik örnek: Üç bölge üç çift oluşturur. Dunn testi Holm düzeltmesiyle 'merkez ile kenar farklı, ara bölge iki tarafla da anlamlı biçimde ayrışmıyor' gibi bir sonuç verebilir; belediye ek otobüsü önce kenar mahallelere yönlendirir.
Ne işe yarar: KW anlamlıysa hangi grup çiftlerinin farklı olduğunu sınar. Dunn seçenekleri aynı bağ düzeltmeli z'yi kullanır, yalnız çoklu karşılaştırma düzeltmesi değişir. Conover-Iman t dağılımına dayalıdır; Nemenyi Tukey tipidir ve bağ düzeltmesi yoktur; DSCF her çifti kendi iki örneklem sıralamasıyla sınar.
Sonuca etkisi: Yalnız post-hoc bölümünü ekler; H, p ve etki büyüklüğü değişmez.
Doğrulama verisinde: hsb2 1-3 çifti (z = 2.150): ham p 0.0316; Bonferroni 0.0947 (anlamsız), Holm 0.0316, BH 0.0316, Šidák 0.0917. Aynı çift için Conover-Iman p = 0.0515, Nemenyi 0.0811, DSCF 0.0516.
Ek çıktı: ε² (onay kutusu; varsayılan kapalı)
Kavram: Etki büyüklüğü, sıralardaki değişkenliğin ne kadarının grup farkından kaynaklandığını gösterir. η²_H ve ε², ANOVA'daki η²'nin sıralara dayalı karşılıklarıdır; ikisi de 0 ile 1 arasında yorumlanır ve büyük örneklemlerde birbirine yakın değerler verir.
Gündelik örnek: ε² = 0,23 ise bekleme sürelerinin sıralarındaki farklılığın yaklaşık %23'ü bölgeyle ilişkilidir. Bu, durağın nerede olduğunun bekleme süresinde azımsanmayacak bir rol oynadığını gösterir.
Ne işe yarar: Sıra tabanlı epsilon-kare etki büyüklüğü, ε² = H/(N - 1).
Sonuca etkisi: Etki büyüklükleri satırına η²_H yanında ε² ekler; test değişmez. η²_H, H < k - 1 olduğunda 0'a kırpılır; ε² her zaman pozitiftir (Tomczak ve Tomczak, 2014).
Doğrulama verisinde: hsb2 ε² = 0.1711 (η²_H 0.1627); airquality 0.2545 (0.2276); mucociliary 0.0593 (η²_H 0.0000).
Ek çıktı: Betimsel (onay kutusu; varsayılan kapalı)
Kavram: Her grubun özetini verir: kişi sayısı, ortalama, standart sapma, standart hata, medyan, en küçük ve en büyük değer, çarpıklık ve basıklık. Sıralara dayalı test öncesinde grupların dağılım biçimlerinin benzer olup olmadığını ve aykırı değerlerin nerede olduğunu gösterir.
Gündelik örnek: Tabloda kenar mahallelerin ortalaması 18, medyanı 12 dakika görünür; birkaç çok uzun bekleme ortalamayı şişirmektedir. Merkezde ise ortalama ile medyan birbirine yakındır.
Ne işe yarar: Grup başına n, ortalama, SD, SE, medyan, en küçük, en büyük, çarpıklık (G1), basıklık (G2).
Sonuca etkisi: Yalnız betimsel tablo ekler.
Doğrulama verisinde: hsb2 grup 1: M = 51.3333, SD = 9.3978, medyan 54, çarpıklık -0.406, basıklık -0.650. Sabit grupta çarpıklık ve basıklık tanımsızdır.
Güven Düzeyi (%90, %95, %99, Diğer (özel), 80.0-99.9)
Kavram: Güven düzeyi, sıfır hipotezini reddetmek için kullanılan anlamlılık eşiğini (α = 1 − güven düzeyi) belirler. H istatistiğini ve p değerini değiştirmez; yalnız hangi sonuçların 'anlamlı' sayılacağını değiştirir.
Gündelik örnek: p = 0,02 bulunduysa %95 güven düzeyinde bölgeler farklı sayılır, %99 güven düzeyinde sayılmaz. Belediye büyük bir hat yatırımı yapacaksa daha katı bir eşik isteyebilir.
Ne işe yarar: α = 1 - güven düzeyi. KW'de güven aralığı üretilmez; α yalnız H0 kararını ve post-hoc satırlarındaki işareti belirler. Monte Carlo GA'sı sabit %99'dur.
Sonuca etkisi: Yalnız karar ve işaretler. Özel değer yalnız "Diğer" seçiliyken etkindir.
Doğrulama verisinde: Form değeri motora olduğu gibi iletilir (%90 -> 0.10, özel 80.0 -> 0.20). Beş veride p ya çok küçük ya çok büyük olduğundan karar değişmez; ek bir tasarımda (p = 0.0273) %95'te "reddedilir", %99'da "reddedilemez" çıkar.
Ek çıktılar: Ayrıntılı ikili tablo (+ r) (onay kutusu)
Kavram: Ayrıntılı ikili tablo, her grup çifti için ortalama sıra farkını, bunun standart hatasını, z değerini, ham ve düzeltilmiş p değerlerini ve r = |z|/√N etki büyüklüğünü birlikte gösterir. Böylece hangi çiftin farklı olduğu kadar farkın ne büyüklükte olduğu da görülür.
Gündelik örnek: Merkez ile kenar arasındaki ortalama sıra farkı 20,5, düzeltilmiş p 0,001'in altında ve r = 0,48 olabilir; merkez ile ara bölge arasında ise fark 9,5, düzeltilmiş p 0,17. Belediye hangi farkın gerçekten önemli olduğunu bu tablodan okur.
Ne işe yarar: Dunn karşılaştırmalarını ΔR̄, SE, z, ham p, düzeltilmiş p ve r = |z|/√N ile tablolar. Düzeltme post-hoc kutusunda seçili Dunn düzeltmesidir; değilse Bonferroni.
Sonuca etkisi: Yalnız ikili tablo ekler.
Doğrulama verisinde: hsb2 1-2: ΔR̄ = -30.917, SE = 10.286, z = -3.006, p = 0.0026, Bonferroni 0.0079, r = 0.213; 2-3: z = 5.688, r = 0.402.
Ek çıktılar: Jonckheere-Terpstra (onay kutusu)
Kavram: Gruplar doğal bir sıraya sahipse (doz düzeyleri, eğitim basamakları, merkeze uzaklık) Jonckheere-Terpstra testi, değerlerin bu sıra boyunca düzenli olarak artıp artmadığını ya da azalıp azalmadığını sınar. Önceden öngörülen böyle bir eğilim varsa, yalnız 'bir fark var mı?' diye soran Kruskal-Wallis testinden daha güçlüdür. Gruplar sırasız kategorilerse (ör. renkler, şehirler) anlamlı değildir.
Gündelik örnek: Bölgeler merkezden uzaklığa göre sıralıdır: merkez, ara bölge, kenar. Belediyenin beklentisi 'merkezden uzaklaştıkça bekleme uzar' ise Jonckheere-Terpstra tam bu düzenli artışı sınar.
Ne işe yarar: Grupların sıralı düzende (doğal sıra; sayısalsa artan, değilse alfabetik) monoton değiştiği seçeneğine karşı J = Σ U_ij testi (bağ düzeltmeli normal yaklaşım, iki yönlü p).
Sonuca etkisi: Yalnız ek bölüm. Sıra adlardan türetildiğinden nominal adlı gruplarda yorumsuzdur.
Doğrulama verisinde: hsb2 (1 < 2 < 3) J = 5100, E(J) = 6112.5, SD = 429.0865, z = -2.3597, p = 0.0183; gossypol z = -7.7715.
Ek çıktılar: Monte Carlo p (onay kutusu)
Kavram: H istatistiğinin ki-kare dağılımına yaklaşımı küçük gruplarda ya da çok sayıda eşit değer (bağ) olduğunda zayıflayabilir. Monte Carlo p değeri, grup etiketlerini binlerce kez rastgele karıştırarak H'nin sıfır hipotezi altındaki dağılımını veriden üretir ve bu yaklaşıma dayanmayan bir p verir.
Gündelik örnek: Bekleme süreleri tam dakikaya yuvarlandığı için birçok yolcunun süresi aynıdır. 60 bekleme süresi sabit tutulup bölge etiketleri rastgele karıştırılır ve H her seferinde yeniden hesaplanır; gözlenen H kadar büyük değerlerin oranı Monte Carlo p'sidir.
Ne işe yarar: Asimptotik χ² yerine permütasyon dağılımından p üretir (B = 10000, tohum 12345; %99 Clopper-Pearson GA). p = (b + 1)/(B + 1) (Phipson ve Smyth, 2010).
Sonuca etkisi: Yalnız ek p satırı. Küçük ya da çok bağlı örneklemde asimptotik p'den belirgin farklı olabilir.
Doğrulama verisinde: mucociliary 0.7068 [0.6949, 0.7185] (asimptotik 0.680). hsb2'de b = 0; MerQur 1/10001 = 0.0001 verir.
Ek çıktılar: Medyan testi (onay kutusu)
Kavram: Mood medyan testi her gözlemi yalnız genel medyanın üstünde ya da altında olmasına göre sınıflar ve grupların bu iki sınıfa dağılımını ki-kare testiyle karşılaştırır. Sıraların ayrıntısını kullanmadığı için Kruskal-Wallis'ten daha az güçlüdür, ama aykırı değerlerden hiç etkilenmez.
Gündelik örnek: Tüm bölgelerdeki genel medyan bekleme 10 dakika olsun. Merkezdeki yolcuların yalnız %30'u, kenar mahallelerdekilerin ise %70'i 10 dakikadan fazla bekliyorsa medyan testi bu farkı sınar; 45 dakikalık beklemenin 11 dakikalık beklemeden farkı bu testte hiç önemli değildir.
Ne işe yarar: Mood k-örneklem medyan testi: genel medyanın üstü ve altı-eşit 2 x k tablosunda Pearson χ² (Yates düzeltmesi yok).
Sonuca etkisi: Yalnız ek bölüm; KW'den daha az güçlüdür.
Doğrulama verisinde: hsb2 genel medyan 54, χ²(2) = 23.4562, p = 8.06e-06; gossypol χ²(4) = 54.9973.
Puan / ölçek testleri: Van der Waerden + Savage; Ölçek testleri (Siegel-Tukey, Ansari-Bradley, Mood, Klotz, Fligner-Killeen) (onay kutuları)
Kavram: Sıralar yerine sıralardan türetilen başka puanlar da kullanılabilir. Van der Waerden testi sıraları normal dağılım puanlarına çevirir ve veri normale yakınsa ANOVA kadar güçlüdür; Savage testi üstel dağılıma yakın bekleme ya da yaşam süresi verilerinde güçlüdür. Ölçek testleri (Siegel-Tukey, Ansari-Bradley, Mood, Klotz, Fligner-Killeen) ise grupların konumunu değil, yayılımlarının farklı olup olmadığını sınar.
Gündelik örnek: Belediye kenar mahallelerde beklemenin yalnız daha uzun değil, aynı zamanda daha 'öngörülemez' olduğundan şüpheleniyorsa ölçek testlerine bakar. Fligner-Killeen anlamlıysa bölgeler arasında bekleme sürelerinin dağınıklığı farklıdır; bu, sefer düzeninin aksadığını düşündürebilir.
Ne işe yarar: Bağlarda ortalama puan kullanan puan tanımlarıyla k örneklemde konum (VW, Savage) ve ölçek (Siegel-Tukey, Ansari-Bradley, Mood, Klotz) testleri; Fligner-Killeen ayrıca. Ki-kare ve p, k - 1 serbestlik derecesiyle hesaplanır.
Sonuca etkisi: Kruskal-Wallis çıktısının sonuna ek bölüm olarak eklenir.
Doğrulama verisinde: chickwts (weight ~ feed, k = 6) için ki-kare ve p 5 serbestlik derecesiyle verilir. hsb2 write ~ prog ölçek testleri: Siegel-Tukey χ²(2) = 2.7818, p = 0.2489; Ansari-Bradley 2.7813, p = 0.2489; Mood 2.3449, p = 0.3096; Klotz 2.2456, p = 0.3254; Fligner-Killeen 3.2550, p = 0.1964.
→ Skor ve ölçek testleri (Van der Waerden, Savage, Siegel-Tukey, Ansari-Bradley, Mood, Klotz)
Gerçek veride örnek
Veri: UCLA OARC hsb2 (High School and Beyond, n = 200)
Değişkenler: grup prog (program türü, 3 düzey: 1 genel, 2 akademik, 3 mesleki), değer write (yazma puanı)
- Soru: Yazma puanı (write) üç program türünde (genel, akademik, mesleki) farklı mı? Tek yönlü ANOVA'nın sıralara dayalı karşılığı olan Kruskal-Wallis testi kullanılır.
- Betimsel: Ortalama sıralar akademik programda 121.56 (medyan 59), genel programda 90.64 (medyan 54), mesleki programda 65.14 (medyan 46).
- Sonuç: H(2) = 34.05, p = 4.05e-08. Sıfır hipotezi reddedilir: en az bir programın puan dağılımı diğerlerinden farklıdır.
- Etki büyüklüğü: η²_H = 0.16; sıralardaki değişkenliğin yaklaşık %16'sı program türüyle açıklanır (büyük etki).
- Ek adım: Hangi programların farklı olduğunu görmek için ikili karşılaştırma (ör. Dunn testi, Bonferroni ya da Holm düzeltmeli) seçeneği kullanılmalıdır.
- APA: H(2) = 34.05, p < .001, η² = .16.
İlgili kavramlar
Monte Carlo p-değeriPost hoc testler (ikili karşılaştırmalar)Jonckheere-Terpstra testi (sıralı alternatif)Mood medyan testiEpsilon kare (ε²)Skor ve ölçek testleri (Van der Waerden, Savage, Siegel-Tukey, Ansari-Bradley, Mood, Klotz)Bağlı değerler ve sıfır farklar (sıra testleri)Eta kare (η²) ve kısmi eta kare (η²ₚ)
Örneklerdeki sayılar MerQur'un bağımsız, kamuya açık doğrulama verileri üzerindeki çıktılarıdır; ayrıntılar için MerQur Teknik Not'a bakınız.