When to use itThe most common use o

When to use it
The most common use of the Kruskal–Wallis test is when you have one nominal variable and one measurement variable, an experiment that you would usually analyze using one-way anova, but the measurement variable does not meet the normality assumption of a one-way anova. Some people have the attitude that unless you have a large sample size and can clearly demonstrate that your data are normal, you should routinely use Kruskal–Wallis; they think it is dangerous to use one-way anova, which assumes normality, when you don't know for sure that your data are normal. However, one-way anova is not very sensitive to deviations from normality. I've done simulations with a variety of non-normal distributions, including flat, highly peaked, highly skewed, and bimodal, and the proportion of false positives is always around 5% or a little lower, just as it should be. For this reason, I don't recommend the Kruskal-Wallis test as an alternative to one-way anova. Because many people use it, you should be familiar with it even if I convince you that it's overused.
The Kruskal-Wallis test is a non-parametric test, which means that it does not assume that the data come from a distribution that can be completely described by two parameters, mean and standard deviation (the way a normal distribution can). Like most non-parametric tests, you perform it on ranked data, so you convert the measurement observations to their ranks in the overall data set: the smallest value gets a rank of 1, the next smallest gets a rank of 2, and so on. You lose information when you substitute ranks for the original values, which can make this a somewhat less powerful test than a one-way anova; this is another reason to prefer one-way anova.
The other assumption of one-way anova is that the variation within the groups is equal (homoscedasticity). While Kruskal-Wallis does not assume that the data are normal, it does assume that the different groups have the same distribution, and groups with different standard deviations have different distributions. If your data are heteroscedastic, Kruskal–Wallis is no better than one-way anova, and may be worse. Instead, you should use Welch's anova for heteoscedastic data.
The only time I recommend using Kruskal-Wallis is when your original data set actually consists of one nominal variable and one ranked variable; in this case, you cannot do a one-way anova and must use the Kruskal–Wallis test. Dominance hierarchies (in behavioral biology) and developmental stages are the only ranked variables I can think of that are common in biology.
The Mann–Whitney U-test (also known as the Mann–Whitney–Wilcoxon test, the Wilcoxon rank-sum test, or the Wilcoxon two-sample test) is limited to nominal variables with only two values; it is the non-parametric analogue to two-sample t–test. It uses a different test statistic (U instead of the H of the Kruskal–Wallis test), but the P value is mathematically identical to that of a Kruskal–Wallis test. For simplicity, I will only refer to Kruskal–Wallis on the rest of this web page, but everything also applies to the Mann–Whitney U-test.
The Kruskal–Wallis test is sometimes called Kruskal–Wallis one-way anova or non-parametric one-way anova. I think calling the Kruskal–Wallis test an anova is confusing, and I recommend that you just call it the Kruskal–Wallis test.

ผลลัพธ์ (ไทย) 2:

เมื่อจะใช้มัน
ใช้บ่อยที่สุดของการทดสอบ Kruskal-Wallis คือเมื่อคุณมีหนึ่งตัวแปรที่ระบุและการวัดตัวแปรหนึ่งทดลองที่คุณมักจะวิเคราะห์โดยใช้การวิเคราะห์ความแปรปรวนทางเดียว แต่ตัวแปรที่วัดไม่เป็นไปตามสมมติฐานปกติของ ANOVA ทางเดียว บางคนมีทัศนคติที่ว่าถ้าคุณมีขนาดของกลุ่มตัวอย่างขนาดใหญ่และชัดเจนสามารถแสดงให้เห็นว่าข้อมูลของคุณเป็นปกติคุณเป็นประจำควรใช้ Kruskal-วาลลิส; พวกเขาคิดว่ามันเป็นอันตรายที่จะใช้การวิเคราะห์ความแปรปรวนทางเดียวซึ่งถือว่าปกติเมื่อคุณไม่ทราบว่าข้อมูลของคุณเป็นเรื่องปกติ อย่างไรก็ตามการวิเคราะห์ความแปรปรวนทางเดียวไม่ได้เป็นอย่างที่มีความสำคัญที่จะเบี่ยงเบนไปจากปกติ ผมเคยทำแบบจำลองที่มีความหลากหลายของการกระจายที่ไม่ปกติรวมทั้งแบนแหลมสูงเบ้สูงและ bimodal และสัดส่วนของผลบวกปลอมอยู่เสมอประมาณ 5% หรือต่ำกว่าเล็กน้อยเช่นเดียวกับที่มันควรจะเป็น ด้วยเหตุนี้ผมไม่แนะนำให้ทดสอบ Kruskal-วาลลิสเป็นทางเลือกทางเดียว ANOVA เพราะหลายคนใช้มันคุณควรจะคุ้นเคยกับมันแม้ว่าผมจะโน้มน้าวให้คุณว่ามันตื้อ.
ทดสอบ Kruskal-Wallis คือการทดสอบที่ไม่ใช่ตัวแปรซึ่งหมายความว่ามันไม่ได้คิดว่าข้อมูลที่มาจากการกระจายที่สามารถ อธิบายไว้อย่างสมบูรณ์โดยสองพารามิเตอร์ส่วนเบี่ยงเบนมาตรฐานค่าเฉลี่ยและ (วิธีการกระจายปกติสามารถ) เช่นเดียวกับการทดสอบที่ไม่ใช่พาราส่วนใหญ่คุณดำเนินการกับข้อมูลการจัดอันดับเพื่อให้คุณแปลงสังเกตการวัดการจัดอันดับของพวกเขาในชุดข้อมูลโดยรวม: ค่าที่น้อยที่สุดที่ได้รับการจัดอันดับเป็น 1 ต่อไปที่เล็กที่สุดที่ได้รับการจัดอันดับของ 2, และอื่น ๆ . คุณจะสูญเสียข้อมูลเมื่อคุณแทนการจัดอันดับสำหรับค่าเดิมซึ่งสามารถทำให้การทดสอบค่อนข้างมีประสิทธิภาพน้อยกว่า ANOVA ทางเดียว; นี่เป็นอีกเหตุผลหนึ่งที่จะชอบทางเดียว ANOVA.
สมมติฐานอื่น ๆ ของการวิเคราะห์ความแปรปรวนทางเดียวคือการเปลี่ยนแปลงภายในกลุ่มมีค่าเท่ากับ (homoscedasticity) ในขณะที่ Kruskal-วาลลิสไม่ได้คิดว่าข้อมูลที่เป็นปกติก็ไม่คิดว่ากลุ่มที่แตกต่างกันมีการกระจายเดียวกันและกลุ่มที่มีค่าเบี่ยงเบนมาตรฐานที่แตกต่างกันมีการกระจายที่แตกต่างกัน ถ้าข้อมูลของคุณ heteroscedastic, Kruskal-Wallis ไม่ดีกว่า ANOVA ทางเดียวและอาจจะเลวร้ายยิ่ง แต่คุณควรใช้การวิเคราะห์ความแปรปรวนของเวลช์สำหรับข้อมูล heteoscedastic.
เวลาเดียวที่ฉันขอแนะนำให้ใช้ Kruskal-Wallis คือเมื่อข้อมูลเดิมของคุณตั้งจริงประกอบด้วยตัวแปรหนึ่งเล็กน้อยและเป็นหนึ่งในการจัดอันดับตัวแปร; ในกรณีนี้คุณไม่สามารถทำ ANOVA ทางเดียวและต้องใช้การทดสอบ Kruskal-Wallis ลำดับชั้นการปกครอง (ในทางชีววิทยาพฤติกรรม) และขั้นตอนการพัฒนาที่มีการจัดอันดับตัวแปรเดียวที่ฉันสามารถคิดว่าเป็นเรื่องธรรมดาในชีววิทยา.
Mann-Whitney U-ทดสอบ (ยังเป็นที่รู้จักในฐานะ Mann-Whitney-Wilcoxon ทดสอบทดสอบ Wilcoxon อันดับผลรวม หรือการทดสอบ Wilcoxon สองตัวอย่าง) จะถูก จำกัด ตัวแปรเล็กน้อยมีเพียงสองค่า; มันเป็นอะนาล็อกที่ไม่พาราสองตัวอย่าง t-test จะใช้สถิติทดสอบที่แตกต่างกัน (U แทน H ของการทดสอบ Kruskal-Wallis) แต่ค่า P คือคณิตศาสตร์เหมือนกับที่ทดสอบ Kruskal-Wallis สำหรับความเรียบง่ายฉันเท่านั้นที่จะอ้างถึง Kruskal-Wallis ในส่วนที่เหลือของหน้าเว็บนี้ แต่ทุกอย่างยังใช้กับ Mann-Whitney U-ทดสอบ.
Kruskal-Wallis ทดสอบบางครั้งเรียกว่า Kruskal-Wallis ANOVA เดียวหรือไม่ พารามิเตอร์ทางเดียว ANOVA ผมคิดว่าการเรียกร้องการทดสอบ Kruskal-Wallis ANOVA เป็นความสับสนและผมขอแนะนำให้คุณเพียงแค่เรียกมันว่าการทดสอบ Kruskal-Wallis

ผลลัพธ์ (ไทย) 3:

เมื่อใช้ครับผมใช้บ่อยที่สุดของการทดสอบ Kruskal – Wallis คือเมื่อคุณมีหนึ่งในตัวแปรและการวัดตัวแปร การทดสอบที่คุณจะมักจะวิเคราะห์โดยใช้การวิเคราะห์ความแปรปรวนทางเดียว แต่การวัดตัวแปรไม่เป็นไปตามปกติสมมติฐานของการวิเคราะห์ความแปรปรวนแบบทางเดียวบางคนมีความคิดว่าถ้าคุณมีขนาดตัวอย่างใหญ่และสามารถแสดงให้เห็นอย่างชัดเจนว่าข้อมูลของคุณปกติ คุณควรตรวจใช้ Kruskal –วอลลิส ; พวกเขาคิดว่ามันอันตรายที่จะใช้วิเคราะห์ความแปรปรวนทางเดียว ซึ่งถือว่าปกติ เมื่อคุณไม่รู้ว่าข้อมูลของคุณเป็นปกติ อย่างไรก็ตาม การวิเคราะห์ความแปรปรวนทางเดียว ไม่อ่อนไหวกับการเบี่ยงเบนจากความปกติผมเคยใช้กับความหลากหลายของการแจกแจงปกติ ไม่รวมแบนสูงแหลม ความเบ้ และไบโมดอล และสัดส่วนของผลบวกปลอมอยู่เสมอประมาณ 5% หรือต่ำกว่าเล็กน้อย อย่างที่ควรเป็น ด้วยเหตุผลนี้ ผมไม่แนะนำ Kruskal Wallis Test เป็นทางเลือกในการวิเคราะห์ความแปรปรวนแบบทางเดียว เพราะหลายคนใช้คุณควรจะคุ้นเคยกับมันแม้ว่าฉันจะโน้มน้าวคุณว่าเป็น overused
Kruskal Wallis Test เป็นแบบทดสอบที่ไม่ใช้พารามิเตอร์ ซึ่งหมายความว่ามันไม่ได้สมมติว่า ข้อมูลที่มาจากการกระจายที่สามารถทั้งหมดที่อธิบายโดยสองพารามิเตอร์ ค่าเฉลี่ย และส่วนเบี่ยงเบนมาตรฐาน ( วิธีของการแจกแจงแบบปกติได้ ) เหมือนไม่ใช่ที่สุดการทดสอบพาราเมตริกที่คุณแสดงข้อมูลที่จัดเพื่อให้คุณแปลงการวัด การสังเกตเพื่อการจัดอันดับของพวกเขาในการรวมชุดข้อมูล : มูลค่าที่ได้รับอันดับ 1 ต่อไปที่ได้อันดับ 2 และ คุณจะสูญเสียข้อมูลเมื่อคุณสำรองอันดับค่าเดิม ซึ่งจะทำให้การทดสอบมีประสิทธิภาพค่อนข้างน้อยกว่า การวิเคราะห์ความแปรปรวนทางเดียว นี่คืออีกเหตุผลที่ชอบ
One-way ANOVAสมมติฐานอื่น ๆ การวิเคราะห์ความแปรปรวนทางเดียว คือการเปลี่ยนแปลงภายในกลุ่มจะเท่ากับ ( homoscedasticity ) ในขณะที่ Kruskal Wallis ไม่คิดว่าข้อมูลที่ปกติ มันจะสันนิษฐานว่า กลุ่มมีการแจกแจงแบบเดียวกัน และกลุ่มที่มีส่วนเบี่ยงเบนมาตรฐานแตกต่างกันมีการกระจายแตกต่างกัน ถ้าข้อมูลเป็นพหุคูณ , Kruskal - Wallis ไม่ดีกว่าการวิเคราะห์ความแปรปรวนทางเดียวและอาจจะแย่กว่านั้น แทน คุณควรใช้ความ เวลช์ เป็นข้อมูล heteoscedastic .
เวลาเดียวที่ผมแนะนำให้ใช้ Kruskal Wallis เมื่อข้อมูลต้นฉบับชุดจริงประกอบด้วยหนึ่งระบุตัวแปรและตัวแปรอันดับหนึ่ง ในกรณีนี้ คุณไม่สามารถ วิเคราะห์ความแปรปรวนทางเดียว และต้องใช้ Kruskal – Wallis testความเด่นวรรณะ ( ชีววิทยาเชิงพฤติกรรม ) และขั้นตอนการพัฒนาเป็นเพียงการจัดอันดับตัวแปรที่ฉันสามารถคิดที่มีทั่วไปในชีววิทยา .
2 - Whitney U-test ( หรือที่เรียกว่า Mann Whitney ) และสถิติทดสอบ The Wilcoxon rank sum , ทดสอบ , หรือ The Wilcoxon สองตัวอย่างทดสอบ ) จำกัดตราสารที่มีเพียงสองตัวแปร ค่า เป็นแบบไม่ใช้พารามิเตอร์สองที –ตัวอย่างการทดสอบใช้สถิติทดสอบที่แตกต่างกัน ( U แทนที่จะ H ของ Kruskal – Wallis test ) แต่ค่า P mathematically ที่เหมือนกันกับที่ของ Kruskal - Wallis test สำหรับความเรียบง่ายฉันเพียงจะดูวอล Kruskal –ในส่วนที่เหลือของหน้าเว็บนี้ แต่ทุกอย่างยังใช้ได้กับ Mann Whitney U-test )
.The Kruskal - Wallis test บางครั้งเรียกว่า Kruskal – Wallis one-way ANOVA หรือไม่ใช้พารามิเตอร์การวิเคราะห์ความแปรปรวนแบบทางเดียว ฉันคิดว่าน่าจะเรียกการทดสอบ Kruskal –วอลลิส มีความสับสน และฉันขอแนะนำให้คุณเพียงแค่เรียกมันและ Kruskal Wallis Test .