Page 180 - Osnovne statistične metode in Jamovi

4 Statistična obdelava podatkov

Obrazložitev:

4.4.2 Kruskal-Wallisov preizkus za več neodvisnih vzorcev
Kruskal-Wallisov H-preizkus uporabljamo v primerih, ko niso izpolnjeni
pogoji za uporabo analize variance (Norušis, 2002, str. 390).

S Kruskal-Wallisovim preizkusom preverjamo, ali več neodvisnih vzorcev
izhaja iz iste porazdelitve. Gre torej za neparametrično različico enosmerne-
ga preizkusa ANOVA, ki ne zahteva normalnosti porazdelitve spremenljivk69
(McKight in Najab, 2010). Kruskal-Wallisov preizkus primerja tri ali več vzorce.
Ničelna hipoteza je, da so vzorci enaki oz. izhajajo iz iste porazdelitve, alterna-
tivna hipoteza pa trdi, da vzorci ne izhajajo iz iste porazdelitve (Vargha in De-
laney, 1998). Če je vrednost Kruskal-Wallisovega preizkusa statistično značilna
(p < 0,05), se vsaj en vzorec značilno razlikuje od ostalih.70 S Kruskal-Wallisovim
preizkusom pa ne moremo ugotavljati, kateri vzorec se statistično značilno
razlikuje od ostalih, zato opravimo post-hoc preizkuse, s katerimi med seboj
primerjamo vse vzorce, dva po dva. V Jamoviju lahko opravimo Dwass-Steel-
-Critchlow-Flignerjevo (DSCF) primerjavo parov vzorcev (Critchlow in Flinger,
1991). Če je vrednost DSCF-preizkusa statistično značilna (p < 0,05), obstajajo
statistično značilne razlike med dvema vzorcema. Kruskal-Wallisov preizkus
sloni na analizi rangov vzorcev. Če želimo ugotoviti, ali so razlike med vzor-
ci velike, izračunamo mero velikosti učinka. V primeru Kruskal-Wallisovega
preizkusa gre za epsilon-kvadrat (ε ), ki ga interpretiramo, kot je zapisano v
2
preglednici 2.

69 V primeru, da so podatki normalno porazdeljeni, je preizkus ANOVA statistično močnejši (Higgins,
2004).
70 Pravimo, da je v enem vzorcu prisotna stohastična dominanca.

180