Prueba de Kruskal-Wallis: Qué es, cuándo usarla y cómo interpretarla

¿Te has preguntado alguna vez cómo analizar varios grupos de datos cuando las condiciones ideales del análisis estadístico clásico no se cumplen? La estadística está repleta de retos: datos que no siguen una distribución normal, tamaños de muestra pequeños o grandes, o la presencia de valores atípicos que lo ponen todo patas arriba. Ahí es cuando entran en juego las pruebas no paramétricas, y entre ellas, la prueba de Kruskal-Wallis se posiciona como una de las herramientas más potentes y versátiles que existen.

En el día a día de la investigación —sea en biomedicina, psicología, ciencias sociales o incluso negocios— la prueba de Kruskal-Wallis es el salvavidas para quienes necesitan comparar tres o más grupos independientes sin cumplir los exigentes requisitos del ANOVA clásico. Si te interesa conocer a fondo cómo funciona, cuándo usarla, cuáles son sus requisitos y qué puede aportarte en la interpretación de resultados, este artículo es para ti.

¿Qué es la prueba de Kruskal-Wallis?

La prueba de Kruskal-Wallis, también conocida como test H, es un método estadístico no paramétrico propuesto por William Kruskal y W. Allen Wallis en los años 50. Su objetivo principal es comparar si existen diferencias estadísticamente significativas en la tendencia central (normalmente la mediana) entre tres o más grupos independientes.

A diferencia del conocido ANOVA de una vía, que requiere datos normalmente distribuidos y varianzas homogéneas, la prueba de Kruskal-Wallis solo necesita que los datos sean de al menos escala ordinal y que las muestras sean independientes. Es decir, no se ve limitada por la falta de normalidad ni por la presencia de datos extremos o atípicos.

Por esta razón, se la conoce como la alternativa no paramétrica al ANOVA de un factor y también como una extensión de la prueba de Mann-Whitney U para más de dos grupos.

ANOVA: qué es, para qué sirve y cómo interpretar sus resultados

¿Para qué sirve la prueba de Kruskal-Wallis?

Esta prueba es especialmente útil cuando:

• Los datos están distribuidos de forma desconocida o no normal, y no puedes justificar el uso de pruebas paramétricas.
• Analizas tres o más grupos independientes, por ejemplo, diferentes tratamientos en medicina, hábitos en grupos de edad o metodologías educativas.
• Las variables son ordinales o continuas, es decir, pueden ser ordenadas o medidas en intervalos, pero no necesariamente cumplen con la normalidad.
• Hay sospecha de valores extremos (outliers) o de varianzas no homogéneas entre los grupos.

Al aplicar Kruskal-Wallis, puedes determinar si al menos uno de los grupos presenta un comportamiento diferente respecto a los demás en la variable de interés.

Hipótesis de la prueba de Kruskal-Wallis

Como ocurre en casi todas las pruebas estadísticas, aquí también se plantea una hipótesis nula (H0) y una alternativa (H1):

• Hipótesis nula (H0): Las muestras independientes proceden de poblaciones con la misma tendencia central (por ejemplo, la misma mediana o la misma distribución).
• Hipótesis alternativa (H1): Al menos una de las muestras independientes procede de una población con diferente tendencia central.

La prueba de Kruskal-Wallis permite rechazar o no la hipótesis nula, pero no indica qué grupos difieren exactamente, para ello, será necesario realizar análisis post-hoc.

Supuestos y requisitos para aplicar Kruskal-Wallis

Antes de calcular el test H, asegúrate de que se cumplen las condiciones mínimas para su aplicación:

• Independencia de las observaciones: Los datos dentro de cada grupo y entre los grupos no deben estar relacionados.
• Variable dependiente de al menos nivel ordinal: Puedes utilizar datos ordinales (ranking, posiciones) o datos continuos (valores numéricos), pero no categóricos puros.
• Tres o más grupos independientes: Aunque puede usarse con dos, su sentido está en comparar tres o más muestras independientes.
• Suficiente tamaño de muestra: Cada grupo debería tener al menos cinco observaciones para garantizar resultados más robustos.
• Forma similar de las distribuciones: No es necesario que sean iguales, pero sí que tengan una forma similar (por ejemplo, todas asimétricas a la derecha).

Si alguna de estas condiciones no se cumple, considera otras pruebas alternativas, como la prueba de Friedman para muestras dependientes.

¿Cómo funciona la prueba de Kruskal-Wallis?

La lógica de Kruskal-Wallis es sencilla pero ingeniosa: en lugar de comparar los valores originales, transforma todos los datos en una escala común de rangos, lo que elimina la influencia de valores extremos, distribuciones anómalas y varianzas dispares.

Paso a paso en el cálculo

1. Combina todos los datos de los distintos grupos en un único conjunto y ordénalos de menor a mayor.
2. Asigna rangos consecutivos (el valor más bajo recibe el 1, el siguiente el 2, etc.). Si hay valores repetidos, asigna el promedio de los rangos correspondientes.
3. Suma los rangos dentro de cada grupo.
4. Calcula el estadístico H usando la fórmula:

H = ∑ – 3·(N+1)

• N: número total de observaciones
• Ri: suma de rangos de cada grupo i
• ni: tamaño del grupo i
• k: número de grupos

5. Compara el valor de H con el valor crítico de la distribución chi-cuadrado con k-1 grados de libertad para determinar la significación estadística.
6. Interpreta el valor p resultante.

Interpretación de los resultados de Kruskal-Wallis

El valor p (o p-value) será la clave para tomar decisiones. Debes compararlo con el nivel de significación establecido (por ejemplo, 0,05):

• Si p > 0,05: No hay evidencias suficientes para rechazar la hipótesis nula. Los grupos no presentan diferencias significativas en su tendencia central.
• Si p ≤ 0,05: Se rechaza la hipótesis nula. Hay al menos un grupo cuya distribución, mediana o tendencia central difiere de los demás.

La prueba de Kruskal-Wallis indica que existen diferencias, pero no especifica cuáles en particular. Para ello, será necesario realizar análisis post-hoc con pruebas específicas.

Cómo hacer una ANOVA en Excel: guía completa, ejemplos y trucos

Ejemplo ilustrativo de Kruskal-Wallis

Supón que tienes tres grupos de personas a los que has medido su tiempo de reacción ante diferentes estímulos:

• Grupo 1: 12, 18, 15, 20
• Grupo 2: 25, 30, 28, 22
• Grupo 3: 35, 38, 40, 42

El proceso sería:

1. Combinas todos los datos: 12, 15, 18, 20, 22, 25, 28, 30, 35, 38, 40, 42
2. Asignas rangos del 1 al 12:
   • Grupo 1: 1, 2, 3, 4 (Suma 10)
   • Grupo 2: 5, 6, 7, 8 (Suma 26)
   • Grupo 3: 9, 10, 11, 12 (Suma 42)
3. Calcula el valor de H usando la fórmula.
4. Compara el estadístico con el valor crítico en la tabla chi-cuadrado (k-1 grados de libertad).
5. Verifica el p-valor y decide si hay diferencias significativas.

Si el valor p resultante es menor a 0,05, puedes afirmar que existen diferencias estadísticamente significativas entre al menos uno de los grupos.

Análisis post-hoc: ¿Qué grupos son diferentes?

Una vez detectadas las diferencias, surge la duda: ¿cuáles son los grupos que difieren?

Para identificar exactamente qué pares difieren, se emplean pruebas post-hoc. Las más recomendadas son:

• Prueba de Dunn: Ideal para comparar múltiples pares y controlar el error tipo I, especialmente si se aplica la corrección de Bonferroni.
• Pruebas de Mann-Whitney por pares: Comparas cada par con la y ajustas los valores p con Holm o Bonferroni.
• En R: funciones como pairwise.wilcox.test() o kruskalmc() del paquete pgirmess facilitan estos análisis.

Estos test revelan qué grupos difieren exactamente, ayudando a interpretar mejor los resultados de Kruskal-Wallis.

Ventajas y desventajas de la prueba de Kruskal-Wallis

Ventajas

• No exige normalidad: Es útil cuando los datos no siguen distribución normal o no se puede garantizar.
• Trabaja con datos ordinales: No requiere datos métricos; basta con rangos ordinales.
• Resistente a valores extremos: La transformación en rangos evita que outliers distorsionen los resultados.
• Puede usarse en muestras pequeñas o grandes.

Desventajas

• No indica qué grupo es diferente: Solo revela la existencia de diferencias, no su ubicación específica, por lo que necesita análisis post-hoc.
• Asume formas similares de distribución: Si las distribuciones son muy dispares, el resultado puede ser engañoso.
• Menor potencia estadística respecto a ANOVA si se cumplen los requisitos de este último.

Prueba Chi-cuadrado: Qué es, para qué sirve y cómo aplicarla paso a paso

Aplicaciones frecuentes

Se emplea en diversos ámbitos, como por ejemplo:

• Medicina: Comparar eficacia de tratamientos sin garantizar distribución normal de resultados.
• Ciencias sociales: Analizar variaciones en respuestas según edad, nivel educativo o regiones.
• Biología: Estudiar efectos de condiciones ambientales en crecimiento de plantas o animales.
• Marketing: Evaluar aceptación de productos o campañas agrupando consumidores con diferentes características.

Aspectos técnicos y fórmulas

Para quienes quieran profundizar en la fórmula y fundamentos:

• El estadístico H puede ajustarse si hay valores repetidos mediante un factor de corrección.
• En muestras grandes, H sigue aproximadamente una distribución chi-cuadrado con k-1 grados de libertad.
• El p-valor se obtiene comparando H con la tabla de chi-cuadrado correspondiente.
• Para muestras con menos de cinco observaciones en algún grupo, es recomendable usar métodos exactos o tablas especiales.

Consulta detalles en Wikipedia u otros recursos especializados.

Cómo realizar la prueba de Kruskal-Wallis en software estadístico

Esta prueba es sencilla de implementar en programas como R, Python o plataformas online. Por ejemplo, en R, la función kruskal.test(). En Python, scipy.stats ofrece stats.kruskal(). También existen calculadoras en línea, como la de DATAtab.

Ejemplo en Python:

from scipy.stats import kruskal
stat, p_value = kruskal(, , )
print('Estadístico H:', stat)
print('Valor p:', p_value)

Siempre revisa los resultados interpretándolos correctamente y considerando los requisitos de la prueba.

Guía completa sobre abas ERP: qué es, cómo funciona y todo lo que necesitas saber

La prueba de Kruskal-Wallis destaca por su versatilidad para la comparación de múltiples grupos independientes, especialmente cuando no se cumplen los requisitos de normalidad y homogeneidad de varianzas que exigen los tests paramétricos. Su sencillez, resistencia a valores extremos y capacidad para trabajar con datos ordinales la convierten en una herramienta fundamental en el análisis estadístico. Recuerda complementar con análisis post-hoc para determinar qué grupos presentan diferencias específicas.