从0开始学习R语言--Day40--Kruskal-Wallis检验

我们在处理小样本的数据时，常常会遇到一种问题便是，由于样本的数据量很少，到底是该手动对比以便更灵活地控制变量，还是用excel、status或R中的方法对其进行操作呢。事实上，有时候数据少并不意味着对比的工作量就少了，因为在对比时，即使是最小的两两对比，就算是5组也需要10次对比，这还是不出错的情况，且我们还需要一个对数据整体上的评估。

而选择Kruskal-Wallis检验不仅可以有效地规避由于离散值带来的问题，还能解决样本过少，不符合正态假设，统计不稳定的假设难以得出评估的问题。

以下是一个例子：

R 复制代码

# 生成模拟数据集
set.seed(123)
group1 <- rnorm(30, mean = 50, sd = 10)
group2 <- rnorm(30, mean = 55, sd = 12)
group3 <- rnorm(30, mean = 65, sd = 15)
group4 <- rlnorm(30, meanlog = 3, sdlog = 0.5) # 非正态分布数据

# 创建数据框
data <- data.frame(
  value = c(group1, group2, group3, group4),
  group = factor(rep(c("A", "B", "C", "D"), each = 30)))

# 查看数据摘要
summary(data)

# 绘制箱线图
boxplot(value ~ group, data = data, 
        main = "各组数据分布比较",
        xlab = "组别", ylab = "测量值")

# 执行Kruskal-Wallis检验
kruskal_result <- kruskal.test(value ~ group, data = data)
print(kruskal_result)

# 如果总体检验显著，可以进行事后两两比较
if(kruskal_result$p.value < 0.05) {
  # 使用Dunn检验进行事后比较
  if(!require(dunn.test)) install.packages("dunn.test")
  library(dunn.test)
  
  dunn_result <- dunn.test(data$value, data$group, method = "bonferroni")
  print(dunn_result)
  
  # 或者使用pairwise.wilcox.test
  pairwise_result <- pairwise.wilcox.test(data$value, data$group, 
                                          p.adjust.method = "BH")
  print(pairwise_result)
}

输出：

R 复制代码

	Pairwise comparisons using Wilcoxon rank sum exact test 

data:  data$value and data$group 

  A       B       C      
B 0.0067  -       -      
C 1.8e-06 0.0067  -      
D 7.3e-12 2.3e-13 3.8e-14

P value adjustment method: BH

从结果来看，每组比较都是比较显著，差异最大的是CD组，从整体来看，D组和其他组的差异较大。