外觀
Statistics › 無母數方法 › Kruskal-Wallis
多組比較:Kruskal-Wallis 與 Friedman
| 設計 | 母數方法 | 無母數替代 | 事後檢定 |
|---|---|---|---|
| 3+ 組獨立 | 單因子 ANOVA | Kruskal-Wallis | Dunn's test |
| 3+ 次重複量測 | 重複量數 ANOVA | Friedman | Nemenyi / Conover |
Kruskal-Wallis 檢定
Mann-Whitney U 推廣到三組以上:合併排名後,比較各組的排名和。
N = 總樣本數、k = 組數、Rᵢ = 第 i 組的排名和。
- H₀:各組來自相同分配;H₁:至少一組的分配不同
- 解讀為「中位數不同」需假設各組形狀相似,見 何時使用
- 顯著只代表「某處不同」,要再做 Dunn's test(不要直接做一堆未校正的 Mann-Whitney)
效果量:
python
import numpy as np
import pandas as pd
from scipy import stats
import scikit_posthocs as sp # pip install scikit-posthocs
a = np.array([72, 68, 75, 80, 65, 71, 78])
b = np.array([85, 90, 82, 88, 79, 91, 84])
c = np.array([76, 74, 79, 83, 77, 80, 75])
# 1. 整體檢定
H, p = stats.kruskal(a, b, c)
# 2. 效果量
N, k = len(a) + len(b) + len(c), 3
eta2_h = (H - k + 1) / (N - k)
# 3. 事後檢定(顯著時):Dunn's test + Holm 校正
df_long = pd.DataFrame({"score": np.r_[a, b, c], "group": ["A"]*7 + ["B"]*7 + ["C"]*7})
sp.posthoc_dunn(df_long, val_col="score", group_col="group", p_adjust="holm")p_adjust 可選 "bonferroni"、"holm"(建議預設)、"fdr_bh",原理見 多重檢定校正。
Friedman 檢定(重複量測)
同一受試者在 3+ 個條件下量測,資料為 Ordinal 或嚴重非常態時使用。在每位受試者內部排名,再比較各條件的排名和。
python
# 寬格式:每列 = 一位受試者,每欄 = 一個條件
stats.friedmanchisquare(df_wide["t1"], df_wide["t2"], df_wide["t3"])
# 事後檢定
sp.posthoc_nemenyi_friedman(df_wide[["t1", "t2", "t3"]].to_numpy())
# pingouin 版(長格式,含效果量 Kendall's W)
import pingouin as pg
pg.friedman(data=df_long_rm, dv="score", within="time", subject="subject")Kruskal-Wallis vs 單因子 ANOVA
| 單因子 ANOVA | Kruskal-Wallis | |
|---|---|---|
| 假設常態 | 是 | 否 |
| 假設等變異 | 是(Welch 版不需要) | 建議形狀相似 |
| Ordinal 資料 | 不適合 | 適合 |
| 對離群值 | 敏感 | 穩健 |
| 常態時效率 | 100% | 約 95% |
| 事後檢定 | Tukey HSD、Games-Howell | Dunn's test |
| 效果量 | η²、ω² | η²_H |
視覺化同 兩獨立樣本:分組 boxplot + 原始點,或 violin plot。