İstatistik Sözlüğü → Mann-Whitney U Testi
Mann-Whitney U Testianaliz
İki bağımsız grubun değerlerini sıralara çevirip karşılaştırarak, gruplardan birinin değerlerinin diğerininkinden sistematik olarak daha büyük olma eğiliminde olup olmadığını sınayan, normallik gerektirmeyen test.
Kavram
Bağımsız örneklem t-testi ortalamaları karşılaştırır ve küçük örneklemlerde normal dağılım varsayar. Veri çarpıksa, aykırı değerler içeriyorsa ya da yalnız sıralı bir ölçekte (ör. 1-5 memnuniyet puanı) toplanmışsa bu varsayım zayıflar. Mann-Whitney U testi (Wilcoxon sıra toplamı testi olarak da bilinir) değerlerin kendisi yerine sıralarını kullanır; böylece birkaç aşırı değer sonucu domine edemez ve dağılımın biçimi hakkında varsayım gerekmez.
İki grubun tüm gözlemleri birlikte küçükten büyüğe sıralanır ve her gözleme sıra numarası verilir; eşit değerler ortalama sırayı alır. Gruplar arasında fark yoksa iki grubun ortalama sıraları birbirine yakın çıkmalıdır. U istatistiği, bir gruptan seçilen bir gözlemin diğer gruptan seçilen bir gözlemi kaç çiftte geçtiğini sayar. U'nun olası en büyük değere oranı, birinci gruptan rastgele birinin ikinci gruptan rastgele birinden büyük çıkma olasılığını verir; %50 fark olmadığını gösterir.
Testin sınadığı tam hipotez, bir gruptan alınan değerin diğerinden büyük olma olasılığının küçük olma olasılığına eşit olmasıdır (stokastik eşitlik). Sonucu 'medyanlar farklı' diye okumak ancak iki dağılımın biçimi ve yayılımı benzer olduğunda, yani biri diğerinin kaydırılmış hâli olduğunda doğrudur. Gözlemler bağımsız olmalıdır. Rank-biserial korelasyon ve Hodges-Lehmann konum kayması gibi ölçüler, farkın büyüklüğünü p değerinden ayrı olarak gösterir.
Ne zaman kullanılır?
- İki bağımsız grubu sürekli ya da sıralı bir ölçümde karşılaştırırken; özellikle örneklem küçük, dağılım çarpık ya da aykırı değerler belirginse veya veri sıralı ölçekteyse.
- Aynı kişilerin iki ölçümü karşılaştırılıyorsa Wilcoxon işaretli sıralar testi; üç ya da daha fazla bağımsız grup varsa Kruskal-Wallis testi kullanılır.
- Grupların yayılımları belirgin biçimde farklıysa varyans eşitliği gerektirmeyen Brunner-Munzel testi; veri yaklaşık normal ve örneklem yeterince büyükse bağımsız örneklem t-testi daha güçlü bir seçenektir.
Gündelik bir örnek
Bir il sağlık müdürlüğü iki hastanenin acil servislerinde hastaların muayeneye kadar ne kadar beklediğini karşılaştırıyor; A hastanesinden 14, B hastanesinden 12 hasta kaydı var. Bekleme süreleri çoğunlukla 20-60 dakika arasında, ama B'de iki hasta 3 saatten fazla beklemiş. Bu uç değerler ortalamayı şişireceği için Mann-Whitney U testi kullanılıyor: 26 hastanın tümü bekleme süresine göre sıralanıyor ve iki hastanenin sıraları karşılaştırılıyor. B hastanesinin ortalama sırası belirgin biçimde yüksek ve p = 0,02 çıkarsa, B'deki hastaların genel olarak daha uzun beklediği söylenebilir; 3 saatlik iki bekleme de sonucu tek başına belirlemez.
MerQur'da parametreler
Güven Düzeyi (%90, %95, %99, Diğer (özel), 80.0-99.9)
Kavram: Güven düzeyi, konum kayması ve etki büyüklüğü için verilen aralıkların ne kadar 'emin' olacağını ve anlamlılık kararının eşiğini (α) belirler. U istatistiğini ve p değerini değiştirmez.
Gündelik örnek: %95 güvenle B hastanesindeki bekleme A'dakinden tipik olarak '4 ile 25 dakika arası' daha uzun diye verilebilir. %99 güven istenirse aralık genişler.
Ne işe yarar: α = 1 - güven düzeyi; HL konum kayması GA'sı, rank-biserial GA, kesin HL GA ve karar bu α'yı kullanır.
Sonuca etkisi: U ve p değişmez. HL asimptotik GA testin ters çevrilmesiyle hesaplanır: GA = {d : W(d) testi reddetmez}; σ(d) bağ düzeltmelidir ve bağlar her d için yeniden sayılır. Özel değer yalnız "Diğer" seçiliyken geçerlidir.
Doğrulama verisinde: diffusion %90 [-0.08, 0.72], %95 [-0.15, 0.76], %99 [-0.38, 1.01]. React %98 alt sınır -0.82.
Hipotez yönü (Çift yönlü (≠), Sağ yönlü (>), Sol yönlü (<))
Kavram: Hipotezin yönü, sorunun herhangi bir farkı mı yoksa yalnız bir grubun değerlerinin daha büyük (ya da daha küçük) olma eğilimini mi sorduğunu belirtir. Burada 'büyük olma', ortalamanın değil, rastgele bir çiftte birinci grubun değerinin daha büyük çıkma eğiliminin kastedildiği stokastik bir anlamdadır.
Gündelik örnek: Müdürlük, B hastanesine yeni bir sistem kurulmadan önce yalnız 'B'de bekleme daha mı uzun?' diye soruyorsa test tek yönlüdür. Hangi hastanenin daha hızlı olduğu bilinmiyorsa çift yönlü test seçilir.
Ne işe yarar: H₀: iki dağılım özdeştir (stokastik eşitlik: P(X > Y) = P(Y > X)). H1: birinci grup stokastik olarak büyük (>), küçük (<) ya da farklı (≠).
Sonuca etkisi: p değişir.
Doğrulama verisinde: diffusion (bağsız, otomatik = kesin) iki yönlü p = 0.254412, sağ yönlü 0.127206, sol yönlü 0.896770. React asimptotik, süreklilik kapalı, sol yönlü p = 0.038201.
Hesaplama yöntemi (Otomatik, Tam (exact), Asimptotik)
Kavram: Küçük örneklemlerde U'nun sıfır hipotezi altındaki dağılımı tüm olası sıra düzenlemelerinden kesin olarak hesaplanabilir. Örneklem büyüdükçe bu dağılım normal dağılıma yaklaşır ve p değeri normal yaklaşımla bulunur. Eşit değerler (bağlar) varsa kesin dağılım değişir; bu durumda bağlara göre düzeltilmiş bir yaklaşım ya da koşullu kesin hesap gerekir.
Gündelik örnek: Her hastaneden yalnız 6 hasta olsaydı kesin p değeri kolayca hesaplanırdı. 14 ve 12 hastada normal yaklaşım genellikle yeterlidir; bekleme süreleri dakika olarak yuvarlandığı için birkaç hastanın aynı süreyi beklemesi bağ yaratır.
Ne işe yarar: Otomatik: bir grup n <= 8 ve bağ yoksa kesin U dağılımı, aksi halde normal yaklaşım; Tam: bağ yoksa kesin U dağılımı, bağ varsa koşullu kesin permütasyon (uyarı yazılır); Asimptotik: bağ düzeltmeli normal yaklaşım.
Sonuca etkisi: p değişir.
Doğrulama verisinde: React Tam p = 0.105411, Asimptotik süreklilik açık 0.084254, kapalı 0.076402. rotarod Tam 0.037267.
Ek çıktı: Süreklilik düzeltmesi (varsayılan açık)
Kavram: U yalnız tam sayı değerler alabilen kesikli bir istatistiktir; onu sürekli normal dağılımla yaklaştırırken yarım birimlik bir kaydırma (süreklilik düzeltmesi) yaklaşımı iyileştirir. Düzeltme p değerini biraz büyütür, yani testi biraz daha temkinli yapar; örneklem büyüdükçe etkisi kaybolur.
Gündelik örnek: 26 hastalık örneklemde süreklilik düzeltmesi p'yi örneğin 0,018'den 0,020'ye çıkarabilir. Sonuç sınırdaysa bu küçük fark kararı etkileyebilir; bu yüzden hangi seçeneğin kullanıldığı raporlanmalıdır.
Ne işe yarar: Asimptotik p'de süreklilik düzeltmesini açar ya da kapatır.
Sonuca etkisi: Kesin yöntemde etkisizdir (diffusion 0.254412 her ikisinde).
Doğrulama verisinde: React asimptotik 0.084254 (açık) ve 0.076402 (kapalı); hsb2 0.000875 (açık).
Etki büyüklükleri: CLES (onay kutusu)
Kavram: Ortak dil etki büyüklüğü (CLES): birinci gruptan rastgele seçilen birinin değerinin ikinci gruptan rastgele seçilen birinin değerinden büyük çıkma olasılığıdır; eşitlik durumları yarım sayılır. %50 fark olmadığını gösterir.
Gündelik örnek: A'dan ve B'den rastgele birer hasta seçilip bekleme süreleri karşılaştırılıyor. CLES = 0,23 ise bu karşılaştırmaların yalnız %23'ünde A'daki hasta daha uzun beklemiştir; yani çoğu karşılaştırmada B'deki hasta daha çok bekler.
Ne işe yarar: P(X > Y) + ½P(X = Y), X = birinci grup.
Sonuca etkisi: Yalnız ek bir etki büyüklüğü satırı ekler; test sonucu değişmez.
Doğrulama verisinde: diffusion 0.7, rotarod 0.7083, hsb2 0.3635.
Etki büyüklükleri: Z / √N (onay kutusu)
Kavram: Testin standart normal değeri Z'nin toplam örneklem büyüklüğünün kareköküne bölünmesiyle elde edilen r, farkın büyüklüğünü 0 ile 1 arasında bir ölçekte verir. Kabaca 0,1 küçük, 0,3 orta, 0,5 büyük etki olarak yorumlanır.
Gündelik örnek: Z = 2,3 ve 26 hasta için r = 2,3/√26 ≈ 0,45 olur; bu, iki hastane arasında orta-büyük bir fark demektir.
Ne işe yarar: Z'den türetilen etki büyüklüğü r = Z/√N.
Sonuca etkisi: Yalnız ek bir etki büyüklüğü satırı ekler.
Doğrulama verisinde: diffusion Z = 1.225, r = 0.3162; rotarod Z = 2.439.
Ek çıktı: Betimsel (onay kutusu)
Kavram: Her grubun özetini verir: kişi sayısı, ortalama, standart sapma, standart hata, medyan, en küçük ve en büyük değer, çarpıklık ve basıklık. Sıralara dayanan bir testten önce verinin neden çarpık olduğunu ve uç değerlerin nerede olduğunu gösterir.
Gündelik örnek: Tabloda B hastanesinin ortalaması 68, medyanı 50 dakika görünür; aradaki fark birkaç çok uzun beklemenin ortalamayı yukarı çektiğini gösterir. A'da ortalama ile medyan birbirine yakındır.
Ne işe yarar: Grup başına n, ortalama, SD, SE, medyan, en küçük, en büyük, çarpıklık, basıklık.
Sonuca etkisi: Yalnız betimsel tablo ekler.
Doğrulama verisinde: Çarpıklık ve basıklık örneklem düzeltmeli (G1, G2) tanımla verilir. rotarod kontrol grubunda (SD = 0) çarpıklık ve basıklık tanımsızdır.
Permütasyon p (Yok, Kesin (koşullu permütasyon), Monte Carlo (B = 10000))
Kavram: Permütasyon p değeri, grup etiketlerini rastgele yeniden dağıtarak U'nun sıfır hipotezi altındaki dağılımını veriden üretir; bağlar olduğunda bile normal yaklaşıma dayanmayan bir p sunar. Kesin hesap tüm düzenlemeleri, Monte Carlo ise binlercesini rastgele dener.
Gündelik örnek: 26 hastanın bekleme süreleri sabit tutulup 'A' ve 'B' etiketleri rastgele karıştırılır ve U her seferinde yeniden hesaplanır. Gözlenen U kadar uç değerlerin oranı, bağlı bekleme sürelerinden etkilenmeyen bir p verir.
Ne işe yarar: Koşullu kesin ya da Monte Carlo permütasyon p'si ekler.
Sonuca etkisi: Yalnız ek p satırı.
Doğrulama verisinde: Kesin koşullu p: React 0.1054106, rotarod 0.0372671, hsb2 0.000809. Monte Carlo (B = 10000, tohum 12345): React 0.1125, diffusion 0.2563; kesin değerlere 4 MC SD içindedir.
Ek çıktılar: Rank-biserial GA (onay kutusu)
Kavram: Rank-biserial korelasyon, Mann-Whitney için yaygın kullanılan bir etki büyüklüğüdür: birinci grubun 'önde' olduğu çiftlerin oranı ile 'geride' olduğu çiftlerin oranı arasındaki farktır ve −1 ile 1 arasında değişir. Güven aralığı bu etkinin ne kadar kesin tahmin edildiğini gösterir.
Gündelik örnek: r_rb = 0,54 ise B'deki bir hastanın A'daki bir hastadan daha uzun beklediği çiftler, tersinden 54 puan daha sık görülür. Güven aralığı [0,15; 0,79] ise etki küçük de olabilir büyük de; 26 hastalık örneklem kesin bir hüküm için azdır.
Ne işe yarar: r_rb = 1 - 2U/(n1n2) için Fisher z GA (SE = √((N + 1)/(3n1n2))).
Sonuca etkisi: Rank-biserial r'ye güven aralığı ekler.
Doğrulama verisinde: diffusion r = -0.4000, %95 GA [-0.7871, 0.2132]; işaret kuralı: birinci grup küçük değerlere eğilimliyse r pozitiftir. r = 1 - 2U₁/(n₁n₂); birinci grup verideki ilk görünen düzeydir; bu işaret kuralı effectsize::rank_biserial ve Kerby (2014) kuralının tersidir.
Ek çıktılar: Brunner-Munzel (onay kutusu)
Kavram: Brunner-Munzel testi, Mann-Whitney ile aynı soruyu (bir grubun değerlerinin diğerinden büyük olma olasılığı %50 mi?) sorar, ama iki grubun dağılım biçiminin ve yayılımının aynı olduğunu varsaymaz. Gruplar yayılım bakımından çok farklıysa Mann-Whitney'in yanlış alarm oranı bozulabilir; Brunner-Munzel bu durumda daha güvenilirdir.
Gündelik örnek: A hastanesinde bekleme süreleri 30-45 dakika arasında toplanırken B'de 10 dakikadan 3 saate kadar yayılıyorsa iki dağılımın biçimi çok farklıdır. Brunner-Munzel, B'deki bir hastanın daha uzun bekleme olasılığını bu farklılığa rağmen doğru biçimde sınar.
Ne işe yarar: Varyansların eşit olmasını gerektirmeyen Brunner-Munzel testini ve p̂ = P(X < Y) + ½P(X = Y) kestirimini ekler.
Sonuca etkisi: Ek bir test bölümü ekler; Mann-Whitney sonucu değişmez.
Doğrulama verisinde: diffusion W = -1.4103, p = 0.184636, p̂ = 0.30; React W = 2.3416, p = 0.031798; rotarod (kontrol varyansı 0) W = -2.8031, p = 0.017180.
Ek çıktılar: KS, Wald-Wolfowitz, Moses (onay kutusu)
Kavram: Bu testler iki dağılımın farklı yönlerine bakar. İki örneklem Kolmogorov-Smirnov, birikimli dağılımlar arasındaki en büyük farkı ölçer ve konum, yayılım ya da biçimdeki her türlü farka duyarlıdır. Wald-Wolfowitz koşu testi, sıralanmış veride iki grubun birbirine ne kadar karıştığına bakar. Moses uç tepki testi ise bir grubun uçlarda, yani çok düşük ve çok yüksek değerlerde yoğunlaşıp yoğunlaşmadığını sınar.
Gündelik örnek: B hastanesinde bazı hastalar çok hızlı, bazıları çok uzun bekliyor, ortada ise az hasta varsa iki hastanenin medyanları benzer olsa bile dağılımları farklıdır. Moses testi B'nin uçlarda toplandığını, Kolmogorov-Smirnov da iki dağılımın genel olarak farklı olduğunu yakalayabilir.
Ne işe yarar: İki örneklem Kolmogorov-Smirnov, Wald-Wolfowitz koşu ve Moses uç tepki testlerini ekler.
Sonuca etkisi: Ek test bölümleri ekler; Mann-Whitney sonucu değişmez.
Doğrulama verisinde: KS: diffusion D = 0.6, p = 0.181300; Arthritis D = 0.4051, asimptotik p = 0.016358. Wald-Wolfowitz: diffusion runs = 7, kesin p = 0.454545. Moses: diffusion span = 12, p = 0.846154.
Ek çıktılar: Kesin HL GA (onay kutusu)
Kavram: Hodges-Lehmann konum kayması, iki gruptan alınabilecek tüm gözlem çiftlerinin farklarının medyanıdır; bir grubun diğerine göre 'tipik olarak ne kadar kaydığını' tahmin eder. Kesin güven aralığı, bu tahminin aralığını yaklaşık formül yerine U'nun kesin dağılımından bulur; bağ olmayan küçük örneklemlerde daha doğrudur.
Gündelik örnek: A'dan 14 ve B'den 12 hasta için 168 farklı 'B − A' çifti oluşur. Bu farkların medyanı 14 dakika ise B'deki bekleme tipik olarak 14 dakika daha uzundur; kesin aralık bu değerin belirsizliğini gösterir.
Ne işe yarar: Hodges-Lehmann konum kayması için kesin güven aralığı.
Sonuca etkisi: Bağsız veride kesin GA satırı ekler; bağlı veride hesaplanmaz, bilgi satırı yazılır.
Doğrulama verisinde: diffusion %95 [-0.15, 0.76], %98 [-0.17, 0.90], %99 [-0.35, 1.01] (kesin dağılımdan; asimptotik %99 GA [-0.38, 1.01]).
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 t-testi kadar güçlüdür; Savage testi üstel dağılıma yakın uzun ömür ya da bekleme süresi verilerinde güçlüdür. Ölçek testleri (Siegel-Tukey, Ansari-Bradley, Mood, Klotz, Fligner-Killeen) ise konumu değil, grupların yayılımının farklı olup olmadığını sınar.
Gündelik örnek: Müdürlük B hastanesinin daha 'öngörülemez' olduğundan, yani bekleme sürelerinin daha geniş bir aralığa yayıldığından şüpheleniyorsa ölçek testlerine bakar. Ansari-Bradley ya da Fligner-Killeen anlamlıysa iki hastanenin bekleme sürelerindeki dağınıklık farklıdır.
Ne işe yarar: Bağlarda ortalama puan kullanan puan tanımlarıyla konum (VW, Savage) ve ölçek (Siegel-Tukey, Ansari-Bradley, Mood, Klotz) testleri; Fligner-Killeen ayrıca. S, Z ve iki yönlü p normal yaklaşımla verilir.
Sonuca etkisi: Mann-Whitney çıktısının sonuna ek bölüm olarak eklenir.
Doğrulama verisinde: warpbreaks (wool) için S, Z ve p verilir (Z: VW -0.5355321715, Savage -1.4448256386, Ansari-Bradley 2.7202941017, Mood -2.9963036151, Klotz -2.7714392386).
→ Skor ve ölçek testleri (Van der Waerden, Savage, Siegel-Tukey, Ansari-Bradley, Mood, Klotz)
Her zaman gösterilen çıktılar
Kavram: Her çalıştırmada temel sonuçlar birlikte verilir: U istatistiği, p değeri, rank-biserial etki büyüklüğü, Hodges-Lehmann kayma tahmini ve güven aralığı ile her grubun kişi sayısı, medyanı, ortalama sırası ve sıra toplamı. Ortalama sıralar, testin neye baktığını en doğrudan gösteren özettir.
Gündelik örnek: A hastanesinin ortalama sırası 10,3, B'ninki 17,3 ise B'deki hastalar sıralamada genellikle daha arkadadır, yani daha uzun bekler. Rapora U, p, r_rb ve Hodges-Lehmann kayması birlikte yazıldığında okuyucu hem kararı hem farkın büyüklüğünü görür.
Ne işe yarar: U (birinci grubun U'su), p, rank-biserial r ve etiketi, HL kestirimi ve GA, grup n / medyan / ortalama sıra / sıra toplamı.
Sonuca etkisi: Seçeneklerden bağımsız olarak her çalıştırmada yazılır; etki büyüklüğü etiketi r eşikleriyle (.1 / .3 / .5) verilir.
Doğrulama verisinde: Sıra toplamları ve ortalama sıralar React, Arthritis ve hsb2'de verilir (React 110.5 ve 79.5; 8.5 ve 13.25). diffusion |r| = 0.40 "Orta".
Gerçek veride örnek
Veri: UCLA OARC hsb2 (High School and Beyond, n = 200)
Değişkenler: grup female (0 = erkek, 1 = kadın), değer write (yazma puanı)
- Soru: Yazma puanı (write) erkek ve kız öğrenciler arasında farklı mı? Normallik gerektirmeyen, sıralara dayalı Mann-Whitney U testi kullanılır.
- Betimsel: Erkeklerin (n = 91) medyanı 52, ortalama sırası 85.63; kızların (n = 109) medyanı 57, ortalama sırası 112.92.
- Sonuç: U = 3606, p = 0.000875 (süreklilik düzeltmeli normal yaklaşım). Sıfır hipotezi reddedilir: kızların yazma puanları stokastik olarak daha yüksektir.
- Etki büyüklüğü: Rank-biserial r = 0.27 (küçük etki); Hodges-Lehmann konum kayması -5.0 puan, %95 GA [-8.0, -2.0].
- Sınırlılık: Bağlı sıralar çok olduğundan p normal yaklaşımla hesaplanır; süreklilik düzeltmesi açıkken Z ve p, düzeltmesiz değerlerden biraz farklıdır.
- APA: U = 3606.00, p < .001, r = .27.
İlgili kavramlar
Ortak dil etki büyüklüğü (CLES)Kolmogorov-Smirnov testi ve Lilliefors düzeltmesiAsimptotik (normal) yaklaşımHodges-Lehmann tahmincisi (psödomedyan)Sıra-iki serili korelasyon (rank-biserial r)Brunner-Munzel testiSkor ve ölçek testleri (Van der Waerden, Savage, Siegel-Tukey, Ansari-Bradley, Mood, Klotz)Z/√N tabanlı r etki büyüklüğü
Örneklerdeki sayılar MerQur'un bağımsız, kamuya açık doğrulama verileri üzerindeki çıktılarıdır; ayrıntılar için MerQur Teknik Not'a bakınız.