มีความแตกต่างในสมมติฐานและสมมติฐานที่ทดสอบ
ANOVA (และ t-test) เป็นการทดสอบความเท่าเทียมของค่านิยมอย่างชัดเจน Kruskal-Wallis (และ Mann-Whitney) สามารถมองเห็นได้ในทางเทคนิคการเปรียบเทียบของค่าเฉลี่ยการจัดอันดับ
ดังนั้นในแง่ของค่าเดิมที่ Kruskal-Wallis มากขึ้นทั่วไปกว่าเปรียบเทียบหมายถึง: การทดสอบว่าน่าจะเป็นที่สังเกตสุ่มจากแต่ละกลุ่มเป็นอย่างเท่าเทียมกันมีแนวโน้มที่จะสูงหรือต่ำกว่าการสังเกตการสุ่มจากกลุ่มอื่น ปริมาณข้อมูลจริงที่อ้างอิงว่าการเปรียบเทียบไม่ใช่ความแตกต่างในค่าเฉลี่ยและความแตกต่างของค่ามัธยฐาน (ในกรณีตัวอย่างทั้งสอง) จริง ๆ แล้วค่ามัธยฐานของความแตกต่างแบบคู่ทั้งหมด - ความแตกต่างระหว่าง Hodges-Lehmann ระหว่างตัวอย่าง
อย่างไรก็ตามหากคุณเลือกที่จะตั้งสมมติฐานที่ จำกัด คุณสามารถมองเห็น Kruskal-Wallis เป็นการทดสอบความเท่าเทียมกันของค่าเฉลี่ยของประชากรรวมถึงปริมาณ (เช่นค่ามัธยฐาน) และมาตรการอื่น ๆ อีกมากมาย นั่นคือถ้าคุณคิดว่ากลุ่มกระจายอยู่ภายใต้สมมติฐานที่เหมือนกันและว่าภายใต้ทางเลือกการเปลี่ยนแปลงเพียงอย่างเดียวคือการกระจายกะ (ที่เรียกว่า " ทางเลือกที่ตั้งกะ ") แล้วก็ยังมีการทดสอบ ของความเท่าเทียมกันของค่าเฉลี่ยประชากร (และในเวลาเดียวกัน, ค่ามัธยฐาน, ควอไทล์ที่ต่ำลง, ฯลฯ )
[หากคุณใช้สมมติฐานนั้นคุณสามารถได้รับการประมาณการและช่วงเวลาสำหรับการเลื่อนแบบสัมพัทธ์เช่นเดียวกับที่คุณทำกับ ANOVA มันเป็นไปได้ที่จะได้รับช่วงเวลาโดยไม่มีข้อสันนิษฐานนั้น แต่มันยากที่จะตีความ]
หากคุณดูคำตอบที่นี่โดยเฉพาะอย่างยิ่งในตอนท้ายมันจะกล่าวถึงการเปรียบเทียบระหว่าง t-test กับ Wilcoxon-Mann-Whitney ซึ่ง (เมื่อทำการทดสอบสองแบบเป็นอย่างน้อย) จะเทียบเท่า ANOVA และ Kruskal-Wallis นำไปใช้กับการเปรียบเทียบเพียงสองตัวอย่าง; มันให้รายละเอียดเล็ก ๆ น้อย ๆ และการอภิปรายส่วนใหญ่นำไปสู่ Kruskal-Wallis vs ANOVA
ยังไม่ชัดเจนว่าคุณหมายถึงอะไรโดยความแตกต่างในทางปฏิบัติ คุณใช้พวกเขาในวิธีที่คล้ายกันโดยทั่วไป เมื่อมีการใช้สมมติฐานทั้งสองชุดพวกเขามักจะให้ผลลัพธ์ที่คล้ายคลึงกัน แต่พวกเขาสามารถให้ค่า p ที่แตกต่างกันอย่างเป็นธรรมในบางสถานการณ์
แก้ไข: นี่คือตัวอย่างของความคล้ายคลึงกันของการอนุมานแม้ในกลุ่มตัวอย่างขนาดเล็ก - นี่คือขอบเขตการยอมรับร่วมกันสำหรับการเลื่อนตำแหน่งระหว่างสามกลุ่ม (กลุ่มที่สองและกลุ่มที่สามเปรียบเทียบกับกลุ่มแรก) ตัวอย่างจากการแจกแจงแบบปกติ สำหรับชุดข้อมูลเฉพาะที่ระดับ 5%:
คุณสมบัติที่น่าสนใจมากมายสามารถมองเห็นได้ - ขอบเขตการยอมรับที่ใหญ่ขึ้นเล็กน้อยสำหรับ KW ในกรณีนี้โดยมีขอบเขตประกอบด้วยส่วนของเส้นตรงแนวตั้งแนวนอนและแนวทแยง (มันไม่ยากที่จะคิดว่าทำไม) ภูมิภาคทั้งสองบอกเราถึงสิ่งที่คล้ายกันมากเกี่ยวกับพารามิเตอร์ที่น่าสนใจที่นี่