Test kruskala-wallisa

O czym jest te opracowanie?
Test Kruskala-Wallisa to odpowiednik lub też po prostu alternatywa bardzo popularnej jednoczynnikowej analizy wariancji ANOVA. Różnica następuje natomiast w tym, że opisywany przeze mnie test jest nieparametryczny. Jak więc widzisz, kolejny raz zagłębiamy się w świat statystyk.

Kiedy stosujemy ten test?

Najprościej mówiąc, zastosowanie tego testu jest wskazane, gdy:
Porównujemy więcej niż 2 grupy (zbiory danych) względem pewnej zmiennej ilościowej, a więc postępujemy tutaj analogicznie jak w jednoczynnikowej analizie wariancji.
Zmienna zależna ma charakter porządkowy. Jest to zmienna, której wartość badamy podczas tego testu (podmiot pomiarów).
Nie muszą być spełnione specjalne założenia, takie jak: rozkład normalny czy też zbliżenie się do niego w rozkładzie zmiennych, taka sama liczność grup (np. pod względem liczby osób).

Jakie warunki muszą być spełnione, by przeprowadzić test Kruskala-Wallisa?
W skali liczbowej, bądź co najmniej porządkowej muszą być zmierzone zmienne zależne.
Pewna osoba, która znajduje się w danej grupie (A), nie powinna być w składzie grupy kolejnej (B). Fachowo, możemy nazwać to, niezależnością obserwacji między sobą podczas analizy wszystkich grup. Innym przykładem może być test, w którym grupy stanowią ludzie z wykształceniem wyższym, średnim, zawodowym i podstawowym (jedna osoba nie znajdzie się w dwóch grupach).

Jak to jest z wynikami testu Kruskala-Wallisa?

Przede wszystkim podczas mówienia o tym, jakie są wyniki tych testów, należy wspomnieć, że ich moc interpretacyjna jest dosyć mała, porównując ją np. z jednoczynnikową analizą wariancji ANOVA. Z tego powodu należy bardzo uważać, gdy chcemy wyciągać bardzo skrupulatne wyniki, gdyż mogą się one okazać po prostu nie do końca prawdziwe. Dlatego też, po przeprowadzeniu testy Kruskala-Wallisa powinno się wykonać porównania wielokrotne. Na samym końcu, aby przekonać Cię do wykonywania porównań wielokrotnych, czyli tak zwanych testów post-hoc, ostrzegam Cię przed dużym ryzykiem popełnienia błędów nazywanych I i II rodzaju. Ryzyko te jest dużo większe nić podczas przeprowadzania jednoczynnikowej analizy wariancji ANOVA.