386. Test Manna–Whitneya – czego naprawdę testuje?
Test Manna–Whitneya jest jednym z najczęściej stosowanych testów do porównywania dwóch niezależnych grup. Często przedstawia się go jako „nieparametryczny odpowiednik testu t” albo jako test median. Oba skróty myślowe mogą prowadzić do błędnych wniosków. W rzeczywistości test Manna–Whitneya opiera się na rangach i bada relację między obserwacjami z dwóch grup. To, czy wynik można zinterpretować jako różnicę median, zależy od dodatkowych założeń dotyczących kształtu i rozproszenia rozkładów.
W tej lekcji, należącej do modułu 20 kursu szkolenia na statystyk.edu.pl, przeanalizujemy test od podstaw: od konstrukcji rang, przez statystykę U, po właściwe formułowanie wniosków. Najważniejszym celem nie jest zapamiętanie procedury klikanej w programie statystycznym, lecz zrozumienie, jaką hipotezę rzeczywiście poddajemy ocenie.
Do czego służy test Manna–Whitneya?
Test Manna–Whitneya, nazywany także testem Wilcoxona dla prób niezależnych lub testem sumy rang Wilcoxona, służy do porównania dwóch grup, gdy obserwacje w grupach są niezależne, a zmienna wynikowa ma co najmniej charakter porządkowy. Jego konstrukcja nie wymaga przyjęcia konkretnego rozkładu normalnego dla wyników. Zamiast wartości liczbowych wykorzystuje się ich kolejność po połączeniu obu grup (Wilcoxon, 1945; Mann i Whitney, 1947).
Przykładowe pytania badawcze mogą brzmieć:
- czy pacjenci leczeni dwiema metodami różnią się nasileniem bólu po zabiegu?
- czy poziom stresu zawodowego jest inny u pielęgniarek pracujących na oddziale ratunkowym i na oddziale planowym?
- czy czas oczekiwania na pomoc różni się między dwiema kategoriami miejscowości?
W każdym przypadku trzeba najpierw ustalić, czy grupy są rzeczywiście niezależne. Jeżeli te same osoby oceniono przed leczeniem i po leczeniu, nie stosujemy testu Manna–Whitneya. Taki układ wymaga analizy zależnych pomiarów, na przykład testu rangowanych znaków Wilcoxona dla par.
Jak działa procedura rang?
Załóżmy, że w grupie A mamy n1 obserwacji, a w grupie B — n2 obserwacji. Łączymy wszystkie wyniki, porządkujemy je od najmniejszego do największego i nadajemy im rangi: 1, 2, 3, …, n1 + n2. Jeżeli kilka wyników jest identycznych, otrzymują rangę średnią, czyli średnią rang, które zajęłyby, gdyby były rozróżnialne.
Następnie sumujemy rangi w każdej grupie. Jeżeli grupa A ma zwykle większe wyniki niż grupa B, jej obserwacje powinny zajmować wyższe rangi, a suma rang grupy A będzie odpowiednio większa. Test nie porównuje więc bezpośrednio średnich arytmetycznych ani nie analizuje wyłącznie median.
Jedna z równoważnych postaci statystyki brzmi:
U1 = R1 − n1(n1 + 1)/2
gdzie:
- U1 — statystyka U odnosząca się do grupy A,
- R1 — suma rang obserwacji w grupie A,
- n1 — liczebność grupy A.
Analogicznie oblicza się:
U2 = R2 − n2(n2 + 1)/2
W praktyce program zwykle wybiera mniejszą z wartości U1 i U2. Zachodzi zależność:
U1 + U2 = n1n2
Statystyka U może być także rozumiana jako liczba porównań między parami obserwacji, w których wynik z jednej grupy przewyższa wynik z drugiej, z odpowiednim uwzględnieniem remisów. To intuicyjne znaczenie jest ważne, ponieważ prowadzi do miary efektu określanej jako prawdopodobieństwo przewagi, zwane również common-language effect size:
θ = P(X > Y) + 0,5P(X = Y)
Wartość θ można interpretować jako prawdopodobieństwo, że losowo wybrana osoba z grupy A uzyska wyższy wynik niż losowo wybrana osoba z grupy B, przy czym remis liczy się jako połowa przewagi. Nie jest to to samo co wartość p. Wartość p informuje o zgodności danych z hipotezą zerową przy określonym modelu, natomiast θ opisuje rozmiar i kierunek przewagi.
Czego formalnie dotyczy hipoteza?
Najogólniejsza interpretacja testu odnosi się do dwóch rozkładów populacyjnych. W najprostszym ujęciu hipoteza zerowa mówi, że rozkłady wyników w grupach są takie same. W przypadku zmiennej ciągłej można ją zapisać jako:
H0: P(X > Y) = P(Y > X) = 0,5
Jeśli dopuszczamy remisy, dokładniejszy zapis obejmuje prawdopodobieństwo równości. Alternatywa dwustronna mówi, że relacja między grupami nie jest symetryczna, natomiast alternatywa jednostronna może głosić, że obserwacje z jednej grupy są stochastycznie większe od obserwacji z drugiej (Mann i Whitney, 1947; Fay i Proschan, 2010).
Wyrażenie „stochastycznie większe” oznacza, że wartości z jednej populacji mają ogólną tendencję do przewyższania wartości z drugiej. Nie oznacza ono koniecznie, że każda wartość w grupie A jest większa od każdej wartości w grupie B. Wniosek dotyczy porównania rozkładów, a nie wszystkich pojedynczych osób.
Kiedy można mówić o różnicy median?
Jeżeli oba rozkłady mają podobny kształt i podobne rozproszenie, a różnią się przede wszystkim przesunięciem po osi wyników, wynik testu można praktycznie interpretować jako dowód różnicy położenia, często opisywanej różnicą median. To jednak interpretacja wynikająca z dodatkowego modelu, a nie z samej nazwy testu.
Jeżeli rozkłady mają różne wariancje, różną skośność lub różne kształty, test może wykryć różnicę w rozproszeniu albo w asymetrii, nawet gdy mediany są podobne. Z drugiej strony mediany mogą się różnić, lecz test nie musi tego wykazać, jeśli ogólna relacja między rozkładami nie prowadzi do wyraźnej przewagi rang. Fay i Proschan (2010) podkreślają, że interpretacja testu zależy od tego, jakie założenia badacz wiąże z hipotezą zerową i alternatywną.
Założenia i warunki stosowania
- Dwie niezależne grupy. Każda osoba powinna wnosić jedną obserwację do jednej grupy, a wynik jednej osoby nie powinien determinować wyniku innej.
- Porównywalna jednostka obserwacji. Wyniki muszą być mierzone na skali pozwalającej je uporządkować.
- Niezależność obserwacji. Naruszenie tego warunku, na przykład przez analizę wielu pacjentów z tych samych oddziałów bez uwzględnienia skupienia, może zniekształcić wartość p.
- Ustalenie kierunku hipotezy przed analizą. Test jednostronny nie powinien być wybierany dopiero po obejrzeniu wyników.
- Rozsądne obchodzenie się z remisami. Duża liczba identycznych wartości może wymagać stosowania korekty dla rang wiązanych albo dokładnej procedury odpowiedniej do typu danych.
Określenie „nieparametryczny” nie oznacza, że test nie ma żadnych założeń. Nie wymaga normalności rozkładu, ale nadal wymaga właściwego planu badania, niezależności obserwacji i prawidłowej identyfikacji skali pomiaru. Test nie jest również automatycznie odporny na wszystkie problemy z danymi (Hollander, Wolfe i Chicken, 2014; Conover, 1999).
Przykład 1: ból po zabiegu
W badaniu porównano natężenie bólu po 24 godzinach u pacjentów poddanych dwóm różnym procedurom znieczulenia. Wynik mierzono na skali od 0 do 10. W grupie A mediana wynosiła 3, a w grupie B — 5. Test Manna–Whitneya dał U = 96 i p = 0,018.
Nie wystarczy napisać: „test wykazał, że mediany różnią się istotnie”. Taki zapis byłby uzasadniony tylko wtedy, gdy rozkłady grup były podobne pod względem kształtu i rozproszenia oraz gdy taki model był częścią planu analizy. Bezpieczniejsze sformułowanie brzmi: „Rozkład natężenia bólu różnił się między grupami; wyniki w grupie A miały ogólnie niższe rangi niż w grupie B”.
Do raportu warto dodać mediany, kwartyle, liczebności, wartość U, dokładną wartość p oraz miarę efektu, na przykład θ lub korelację rangowo-dwuseryjną. Samo p nie informuje, czy różnica ma znaczenie kliniczne. Spadek bólu o jeden punkt może być dla pacjenta istotny, ale jego znaczenie trzeba ocenić wobec wcześniej przyjętego minimalnego ważnego efektu klinicznego.
Przykład 2: stres zawodowy pielęgniarek
Załóżmy, że badacz porównuje wyniki kwestionariusza stresu u pielęgniarek pracujących w szpitalnych oddziałach ratunkowych i w poradniach specjalistycznych. Skala ma charakter sumaryczny, lecz jej rozkład jest silnie prawostronnie skośny. Grupy są niezależne, a liczebności wynoszą odpowiednio 42 i 38 osób.
Test Manna–Whitneya może być uzasadniony, ponieważ nie opiera się na założeniu normalności. Jednak przed analizą należy obejrzeć rozkłady, na przykład za pomocą wykresów pudełkowych i wykresów punktowych. Jeżeli grupa ratunkowa ma nie tylko wyższą medianę, lecz także znacznie większe rozproszenie, wynik testu nie powinien być opisywany wyłącznie jako „różnica poziomu stresu”. Trafniejszy będzie wniosek, że rozkłady wyników stresu różnią się między miejscami pracy, a następnie należy opisać, na czym ta różnica polega.
W badaniu obserwacyjnym nie wolno też przejść od takiego wyniku do stwierdzenia, że praca w oddziale ratunkowym powoduje większy stres. Różnice mogą wynikać między innymi z wieku, stażu, liczby dyżurów, obciążenia pacjentami lub autoselekcji pracowników. Test porównuje rozkłady; nie zastępuje projektu pozwalającego na wnioskowanie przyczynowe.
Przykład praktyczny: obliczenie na małej próbie
Rozważmy dane dotyczące czasu oczekiwania na konsultację, wyrażone w minutach:
| Grupa A | Grupa B |
|---|---|
| 12, 15, 18, 20 | 25, 29, 31, 40 |
Po połączeniu obserwacji otrzymujemy rangi od 1 do 8. Grupa A zajmuje rangi 1, 2, 3 i 4, więc R1 = 10. Dla n1 = 4:
U1 = 10 − 4(4 + 1)/2 = 10 − 10 = 0
Grupa B ma sumę rang 26, a więc:
U2 = 26 − 4(4 + 1)/2 = 26 − 10 = 16
Mniejsza wartość, U = 0, wskazuje, że każda obserwacja z grupy A jest mniejsza od każdej obserwacji z grupy B. To bardzo silna przewaga rang w tej małej próbie. Nie wolno jednak automatycznie utożsamiać tego z dowodem, że populacyjne mediany różnią się dokładnie o określoną wartość. Próba jest mała, a wniosek populacyjny wymaga zastosowania odpowiedniej wartości p i ostrożnej oceny niepewności.
Jak raportować wynik?
Minimalny raport powinien zawierać:
- liczebność obu grup;
- medianę i miarę rozproszenia, na przykład przedział międzykwartylowy;
- wartość statystyki U;
- wartość p, najlepiej dokładną, bez zapisu wyłącznie „p < 0,05”;
- miarę efektu i, jeżeli to możliwe, przedział ufności;
- opis kierunku i praktycznego znaczenia różnicy.
Przykładowy zapis: „W grupie interwencyjnej mediana wyniku bólu wynosiła 3 punkty (IQR 2–5), a w grupie kontrolnej 5 punktów (IQR 3–7). Rozkłady różniły się w teście Wilcoxona–Manna–Whitneya, U = 412, p = 0,018. Prawdopodobieństwo przewagi wyniku z grupy interwencyjnej nad kontrolną wynosiło θ = 0,68; kierunek tej miary należy zdefiniować zgodnie z tym, czy większy wynik oznacza lepszy, czy gorszy stan”.
Warto pamiętać, że wartość p nie jest prawdopodobieństwem prawdziwości hipotezy zerowej. Nie mówi również, jak duża ani jak ważna klinicznie jest różnica. Odrzucenie hipotezy zerowej oznacza, że dane są mało zgodne z określoną hipotezą zerową przy przyjętym modelu i poziomie analizy.
Najczęstsze błędy
- „To test median”. Jest to skrót dopuszczalny tylko przy dodatkowych założeniach o podobnym kształcie rozkładów.
- „Nieparametryczny znaczy bez założeń”. Nadal potrzebne są niezależność, właściwy schemat grup i odpowiednia skala pomiaru.
- Stosowanie testu dla pomiarów powtarzanych. Dwie obserwacje tej samej osoby tworzą dane zależne.
- Automatyczne używanie testu jednostronnego. Kierunek powinien wynikać z hipotezy ustalonej przed analizą.
- Raportowanie wyłącznie wartości p. Bez rozmiaru efektu nie wiadomo, czy różnica jest duża lub praktycznie istotna.
- Ignorowanie różnych kształtów rozkładów. Wtedy wynik może odzwierciedlać różnicę rozproszenia, a nie prostą zmianę położenia.
- Wnioskowanie przyczynowe z badania obserwacyjnego. Test nie kontroluje sam z siebie zmiennych zakłócających.
- Wykonywanie wielu testów bez planu. Przy licznych porównaniach rośnie ryzyko fałszywie dodatnich wniosków; należy zaplanować korektę lub model analizy.
Co warto zapamiętać?
- Test Manna–Whitneya porównuje rangi i, w najbardziej ogólnym ujęciu, relację między dwoma rozkładami.
- Nie jest automatycznie testem różnicy median.
- Interpretacja median jako miary położenia wymaga podobnych kształtów i rozproszeń rozkładów.
- Statystyka U jest związana z liczbą korzystnych porównań parami między grupami.
- Wartość p należy uzupełnić o miarę efektu, opis danych i ocenę znaczenia praktycznego.
- Przy pomiarach zależnych należy użyć procedury przeznaczonej dla par, a nie testu dla prób niezależnych.
- Najpierw formułuje się pytanie badawcze i sprawdza schemat badania, a dopiero potem wybiera test.
Dobrze użyty test Manna–Whitneya jest wartościowym narzędziem, zwłaszcza dla danych porządkowych, skośnych lub obciążonych obserwacjami odstającymi. Jego poprawne zastosowanie nie polega jednak na mechanicznym zastąpieniu testu t. Polega na jasnym określeniu, co ma być porównane: mediany, położenie rozkładów, przewaga jednego wyniku nad drugim czy pełny kształt rozkładów. Dopiero wtedy wynik testu staje się elementem rzetelnego wnioskowania, a nie tylko etykietą w tabeli programu statystycznego.
Źródła i dalsza lektura
- Mann, H. B.; Whitney, D. R. (1947). On a Test of Whether One of Two Random Variables is Stochastically Larger than the Other. The Annals of Mathematical Statistics, 18(1), 50–60. DOI: 10.1214/aoms/1177730491.
- Wilcoxon, F. (1945). Individual Comparisons by Ranking Methods. Biometrics Bulletin, 1(6), 80–83. DOI: 10.2307/3001968.
- Fay, M. P.; Proschan, M. A. (2010). Wilcoxon–Mann–Whitney or t-test? On assumptions for hypothesis tests and multiple interpretations of decision rules. Statistics Surveys, 4, 1–39. DOI: 10.1214/09-SS051.
- Hollander, M.; Wolfe, D. A.; Chicken, E. (2014). Nonparametric Statistical Methods. 3rd edition. John Wiley & Sons. Informacja wydawcy / źródło.
- Conover, W. J. (1999). Practical Nonparametric Statistics. 3rd edition. John Wiley & Sons. Informacja wydawcy / źródło.