Compreender o Teste de Kruskal-Wallis: Um Guia Integral para Pesquisadores em Psicologia

O teste de Kruskal-Wallis é um método estatístico não paramétrico poderoso que se tornou uma ferramenta essencial no kit de ferramentas analíticas do pesquisador de psicologia. Este teste estatístico é usado para comparar dois ou mais grupos para uma variável contínua ou discreta, tornando-o particularmente valioso quando se trabalha com dados psicológicos que não se conformam com as premissas estritas exigidas pelos testes paramétricos. Se você está analisando as respostas da escala Likert, comparando grupos de tratamento com tamanhos de amostra pequenos, ou lidando com dados ordinais, o teste de Kruskal-Wallis oferece uma alternativa robusta à análise de variância tradicional (ANOVA).

Nomeado após William Kruskal e W. Allen Wallis, este teste é um teste estatístico não paramétrico para testar se as amostras são originárias da mesma distribuição, e serve como o equivalente paramétrico da análise de variância de um sentido (ANOVA). Na pesquisa em psicologia, onde os dados muitas vezes violam os pressupostos de normalidade ou envolvem medições ordinais, entender como conduzir e interpretar adequadamente este teste é crucial para tirar conclusões válidas de sua pesquisa.

O que é o teste de Kruskal-Wallis?

O teste de Kruskal-Wallis é um teste não paramétrico, o que significa que ele não assume uma distribuição específica de seus dados e é análogo à análise de variância de um sentido (ANOVA), e às vezes é referido como a ANOVA de um caminho em fileiras ou a ANOVA de um caminho Kruskal Wallis. Ao contrário dos testes paramétricos que comparam médias e exigem dados normalmente distribuídos, o teste de Kruskal-Wallis funciona comparando as fileiras de observações entre grupos.

O teste de Kruskal-Wallis é um teste não paramétrico, o que significa que ele não assume que os dados vêm de uma distribuição que pode ser completamente descrita por dois parâmetros, média e desvio padrão, e como a maioria dos testes não paramétricos, você executa-o em dados classificados, então você converte as observações de medição para suas classificações no conjunto de dados. Este processo de classificação é o que torna o teste tão versátil e aplicável a vários tipos de dados psicológicos.

O princípio fundamental por trás do teste

O conceito principal do teste Kruskal- Wallis é elegantemente simples, mas poderoso. Em vez de analisar os valores brutos dos dados, o teste converte todas as observações em fileiras. O menor valor obtém uma classificação de 1, o menor seguinte obtém uma classificação de 2, e assim por diante. Estas fileiras são então usadas para determinar se os grupos diferem significativamente entre si.

O teste de Kruskal Wallis não envolve medianas ou outras propriedades distribucionais – apenas as fileiras, e avaliando as fileiras, ele enrola tanto os parâmetros de localização e forma em uma única avaliação da classificação média de cada grupo, então quando suas fileiras médias são desiguais, você sabe que a distribuição de um grupo tende a produzir valores mais altos ou menores do que os outros. Essa característica torna particularmente útil quando você está interessado em se os grupos diferem em sua tendência geral de produzir valores mais ou menos elevados, independentemente da forma de distribuição específica.

Quando os psicólogos devem usar o teste de Kruskal-Wallis?

Entender quando aplicar o teste de Kruskal-Wallis é tão importante quanto saber como realizá-lo. Vários cenários em pesquisas psicológicas fazem deste teste a escolha preferida sobre alternativas paramétricas.

Violações das Presunções de Normalidade

Como o teste H de Kruskal-Wallis não assume normalidade nos dados e é muito menos sensível a outliers, ele pode ser usado quando esses pressupostos foram violados e o uso de uma ANOVA de uma só via é inadequado, e se seus dados são ordinais, uma ANOVA de uma só via é inadequada, mas o teste H de Kruskal-Wallis não é. Isso torna inestimável para pesquisadores de psicologia que trabalham frequentemente com dados que não atendem aos requisitos rigorosos de testes paramétricos.

O teste de Kruskal Wallis e outros testes não paramétricos são úteis para testar hipóteses quando não há a suposição de normalidade dos dados, não se fazendo suposições sobre a forma das distribuições de dados, o que as torna particularmente úteis quando um conjunto de dados é pequeno, sendo comuns, em pesquisas psicológicas, pequenos tamanhos de amostra, especialmente em estudos clínicos ou em trabalhos com populações especializadas.

Trabalhar com Dados Ordinais

Sua variável dependente deve ser medida no nível ordinal ou contínuo, e exemplos de variáveis ordinais incluem escalas Likert (por exemplo, uma escala de 7 pontos de "concordo fortemente" até "discordo fortemente"), entre outras formas de classificar categorias. Pesquisadores de psicologia frequentemente usam escalas Likert para medir atitudes, percepções e experiências subjetivas, tornando o teste Kruskal-Wallis particularmente relevante para o campo.

Aplicações comuns na psicologia incluem comparar classificações de satisfação entre diferentes grupos terapêuticos, analisar níveis de estresse medidos em escalas ordinais em várias condições de intervenção, ou avaliar rankings de traços de personalidade entre diferentes grupos demográficos.

Comparando três ou mais grupos independentes

Kruskal-Wallis é normalmente usado com três ou mais grupos independentes, mas pode ser usado com apenas dois, e cada grupo deve ter um tamanho amostral de 5 ou mais. Enquanto o teste pode tecnicamente lidar com dois grupos, os pesquisadores normalmente usam o teste U de Mann-Whitney para comparações de dois grupos e reservam o teste de Kruskal-Wallis para situações envolvendo três ou mais grupos.

Assunções-chave do teste Kruskal-Wallis

Embora o teste de Kruskal-Wallis seja menos restritivo do que alternativas paramétricas, ainda requer que certos pressupostos sejam cumpridos para uma interpretação válida dos resultados. Compreender esses pressupostos é fundamental para a aplicação adequada do teste.

Independência das Observações

Suas observações devem ser independentes, e não deve haver relação entre os membros em cada grupo ou entre os grupos, pressuposto fundamental para a validade do teste.Na pesquisa psicológica, isso significa que a resposta de cada participante não deve influenciar a resposta de outro participante, e os participantes não devem aparecer em múltiplos grupos.

Cada grupo possui um conjunto distinto de sujeitos ou itens, e cada observação deve ser independente dos demais. Violações dessa suposição podem ocorrer em desenhos de medidas repetidas ou quando os participantes estão aninhados dentro de grupos, caso em que testes alternativos como o teste de Friedman podem ser mais adequados.

Considerações sobre a Forma da Distribuição

Um dos aspectos mais mal compreendidos do teste Kruskal- Wallis diz respeito ao que ele realmente testa. Embora Kruskal- Wallis não assuma que os dados são normais, ele assume que os diferentes grupos têm a mesma distribuição, e grupos com diferentes desvios padrão têm distribuições diferentes. Este é um ponto crucial que muitos pesquisadores ignoram.

Se as suas distribuições tiverem a mesma forma, você poderá usar o SPSS Statistics para realizar um teste H de Kruskal-Wallis para comparar as medianas da sua variável dependente para os diferentes grupos, no entanto, se as suas distribuições tiverem uma forma diferente, você só poderá usar o teste H de Kruskal-Wallis para comparar as médias. Esta distinção afecta significativamente a forma como interpreta os seus resultados.

Quando você mantém as formas de distribuição constantes, o teste de Kruskal Wallis nos diz sobre a mediana, mas isso não é uma propriedade do procedimento em si, mas lógica – se várias distribuições têm a mesma forma, mas as médias são deslocadas mais e menos, suas medianas devem ser diferentes, mas só podemos tirar essa conclusão sobre as medianas quando as distribuições têm as mesmas formas.

Requisitos de tamanho da amostra

A aproximação do qui- quadrado requer cinco ou mais membros por amostra. Isto é importante porque a estatística do teste de Kruskal-Wallis é comparada a uma distribuição do qui- quadrado, e esta aproximação torna-se mais precisa com tamanhos de amostra maiores. Para amostras muito pequenas, podem ser necessários cálculos de probabilidade exatos, embora seja necessária uma grande quantidade de recursos de computação para calcular probabilidades exatas para o teste de Kruskal-Wallis, e o software existente apenas fornece probabilidades exatas para tamanhos de amostra de menos de 30 participantes.

Guia passo a passo para executar o teste Kruskal-Wallis

A realização de um teste de Kruskal-Wallis envolve várias etapas sistemáticas. Compreender cada etapa garante a implementação e interpretação precisas do teste.

Passo 1: Forme suas hipóteses

Antes de realizar qualquer teste estatístico, defina claramente suas hipóteses nulas e alternativas.A hipótese nula é que as medianas populacionais são iguais, e a hipótese alternativa é que as medianas populacionais não são iguais, ou que a mediana populacional difere da mediana populacional de um dos outros grupos.

É importante notar que a hipótese alternativa não é que todas as espécies sejam diferentes, mas que pelo menos uma espécie seja diferente das outras, e se a hipótese nula for rejeitada, significa que pelo menos uma espécie é diferente da outra 2, mas não necessariamente que todas as 3 espécies sejam diferentes umas das outras. É por isso que testes pós-hoc são necessários para identificar diferenças específicas de grupos.

Passo 2: Colete e organize seus dados

Reúna os seus dados dos diferentes grupos que deseja comparar. Certifique-se de que os seus dados cumprem os pressupostos discutidos anteriormente, em especial a independência das observações. Organize os seus dados num formato em que cada observação esteja associada à sua associação ao grupo.

Por exemplo, se você estiver comparando escores de depressão em três grupos de terapia diferentes (terapia cognitivo-comportamental, terapia psicodinâmica e grupo controle), o escore de depressão de cada participante deve ser emparelhado com sua atribuição de grupo.

Passo 3: Rank Todos os Pontos de Dados

Para aplicar o teste de Kruskal-Wallis, organize os dados em um formato bidirecional, com cada coluna representando uma amostra sucessiva, e no cálculo, cada uma das observações 'N' substitui por fileiras, uma vez que todos os valores das amostras 'k' combinam e classificam em uma única série.

O menor no teste Kruskal-Wallis é substituído pelo nível 1, o menor seguinte com o nível 2 e o maior com o nível 'N', onde 'N' representa o número total de observações nas amostras 'k'. Este processo de classificação é realizado em todos os grupos combinados, não dentro de cada grupo separadamente.

Passo 4: Calcular as somas de classificação para cada grupo

Após classificar todas as observações, somar as classificações para cada grupo separadamente. Estes valores de classificação formam a base para calcular a estatística de teste. Grupos com maiores valores de classificação tendem a ter valores mais elevados nos dados originais, enquanto grupos com menores valores de classificação tendem a ter valores mais baixos.

Passo 5: Calcular a estatística de teste (H)

A estatística de teste, H, é dada por H = (12 / (N(N(N+1)) * Ł (Ri[2 / ni) - 3(N+1) onde N é o tamanho total da amostra, k é o número de grupos que estamos comparando, Ri[[]i] é a soma das fileiras do grupo i, e nii[ é o tamanho da amostra do grupo i.

Em que:

  • N = número total de observações em todos os grupos
  • Ri = soma das fileiras do grupo i
  • ni = número de observações no grupo i
  • k = número de grupos a ser comparados

A estatística H mede essencialmente o quanto os valores observados se desviam do que seria esperado se todos os grupos viessem da mesma distribuição.

Passo 6: Determinar o significado estatístico

Comparamos então H a um ponto de corte crítico determinado pela distribuição do qui-quadrado (o qui-quadrado é usado porque é uma boa aproximação de H. Os graus de liberdade para esta comparação igualam o número de grupos menos um (k - 1).

Se tivermos um pequeno valor de p, digamos menos de 0,05, temos evidências contra os valores nulos e p pequenos com Kruskal-Wallis nos levam a rejeitar a hipótese nula e dizer que pelo menos um de nossos grupos provavelmente se origina de uma distribuição diferente dos outros. A maioria dos pacotes de software estatísticos fornecerá tanto a estatística H quanto o valor de p correspondente.

Interpretando os resultados do teste de Kruskal-Wallis

A interpretação adequada dos resultados do teste de Kruskal-Wallis requer entender o que o teste pode e não pode lhe dizer sobre seus dados.

Compreender a estatística H

A estatística H é a saída primária do teste. Valores maiores de H indicam maiores diferenças entre as distribuições de classificação dos grupos. O valor calculado de H é comparado com a distribuição do qui-quadrado com graus de liberdade iguais a k - 1, onde k é o número de grupos.

Se o valor H exceder o valor crítico da tabela de distribuição do qui-quadrado no nível de significância escolhido (tipicamente 0,05), você pode rejeitar a hipótese nula. Isto indica que pelo menos um grupo difere significativamente dos outros em termos da variável a ser medida.

Abordagem do valor-P

A maioria dos pesquisadores hoje confia em valores de p em vez de comparar estatísticas de teste com valores críticos. Um valor de p menor que o seu nível de significância pré-determinado (comumente 0,05) indica diferenças significativas entre os grupos. O valor de p representa a probabilidade de observar diferenças tão grandes quanto as de seus dados se a hipótese nula fosse verdadeira.

O valor de p neste caso é a probabilidade de ver diferenças nos grupos tão grandes quanto o que testemunhamos se a hipótese nula é verdadeira. Valores de p inferiores fornecem evidências mais fortes contra a hipótese nula de diferenças não grupais.

O que o teste realmente lhe diz

É importante notar que Kruskal-Wallis só pode nos dizer que pelo menos um dos grupos origina-se de uma distribuição diferente, e não pode nos dizer qual dos grupos que é( são). Esta é uma limitação crítica que requer testes de seguimento.

Como a ANOVA de uma só via, o teste Kruskal Wallis é um teste "omnibus", e os testes omnibus podem dizer-lhe que nem todos os seus grupos são iguais, mas não especifica quais os pares de grupos são diferentes. Isto é onde os testes pós-hoc se tornam essenciais.

Teste pós-Hoc após um resultado significativo de Kruskal-Wallis

Quando o teste de Kruskal-Wallis indica diferenças significativas entre os grupos, os testes pós-hoc ajudam a identificar quais grupos específicos diferem entre si, sendo este um dos passos mais importantes no processo de análise.

Por que os testes pós-Hoc são necessários

Um teste de Kruskal-Wallis significativo indica que pelo menos uma amostra domina estocastamente uma outra amostra, mas o teste não identifica onde ocorre essa dominância estocástica ou para quantos pares de grupos obtém dominância estocástica. Sem o teste pós-hoc, você sabe que existem diferenças, mas não onde estão localizados.

Teste de Dunn: A abordagem recomendada pós-hoc

Provavelmente o teste pós-hoc mais comum para o teste Kruskal-Wallis é o teste Dunn (1964), e é provavelmente o teste pós-hoc mais popular para o teste Kruskal-Wallis. O teste de Dunn tem várias vantagens que o tornam particularmente adequado para seguir um teste Kruskal-Wallis.

Um pesquisador pode usar contrastes amostrais entre pares de amostras individuais, ou testes post hoc usando o teste de Dunn, que (1) emprega adequadamente os mesmos rankings que o teste Kruskal-Wallis, e (2) emprega adequadamente a variância agrupada implícita pela hipótese nula do teste Kruskal-Wallis. Essa consistência com o teste Kruskal-Wallis original faz o teste de Dunn metodologicamente som.

Como acontece, há um teste pós-hoc que usa os mesmos rankings compartilhados calculados pelo Kruskal-Wallis, e usa a mesma variância agrupada que está implícita pela hipótese nula do teste Kruskal-Wallis: o teste de Dunn. Esta preservação da estrutura de classificação original é uma vantagem fundamental sobre abordagens alternativas.

Testes pós-hoc alternativos

Também são apresentados o teste de Conover e o teste de Nemenyi como alternativas ao teste de Dunn.Para analisar os pares de amostras específicos para dominância estocástica, o teste de Dunn, os testes de Mann-Whitney pareados com correção de Bonferroni, ou os mais poderosos, mas menos conhecidos, teste de Conover-Iman são algumas vezes utilizados.

Embora testes em pares de Mann-Whitney U com correção Bonferroni sejam algumas vezes usados, eles têm uma desvantagem significativa. Um problema com testes em pares é que eles ignoram todos os dados que não estão incluídos nesse par de tratamentos, e é muitas vezes melhor usar um teste pós-hoc projetado para avaliar pares de tratamentos com base na totalidade dos dados.

Controlando para comparações múltiplas

Ao realizar múltiplos contrastes ou testes de amostra, a taxa de erro do Tipo I tende a se inflar, suscitando preocupações sobre comparações múltiplas. É por isso que os métodos de ajuste são cruciais na realização de testes pós-hoc.

Como o teste pós-hoc produzirá múltiplos valores de p, ajustes nos valores de p podem ser feitos para evitar inflar a possibilidade de fazer um erro tipo I, e existem uma variedade de métodos para controlar a taxa de erro familiar ou para controlar a taxa de falsa descoberta. Métodos comuns de ajuste incluem Bonferroni, Holm, Benjamini-Hochberg, e correções Sidak.

A correção de Bonferroni é a abordagem mais conservadora, multiplicando cada valor-p pelo número de comparações que estão sendo feitas. Embora este controle eficaz erro Tipo I, pode ser excessivamente conservadora e reduzir o poder estatístico. O método Holm fornece uma alternativa menos conservadora, enquanto ainda controla a taxa de erro familiar.

Realizando o teste Kruskal-Wallis usando software estatístico

Enquanto compreender o processo de cálculo manual é valioso para a compreensão conceitual, a maioria dos pesquisadores usa software estatístico para executar o teste Kruskal-Wallis. Aqui está como implementá-lo em pacotes estatísticos populares.

Usando o SPSS

O SPSS Statistics adicionou o método post hoc Dunn ou Dunn-Bonferroni seguindo um teste Kruskal-Wallis significativo Na versão 19 e posterior, e comparações pareadas usando a abordagem Dunn-Bonferroni são produzidas automaticamente para quaisquer variáveis dependentes para as quais o teste Kruskal-Wallis é significativo.

Para realizar o teste no SPSS:

  1. Navegar para analisar → Testes não paramétricos → Amostras independentes
  2. Selecione a aba Campos e mova sua variável independente para a caixa Grupos
  3. Mova sua variável dependente para a caixa Campos de Teste
  4. Selecione a aba Configurações para configurar comparações em pares
  5. Executar a análise

Usando o teste de Dunn, o SPSS compara a variável dependente em cada pareamento da variável independente para ver onde está a(s) diferença(ões) significativa(ais). O resultado incluirá tanto o resultado geral do teste Kruskal-Wallis quanto as comparações pareadas com valores de p ajustados.

Usar R

No pacote SciPy do Python, a função scipy.stats.kruskal pode retornar o resultado do teste e o valor de p, e o pacote base R tem um implemento deste teste usando kruskal.test. R fornece vários pacotes para a realização de testes de Kruskal-Wallis e análises pós-hoc.

A sintaxe básica em R é simples:

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

Para testes pós-hoc, vários pacotes R estão disponíveis, incluindo dunn.test, FSA e PMCMRplus. Estes pacotes oferecem vários testes pós-hoc e métodos de ajuste de valor p.

Usando Python

O módulo Python scipy.stats tem uma função chamada kruskal(), e basicamente esta função realiza o cálculo acima para nós, uma vez que esta função toma dois ou mais objetos array-like como argumentos e retorna a estatística H e o valor p.

A biblioteca SciPy do Python torna mais fácil realizar o teste Kruskal-Wallis com código mínimo. Para o teste pós-hoc, o pacote scikit-posthocs fornece implementações do teste de Dunn e outros procedimentos pós-hoc com vários métodos de ajuste de valor-p.

Aplicações Práticas em Pesquisa em Psicologia

O teste Kruskal-Wallis encontra inúmeras aplicações em vários domínios da pesquisa psicológica. Compreender essas aplicações ajuda os pesquisadores a reconhecer quando este teste é a escolha analítica apropriada.

Psicologia Clínica

Na psicologia clínica, os pesquisadores frequentemente comparam os resultados do tratamento entre os grupos de intervenção múltipla. Por exemplo, um estudo pode comparar os escores de gravidade da depressão (medidos em uma escala ordinal) através da terapia cognitivo-comportamental, medicação, tratamento combinado e grupos de controle. Quando os escores de depressão são medidos usando escalas de classificação ordinais ou quando os dados violam os pressupostos de normalidade devido aos efeitos do teto ou chão, o teste de Kruskal-Wallis fornece uma abordagem analítica robusta.

Da mesma forma, pesquisadores que estudam transtornos de ansiedade podem comparar níveis de ansiedade entre diferentes protocolos de terapia de exposição, ou investigadores que examinam TEPT podem comparar a gravidade dos sintomas em várias intervenções focadas em traumas. Em cada caso, a natureza não paramétrica do teste Kruskal-Wallis torna adequado o manuseio dos dados ordinais ou não normais comuns nas avaliações clínicas.

Psicologia do Desenvolvimento

Os psicólogos do desenvolvimento usam frequentemente o teste de Kruskal-Wallis quando comparam marcos de desenvolvimento ou medidas comportamentais entre grupos etários. Por exemplo, os pesquisadores podem comparar as classificações de competência social entre grupos pré-escolares, de ensino fundamental e de idade média. Como as medidas de desenvolvimento envolvem frequentemente classificações ordinais ou exibem distribuições não normais, o teste de Kruskal-Wallis oferece um quadro analítico apropriado.

Estudos que examinam o desenvolvimento cognitivo podem comparar o desempenho de resolução de problemas em diferentes estágios de desenvolvimento, ou pesquisas sobre desenvolvimento moral podem comparar níveis de raciocínio moral entre grupos etários usando estágios de Kohlberg, que são inerentemente ordinais.

Psicologia Social

Os psicólogos sociais frequentemente empregam o teste de Kruskal-Wallis quando estudam atitudes, percepções ou comportamentos em diferentes grupos sociais ou condições experimentais. Pesquisas sobre preconceitos podem comparar escores de viés implícitos em diferentes grupos demográficos, ou estudos sobre conformidade podem comparar níveis de conformidade em diferentes condições de tamanho do grupo.

Dados da escala Likert, onipresentes na pesquisa em psicologia social, são tecnicamente ordinais e, portanto, adequados para análise com o teste Kruskal-Wallis. Enquanto alguns pesquisadores tratam os dados do Likert como intervalos e usam testes paramétricos, o teste Kruskal-Wallis fornece uma abordagem mais conservadora e metodologicamente sólida, particularmente quando os tamanhos de amostra são pequenos ou as distribuições são distorcidas.

Psicologia Educacional

Na psicologia educacional, pesquisadores podem comparar o desempenho acadêmico ou níveis de motivação entre diferentes métodos de ensino, ambientes de aprendizagem ou populações de estudantes. Quando o desempenho é medido usando notas ordinais ou quando os escores de motivação exibem distribuições não normais, o teste de Kruskal-Wallis fornece uma ferramenta analítica adequada.

Estudos que analisem a eficácia de diferentes estratégias instrucionais podem comparar os escores de compreensão entre abordagens de aprendizagem baseadas em palestras, discussões e projetos. A pesquisa sobre engajamento de alunos pode comparar níveis de engajamento entre diferentes estruturas de sala de aula ou intervenções tecnológicas.

Pistas comuns e como evitá - las

Mesmo pesquisadores experientes podem cometer erros ao realizar e interpretar testes Kruskal-Wallis. Estar ciente de armadilhas comuns ajuda a garantir resultados válidos e confiáveis.

Interpretando mal o que os testes medem

Um dos erros mais comuns é assumir que o teste Kruskal-Wallis sempre compara medianas. O teste Kruskal-Wallis NÃO assume que os dados são normalmente distribuídos, mas se você estiver usando-o para testar se as medianas são diferentes, ele assume que as observações em cada grupo vêm de populações com a mesma forma de distribuição, então se grupos diferentes têm formas diferentes, o teste Kruskal-Wallis pode dar resultados incorretos.

O teste compara fundamentalmente a distribuição de postos entre grupos. Somente quando os grupos têm distribuições semelhantes, você pode interpretar resultados significativos como indicando diferenças nas medianas. Caso contrário, você está testando para qualquer diferença nas distribuições, que poderia refletir diferenças de localização, propagação ou forma.

Ignorar a necessidade de testes pós-hoc

Outro erro frequente é parar a análise após obter um resultado significativo de Kruskal-Wallis sem realizar testes pós-hoc. Um teste omnibus significativo diz que existem diferenças em algum lugar entre seus grupos, mas não identifica onde essas diferenças estão. Sempre siga resultados significativos com teste pós-hoc apropriado para identificar diferenças específicas de grupos.

Utilização de Testes Pós-Hoc inapropriados

Ao escolher um teste pós-hoc, é muitas vezes tentador usar testes em pares, geralmente com um ajuste de valor p para controlar a taxa de erro familiar ou a taxa de falsa descoberta, mas um problema com testes em pares é que eles ignoram todos os dados que não estão incluídos nesse par de tratamentos, e muitas vezes é melhor usar um teste pós-hoc projetado para avaliar pares de tratamentos com base na totalidade dos dados.

Usando o teste de Dunn em vez de testes simples emparelhados Mann-Whitney preserva a estrutura de classificação do teste Kruskal-Wallis original e usa todos os dados disponíveis, levando a comparações mais precisas e poderosas.

Falha em Verificar As Suposições

Embora o teste Kruskal-Wallis tenha menos pressupostos do que alternativas paramétricas, ainda requer observações independentes e, para comparações medianas, distribuições semelhantes entre grupos. Verifique sempre se os seus dados cumprem esses pressupostos antes de interpretar os resultados.

Verifique se há independência examinando o seu desenho de estudo e procedimentos de coleta de dados. Avaliar formas de distribuição, criando histogramas ou gráficos de densidade para cada grupo e comparando visualmente suas formas. Se as formas diferem substancialmente, interprete seus resultados como comparando distribuições geralmente em vez de medianas especificamente.

Manusear as posições amarradas de forma inadequada

Quando várias observações têm o mesmo valor, elas recebem filas amarradas (normalmente a média das fileiras que elas teriam recebido). A maioria dos softwares estatísticos lida automaticamente com fileiras amarradas, mas é importante estar ciente de que laços extensos podem afetar a precisão do teste. Alguns pacotes de software aplicam correções de empate para ajustar para isso, o que geralmente melhora o desempenho do teste quando muitos laços estão presentes.

Relatório dos resultados do teste de Kruskal-Wallis

A correcta comunicação dos resultados estatísticos é essencial para uma investigação transparente e reprodutível. Ao comunicar os resultados dos testes de Kruskal-Wallis, incluem várias informações fundamentais.

Informações essenciais a reportar

Um relatório completo dos resultados dos testes de Kruskal-Wallis deve incluir:

  • A estatística do ensaio (valor H)
  • Graus de liberdade (k - 1, onde k é o número de grupos)
  • O valor de p
  • Tamanhos de amostra para cada grupo
  • Estatísticas descritivas (medianos e intervalos ou intervalos interquartis) para cada grupo
  • Resultados do teste pós-hoc se o teste omnibus foi significativo

Formato de Relatório de Exemplo

Aqui está um exemplo de como relatar os resultados do teste de Kruskal-Wallis no estilo APA:

"Foi realizado um teste de Kruskal-Wallis para comparar os escores de depressão entre três grupos de tratamento (terapia cognitivo-comportamental, n = 25; terapia psicodinâmica, n = 23; controle, n = 27).O teste revelou diferença estatisticamente significante nos escores de depressão entre os três grupos, H(2) = 15,43, p < .001. Comparações pós-hoc pareadas com Dunn's com correção de Bonferroni indicaram que tanto o grupo cognitivo-comportamental (Mdn = 12) quanto o grupo psicodinâmico (Mdn = 15) apresentaram escores de depressão significativamente menores do que o grupo controle (Mdn = 22), p < .01 para ambas as comparações. Entretanto, os dois grupos de tratamento não diferiram significativamente entre si, p = .18."

Apresentação Visual dos Resultados

Complemente o seu relatório estatístico com visualizações apropriadas. Os gráficos de caixas são particularmente eficazes para exibir os resultados do teste de Kruskal-Wallis, pois mostram medianas, quartis e a forma de distribuição geral para cada grupo. Inclua pontos de dados individuais quando os tamanhos de amostra são pequenos para fornecer aos leitores uma imagem completa dos seus dados.

Considere usar gráficos de violino como uma alternativa para gráficos de caixa, pois eles fornecem ainda mais informações sobre a forma de distribuição dentro de cada grupo. Isto pode ajudar os leitores a avaliar se a suposição de distribuições em forma semelhante é razoável para seus dados.

Medidas de tamanho do efeito para o teste de Kruskal-Wallis

A significância estatística diz-lhe se existe um efeito, mas o tamanho do efeito diz-lhe o quão grande ou significativo esse efeito é. Infelizmente, os tamanhos de efeito são frequentemente ignorados ao reportar os resultados do teste de Kruskal-Wallis, mas eles fornecem informações cruciais para interpretar o significado prático das suas descobertas.

Epsilon Quadrado (ε2)

O Epsilon ao quadrado é uma medida do tamanho do efeito para o teste de Kruskal-Wallis. Representa a proporção de variância nas fileiras explicadas pela associação do grupo. Os valores variam de 0 a 1, com valores maiores indicando efeitos mais fortes. O Epsilon ao quadrado pode ser calculado como:

ε2 = H / (N2 - 1) / (N + 1)

Onde H é a estatística do teste de Kruskal-Wallis e N é o tamanho total da amostra.

Eta Squared (η2)

Eta ao quadrado é outra opção para quantificar o tamanho do efeito. Pode ser calculado a partir da estatística H e fornece uma estimativa da proporção de variância na variável dependente explicada pela associação do grupo. Como épsilon ao quadrado, os valores variam de 0 a 1.

η2 = (H - k + 1) / (N - k)

Onde k é o número de grupos.

Tamanhos de Efeito Interpretando

As diretrizes gerais para interpretação dos tamanhos de efeitos sugerem que os valores em torno de 0,01 representam efeitos pequenos, .06 representam efeitos médios e .14 ou maiores representam efeitos grandes, porém, são diretrizes ásperas, e o significado prático de um tamanho de efeito depende do contexto e domínio específico da pesquisa.

Na pesquisa em psicologia, mesmo tamanhos de efeito pequenos podem ser significativos, particularmente em ambientes aplicados onde as intervenções afetam desfechos importantes, como sintomas de saúde mental ou qualidade de vida. Sempre interprete tamanhos de efeito no contexto de sua pergunta de pesquisa específica e as implicações práticas de seus achados.

Alternativas ao teste de Kruskal-Wallis

Embora o teste de Kruskal-Wallis seja versátil e amplamente aplicável, certas situações exigem abordagens analíticas alternativas. Entender essas alternativas ajuda você a escolher o teste mais adequado para o seu projeto de pesquisa específico e características de dados.

Quando usar a ANOVA de um caminho em vez

ANOVA de uma só via tem várias vantagens sobre o teste de Kruskal Wallis, incluindo mais poder estatístico para detectar diferenças, pode lidar com distribuições com diferentes formas (Use ANOVA de Welch), e evita as questões de interpretação discutidas acima, então use este método não paramétrico quando você estiver especificamente interessado nas medianas, tiver dados ordinais, ou não puder usar ANOVA de uma só via porque você tem uma amostra pequena e não normal.

Se seus dados atenderem aos pressupostos da ANOVA unidirecional (normalidade e homogeneidade da variância), ou se você tiver grandes tamanhos de amostra onde o Teorema Central de Limites garante resultados robustos mesmo com dados não normais, ANOVA paramétrica pode ser preferível devido ao seu maior poder estatístico.

ANOVA de Welch para Variações Heterógenas

A heterocedasticidade é uma forma pela qual diferentes grupos podem ter distribuições em forma diferente, e se as distribuições são heterocedastic, o teste de Kruskal-Wallis não vai ajudá-lo; em vez disso, você deve usar o teste t de Welch para dois grupos, ou anova de Welch para mais de dois grupos. A ANOVA de Welch não assume variâncias iguais entre os grupos, tornando-se mais apropriado quando grupos têm spreads diferentes.

Teste Friedman para medidas repetidas

Isto é mais uma questão de desenho de estudo do que algo que você pode testar, mas é uma suposição importante do teste H de Kruskal-Wallis, e se o seu estudo falhar esta suposição, você precisará usar outro teste estatístico em vez do teste H de Kruskal-Wallis (por exemplo, um teste de Friedman). Quando você tiver medidas repetidas dos mesmos participantes em diferentes condições ou pontos de tempo, a suposição de independência é violada, e o teste de Friedman fornece a alternativa não paramétrica apropriada.

Regressão Ordinal

Para variáveis dependentes ordinais, particularmente quando você tem covariáveis ou deseja modelar a relação entre preditores e resultados mais precisamente, a regressão ordinal (modelos de ligação cumulativos) oferece uma estrutura analítica mais sofisticada do que o teste Kruskal-Wallis. Esta abordagem modela explicitamente a natureza ordinal do resultado e pode acomodar vários preditores simultaneamente.

Teste Mediano do Humod

O teste de mediana do humor é outra alternativa não paramétrica que compara especificamente as medianas entre os grupos. Embora menos poderoso do que o teste Kruskal-Wallis, ele pode ser mais robusto quando grupos têm formas de distribuição muito diferentes ou quando você está especificamente interessado em diferenças medianas em vez de diferenças de distribuição gerais.

Considerações e extensões avançadas

Para pesquisadores que buscam aprofundar sua compreensão do teste Kruskal-Wallis e suas aplicações, vários tópicos avançados merecem consideração.

Tamanho da amostra e Considerações de Poder

Determinar tamanhos de amostra adequados para testes de Kruskal-Wallis requer consideração de vários fatores, incluindo o tamanho de efeito esperado, poder estatístico desejado (tipicamente .80) e nível de significância (tipicamente .05). É importante notar que, ao realizar testes estatísticos não paramétricos, eles tendem a dar um resultado mais conservador (um valor de p maior) do que seus homólogos paramétricos.

Isto significa que os testes não paramétricos geralmente requerem tamanhos de amostra maiores do que os testes paramétricos para alcançar o mesmo poder estatístico. No entanto, você perde informação quando substitui as fileiras para os valores originais, o que pode tornar este um teste um pouco menos poderoso do que uma anova de uma só via. Esta perda de poder é o trade-off para a flexibilidade do teste e menos suposições.

Lidando com Tamanhos de Amostra Pequenos

Quando se trabalha com amostras muito pequenas, a aproximação qui-quadrado utilizada para o teste de Kruskal-Wallis pode não ser precisa. Nesses casos, cálculos de probabilidade exatos ou testes de permutação podem ser necessários. Alguns pacotes de software estatísticos oferecem testes exatos para amostras pequenas, embora as demandas computacionais aumentem substancialmente.

Manuseamento de Dados em Falta

Os dados em falta representam desafios para qualquer análise estatística. Com o teste de Kruskal- Wallis, a abordagem padrão é a análise de caso completa, onde as observações com dados em falta são excluídas. Contudo, isto pode levar a resultados tendenciosos se os dados não estiverem completamente ausentes ao acaso. A imputação múltipla ou outras técnicas de dados em falta podem ser necessárias para um tratamento mais sofisticado dos valores em falta, embora estas abordagens exijam uma cuidadosa consideração da natureza ordinal ou não- normal dos dados.

Desenhos e Interações Fatoriais

O teste Kruskal-Wallis padrão é projetado para desenhos unidirecionais com uma única variável de agrupamento. Quando você tem projetos fatorial com múltiplas variáveis independentes ou deseja testar para interações, a transformação de classificação alinhada ANOVA (ART ANOVA) fornece uma abordagem não paramétrica que pode lidar com projetos mais complexos, preservando os benefícios da análise baseada em classificação.

Dicas Práticas para Pesquisadores em Psicologia

A partir da informação abrangente coberta, aqui estão recomendações práticas para pesquisadores de psicologia usando o teste Kruskal-Wallis.

Antes de realizar o teste

  • Verificar independência: Assegurar que as observações sejam independentes tanto dentro como entre grupos. Esta é uma suposição fundamental que não pode ser violada.
  • Examine seus dados: Crie visualizações (histogramas, gráficos de caixas, gráficos de densidade) para cada grupo para entender formas de distribuição e identificar potenciais outliers.
  • Verifique formas de distribuição: Se você quiser interpretar resultados como diferenças medianas, verifique que grupos têm distribuições em forma semelhante.
  • Tamanho da amostra: Assegurar que cada grupo tenha pelo menos 5 observações para que a aproximação qui-quadrado seja válida.
  • Planeje sua análise:] Decida com antecedência se você vai realizar testes pós-hoc se o teste omnibus é significativo, e escolha seu método de ajuste de valor-p.

Durante a análise

  • Use software estatístico: Enquanto entender cálculos manuais é valioso, use software como SPSS, R, ou Python para análises reais para evitar erros de cálculo e acessar recursos avançados.
  • Relatório estatístico descritivo: Sempre relatar medianas e intervalos interquartis (ou intervalos) para cada grupo, juntamente com sua estatística inferencial.
  • Testes pós-hoc de condução adequados: Se o teste omnibus for significativo, use o teste de Dunn em vez de testes Mann-Whitney emparelhados para preservar a estrutura de classificação.
  • Aplicar correções de comparação múltipla: Sempre ajustar valores-p para comparações múltiplas ao realizar testes pós-hoc.
  • Calcular tamanhos de efeito: Não se baseie apenas em valores de p; relatar tamanhos de efeito para indicar a magnitude das diferenças de grupo.

Ao comunicar os resultados

  • Fornecer informações completas: Relatar a estatística H, graus de liberdade, valor-p, tamanhos de amostra e estatística descritiva.
  • Incluir tamanhos de efeito: Relatar epsilon ao quadrado ou eta ao quadrado para quantificar a magnitude das diferenças.
  • Relatar resultados pós-hoc claramente: Especificar quais grupos diferem dos quais, incluindo valores de p ajustados.
  • Use visualizações apropriadas: Incluir gráficos de caixas ou gráficos de violino para ajudar os leitores a entender seus dados e resultados.
  • Interprete com cautela: Seja claro se você está interpretando resultados como diferenças medianas (se distribuições têm formas semelhantes) ou diferenças de distribuição gerais.

Cenários comuns em pesquisa em psicologia

Cenário 1: Comparando as Respostas da Escala de Likert
Ao comparar as classificações de satisfação, níveis de concordância ou outras respostas da escala de Likert entre grupos, o teste de Kruskal-Wallis é frequentemente apropriado. As escalas de Likert são tecnicamente ordinais, fazendo uma análise não paramétrica metodologicamente som. Certifique-se de verificar se as formas de distribuição são semelhantes entre os grupos para determinar se você pode interpretar os resultados como diferenças medianas.

Cenário 2: Estudos Clínicos de Amostra Pequena
A pesquisa em Psicologia Clínica muitas vezes envolve pequenas amostras devido à dificuldade de recrutar participantes com diagnósticos específicos ou à natureza intensiva das intervenções.O teste de Kruskal-Wallis é adequado a essas situações, pois não requer grandes amostras para que suponham normalidade.No entanto, garantir que cada grupo tenha pelo menos 5 participantes para que a aproximação qui-quadrado seja válida.

Cenário 3: Medidas de Resultado Escorregado
Muitas variáveis psicológicas exibem distribuições distorcidas, tais como tempos de reação, contagem de sintomas ou frequência de comportamentos.Em vez de tentar transformações que podem não normalizar totalmente os dados, o teste de Kruskal-Wallis fornece uma abordagem analítica direta que não requer normalidade.

Cenário 4: Estágios Ordinais de Desenvolvimento
Quando se comparam grupos em variáveis medidas utilizando estágios de desenvolvimento ou outras categorias inerentemente ordinais, o teste de Kruskal-Wallis é a escolha natural. Por exemplo, comparar estágios de raciocínio moral entre grupos etários ou classificações de apego entre estruturas familiares requer um teste que respeite a natureza ordinal dos dados.

Recursos para uma aprendizagem mais aprofundada

Para aprofundar sua compreensão do teste de Kruskal-Wallis e estatísticas não paramétricas de forma mais ampla, considere explorar esses recursos:

Documentação de Software Estatística: A documentação oficial para as bibliotecas estatísticas do SPSS, R e Python fornece informações detalhadas sobre a implementação do teste de Kruskal-Wallis e a interpretação da saída. O site do Projeto R] oferece documentação e tutoriais abrangentes para a realização de análises não paramétricas.

Recursos estatísticos on-line: Sites como Estatísticas de Laerd fornecem guias passo a passo para a realização de vários testes estatísticos, incluindo tutoriais detalhados no teste Kruskal-Wallis com capturas de tela e orientação de interpretação.

Textbooks on Nonparametric Statistics: Os livros didáticos abrangentes sobre métodos não paramétricos fornecem bases teóricas e orientações práticas. Procure textos que incluam exemplos de pesquisa psicológica para ver como os testes se aplicam em sua área.

Artigos de Jornalismo: A leitura de pesquisas de psicologia publicadas que utilizam o teste de Kruskal-Wallis pode fornecer modelos para relatar e interpretar resultados em seu próprio trabalho. Preste atenção a como os autores justificam sua escolha de testes não paramétricos e como eles apresentam seus achados.

Serviços de Consultoria Estatística: Muitas universidades oferecem serviços de consultoria estatística onde você pode discutir suas perguntas de pesquisa específicas e dados com estatísticos experientes. Isso pode ser particularmente valioso quando se trata de projetos complexos ou características de dados incomuns.

Conclusão: Dominando o Teste Kruskal-Wallis para Pesquisa Psicológica Robusta

O teste de Kruskal-Wallis representa uma ferramenta essencial no kit de ferramentas estatísticas do pesquisador de psicologia, cuja flexibilidade no manuseio de dados não normais, aplicabilidade às medidas ordinais e robustez aos outliers tornam-no particularmente adequado às realidades da pesquisa psicológica, onde os dados muitas vezes não atendem aos pressupostos rigorosos exigidos pelos testes paramétricos.

Entendendo quando usar o teste Kruskal-Wallis, como conduzi-lo corretamente, e como interpretar e relatar resultados, os pesquisadores podem tomar decisões analíticas sólidas que levam a conclusões válidas e confiáveis. A natureza não paramétrica do teste não significa que ele seja menos rigoroso do que alternativas paramétricas – além disso, é diferentemente rigoroso, com suposições e interpretações que correspondem às características de muitos conjuntos de dados psicológicos.

Lembre-se que a análise estatística não é apenas sobre a obtenção de valores-p, mas sobre a compreensão de seus dados e tirar conclusões significativas que avançam a ciência psicológica. O teste de Kruskal-Wallis, quando aplicado de forma adequada e interpretada com cuidado, permite aos pesquisadores comparar grupos efetivamente mesmo quando os pressupostos paramétricos tradicionais são violados, contribuindo para pesquisas psicológicas mais robustas e confiáveis.

Quer esteja comparando os resultados do tratamento em ensaios clínicos, examinando diferenças de desenvolvimento entre grupos etários, analisando respostas de pesquisa entre categorias demográficas ou investigando qualquer outra questão de pesquisa envolvendo comparações de grupos, o teste de Kruskal-Wallis fornece uma abordagem analítica poderosa e flexível. Seguindo as diretrizes e recomendações delineadas neste guia abrangente, você pode aplicar este teste com confiança para sua própria pesquisa e contribuir para o crescente corpo de ciência psicológica metodologicamente sólida.