Kruskal-Wallis 效应量计算器

理解Kruskal Wallis效应量 (η²) 对于解释非参数统计结果至关重要，它提供了一种衡量组间关联强度的指标。这份综合指南探讨了Kruskal Wallis检验背后的科学原理，提供了实用的公式和专家技巧，以帮助研究人员有效地量化差异。

为什么要在非参数数据中测量效应量？

基本背景

Kruskal Wallis检验是单因素方差分析的非参数替代方法，用于当数据不符合正态性或方差齐性假设时。虽然该检验提供了一个p值，表明组间差异是否具有统计学意义，但它并没有量化这些差异的大小。效应量 (η²) 通过测量分组变量解释的方差比例来弥补这一不足。

主要应用包括：

• 研究: 比较多个独立的组，而不假设正态分布。
• 数据分析: 提供对研究结果的实际意义的有意义的见解，超越统计学意义。
• 决策: 帮助研究人员根据结果的影响来确定结果的优先级。

精确的效应量公式：精确量化组间差异

Kruskal Wallis效应量 (η²) 使用以下公式计算：

\[ η² = \frac{H}{N - 1} \]

其中：

• \( H \) 是Kruskal Wallis统计量
• \( N \) 是所有组的总样本量

此公式将相对于自由度 (\( N - 1 \)) 的 \( H \) 值进行归一化，从而产生一个范围从0到1的标准化效应量度量。 较高的值表示组之间更强的关联。

实际计算示例：解释您的统计结果

示例 1：教育研究

场景： 一项比较三种教学方法的研究使用Kruskal Wallis检验，并获得一个 \( H \) 值为 12.5 ，总样本量为 30。

1. 计算效应量：\( η² = \frac{12.5}{30 - 1} = 0.431 \)
2. 解释： 0.431 的效应量表明教学方法与学生表现之间存在中等到强的关联。

示例 2：医疗试验

场景： 一项比较四种治疗方法的临床试验产生一个 \( H \) 值为 18.2 ，总样本量为 50。

1. 计算效应量：\( η² = \frac{18.2}{50 - 1} = 0.376 \)
2. 解释： 0.376 的效应量表明治疗方法之间存在显著差异。

Kruskal Wallis效应量常见问题解答：专家解答，以增强您的分析

Q1：什么被认为是大的效应量？

解释 \( η² \) 的常用阈值是：

• 小：0.01
• 中：0.06
• 大：0.14

这些指南提供了一个通用框架，但可能因研究领域而异。

Q2：Kruskal Wallis检验可以代替方差分析吗？

虽然Kruskal Wallis检验是非参数数据的稳健替代方法，但它缺乏方差分析的一些能力和灵活性。 研究人员应根据其数据特征和研究目标选择适当的检验。

Q3：如何在结果中报告效应量？

在您的报告中同时包含 \( H \) 值和 \( η² \)。 例如：“Kruskal Wallis检验显示组间存在显著差异 (H = 12.5, p < 0.05, η² = 0.431)。”

Kruskal Wallis术语表

理解这些关键术语将增强您解释非参数统计结果的能力：

非参数检验： 一种不假设数据具有特定分布的统计检验。

Kruskal Wallis统计量 (H)： 一种衡量组中位数之间差异的指标，类似于方差分析中的F统计量。

效应量 (η²)： 一种衡量组之间关联强度的标准化指标，范围从0到1。

自由度： 统计量的最终计算中可以自由变化的数值的数量。

关于Kruskal Wallis效应量的有趣事实

1. 历史意义： 该检验由William Kruskal和W. Allen Wallis于1952年开发，仍然是非参数统计的基石。

2. 实际应用： 用于从心理学到生物学的各个领域，以评估组之间的差异，而没有严格的分布假设。

3. 补充指标： 将 \( η² \) 与事后检验（如Dunn检验）配对可以更深入地了解哪些特定组存在显著差异。