How to Perform a Kruskal-Wallis Test for Nonparametric Group Comparisons in Psychology

Comprender el examen Kruskal-Wallis: Una guía integral para investigadores de psicología

La prueba Kruskal-Wallis es un poderoso método estadístico no paramétrico que se ha convertido en una herramienta esencial en el kit de herramientas analíticas del investigador de psicología. Esta prueba estadística se utiliza para comparar dos o más grupos para una variable continua o discreta, lo que lo hace particularmente valioso cuando trabaja con datos psicológicos que no se ajustan a las estrictas suposiciones requeridas por pruebas paramétricas.

Este test es un test estadístico no paramétrico para probar si las muestras proceden de la misma distribución, y sirve como equivalente paramétrico del análisis de varianza (ANOVA). En la investigación psicológica, donde los datos a menudo violan las hipótesis de normalidad o implican mediciones ordinales, entender cómo llevar a cabo e interpretar correctamente este examen es crucial para extraer conclusiones válidas de su investigación.

¿Cuál es el test Kruskal-Wallis?

La prueba Kruskal-Wallis es una prueba no paramétrica, lo que significa que no asume una distribución particular de sus datos y es análoga al análisis de una sola vía de la varianza (ANOVA), y a veces se conoce como la ANOVA de una sola vía en las filas o la ANOVA de Kruskal. A diferencia de las pruebas paramétricas que comparan los medios y requieren datos normalmente distribuidos, la prueba Kruskal-Wallis compara las obras por observaciones de rango.

La prueba Kruskal-Wallis es una prueba no paramétrica, lo que significa que no supone que los datos provengan de una distribución que puede describirse por completo por dos parámetros, media y desviación estándar, y como la mayoría de pruebas no paramétricas, lo realizas en datos clasificados, por lo que conviertes las observaciones de medición a sus rangos en el conjunto de datos. Este proceso de clasificación es lo que hace la prueba tan versátil y aplicable a diversos tipos de datos psicológicos.

El Principio Fundamental detrás del Test

El concepto básico de la prueba Kruskal-Wallis es elegantemente simple pero potente. En lugar de analizar los valores de datos brutos, la prueba convierte todas las observaciones en todas las categorías. El valor más pequeño obtiene una categoría de 1, el siguiente más pequeño obtiene una categoría de 2, y así sucesivamente. Estas filas se utilizan para determinar si los grupos difieren significativamente unos de otros.

La prueba Kruskal Wallis no incluye medianas u otras propiedades distributivas, sólo las filas, y evaluando las filas, se enrolla tanto los parámetros de ubicación y forma en una sola evaluación de la categoría media de cada grupo, por lo que cuando sus filas promedio son desiguales, usted sabe que la distribución de un grupo tiende a producir valores más altos o inferiores que los otros. Esta característica lo hace particularmente útil cuando usted está interesado en si los grupos difieren en su tendencia general.

¿Cuándo los Psicólogos deben usar el test Kruskal-Wallis?

Comprender cuándo aplicar la prueba Kruskal-Wallis es tan importante como saber cómo realizarla. Varios escenarios en la investigación psicológica hacen de esta prueba la opción preferida sobre alternativas paramétricas.

Violaciones de las Asunciones de Normalidad

Como la prueba Kruskal-Wallis H no asume la normalidad en los datos y es mucho menos sensible a los outliers, se puede utilizar cuando se han violado estas suposiciones y el uso de una sola vía ANOVA es inapropiado, y si sus datos son ordinal, una ANOVA de una sola vía es inapropiada, pero la prueba Kruskal-Wallis H no es inapropiada para los datos de trabajo con frecuencia.

La prueba Kruskal Wallis y otras pruebas no paramétricas son útiles para probar hipótesis cuando la suposición de normalidad de los datos no se sostiene, y no hacen suposiciones sobre la forma de las distribuciones de datos y esto los hace particularmente útiles cuando un conjunto de datos es pequeño. En la investigación psicológica, los tamaños de muestras pequeñas son comunes, especialmente en estudios clínicos o cuando trabajan con poblaciones especializadas.

Trabajar con datos ordinal

Su variable dependiente debe medirse a nivel ordinal o continuo, y ejemplos de variables ordinal incluyen escalas de Likert (por ejemplo, una escala de 7 puntos desde "acuerdo fuerte" hasta "disentir intensamente"), entre otras formas de categorías de ranking. Los investigadores de Psicología utilizan frecuentemente escalas de Likert para medir actitudes, percepciones y experiencias subjetivas, haciendo que la prueba Kruskal-Wallis sea particularmente relevante para el campo.

Las aplicaciones comunes en psicología incluyen comparar las calificaciones de satisfacción en diferentes grupos de terapia, analizar los niveles de estrés medidos en escalas ordinal en diversas condiciones de intervención, o evaluar los rangos de características de personalidad entre diferentes grupos demográficos.

Comparando tres o más grupos independientes

Kruskal-Wallis se utiliza normalmente con tres o más grupos independientes, pero se puede utilizar con sólo dos, y cada grupo debe tener un tamaño de muestra de 5 o más. Mientras que la prueba puede manejar técnicamente dos grupos, los investigadores utilizan típicamente la prueba Mann-Whitney U para comparaciones de dos grupos y reservan la prueba Kruskal-Wallis para situaciones que involucran a tres o más grupos.

Asunciones clave del test de Kruskal-Wallis

Aunque la prueba Kruskal-Wallis es menos restrictiva que las alternativas paramétricas, todavía requiere que se cumplan ciertas hipótesis para una interpretación válida de los resultados. Entendimiento de estas hipótesis es fundamental para la correcta aplicación de la prueba.

Independencia de las observaciones

Sus observaciones deben ser independientes, y no debe haber ninguna relación entre los miembros de cada grupo o entre grupos. Esta suposición es fundamental para la validez de la prueba. En la investigación psicológica, esto significa que la respuesta de cada participante no debe influir en la respuesta de otro participante, y los participantes no deben aparecer en múltiples grupos.

Cada grupo tiene un conjunto de temas o artículos distintos, y cada observación debe ser independiente de los demás. Las violaciones de esta suposición pueden ocurrir en diseños de medidas repetidas o cuando los participantes están anidados dentro de grupos, en cuyo caso las pruebas alternativas como el examen de Friedman pueden ser más apropiadas.

Consideraciones de la forma de distribución

Uno de los aspectos más mal entendidos de la prueba Kruskal-Wallis se refiere a lo que en realidad prueba. Aunque Kruskal-Wallis no asume que los datos son normales, supone que los diferentes grupos tienen la misma distribución, y los grupos con diferentes desviaciones estándar tienen diferentes distribuciones. Este es un punto crucial que muchos investigadores pasan por alto.

Si sus distribuciones tienen la misma forma, puede utilizar SPSS Statistics para realizar una prueba Kruskal-Wallis H para comparar los medianes de su variable dependiente para los diferentes grupos, sin embargo, si sus distribuciones tienen una forma diferente, sólo puede utilizar la prueba Kruskal-Wallis H para comparar las categorías medias. Esta distinción afecta significativamente cómo interpreta sus resultados.

Cuando mantienes constante la distribución, la prueba Kruskal Wallis nos dice sobre la mediana, pero no es una propiedad del procedimiento en sí mismo sino lógica — si varias distribuciones tienen la misma forma, pero las filas promedio se desplazan más y más abajo, sus medianas deben diferir, pero sólo podemos sacar esa conclusión sobre las medianas cuando las distribuciones tienen las mismas formas.

Requisitos de tamaño de la muestra

La aproximación de la chi-cuadrilla requiere cinco o más miembros por muestra. Esto es importante porque la estadística de la prueba Kruskal-Wallis se compara con una distribución de la chi-cuadrilla, y esta aproximación se vuelve más precisa con tamaños de muestra más grandes. Para muestras muy pequeñas, los cálculos de probabilidad exactas pueden ser necesarios, aunque una gran cantidad de recursos de computación es necesaria para calcular probabilidades exactas para la prueba de Kruskal-Walli

Guía paso a paso para realizar el test de Kruskal-Wallis

La realización de una prueba de Kruskal-Wallis implica varios pasos sistemáticos. Entendiendo cada paso asegura una correcta implementación e interpretación de la prueba.

Paso 1: Formular sus hipótesis

Antes de realizar cualquier prueba estadística, definir claramente sus hipótesis nulas y alternativas.La hipótesis nula es que las medianas de la población son iguales, y la hipótesis alternativa es que las medianas de la población no son iguales, o que la mediana de la población difiere de la mediana de la población de uno de los otros grupos.

Es importante señalar que la hipótesis alternativa no es que todas las especies sean diferentes, pero que al menos una especie es diferente de las otras, y si se rechaza la hipótesis nula, significa que al menos una especie es diferente de la otra 2, pero no necesariamente que las 3 especies sean diferentes entre sí. Por eso, las pruebas post-hoc son necesarias para identificar diferencias específicas de grupo.

Paso 2: Recoge y organiza tus datos

Reúne sus datos de los diferentes grupos que desea comparar. Asegúrese de que sus datos se reúnan con las suposiciones discutidas anteriormente, en particular la independencia de las observaciones. Organiza sus datos en un formato donde cada observación se asocia con su membresía de grupo.

Por ejemplo, si estás comparando puntuaciones de depresión en tres grupos de terapia diferentes (terapia cognitiva-behavioral, terapia psicodinámica y grupo de control), la puntuación de depresión de cada participante debe ser emparejado con su asignación de grupo.

Paso 3: Ranke todos los puntos de datos

Para aplicar la prueba Kruskal-Wallis, organizar los datos en un formato de dos vías, con cada columna representando una muestra sucesiva, y en la computación, cada una de las observaciones de 'N' reemplaza con filas, ya que todos los valores de las muestras 'k' se combinan y clasifican en una sola serie.

El más pequeño de la prueba Kruskal-Wallis es reemplazado por el rango 1, el siguiente más pequeño con el rango 2 y el más grande con el rango 'N', donde 'N' representa el número total de observaciones en las muestras 'k'. Este proceso de clasificación se realiza en todos los grupos combinados, no dentro de cada grupo por separado.

Paso 4: Calcular los Sumos Rank para cada grupo

Después de clasificar todas las observaciones, resumir las filas de cada grupo por separado. Estas sumas de rango forman la base para calcular la estadística de prueba. Los grupos con sumas de rango superior tienden a tener valores más altos en los datos originales, mientras que los grupos con sumas de rango inferior tienden a tener valores más bajos.

Paso 5: Computar el examen estadístico (H)

[LT] [FLT]] es el grupo de la muestra de la muestra de la muestra de la muestra de la muestra de la muestra de la muestra de la muestra de la muestra de la muestra de la muestra de la muestra de la muestra de la muestra de la muestra de la serie de datos de la serie de datos de la serie de datos de la serie de datos de la serie de datos de la serie de datos de la serie de datos de la serie de datos de datos de la serie de datos de la serie de datos de datos de datos de la serie de datos de la serie de datos de datos de datos de datos de datos de la serie de la serie de la serie de datos de datos de la serie de la serie de datos de la serie de la serie de datos de datos de datos de datos de datos de datos de datos de la serie de la serie de datos de datos de datos de datos de datos de datos de datos de la serie de la serie de la serie de la serie de datos de la serie de datos de datos de la serie de datos de datos de la serie de datos de datos de la serie de la serie de datos de la serie de datos de la serie de la serie de datos de la serie de datos de la serie de

Donde:

N = número total de observaciones en todos los grupos
R_i = suma de las filas en el grupo i
n_i = número de observaciones en el grupo i
k] = número de grupos que se comparan

La estadística H esencialmente mide cuánto las sumas observadas se desvían de lo que se esperaría si todos los grupos procedieran de la misma distribución.

Paso 6: Determinar el significado estadístico

Luego comparamos H con un punto crítico de corte determinado por la distribución de chi-cuadra (chi-cuadra se utiliza porque es una buena aproximación de H. Los grados de libertad para esta comparación igualan el número de grupos menos uno (k - 1).

Si tenemos un pequeño valor p, digamos menos de 0.05, tenemos evidencia contra el nulo, y los pequeños p-valores con Kruskal-Wallis nos llevan a rechazar la hipótesis nula y decir que al menos uno de nuestros grupos probablemente se origina de una distribución diferente que los otros. La mayoría de los paquetes de software estadístico proporcionará tanto el H estadística como el valor p correspondiente.

Interpretando los resultados de la prueba Kruskal-Wallis

La interpretación adecuada de los resultados de la prueba Kruskal-Wallis requiere entender lo que la prueba puede y no puede decirle acerca de sus datos.

Comprender la estadística H

El H estadística es la salida primaria de la prueba. Los valores H más grandes indican mayores diferencias entre las distribuciones de rango de los grupos. El valor H calculado se compara con la distribución de la chi-cuadra con grados de libertad igual a k - 1, donde k es el número de grupos.

Si el valor H supera el valor crítico de la tabla de distribución de chi-cuadrón en su nivel de significado elegido (típicamente 0,05), puede rechazar la hipótesis nula. Esto indica que al menos un grupo difiere significativamente de los demás en términos de la variable que se está midiendo.

El enfoque de valor P

La mayoría de los investigadores dependen hoy de los valores p en lugar de comparar las estadísticas de prueba con los valores críticos. Un valor p menos que su nivel de significación predeterminado (comúnmente 0.05) indica diferencias significativas entre los grupos. El valor p representa la probabilidad de observar diferencias tan grandes como las de sus datos si la hipótesis nula fuera verdad.

El valor p en este caso es la probabilidad de ver diferencias en los grupos tan grandes como lo que hemos presenciado si la hipótesis nula es verdadera. Los valores p inferiores proporcionan evidencia más fuerte contra la hipótesis nula de ninguna diferencia de grupo.

Lo que el examen realmente te dice

Es importante señalar que Kruskal-Wallis sólo puede decirnos que al menos uno de los grupos se origina de una distribución diferente, y no puede decirnos cuál de los grupos (s) que es(son). Esta es una limitación crítica que requiere pruebas de seguimiento.

Como una sola vía ANOVA, la prueba Kruskal Wallis es una prueba de "omnibus", y las pruebas de omnibus pueden decir que no todos sus grupos son iguales, pero no especifica qué pares de grupos son diferentes. Aquí es donde las pruebas post-hoc se vuelven esenciales.

Pruebas post-Hoc Después de un resultado significativo de Kruskal-Wallis

Cuando la prueba Kruskal-Wallis indica diferencias significativas entre grupos, las pruebas post-hoc ayudan a identificar qué grupos específicos difieren entre sí. Este es uno de los pasos más importantes en el proceso de análisis.

¿Por qué los exámenes post-hoc son necesarios

Una prueba significativa de Kruskal-Wallis indica que al menos una muestra domina estocásticamente una otra muestra, pero la prueba no identifica dónde se produce esta dominación estocástica o para cuántos pares de grupos dominancia estocástica obtiene. Sin pruebas post-hoc, usted sabe que existen diferencias pero no donde se encuentran.

Prueba de Dunn: El enfoque recomendado post-hoc

Probablemente la prueba post-hoc más común para la prueba Kruskal-Wallis es la prueba Dunn (1964), y es probablemente la prueba post-hoc más popular para la prueba Kruskal-Wallis. La prueba de Dunn tiene varias ventajas que lo hacen particularmente bien adaptada para seguir una prueba de Kruskal-Wallis.

Un investigador puede utilizar contrastes de muestra entre parejas individuales de muestras, o pruebas post hoc usando la prueba de Dunn, que (1) emplea adecuadamente el mismo ranking que la prueba Kruskal-Wallis, y (2) emplea adecuadamente la varianza emparejada implícita por la hipótesis nula de la prueba Kruskal-Wallis. Esta consistencia con la prueba original de Kruskal-Wallis hace que la prueba de Dunn sea metodológicamente sólida.

Como resulta que hay una prueba post-hoc que utiliza la misma clasificación compartida calculada por el Kruskal-Wallis, y utiliza la misma varianza aglutinada que se implica por la hipótesis nula de la prueba Kruskal-Wallis: la prueba de Dunn. Esta preservación de la estructura de clasificación original es una ventaja clave sobre enfoques alternativos.

Pruebas alternativas de post-Hoc

También se presentan la prueba Conover y Nemenyi como alternativas a la prueba de Dunn. Para analizar los pares de muestras específicos para la dominación estocástica, la prueba de Dunn, pruebas de mann-Whitney pares con corrección Bonferroni, o la prueba más potente pero menos conocida de Conover-Iman se utilizan a veces.

Mientras que las pruebas Mann-Whitney U pares con corrección Bonferroni se utilizan a veces, tienen un inconveniente significativo. Un problema con pruebas pares es que ignoran todos los datos que no están incluidos en ese par de tratamientos, y a menudo es mejor utilizar una prueba post-hoc diseñada para evaluar pares de tratamientos basados en la totalidad de los datos.

Control para múltiples comparaciones

Al realizar múltiples contrastes o pruebas de muestra, la tasa de error Tipo I tiende a inflarse, planteando preocupaciones sobre múltiples comparaciones. Por eso los métodos de ajuste son cruciales al realizar pruebas post-hoc.

Debido a que la prueba post-hoc producirá múltiples valores p, se pueden hacer ajustes a los valores p para evitar inflar la posibilidad de cometer un error tipo I, y hay una variedad de métodos para controlar la tasa de error familiar o para controlar la tasa de falso descubrimiento. Los métodos de ajuste comunes incluyen Bonferroni, Holm, Benjamini-Hochberg y Sidak correcciones.

La corrección Bonferroni es el enfoque más conservador, multiplicando cada p-valor por el número de comparaciones que se hacen. Si bien esto controla eficazmente el error Tipo I, puede ser demasiado conservador y reducir el poder estadístico. El método Holm proporciona una alternativa menos conservadora mientras que todavía controla la tasa de error familiar.

Realización del examen de Kruskal-Wallis utilizando el software estadístico

Mientras que el proceso de cálculo manual es valioso para el entendimiento conceptual, la mayoría de los investigadores utilizan software estadístico para realizar la prueba Kruskal-Wallis. Aquí está cómo implementarlo en paquetes estadísticos populares.

Utilizando SPSS

SPSS Statistics agregó el método post hoc Dunn o Dunn-Bonferroni después de una prueba significativa de Kruskal-Wallis En la versión 19 y más tarde, y las comparaciones pares utilizando el enfoque Dunn-Bonferroni se producen automáticamente para cualquier variable dependiente para la cual la prueba Kruskal-Wallis es significativa.

Para realizar la prueba en SPSS:

Navegue a Analyze → Pruebas noparamétricas → Muestras Independientes
Seleccione la ficha Fields y mueva su variable independiente a la caja de Grupos
Mueva su variable dependiente a la caja de campos de prueba
Seleccione la pestaña Ajustes para configurar comparaciones de pares
Ejecute el análisis

Utilizando la prueba de Dunn, SPSS compara la variable dependiente en cada par de la variable independiente para ver dónde se encuentran las diferencias significativas. La salida incluirá tanto el resultado de la prueba Kruskal-Wallis en general como las comparaciones de par a mano con los valores de p ajustados.

Utilizando R

En el paquete SciPy de Python, la función scipy.stats.kruskal puede devolver el resultado de prueba y el valor p, y R base-package tiene un implemento de esta prueba utilizando kruskal.test. R proporciona varios paquetes para realizar pruebas de Kruskal-Wallis y análisis post-hoc.

La sintaxis básica en R es sencilla:

kruskal.test(dependent_variable ~ grouping_variable, data = your_data)

Para las pruebas posteriores a la investigación, se pueden encontrar varios paquetes R, incluyendo dunn.test, FSA y PMCMRplus. Estos paquetes ofrecen varios exámenes post-hoc y métodos de ajuste de p-valor.

Usando Python

El módulo de Python scipy.stats tiene una función llamada kruskal(), y básicamente esta función lleva a cabo el cálculo anterior para nosotros, ya que esta función toma dos o más objetos tipo array como argumentos y devuelve el estadístico H y el valor p.

La biblioteca de Python SciPy hace que sea fácil realizar la prueba Kruskal-Wallis con código mínimo. Para las pruebas post-hoc, el paquete scikit-posthocs proporciona implementaciones de la prueba de Dunn y otros procedimientos post-hoc con varios métodos de ajuste de valor p-valor.

Aplicaciones Prácticas en Investigación Psicología

La prueba Kruskal-Wallis encuentra numerosas aplicaciones en diversos ámbitos de la investigación psicológica. Entendiendo estas aplicaciones ayuda a los investigadores a reconocer cuando esta prueba es la elección analítica adecuada.

Psicología Clínica

En psicología clínica, los investigadores suelen comparar los resultados del tratamiento en múltiples grupos de intervención. Por ejemplo, un estudio podría comparar los puntajes de gravedad de la depresión (medidos en una escala ordinal) en terapia cognitiva-behavioral, medicamentos, tratamiento combinado y grupos de control. Cuando los puntajes de depresión se miden utilizando escalas de puntuación ordinal o cuando los datos violan las hipótesis de normalidad debido a los efectos del techo o del suelo, el test Kruskal-Wallis proporciona un enfoque analítico robusto.

De manera similar, los investigadores que estudian trastornos de ansiedad pueden comparar niveles de ansiedad en diferentes protocolos de terapia de exposición, o los investigadores que examinan PTSD pueden comparar la gravedad de los síntomas en varias intervenciones centradas en trauma. En cada caso, la naturaleza no paramétrica de la prueba Kruskal-Wallis hace que sea bien adecuado para manejar los datos ordinal o no normal común en evaluaciones clínicas.

Psicología del Desarrollo

Los psicólogos del desarrollo utilizan con frecuencia la prueba Kruskal-Wallis al comparar los hitos del desarrollo o las medidas conductuales en los grupos de edad. Por ejemplo, los investigadores pueden comparar las calificaciones de la competencia social en los grupos preescolares, de la escuela primaria y de edad de la escuela media. Dado que las medidas de desarrollo suelen incluir calificaciones ordinales o exhibir distribuciones no normales, la prueba Kruskal-Wallis ofrece un marco analítico adecuado.

Estudios que examinan el desarrollo cognitivo pueden comparar el desempeño de solución de problemas en diferentes etapas de desarrollo, o la investigación sobre el desarrollo moral podría comparar los niveles de razonamiento moral en grupos de edad utilizando las etapas de Kohlberg, que son inherentemente ordinal.

Los psicólogos sociales suelen utilizar la prueba Kruskal-Wallis al estudiar actitudes, percepciones o comportamientos en diferentes grupos sociales o condiciones experimentales. La investigación sobre prejuicios podría comparar puntuaciones de sesgo implícitas en diferentes grupos demográficos, o estudios sobre la conformidad podrían comparar niveles de conformidad en diferentes condiciones de tamaño de grupo.

Los datos de escala de la hierba, ubicuas en la investigación de psicología social, son técnicamente ordinal y por lo tanto bien adaptados para analizar con la prueba Kruskal-Wallis. Mientras que algunos investigadores tratan los datos de la Likert como intervalo y usan pruebas paramétricas, la prueba Kruskal-Wallis proporciona un enfoque más conservador y metodológicamente racional, especialmente cuando los tamaños de la muestra son pequeños o se realizan.

Psicología Educativa

En psicología educativa, los investigadores pueden comparar los niveles de rendimiento académico o motivación en diferentes métodos de enseñanza, entornos de aprendizaje o poblaciones estudiantiles. Cuando se mide el logro utilizando calificaciones ordinal o cuando los resultados de motivación exhiben distribuciones no normales, el test Kruskal-Wallis proporciona una herramienta analítica adecuada.

Los estudios que examinan la eficacia de las diferentes estrategias de instrucción pueden comparar las puntuaciones de comprensión en los enfoques de aprendizaje basados en conferencias, basados en debates y basados en proyectos.

Pitfalls comunes y cómo evitarlos

Incluso investigadores experimentados pueden cometer errores al realizar e interpretar las pruebas de Kruskal-Wallis. Ser consciente de los obstáculos comunes ayuda a garantizar resultados válidos y fiables.

Malinterpretar las medidas de examen

Uno de los errores más comunes es asumir que la prueba Kruskal-Wallis siempre compara medianas. La prueba Kruskal-Wallis no supone que los datos se distribuyan normalmente, pero si la utiliza para probar si los medianos son diferentes, supone que las observaciones en cada grupo provienen de poblaciones con la misma forma de distribución, por lo que si diferentes grupos tienen formas diferentes, los resultados de Kruskal-Wallis pueden dar en.

La prueba compara fundamentalmente la distribución de las filas entre grupos. Sólo cuando los grupos tienen distribuciones de forma similar puede interpretar resultados significativos como indicando diferencias en medianas. De lo contrario, está probando cualquier diferencia en las distribuciones, que podría reflejar diferencias en ubicación, propagación o forma.

Ignorando la necesidad de los exámenes post-hoc

Otro error frecuente es detener el análisis después de obtener un resultado significativo de Kruskal-Wallis sin realizar pruebas post-hoc. Un examen omnósforo significativo le dice que existen diferencias en algún lugar entre sus grupos pero no identifica dónde están esas diferencias. Siempre hay que seguir resultados significativos con las pruebas post-hoc apropiadas para identificar diferencias específicas de grupo.

Usando pruebas post-hoc inadecuadas

Al elegir una prueba post-hoc, a menudo es tentador utilizar pruebas pares, generalmente con un ajuste de valor p para controlar la tasa de error familiar o la tasa de descubrimiento falsa, pero un problema con pruebas pares es que ignoran todos los datos que no se incluyen en ese par de tratamientos, y a menudo es mejor utilizar una prueba post-hoc diseñada para evaluar pares de tratamientos basados en la totalidad de los datos.

Utilizando la prueba de Dunn en lugar de simples pruebas de mann-Whitney mantiene la estructura de ranking de la prueba original Kruskal-Wallis y utiliza todos los datos disponibles, lo que lleva a comparaciones más precisas y potentes.

No se puede comprobar los cimientos

Aunque la prueba Kruskal-Wallis tiene menos supuestos que alternativas paramétricas, todavía requiere observaciones independientes y, para comparaciones medianas, distribuciones de forma similar a través de grupos. Siempre verifique que sus datos cumplen estas suposiciones antes de interpretar los resultados.

Revisar la independencia examinando los procedimientos de diseño de tu estudio y de recopilación de datos. Evaluar las formas de distribución creando histogramas o diagramas de densidad para cada grupo y comparando visualmente sus formas. Si las formas difieren sustancialmente, interprete sus resultados como comparando las distribuciones generalmente en lugar de medianas específicamente.

Manejo de Ranchos de Tied Impropia

Cuando múltiples observaciones tienen el mismo valor, reciben filas atadas (por lo general, el promedio de las filas que habrían recibido). La mayoría de los programas estadísticos manejan automáticamente las filas atadas, pero es importante ser consciente de que los lazos extensos pueden afectar la exactitud de la prueba. Algunos paquetes de software aplican correcciones de corbatas para ajustarse a esto, lo que generalmente mejora el rendimiento de la prueba cuando hay muchos lazos.

Presentación de informes de los resultados de la prueba Kruskal-Wallis

La presentación adecuada de los resultados estadísticos es esencial para una investigación transparente y reproducible. Al informar de los resultados de la prueba Kruskal-Wallis, se incluyen varias piezas clave de información.

Información esencial para informar

Un informe completo de los resultados de la prueba Kruskal-Wallis debe incluir:

El estadístico de prueba (valor H)
Grados de libertad (k - 1, donde k es el número de grupos)
El valor p
Tamaños de muestra para cada grupo
Estadísticas descriptivas (medias y rangos o rangos intercuartiles) para cada grupo
Resultados de la prueba post-hoc si la prueba omnibus fue significativa

Formato de presentación de informes

Aquí hay un ejemplo de cómo reportar los resultados de la prueba Kruskal-Wallis en el estilo APA:

"A Kruskal-Wallis test was conducted to compare depression scores across three treatment groups (cognitive-behavioral therapy, n = 25; psychodynamic therapy, n = 23; control, n = 27). La prueba reveló una diferencia estadísticamente significativa en las puntuaciones de depresión en los tres grupos, H(2) = 15.43, p < .001.

Presentación visual de los resultados

Complementa tu reporte estadístico con las visualizaciones apropiadas. Los diagramas de caja son particularmente eficaces para mostrar los resultados de la prueba Kruskal-Wallis porque muestran medianas, cuartiles y la forma de distribución general para cada grupo. Incluye puntos de datos individuales cuando los tamaños de muestra son pequeños para proporcionar a los lectores una imagen completa de sus datos.

Considere usar las parcelas violín como alternativa a las parcelas de caja, ya que proporcionan aún más información sobre la forma de distribución dentro de cada grupo. Esto puede ayudar a los lectores a evaluar si la suposición de distribuciones de forma similar es razonable para sus datos.

Medidas de tamaño del efecto para el test Kruskal-Wallis

La importancia estadística le dice si existe un efecto, pero el tamaño de efecto le dice cuán grande o significativo es ese efecto. Desafortunadamente, los tamaños de los efectos son a menudo pasados por alto cuando informan de los resultados de la prueba Kruskal-Wallis, sin embargo proporcionan información crucial para interpretar el significado práctico de sus hallazgos.

Epsilon Squared (ε2)

El cuadrado de Epsilon es una medida de tamaño de efecto para la prueba Kruskal-Wallis. Representa la proporción de varianza en las filas explicadas por la membresía de grupo. Los valores van de 0 a 1, con valores mayores que indican efectos más fuertes.

ε2 = H / (N2 - 1) / (N + 1)

Donde H es la estadística de prueba Kruskal-Wallis y N es el tamaño total de la muestra.

Eta Squared (pira2)

Eta cuadrado es otra opción para cuantificar el tamaño del efecto. Se puede calcular a partir de la estadística H y proporciona una estimación de la proporción de la varianza en la variable dependiente explicada por la membresía del grupo. Como epsilon cuadrado, los valores van de 0 a 1.

pira2 = (H - k +1) / (N - k)

Donde k es el número de grupos.

Tamaños de efectos interpretativos

Las directrices generales para interpretar los tamaños de los efectos sugieren que los valores alrededor de .01 representan efectos pequeños, .06 representan efectos medios, y .14 o más representan efectos grandes. Sin embargo, son pautas ásperas, y la importancia práctica de un tamaño de efecto depende del contexto y dominio específico de la investigación.

En la investigación psicológica, incluso los tamaños de efecto pequeños pueden ser significativos, especialmente en los entornos aplicados donde las intervenciones afectan a resultados importantes como los síntomas de salud mental o la calidad de vida. Interpretar siempre los tamaños de los efectos en el contexto de su pregunta de investigación específica y las implicaciones prácticas de sus hallazgos.

Alternativas al examen Kruskal-Wallis

Aunque la prueba Kruskal-Wallis es versátil y ampliamente aplicable, algunas situaciones requieren enfoques analíticos alternativos. Entender estas alternativas le ayuda a elegir la prueba más adecuada para su diseño de investigación específico y características de datos.

Cuándo utilizar ANOVA de un solo medio de agua

ANOVA de una sola vía tiene varias ventajas sobre la prueba Kruskal Wallis, incluyendo más poder estadístico para detectar diferencias, puede manejar distribuciones con diferentes formas (Use ANOVA de Welch), y evita los problemas de interpretación descritos anteriormente, así que use este método no paramétrico cuando esté específicamente interesado en los medios, tenga datos ordinal, o no puede utilizar ANOVA de una sola vía porque tiene una muestra pequeña y no normal.

Si sus datos cumplen con las suposiciones de ANOVA (normalidad y homogeneidad de la varianza), o si tiene grandes tamaños de muestra donde el Teorema de Límite Central asegura resultados sólidos incluso con datos no normales, ANOVA paramétrico puede ser preferible debido a su mayor poder estadístico.

ANOVA de Welch para las variaciones heterogéneas

La heteroscedasticidad es una forma en la que diferentes grupos pueden tener diferentes distribuciones en forma, y si las distribuciones son heteroscedasticas, la prueba Kruskal-Wallis no te ayudará; en cambio, deberías usar la prueba t de Welch para dos grupos, o la anova de Welch para más de dos grupos. La ANOVA de Welch no supone diferencias iguales en grupos diferentes, haciendo que se diseminen.

Prueba de Friedman para medidas repetidas

Esto es más de un problema de diseño de estudio que algo que puede probar, pero es una hipótesis importante de la prueba Kruskal-Wallis H, y si su estudio falla en esta suposición, usted necesitará utilizar otra prueba estadística en lugar de la prueba Kruskal-Wallis H (por ejemplo, una prueba Friparaman). Cuando usted tiene mediciones repetidas de los mismos participantes en diferentes condiciones o puntos de tiempo, la suposición de independencia es violada, y la alternativa.

Regreso ordinal

Para variables dependientes ordinal, especialmente cuando usted tiene covaria o quiere modelar la relación entre predictores y resultados más precisamente, la regresión ordinal (modelos de enlace acumulativos) ofrece un marco analítico más sofisticado que la prueba Kruskal-Wallis. Este enfoque modela explícitamente la naturaleza ordinal del resultado y puede acomodar varios predictores simultáneamente.

Prueba mediana de Mood

La prueba mediana de Mood es otra alternativa no paramétrica que compara específicamente medianas entre grupos. Aunque es menos potente que la prueba Kruskal-Wallis, puede ser más robusta cuando los grupos tienen formas de distribución muy diferentes o cuando están específicamente interesados en diferencias medianas en lugar de diferencias distributivas generales.

Consideraciones y extensiones avanzadas

Para los investigadores que buscan profundizar su comprensión de la prueba Kruskal-Wallis y sus aplicaciones, varios temas avanzados merecen consideración.

Consideraciones de tamaño y potencia

Determinar los tamaños de muestra apropiados para las pruebas Kruskal-Wallis requiere la consideración de varios factores, incluyendo el tamaño de efecto esperado, el poder estadístico deseado (normalmente .80), y el nivel de significación (típicamente .05). Es importante señalar que cuando se realizan pruebas estadísticas no paramétricas, tienden a dar un resultado más conservador (un valor p más grande) que sus contrapartes paramétricas.

Esto significa que las pruebas no paramétricas generalmente requieren mayores tamaños de muestra que las pruebas paramétricas para lograr la misma potencia estadística. Sin embargo, pierde información cuando sustituye las filas de los valores originales, lo que puede hacer que esta prueba sea un poco menos potente que una anova de un solo sentido. Esta pérdida de potencia es el intercambio de flexibilidad y menos hipótesis de la prueba.

Tratando con pequeñas medidas de muestra

Cuando se trabaja con muestras muy pequeñas, la aproximación de la chi-cuadra utilizada para la prueba Kruskal-Wallis puede no ser exacta. En estos casos, es posible que sean necesarios cálculos exactos de probabilidad o pruebas de permutación. Algunos paquetes de software estadístico ofrecen pruebas exactas para pequeñas muestras, aunque las demandas computacionales aumentan sustancialmente.

Manejo de datos perdidos

Los datos perdidos plantean desafíos para cualquier análisis estadístico. Con la prueba Kruskal-Wallis, el enfoque estándar es el análisis de casos completo, donde se excluyen las observaciones con datos perdidos. Sin embargo, esto puede llevar a resultados parciales si los datos no se pierden completamente al azar. La imputación múltiple u otras técnicas de datos que faltan pueden ser necesarias para un manejo más sofisticado de los valores perdidos, aunque estos enfoques requieren una cuidadosa consideración de la naturaleza ordinal o no normal.

Diseños y interacciones factoriales

El test estándar Kruskal-Wallis está diseñado para diseños de una sola vía con una variable de agrupación. Cuando usted tiene diseños factoriales con múltiples variables independientes o desea probar para interacciones, la transformación alineada de rango ANOVA (ART ANOVA) proporciona un enfoque no paramétrico que puede manejar diseños más complejos mientras preserva los beneficios del análisis basado en las filas.

Consejos prácticos para investigadores de psicología

Basándose en la información completa que se cubre, aquí están recomendaciones prácticas para los investigadores de psicología que utilizan la prueba Kruskal-Wallis.

Antes de realizar el examen

Verificar la independencia:] Asegurar que las observaciones sean independientes tanto dentro como entre grupos, lo que constituye una suposición fundamental que no puede ser violada.
Examine sus datos: Crear visualizaciones (histogramas, diagramas de caja, parcelas de densidad) para cada grupo para comprender las formas de distribución e identificar posibles atípicos.
Verificar formas de distribución: Si desea interpretar los resultados como diferencias medianas, verifique que los grupos tienen distribuciones de forma similar.
Tamaño de muestra del lado: Asegurar que cada grupo tenga al menos 5 observaciones para que la aproximación del chi-cuadrón sea válida.
Planifica tu análisis:] Decide con antelación si realizarás pruebas post-hoc si la prueba omnibus es significativa, y elige tu método de ajuste de valor p.

Durante el análisis

Use software estadístico: Mientras que la comprensión de los cálculos manuales es valiosa, use software como SPSS, R o Python para análisis reales para evitar errores de cálculo y acceder a funciones avanzadas.
Informe estadísticas descriptivas: Siempre informe medianas y rangos intercuartiles (o rangos) para cada grupo junto con sus estadísticas inferenciales.
Conducir las pruebas post-hoc adecuadamente: Si la prueba omnibus es significativa, use las pruebas de Dunn en lugar de pruebas de mann-Whitney pares para preservar la estructura de ranking.
Aplica múltiples correcciones de comparación: Siempre ajusta los valores de p para múltiples comparaciones al realizar pruebas post-hoc.
Tamaños de efecto calculados: No se base únicamente en los valores p; reporte tamaños de los efectos para indicar la magnitud de las diferencias de grupo.

Cuando reporte resultados

Proveer información completa: Informe la estadística H, grados de libertad, valor p, tamaños de muestra y estadísticas descriptivas.
Incluir tamaños de efecto: Informe epsilon cuadrado o eta cuadrado para cuantificar la magnitud de las diferencias.
Informe los resultados post-hoc claramente:] Especifique qué grupos difieren de los cuales, incluyendo los valores de p ajustados.
Utilice las visualizaciones apropiadas: Incluya las parcelas de caja o las parcelas de violín para ayudar a los lectores a comprender sus datos y resultados.
Interpret cauteloso: Sea claro si está interpretando los resultados como diferencias medianas (si las distribuciones tienen formas similares) o diferencias distribucionales generales.

Escenarios comunes en investigación de psicología

Escenario 1: Comparando respuestas de escalas de Likert]
Al comparar las calificaciones de satisfacción, los niveles de acuerdo u otras respuestas de escala de Likert a través de grupos, la prueba Kruskal-Wallis es a menudo apropiada. Las escalas de Likert son técnicamente ordinal, haciendo un análisis no paramétrico metodológico. Asegúrese de comprobar si las formas de distribución son similares a los resultados.

Escenario 2: Estudios clínicos de muestras pequeñas
] [La investigación psicológica clínica a menudo implica pequeñas muestras debido a la dificultad de reclutar participantes con diagnósticos específicos o la naturaleza intensiva de las intervenciones. La prueba Kruskal-Wallis es adecuada para estas situaciones, ya que no requiere grandes muestras para los supuestos de normalidad que cada grupo tenga menos.

]Escenario 3: Medidas de Resultados Aseados
]Muchas variables psicológicas exhiben distribuciones asfaltadas, como tiempos de reacción, conteos de síntomas o frecuencia de comportamientos. En lugar de intentar transformaciones que pueden no normalizar completamente los datos, la prueba Kruskal-Wallis proporciona un enfoque analítico directo que no requiere normalidad.

Escenario 4: Estadios de desarrollo ordinal]
Al comparar grupos de variables medida mediante etapas de desarrollo u otras categorías ordinal inherentemente, la prueba Kruskal-Wallis es la opción natural. Por ejemplo, comparar las etapas de razonamiento moral en grupos de edad o clasificaciones de apego en estructuras familiares requiere una prueba que respete la naturaleza ordinal de la naturaleza.

Recursos para el aprendizaje ulterior

Para profundizar su comprensión de la prueba Kruskal-Wallis y estadísticas no paramétricas de manera más amplia, considere la exploración de estos recursos:

]Statistical Software Documentation: La documentación oficial para las bibliotecas estadísticas de SPSS, R y Python proporciona información detallada sobre la implementación de la prueba de Kruskal-Wallis y la interpretación de la salida. R El sitio web del proyecto ofrece documentación completa y tutoriales para realizar análisis no paramétricos.

Recursos estadísticos en línea: Los sitios web como ] Estadísticas de laerd proporcionan guías paso a paso para realizar diversas pruebas estadísticas, incluyendo tutoriales detallados sobre la prueba Kruskal-Wallis con capturas de pantalla y guía de interpretación.

Textobooks on Nonparametric Statistics:] Los libros de texto completos sobre métodos no paramétricos proporcionan fundamentos teóricos y orientación práctica. Busque textos que incluyan ejemplos de investigación psicológica para ver cómo se aplican las pruebas en su campo.

Artículos de la revista: La lectura de investigaciones de psicología publicadas que utilizan la prueba Kruskal-Wallis puede proporcionar modelos para informar e interpretar los resultados en su propio trabajo. Preste atención a cómo los autores justifican su elección de pruebas no paramétricas y cómo presentan sus hallazgos.

Servicios de Consultoría Estatística: Muchas universidades ofrecen servicios de consultoría estadística donde se pueden discutir sus preguntas de investigación específicas y datos con estadísticos experimentados. Esto puede ser particularmente valioso cuando se trata de diseños complejos o características de datos inusuales.

Conclusión: Dominar el Test Kruskal-Wallis para la Investigación Psicológica Robusta

La prueba Kruskal-Wallis representa una herramienta esencial en el kit de herramientas estadísticas del investigador de psicología. Su flexibilidad en el manejo de datos no normales, aplicabilidad a las mediciones ordinales y robustez a los outliers lo hacen particularmente bien adaptado a las realidades de la investigación psicológica, donde los datos a menudo no cumplen las estrictas suposiciones requeridas por las pruebas paramétricas.

Al entender cuándo utilizar la prueba Kruskal-Wallis, cómo realizarla correctamente y cómo interpretar y reportar resultados, los investigadores pueden tomar decisiones analíticas sólidas que conducen a conclusiones válidas y fiables. La naturaleza no paramétrica de la prueba no significa que sea menos riguroso que las alternativas paramétricas, sino que es diferentemente riguroso, con hipótesis e interpretaciones que se ajusten a las características de muchos conjuntos de datos psicológicos.

Recuerde que el análisis estadístico no es sólo para obtener valores p, sino para comprender sus datos y sacar conclusiones significativas que avancen la ciencia psicológica. La prueba Kruskal-Wallis, cuando se aplica adecuadamente e interpreta cuidadosamente, permite a los investigadores comparar grupos de manera efectiva incluso cuando se violan las hipótesis paramétricas tradicionales, contribuyendo en última instancia a una investigación psicológica más robusta y confiable.

Si usted está comparando los resultados del tratamiento en ensayos clínicos, examinando las diferencias de desarrollo entre grupos de edad, analizando las respuestas de encuestas en categorías demográficas o investigando cualquier otra pregunta de investigación que incluya comparaciones de grupos, la prueba Kruskal-Wallis proporciona un enfoque analítico poderoso y flexible. Siguiendo las directrices y recomendaciones descritas en esta guía integral, usted puede aplicar con confianza esta prueba a su propia investigación y contribuir al creciente cuerpo de ciencia psicológica metodológicamente racional.