KNOWECON WIKI

ARTICLE

克鲁斯卡尔-沃利斯检验

克鲁斯卡尔-沃利斯检验 (Kruskal-Wallis Test) 克鲁斯卡尔-沃利斯检验（Kruskal-Wallis test），也称克鲁斯卡尔-沃利斯 H 检验或单因素秩和检验，是一种非参数统计方法，用于检验三个或三个以上独立样本是否来自同一分布。它是曼-惠特尼 U 检验在多组比较中的推广，也是单因素方差分析（ANOVA）的非参数替代方案。该检验由 W

浏览 5 更新 2025-07-15

克鲁斯卡尔-沃利斯检验 (Kruskal-Wallis Test)

克鲁斯卡尔-沃利斯检验（Kruskal-Wallis test），也称克鲁斯卡尔-沃利斯 H 检验或单因素秩和检验，是一种非参数统计方法，用于检验三个或三个以上独立样本是否来自同一分布。它是曼-惠特尼 U 检验在多组比较中的推广，也是单因素方差分析（ANOVA）的非参数替代方案。该检验由 William Kruskal 和 W. Allen Wallis 于 1952 年提出。

适用场景

当单因素方差分析的前提假设不满足时，克鲁斯卡尔-沃利斯检验是最常用的替代方法。具体适用条件：

  • 因变量是连续变量或至少是定序尺度数据。
  • 自变量（分组变量）包含三个或三个以上独立类别。
  • 各组观测相互独立（不适用于重复测量设计）。
  • 各组分布形状大致相同（检验对形状差异不敏感，但严格假定同形状）。

本质上，该检验首先将所有观测值混合排序，赋予每个观测值一个秩次（最小的赋秩 1，最大的赋秩 NN），然后比较各组秩和的差异。因为秩只反映相对顺序而不依赖具体数值大小，该方法对异常值、偏态分布和方差异质性具有天然的稳健性。值得注意的是，克鲁斯卡尔-沃利斯检验不要求各组样本量相等，对不平衡设计同样适用。

检验假设

  • 零假设 H0H_0：所有 kk 个总体的分布相同（各组中位数相等）。
  • 备择假设 H1H_1：至少有一个总体的分布与其他不同（至少有一组中位数不同）。

与 ANOVA 不同，它不检验均值相等，而是检验随机优势（stochastic dominance）：即从一组中随机抽取的观测值是否系统地大于或小于另一组。

检验统计量 H

克鲁斯卡尔-沃利斯检验的核心思想是：如果零假设成立，各组观测值来自同一分布，那么各组秩的平均值应大致相等，均接近总平均秩 (N+1)/2(N+1)/2。检验统计量 H 正是基于各组秩和偏离期望值的加权平方和构建的。

将全部 NN 个观测值从小至大排序并赋予秩 1 至 NN，遇平局时赋予平均秩。记第 jj 组的样本量为 njn_j，其秩和为 RjR_j。H 统计量定义为：

H=12N(N+1)∑j=1kRj2nj−3(N+1)H = \frac{12}{N(N+1)} \sum_{j=1}^{k} \frac{R_j^2}{n_j} - 3(N+1)

该公式形式直观：若各组秩和差异极小，则 Rj/nj≈(N+1)/2R_j / n_j \approx (N+1)/2，H 趋近于 0；组间秩和差异越大，H 越大。

平局修正

存在平局时，使用修正因子：

Hadj=H1−∑i(ti3−ti)N3−NH_{\text{adj}} = \frac{H}{1 - \frac{\sum_{i}(t_i^3 - t_i)}{N^3 - N}}

其中 tit_i 为第 ii 组平局中相同观测值的个数。修正使 H 略微增大，在平局较多时不应忽略。

分布与决策

当每组样本量均 ≥5\geq 5 或总样本量较大时，H 近似服从自由度为 k−1k-1 的卡方分布：

H∼χ2(k−1)H \sim \chi^2(k-1)

若 H>χα2(k−1)H > \chi^2_{\alpha}(k-1)，则在显著性水平 α\alpha 下拒绝零假设，认为至少有一组与其他不同。小样本时可查 Kruskal-Wallis 精确临界值表。

事后多重比较

克鲁斯卡尔-沃利斯检验是全局检验（omnibus test），显著的结果仅表明"至少有一组不同"，不能直接判断哪两组间存在差异。常用的后续分析方法包括：

  1. 邓恩检验 (Dunn's test)：基于秩和的两两比较，使用邦弗朗尼校正或其他多重比较校正控制族系错误率。检验统计量为： \[ z = \frac{\bar{R}_i - \bar{R}_j}{\sqrt{\frac{N(N+1)}{12} \left( \frac{1}{n_i} + \frac{1}{n_j} \right)}} \]
  2. Dwass-Steel-Critchlow-Fligner 方法：基于联合秩的两两比较，控制实验族错误率。
  3. Conover 检验：使用秩而非原始数据的参数化比较，统计效力通常更高。

与单因素方差分析的比较

  • 检验对象：ANOVA 检验均值差异，Kruskal-Wallis 检验分布差异（主要检测位置偏移）。
  • 假设强度：ANOVA 要求正态性和方差齐性，Kruskal-Wallis 仅要求独立抽样和同形状分布。
  • 统计效力：当 ANOVA 假设满足时，ANOVA 的统计效力略高（渐进相对效率约 0.955）；当假设不满足时，Kruskal-Wallis 明显优于 ANOVA，尤其是对长尾分布和存在异常值的情形。
  • 数据尺度：ANOVA 要求定距尺度，Kruskal-Wallis 可处理定序尺度数据。

效应量

仅报告 p 值不足以衡量差异的实际重要性，尤其是在大样本下微小的差异也可能统计显著。常用的效应量指标为 ηH2\eta^2_H（基于 H 统计量的方差解释比例）：

ηH2=H−k+1N−k\eta^2_H = \frac{H - k + 1}{N - k}

其含义类似于 ANOVA 中的效应量 η2\eta^2，表示组间差异所能解释的秩变异比例，取值范围通常在 0 到 1 之间。Cohen 建议的参考标准为：0.01-0.06 为小效应，0.06-0.14 为中效应，大于 0.14 为大效应。此外，当各组分布形状一致时，也可使用ε² (epsilon-squared) 作为替代效应量，其计算公式为 ε2=H/(N−1)\varepsilon^2 = H / (N-1)，解释更为直观。

计算示例

假设比较三种教学方法对学生成绩的影响，每组 6 名学生：

  1. 将全部 18 个成绩统一排序赋秩。
  2. 计算每组的秩和 R1,R2,R3R_1, R_2, R_3。
  3. 代入 H 公式计算统计量。
  4. 若 H>5.991H > 5.991（χ0.052(2)\chi^2_{0.05}(2) 的临界值），则在 α=0.05\alpha = 0.05 下拒绝零假设。
  5. 拒绝后执行 Dunn 事后检验确定具体差异来源。

注意事项与局限性

  • 分布形状假设：克鲁斯卡尔-沃利斯检验严格假定各组分布形状相同（仅位置参数可能不同）。若各组分布形状迥异（如一组严重右偏而另一组对称），显著的 H 可能反映偏度差异或离散度差异而非位置差异，需结合可视化手段（如并排箱线图或小提琴图）审慎解读。
  • 与曼-惠特尼检验的关系：对于两个独立样本的比较，克鲁斯卡尔-沃利斯检验退化为曼-惠特尼 U 检验，两者结果等价。
  • 重复测量设计：若数据来自同一受试者在不同条件下的重复测量，应使用弗里德曼检验（Friedman test）而非 Kruskal-Wallis 检验。后者假定样本独立，忽视重复测量结构会导致假阳性率膨胀。
  • 大样本下的敏感性：样本量极大时，即使微小的组间差异也可能统计显著，此时应更重视效应量而非仅关注 p 值。
  • 与 ANOVA 的选择策略：在实际应用中，建议先对数据进行正态性检验（如夏皮罗-威尔克检验）和方差齐性检验（如莱文检验）。若假设合理，优先使用 ANOVA；若严重违反正态性或存在明显异常值，则转而使用克鲁斯卡尔-沃利斯检验。当样本量较小时，即使正态性检验不显著，也应谨慎使用 ANOVA，因为小样本下正态性检验的功效较低。

克鲁斯卡尔-沃利斯检验是社会科学、医学和生态学中应用最广泛的非参数检验之一。因其对数据分布要求宽松、对异常值稳健，在处理偏态、异方差或定序数据时是 ANOVA 的理想替代方案。在报告结果时，通常应同时给出 H 统计量、自由度、p 值、效应量以及事后比较的具体发现，以确保结论的完整性和可重复性。