Skip to content

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 ANOVAKruskal-WallisDunn's test
3+ 次重複量測重複量數 ANOVAFriedmanNemenyi / 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。

H=12N(N+1)∑i=1kRi2ni−3(N+1) ∼ χk−12  (每組 n≥5)

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:ηH2=H−k+1N−k(小 0.01、中 0.06、大 0.14)

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 ANOVAKruskal-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-HowellDunn's test
效果量η²、ω²η²_H

視覺化同 兩獨立樣本:分組 boxplot + 原始點,或 violin plot。