Kruskal-Wallis-Test-Rechner

Verwenden Sie den Kruskal-Wallis-Test, wenn Sie drei oder mehr unabhängige Gruppen vergleichen möchten, Ihre Daten jedoch die Annahmen der ANOVA verletzen – etwa wenn sie nicht normalverteilt sind, Ausreißer enthalten oder ordinale Skalen wie Zufriedenheitsbewertungen verwenden. Er zeigt Ihnen, ob sich mindestens eine Gruppe signifikant von den anderen unterscheidet, und ist damit ein vielseitiges Werkzeug zum Vergleich von Gruppen ohne strenge Verteilungsanforderungen.

Was ist der Kruskal-Wallis-Test?

Der Kruskal-Wallis-H-Test ist die nicht-parametrische Alternative zur einfaktoriellen ANOVA. Er vergleicht drei oder mehr unabhängige Gruppen, wenn die Normalverteilungsannahme nicht erfüllt werden kann.

Beantwortete Frage: „Haben mindestens zwei Gruppen unterschiedliche Verteilungen (Mediane)?"

Beispiele:

• Vergleich der Kundenzufriedenheit über 4 Filialstandorte hinweg (Ordinalbewertungen)
• Vergleich der Genesungszeiten bei 3 Behandlungen (schiefe Daten)
• Vergleich der Testergebnisse über 5 Schulen hinweg (nicht-normale Verteilungen)

Funktionsweise

Schritt 1: Alle Beobachtungen rangieren

Kombinieren Sie alle Daten und weisen Sie Ränge von 1 bis N (Gesamtstichprobengröße) zu.

Rangiert:

Schritt 2: Rangsummen berechnen

• $R_A = 1 + 2 + 3 = 6$
• $R_B = 4 + 5 + 6 = 15$
• $R_C = 7 + 8 + 9 = 24$

Schritt 3: H-Statistik berechnen

$H = \frac{12}{N(N+1)} \sum_{i=1}^{k} \frac{R_i^2}{n_i} - 3(N+1)$

Wobei:

• $N$ = Gesamtstichprobengröße
• $k$ = Anzahl der Gruppen
• $R_i$ = Rangsumme der Gruppe $i$
• $n_i$ = Stichprobengröße der Gruppe $i$

$H = \frac{12}{9(10)} \left(\frac{36}{3} + \frac{225}{3} + \frac{576}{3}\right) - 3(10)$

$H = \frac{12}{90}(279) - 30 = 37,2 - 30 = 7,2$

Schritt 4: P-Wert bestimmen

H folgt näherungsweise einer Chi-Quadrat-Verteilung mit $k - 1$ Freiheitsgraden.

Für $H = 7,2$, $df = 2$: $p \approx 0,027$

Schlussfolgerung: Signifikanter Unterschied zwischen den Gruppen ($p < 0,05$).

Bindungskorrektur

Bei gebundenen Werten wird ein Korrekturfaktor angewendet:

$H_{korrigiert} = \frac{H}{1 - \frac{\sum(t^3 - t)}{N^3 - N}}$

Wobei $t$ die Anzahl der gebundenen Werte bei jedem Rang ist.

Annahmen

Unabhängige Beobachtungen

Beobachtungen innerhalb und zwischen Gruppen müssen unabhängig sein.

Ordinalskala (Minimum)

Die Daten müssen mindestens ordinal sein – Werte können sinnvoll geordnet werden.

Ähnliche Verteilungsform

Gruppen sollten ähnlich geformte Verteilungen haben (gleiche allgemeine Form, möglicherweise verschoben).

Hinweis: Der Kruskal-Wallis-Test vergleicht Verteilungen, nicht nur Mediane. Wenn Verteilungen unterschiedliche Formen haben, können signifikante Ergebnisse Formunterschiede statt Unterschiede in der zentralen Tendenz widerspiegeln.

Vergleich mit einfaktorieller ANOVA

Post-Hoc-Tests

Ein signifikantes Kruskal-Wallis-Ergebnis zeigt an, dass sich mindestens eine Gruppe unterscheidet, aber nicht welche.

Dunn-Test

Das häufigste Post-Hoc-Verfahren:

1. Paarweise z-Statistiken mit Rangsummen berechnen
2. Bonferroni- oder andere Korrektur für multiple Vergleiche anwenden
3. Identifizieren, welche Paare sich signifikant unterscheiden

Conover-Iman-Test

Alternative, die die t-Verteilung verwendet:

1. Ränge in t-Statistiken umwandeln
2. Paarweise t-Tests mit Rängen durchführen
3. Korrektur für multiple Vergleiche anwenden

Dwass-Steel-Critchlow-Fligner

Ein schrittweises Verfahren, das die familienweise Fehlerrate kontrolliert.

Effektstärke

Epsilon-Quadrat

$\epsilon^2 = \frac{H}{N - 1}$

Eta-Quadrat basierend auf H

$\eta^2_H = \frac{H - k + 1}{N - k}$

Beispiel: Vollständige Analyse

Szenario: Vergleich der Schmerzlinderungsbewertungen (1-10) für drei Medikamente.

Schritt 1: Alle 15 Beobachtungen rangieren (Bindungen durch Durchschnittsrang behandeln)

Schritt 2: Rangsummen berechnen

• $R_A = 18,5$
• $R_B = 47,5$
• $R_C = 54,0$

Schritt 3: H berechnen

$H = \frac{12}{15 \times 16}\left(\frac{18,5^2}{5} + \frac{47,5^2}{5} + \frac{54^2}{5}\right) - 48 = 9,38$

Schritt 4: P-Wert mit df = 2: $p = 0,009$

Schlussfolgerung: Signifikanter Unterschied in der Schmerzlinderung ($H = 9,38$, $p = 0,009$). Post-Hoc-Tests erforderlich, um zu identifizieren, welche Medikamente sich unterscheiden.

Anwendungen

Medizinische Forschung

• Behandlungsergebnisse über mehrere Therapien hinweg vergleichen
• Ordinalskalen analysieren (Schmerz, Zufriedenheit, Lebensqualität)
• Nicht-normale Biomarkerverteilungen handhaben

Sozialwissenschaften

• Likert-Skalen-Antworten über Gruppen hinweg vergleichen
• Rangordnungspräferenzen analysieren
• Ordinale Variablen untersuchen (Bildungsniveau, Einkommensklassen)

Qualitätskontrolle

• Fehlerraten über Produktionslinien hinweg vergleichen
• Kundenbewertungen über Standorte hinweg analysieren
• Leistung über Schichten hinweg bewerten

Häufige Fehler

Verwendung mit nur zwei Gruppen

Bei genau zwei Gruppen verwenden Sie stattdessen den Mann-Whitney-U-Test – er ist leistungsstärker.

Ignorieren der Annahme zur Verteilungsform

Wenn Verteilungen sehr unterschiedliche Formen haben, deuten signifikante Ergebnisse möglicherweise nicht auf Medianunterschiede hin.

Keine Durchführung von Post-Hoc-Tests

Ein signifikantes H zeigt nur an, dass ein Unterschied besteht – Post-Hoc-Tests identifizieren, welche Paare sich unterscheiden.

Behandlung als direkter Medianvergleich

Kruskal-Wallis vergleicht gesamte Verteilungen. Berichten Sie Mediane zur Interpretation, aber verstehen Sie, dass der Test umfassender ist.

Ergebnisse berichten

APA-Format:

„Ein Kruskal-Wallis-H-Test zeigte einen statistisch signifikanten Unterschied in den Schmerzlinderungsbewertungen über drei Medikamente hinweg, H(2) = 9,38, p = ,009, ε² = ,67. Post-Hoc-Dunn-Tests mit Bonferroni-Korrektur zeigten, dass Medikament C (Mdn = 8) signifikant höhere Bewertungen hatte als Medikament A (Mdn = 3), p = ,003, während sich Medikament B (Mdn = 6) von keinem signifikant unterschied."

Historischer Kontext

William Kruskal und W. Allen Wallis entwickelten diesen Test 1952 als Erweiterung des Mann-Whitney-U-Tests auf mehrere Gruppen.

Der Test war Teil einer breiteren Bewegung hin zur nicht-parametrischen Statistik in der Mitte des 20. Jahrhunderts, die Forschern robuste Alternativen zu parametrischen Methoden bot.

Verwandte Berechnungen

• Einfaktorielle ANOVA — Parametrische Alternative
• Mann-Whitney-U-Test — Nicht-parametrischer Test für zwei Gruppen
• Friedman-Test — Nicht-parametrische Messwiederholungen
• Tukey-HSD-Rechner — Post-Hoc für ANOVA

Zusammenfassung

Der Kruskal-Wallis-H-Test vergleicht drei oder mehr unabhängige Gruppen ohne Normalverteilungsanforderung. Er rangiert alle Beobachtungen, berechnet eine Teststatistik basierend auf Rangsummen und vergleicht mit einer Chi-Quadrat-Verteilung. Verwenden Sie ihn, wenn Daten ordinal sind, Verteilungen nicht-normal sind oder Stichproben klein sind. Ein signifikantes Ergebnis erfordert Post-Hoc-Tests (Dunn-Test), um zu identifizieren, welche Gruppen sich unterscheiden. Berichten Sie H, Freiheitsgrade, p-Wert, Effektstärke und Mediane für jede Gruppe.