417. Post-hoc po teście Kruskala–Wallisa – jak kontrolować wielokrotne porównania?

PrzezMarcin Skrok

W poprzedniej lekcji omówiliśmy test Kruskala–Wallisa jako nieparametryczne narzędzie do globalnego porównania kilku niezależnych grup. Jeżeli wynik testu jest istotny statystycznie, pojawia się jednak kolejne pytanie: które konkretnie grupy różnią się między sobą? Odpowiedź wymaga analiz post-hoc, czyli zaplanowanych po teście globalnym porównań par grup. Nie można jednak wykonywać wielu testów bez żadnej korekty, ponieważ liczba okazji do przypadkowego uzyskania małej p-wartości szybko rośnie. W tej lekcji wyjaśnimy, jak stosować test Dunn’a po teście Kruskala–Wallisa, jak kontrolować wielokrotne porównania oraz jak raportować wyniki w sposób zgodny z zasadami metodologii badań omawianymi w szkoleniu na statystyk.edu.pl.

Dlaczego po teście Kruskala–Wallisa potrzebny jest etap post-hoc?

Test Kruskala–Wallisa odpowiada na pytanie globalne: czy rozkłady wyników w co najmniej dwóch spośród analizowanych grup różnią się na tyle, że trudno uznać obserwowane różnice za wynik losowych wahań? W klasycznym ujęciu hipoteza zerowa zakłada, że grupy pochodzą z porównywalnych rozkładów, przy czym interpretacja w kategoriach median wymaga ostrożności i podobnego kształtu rozkładów.

Jeśli mamy cztery grupy, test Kruskala–Wallisa nie wskazuje automatycznie, czy różni się grupa pierwsza od drugiej, pierwsza od trzeciej, czy może tylko grupa czwarta od pozostałych. Do tego służą porównania parami. Dla k grup liczba wszystkich par wynosi:

m = k(k − 1) / 2

gdzie m oznacza liczbę porównań, a k — liczbę grup. Dla czterech grup otrzymujemy sześć porównań, a dla sześciu grup już piętnaście.

Każdy test wykonywany przy poziomie alfa = 0,05 niesie ryzyko odrzucenia prawdziwej hipotezy zerowej, czyli popełnienia błędu pierwszego rodzaju. Jeżeli wykonujemy wiele testów, rośnie prawdopodobieństwo, że przynajmniej jeden z nich będzie „istotny” wyłącznie przez przypadek. Dlatego należy kontrolować błąd dla całej rodziny porównań, a nie traktować każdej p-wartości jako całkowicie niezależnego wyniku.

Test Dunn’a jako klasyczna procedura post-hoc

Najczęściej stosowaną procedurą post-hoc po teście Kruskala–Wallisa jest test Dunn’a. Został on opracowany jako metoda porównywania sum rang dla wielu niezależnych prób (Dunn, 1964). W przeciwieństwie do prostego wykonywania oddzielnych testów U Manna–Whitneya, test Dunn’a wykorzystuje wspólne rangowanie wszystkich obserwacji, zgodne z logiką testu Kruskala–Wallisa.

Najpierw wszystkie obserwacje ze wszystkich grup porządkuje się rosnąco i przypisuje im rangi. W przypadku remisów obserwacjom o tej samej wartości przypisuje się zwykle średnią rangę. Następnie dla każdej pary grup porównuje się średnie rangi. W uproszczonym zapisie statystyka dla porównania grup i oraz j może być przedstawiona jako:

zij = (R̄i − R̄j) / √[N(N + 1)/12 · (1/ni + 1/nj)]

  • zij — statystyka standaryzowana dla porównania grup i i j;
  • R̄i i R̄j — średnie rangi w obu grupach;
  • N — łączna liczebność wszystkich grup;
  • ni i nj — liczebności porównywanych grup.

W praktycznych obliczeniach uwzględnia się także korektę na remisy, ponieważ duża liczba jednakowych wartości zmienia wariancję rang. Oprogramowanie statystyczne zazwyczaj wykonuje tę korektę automatycznie, ale autor badania powinien wiedzieć, czy zastosowana procedura korzysta z przybliżenia asymptotycznego, korekty na remisy oraz ewentualnie dokładnego lub symulacyjnego wyznaczania p-wartości.

Ważne: test Dunn’a nie jest tym samym co wykonanie wielu niezależnych testów U Manna–Whitneya bez korekty. Takie podejście może prowadzić do niespójności z analizą globalną i niekontrolowanego wzrostu ryzyka błędu pierwszego rodzaju.

Na czym polega kontrola wielokrotnych porównań?

Po obliczeniu p-wartości dla wszystkich par należy zastosować procedurę korekty. Najczęściej rozważa się kontrolę rodzinnego błędu pierwszego rodzaju (FWER, family-wise error rate). FWER to prawdopodobieństwo, że w całej rodzinie testów odrzucona zostanie co najmniej jedna prawdziwa hipoteza zerowa.

W badaniach potwierdzających, klinicznych i eksperymentach z niewielką liczbą zaplanowanych porównań kontrola FWER jest zazwyczaj właściwym wyborem. W badaniach eksploracyjnych, w których analizuje się bardzo wiele hipotez, można rozważyć kontrolę fałszywego odsetka odkryć (FDR, false discovery rate). FDR dotyczy oczekiwanego udziału fałszywie dodatnich wyników wśród wszystkich wyników uznanych za odkrycia (Benjamini i Hochberg, 1995).

Korekta Bonferroniego

Najprostsza korekta Bonferroniego polega na pomnożeniu każdej p-wartości przez liczbę porównań:

pskorygowana = min(mp, 1)

Równoważnie można testować każdą hipotezę przy poziomie alfa/m. Metoda jest łatwa do wyjaśnienia i zapewnia silną kontrolę FWER, ale bywa konserwatywna, szczególnie przy dużej liczbie porównań. Konserwatywność oznacza mniejszą moc testu i większe ryzyko niewykrycia rzeczywistej różnicy.

Korekta Holm’a

Procedura Holm’a, nazywana także sekwencyjną procedurą Bonferroniego, zwykle stanowi lepszy domyślny wybór niż klasyczny Bonferroni. Najpierw porządkuje się p-wartości od najmniejszej do największej: p(1) ≤ p(2) ≤ … ≤ p(m). Następnie porównuje się je kolejno z progami:

alfa/(m − r + 1)

gdzie r oznacza pozycję p-wartości w uporządkowanym szeregu. Procedura zatrzymuje się przy pierwszej hipotezie, której nie można odrzucić; dalszych hipotez również nie odrzuca się w ramach tej procedury. Holm kontroluje FWER przy bardzo ogólnych warunkach i jest co najmniej tak mocny jak Bonferroni (Holm, 1979).

Korekta Hochberga i procedura Benjamini–Hochberga

Procedura Hochberga może być silniejsza od Holm’a, ale jej poprawność zależy od założeń dotyczących zależności między testami. W typowych analizach medycznych i społecznych, gdzie zależności pomiędzy porównaniami mogą być złożone, Holm jest często bezpieczniejszym wyborem.

Procedura Benjamini–Hochberga służy do kontroli FDR, a nie FWER. Porządkuje p-wartości rosnąco i znajduje największą pozycję r, dla której:

p(r) ≤ (r/m)q

gdzie q jest założonym poziomem FDR. Procedura może być użyteczna w badaniach przesiewowych, eksploracyjnych lub przy wielu biomarkerach, ale nie powinna być automatycznie zastępowana kontrolą FWER w badaniu, którego celem jest potwierdzenie kilku konkretnych różnic.

Przykład 1: nasilenie bólu po różnych metodach leczenia

Załóżmy, że w badaniu porównano pooperacyjne nasilenie bólu w czterech niezależnych grupach pacjentów: standardowa opieka, lek A, lek B i interwencja skojarzona. Wynik mierzono w skali 0–10, a rozkład był wyraźnie skośny. Zastosowano test Kruskala–Wallisa, który dał wynik H(3) = 12,84; p = 0,005.

Wynik globalny sugeruje, że przynajmniej dwie grupy różnią się rozkładem wyników bólu. Wykonano więc test Dunn’a z korektą Holm’a. Otrzymano:

Porównanie Surowa p p po korekcie Holm’a
Standardowa opieka – lek A 0,031 0,093
Standardowa opieka – lek B 0,004 0,016
Standardowa opieka – terapia skojarzona 0,001 0,006
Lek A – lek B 0,112 0,224
Lek A – terapia skojarzona 0,018 0,072
Lek B – terapia skojarzona 0,438 0,438

Poprawny wniosek brzmi: po kontroli FWER istotne różnice wystąpiły między standardową opieką a lekiem B oraz między standardową opieką a terapią skojarzoną. Nie należy twierdzić, że wszystkie metody leczenia różnią się między sobą. Nie należy też interpretować samego faktu istotności jako dowodu istotnej klinicznie poprawy. Trzeba dodatkowo podać mediany, kwartyle, różnice rang lub inną miarę wielkości efektu oraz ocenić, czy różnica bólu ma znaczenie dla pacjentów.

Przykład 2: obciążenie psychiczne personelu ratownictwa

W badaniu przekrojowym porównano wyniki skali stresu wśród ratowników pracujących w trzech typach zespołów: podstawowych, specjalistycznych i transportowych. Wyniki nie spełniały założeń normalności, dlatego zastosowano test Kruskala–Wallisa. Po uzyskaniu istotnego wyniku przeprowadzono test Dunn’a.

Badacze mieli dwa możliwe cele. Pierwszy był potwierdzający: z góry interesowało ich porównanie zespołów specjalistycznych z podstawowymi. W takim przypadku należało przede wszystkim zaplanować kontrast główny, a pozostałe porównania traktować jako wtórne. Drugi cel był eksploracyjny: chciano sprawdzić wszystkie pary grup i wygenerować hipotezy do przyszłego badania. W takim układzie można zastosować korektę Holm’a dla FWER albo Benjamini–Hochberga dla FDR, ale wybór powinien wynikać z celu badania, a nie z tego, która metoda daje najmniejszą p-wartość.

Jeżeli po korekcie istotna okaże się wyłącznie różnica między zespołami specjalistycznymi i podstawowymi, raport powinien jasno wskazać, że pozostałe porównania nie dostarczyły wystarczających dowodów przy przyjętym sposobie kontroli błędu. Nie oznacza to, że grupy są identyczne ani że efekt wynosi zero. Oznacza jedynie, że dane i przyjęta procedura nie pozwalają odrzucić odpowiedniej hipotezy zerowej.

Jak raportować analizę?

Minimalny opis powinien zawierać:

  1. uzasadnienie wyboru testu Kruskala–Wallisa;
  2. liczebności grup oraz opis wyników, najlepiej medianę i przedział międzykwartylowy;
  3. statystykę testu globalnego, liczbę stopni swobody i p-wartość;
  4. rodzaj procedury post-hoc, na przykład test Dunn’a;
  5. wybraną korektę, na przykład Holm’a;
  6. dla każdego istotnego porównania — p-wartość skorygowaną i kierunek różnicy;
  7. miarę wielkości efektu oraz, jeśli to możliwe, przedział ufności;
  8. informację o remisach, brakach danych i sposobie obliczania p-wartości.

Przykładowe zdanie: „Po istotnym teście Kruskala–Wallisa, H(3) = 12,84, p = 0,005, wykonano porównania post-hoc testem Dunn’a z korektą Holm’a. Istotne różnice stwierdzono między grupą standardowej opieki a lekiem B, pHolm = 0,016, oraz między grupą standardowej opieki a terapią skojarzoną, pHolm = 0,006”.

Nie należy pisać, że „p = 0,006 oznacza 0,6% prawdopodobieństwa, że hipoteza zerowa jest prawdziwa”. P-wartość nie jest prawdopodobieństwem prawdziwości hipotezy zerowej. Jest miarą zgodności danych z hipotezą zerową przy założeniu modelu i procedury testowej.

Najczęstsze błędy

  • Wykonywanie wielu testów U Manna–Whitneya bez korekty. Takie postępowanie zwiększa ryzyko fałszywie dodatnich wniosków.
  • Traktowanie testu Kruskala–Wallisa jako informacji o konkretnej parze grup. Test globalny nie wskazuje samodzielnie, które grupy się różnią.
  • Automatyczne stosowanie Bonferroniego. Bonferroni jest poprawny, ale Holm często daje większą moc przy zachowaniu kontroli FWER.
  • Wybór korekty po obejrzeniu wyników. Metoda powinna wynikać z celu badania i zostać określona przed analizą lub przynajmniej jawnie uzasadniona.
  • Interpretowanie nieistotności jako dowodu braku różnicy. Potrzebne są również informacje o precyzji oszacowania, wielkości próby i wielkości efektu.
  • Pomijanie remisów i nierównych liczebności. Wpływają one na rozkład statystyki i powinny być uwzględnione w obliczeniach.
  • Raportowanie wyłącznie gwiazdek. Tabela z rzeczywistymi p-wartościami skorygowanymi i miarami efektu jest bardziej informacyjna.
  • Używanie języka przyczynowego w badaniu obserwacyjnym. Różnica między grupami nie dowodzi, że przynależność do grupy ją spowodowała.

Procedura analizy krok po kroku

  1. Zdefiniuj zmienną wynikową, grupującą i rodzinę hipotez.
  2. Sprawdź niezależność obserwacji, liczebności, brakujące dane i obecność remisów.
  3. Wykonaj test Kruskala–Wallisa.
  4. Jeżeli wynik globalny jest istotny, przeprowadź zaplanowane porównania post-hoc.
  5. Zastosuj test Dunn’a lub inną adekwatną procedurę dla niezależnych grup opartą na rangach.
  6. Skoryguj p-wartości, najczęściej metodą Holm’a przy celu potwierdzającym.
  7. Podaj opis rozkładów, kierunek różnic, wielkość efektu i niepewność oszacowań.
  8. Oddziel wnioski statystyczne od interpretacji klinicznej, psychologicznej lub społecznej.

Co warto zapamiętać?

  • Test Kruskala–Wallisa mówi, że istnieje co najmniej jedna różnica między grupami, ale nie wskazuje jej lokalizacji.
  • Po istotnym wyniku globalnym stosuje się porównania post-hoc, często test Dunn’a.
  • Wielokrotne porównania wymagają kontroli błędu; samo wykonywanie wielu testów bez korekty jest niewłaściwe.
  • Holm jest praktyczną i zwykle mniej konserwatywną alternatywą dla klasycznego Bonferroniego przy kontroli FWER.
  • Benjamini–Hochberg kontroluje FDR, dlatego jego cel jest inny niż cel metod kontrolujących FWER.
  • Skorygowana p-wartość nie zastępuje miary wielkości efektu, przedziału ufności ani oceny znaczenia praktycznego.
  • Wyniki trzeba raportować transparentnie: z nazwą procedury, korektą, liczebnościami i p-wartościami skorygowanymi.

Najważniejsza zasada jest prosta: najpierw określ, jakie porównania naprawdę odpowiadają na pytanie badawcze, a dopiero potem dobierz procedurę post-hoc i sposób kontroli błędu. Dzięki temu analiza po teście Kruskala–Wallisa nie będzie mechanicznym poszukiwaniem „istotnych par”, lecz spójnym etapem wnioskowania statystycznego.

Źródła i dalsza lektura

  1. Kruskal, W. H., & Wallis, W. A. (1952). Use of Ranks in One-Criterion Variance Analysis. Journal of the American Statistical Association, 47(260), 583–621. DOI: 10.1080/01621459.1952.10483441.
  2. Dunn, O. J. (1964). Multiple Comparisons Using Rank Sums. Technometrics, 6(3), 241–252. DOI: 10.2307/1266041.
  3. Holm, S. (1979). A Simple Sequentially Rejective Multiple Test Procedure. Scandinavian Journal of Statistics, 6(2), 65–70. DOI: 10.2307/4615733.
  4. Benjamini, Y., & Hochberg, Y. (1995). Controlling the False Discovery Rate: A Practical and Powerful Approach to Multiple Testing. Journal of the Royal Statistical Society: Series B (Methodological), 57(1), 289–300. DOI: 10.1111/j.2517-6161.1995.tb02031.x.
  5. R Core Team (2026). R: Pairwise Wilcoxon Rank Sum Tests. R Documentation, stats package. R Foundation for Statistical Computing. Źródło.
  6. R Core Team (2026). R: Adjust P-values for Multiple Comparisons. R Documentation, stats package. R Foundation for Statistical Computing. Źródło.

Podobne wpisy

Dodaj komentarz

Twój adres email nie zostanie opublikowany. Wymagane pola są oznaczone *