Máy tính kiểm định Kruskal–Wallis

Máy tính kiểm định Kruskal–Wallis

Đang tăng trưởng AI Skill PRO

Nhập phép tính

Công thức

C=1−∑j(tj3−tj)n3−n,H=H0/CC=1-\frac{\sum_j (t_j^3-t_j)}{n^3-n},\quad H=H_0/C
Xem các bước tính (2)
  1. Giá trị p

    p=P(χk−12≥H)so vớiMức ý nghĩa (alpha)p=P(\chi^2_{k-1}\ge H)\;\text{so với}\;\text{Mức ý nghĩa (alpha)}

    Phần đuôi phải của chi-bình phương với k-1 bậc tự do, so sánh với alpha.

  2. H chưa hiệu chỉnh đồng hạng

    H0=12n(n+1)∑i=1kRi2ni−3(n+1) với hạng từ Giá trị Nhóm 1,Giá trị Nhóm 2,Giá trị Nhóm 3,Giá trị Nhóm 4,Giá trị Nhóm 5,Giá trị Nhóm 6H_0=\frac{12}{n(n+1)}\sum_{i=1}^{k}\frac{R_i^2}{n_i}-3(n+1)\;\text{ với hạng từ }\text{Giá trị Nhóm 1},\text{Giá trị Nhóm 2},\text{Giá trị Nhóm 3},\text{Giá trị Nhóm 4},\text{Giá trị Nhóm 5},\text{Giá trị Nhóm 6}

    Thống kê từ sổ tay Dataplot của NIST, tính từ tổng hạng của các nhóm.

Thống kê sử dụng

Quảng cáo

Kết quả

Thống kê H (đã hiệu chỉnh đồng hạng)
2,8538
H trước khi hiệu chỉnh đồng hạng 2,8538
Hệ số hiệu chỉnh đồng hạng C 1,0000
Bậc tự do 2
Giá trị p 0,2401
Giá trị tới hạn 5,9915
Bác bỏ H0 Không
Tổng số quan sát 18
Số nhóm 3
Tổng hạng 39.0,65.0,67.0
Cảnh báo mẫu nhỏ Không

Báo lỗi nội dung trang này

Máy tính Kruskal–Wallis làm gì

Kiểm định Kruskal–Wallis là kiểm định một yếu tố dựa trên hạng, nhằm xem k mẫu độc lập có đến từ cùng một tổng thể hay không. Đây là phiên bản phi tham số của phân tích phương sai một yếu tố (ANOVA) và được dùng khi dữ liệu có thứ bậc, lệch hoặc chứa giá trị ngoại lai. Máy tính gộp các quan sát, gán hạng (hạng trung bình cho các giá trị trùng nhau), tính tổng hạng, thống kê H đã hiệu chỉnh đồng hạng, giá trị p theo chi-bình phương, giá trị tới hạn và quyết định bác bỏ hoặc giữ lại giả thuyết.

Cách sử dụng

Nhập các quan sát của Nhóm 1, Nhóm 2 và Nhóm 3 dưới dạng số, cách nhau bằng dấu phẩy, dấu chấm phẩy hoặc khoảng trắng. Nhóm 1 đến 3 là bắt buộc. Nhóm 4, 5 và 6 là tùy chọn: nhập - vào nhóm nào không sử dụng. Sau đó đặt mức ý nghĩa alpha (mặc định 0,05). Cỡ mẫu các nhóm có thể khác nhau, thứ tự nhóm không làm thay đổi H, và tổng số quan sát không được vượt quá 5000.

Công thức

Khi không có giá trị trùng nhau, thống kê là

$$H_0=\frac{12}{n(n+1)}\sum_{i=1}^{k}\frac{R_i^2}{n_i}-3(n+1)$$

trong đó \(n_i\) = số quan sát của nhóm i, \(R_i\) = tổng hạng của nhóm i, \(n\) = tổng số quan sát và \(k\) = số nhóm. Khi có giá trị trùng nhau:

$$C=1-\frac{\sum_j (t_j^3-t_j)}{n^3-n},\qquad H=\frac{H_0}{C}$$

trong đó \(t_j\) = số phần tử của nhóm giá trị trùng thứ j. Giá trị p là

$$p=P(\chi^2_{k-1}\ge H)$$

Kiểm định bác bỏ giả thuyết không khi H vượt điểm phân vị chi-bình phương tại mức 1 − alpha với k − 1 bậc tự do.

Quảng cáo
Các quan sát từ ba nhóm gộp lên một trục số, xếp hạng từ 1 đến 12, với các hạng được cộng cho từng nhóm
Tất cả các quan sát được xếp hạng chung, sau đó cộng các hạng trong từng nhóm để có tổng hạng R_i.

Quy ước và giả định

  • Các giá trị trùng nhau nhận trung bình của các hạng mà chúng chiếm. H được báo cáo là giá trị đã hiệu chỉnh đồng hạng, bằng H chưa hiệu chỉnh khi không có giá trị trùng. Hiệu chỉnh đồng hạng theo dạng chuẩn Conover/Kruskal–Wallis, được chọn như một quyết định thiết kế vì trang NIST không trình bày công thức này.
  • H được so sánh với phân phối chi-bình phương có k − 1 bậc tự do, sử dụng phần đuôi phải.
  • Quy tắc quyết định: bác bỏ H0 nếu H lớn hơn giá trị tới hạn. Alpha mặc định là 0,05.
  • Nếu bất kỳ nhóm nào có ít hơn 5 quan sát, cảnh báo mẫu nhỏ sẽ hiển thị vì xấp xỉ chi-bình phương có thể không đáng tin cậy. Kết quả vẫn được tính.
  • Nếu tất cả giá trị đều bằng nhau, C = 0 và H không xác định, nên máy tính báo lỗi. Cần ít nhất hai nhóm. H = 0 cho p = 1.
  • Nội bộ sử dụng giá trị gốc. Hiển thị H, p, giá trị tới hạn và C với 4 chữ số thập phân, tổng hạng với 1 chữ số thập phân.

Ví dụ minh họa

Ba nhóm, mỗi nhóm sáu giá trị: Nhóm 1 = 27, 2, 4, 18, 7, 9; Nhóm 2 = 20, 8, 14, 36, 21, 22; Nhóm 3 = 34, 31, 3, 23, 30, 6; alpha = 0,05. Ở đây \(n=18\), \(k=3\) và không có giá trị trùng.

$$R_1=39.0,\quad R_2=65.0,\quad R_3=67.0$$$$H_0=\frac{12}{18\times 19}\left(\frac{39^2}{6}+\frac{65^2}{6}+\frac{67^2}{6}\right)-3\times 19=2.8538$$

Hệ số hiệu chỉnh là \(C=1\), nên \(H=2.8538\) (giống trước khi hiệu chỉnh). Bậc tự do là 2, giá trị p là 0,2401 và giá trị tới hạn là 5,9915. Vì 2,8538 nhỏ hơn 5,9915, không bác bỏ H0. Không áp dụng cảnh báo mẫu nhỏ vì mỗi nhóm có 6 quan sát.

Đọc kết quả và hạn chế

Giá trị p nhỏ (nhỏ hơn alpha) cho thấy ít nhất một nhóm có xu hướng cho giá trị lớn hơn hoặc nhỏ hơn nhóm khác. Kiểm định không cho biết nhóm nào khác nhau; sau kết quả có ý nghĩa, hãy thực hiện so sánh cặp. Kiểm định giả định các mẫu độc lập và, khi diễn giải như sự khác biệt về trung vị, các phân phối có hình dạng tương tự. Với nhóm nhỏ hơn 5, nên dùng bảng chính xác thay vì xấp xỉ chi-bình phương.

Quảng cáo
Đường cong phân phối chi bình phương với phần đuôi phải được tô bóng vượt quá giá trị tới hạn và giá trị H quan sát được đánh dấu trên trục
H được so sánh với phân phối chi bình phương có k − 1 bậc tự do, và diện tích ở đuôi phải vượt quá H là giá trị p.

Câu hỏi thường gặp

Khi nào nên dùng Kruskal–Wallis thay vì ANOVA?

Dùng khi không chắc dữ liệu có phân phối chuẩn, dữ liệu có thứ bậc, hoặc có giá trị ngoại lai.

Các giá trị trùng được xử lý thế nào?

Các giá trị trùng nhau chia nhau trung bình của các hạng, và H được chia cho hệ số hiệu chỉnh C.

Cảnh báo mẫu nhỏ có nghĩa là gì?

Ít nhất một nhóm có ít hơn 5 giá trị, nên giá trị p chi-bình phương chỉ mang tính gần đúng.

Tôi có thể dùng cỡ nhóm không bằng nhau không?

Có. Công thức gia trọng mỗi tổng hạng theo cỡ nhóm của chính nó.

Vì sao tôi cần nhập - cho nhóm không dùng?

Ô trống sẽ được thay bằng giá trị mặc định, nên dấu gạch ngang đánh dấu nhóm không được dùng. Chỉ nhóm 4 đến 6 mới có thể không dùng.

Nguồn tham khảo

Nguồn tham khảo

  • Dataplot KRUSKAL WALLIS command reference — NIST Information Technology Laboratory. Gives H, chi-square with k-1 df, the critical region and the n_i >= 5 guidance. Cites Conover (1999) for the formulation; the tie-correction formula is not printed. · Hiệu lực từ 2023-12-11 · Đã kiểm tra ngày 2026-11-04
Cập nhật lần cuối:

Phổ biến nhất trong Toán học và Thống kê

Xem tất cả máy tính Toán học và Thống kê