Kruskal-Wallis检验执行正确性验证及结果展示建议

一、操作正确性验证要点 #

由于你暂未附上具体数据集、代码和结果，先给出通用的验证维度：

• 变量类型匹配：Kruskal-Wallis是独立样本非参数检验，要求Income为分组变量（如低收入/中收入/高收入），PS_score为连续型或有序分类变量，先确认你的变量类型是否符合该前提。
• 代码逻辑检查：
  • 若用R，标准代码为kruskal.test(PS_score ~ Income, data = your_data)，需确认公式里因变量（PS_score）和自变量（Income）的位置正确，数据集加载无误。
  • 若用Python，scipy.stats.kruskal需要传入各收入组的PS_score数组，比如kruskal(group_low, group_mid, group_high)，要确保分组提取无遗漏或错误。
• 结果解读逻辑：
  • 关注p值：若p<0.05，说明至少有一组的PS_score中位数与其他组存在显著差异；若p≥0.05，无足够证据证明组间存在差异。
  • 注意：Kruskal-Wallis仅能判断组间整体是否有差异，无法定位具体差异组，需后续补充事后检验（如Dunn检验）。

二、结果展示建议 #

1. 箱线图（最常用） #

直观展示各收入组PS_score的分布、中位数和离散程度：

• R代码示例：

library(ggplot2)
ggplot(your_data, aes(x = Income, y = PS_score)) +
  geom_boxplot(fill = "lightblue", outlier.color = "red") +
  labs(title = "政策支持得分按收入分组分布", x = "收入分组", y = "政策支持得分") +
  theme_minimal()

• Python代码示例：

import seaborn as sns
import matplotlib.pyplot as plt

sns.boxplot(x="Income", y="PS_score", data=your_data)
plt.title("政策支持得分按收入分组分布")
plt.xlabel("收入分组")
plt.ylabel("政策支持得分")
plt.show()

2. 小提琴图 #

结合箱线图和密度曲线，更清晰呈现数据分布形态：

• R代码示例：

ggplot(your_data, aes(x = Income, y = PS_score)) +
  geom_violin(fill = "lightgreen", alpha = 0.6) +
  geom_boxplot(width = 0.2, color = "black") +
  labs(title = "政策支持得分按收入分组的小提琴图", x = "收入分组", y = "政策支持得分") +
  theme_bw()

3. 事后检验结果可视化 #

若完成Dunn检验，可在箱线图上添加显著性标记：

• R中结合dunn.test包的示例：

library(dunn.test)
# 执行Dunn检验并校正多重比较
dunn_result <- dunn.test(your_data$PS_score, your_data$Income, method = "bonferroni")
# 在箱线图上标注显著性（示例）
ggplot(your_data, aes(x = Income, y = PS_score)) +
  geom_boxplot() +
  annotate("text", x = 1, y = max(your_data$PS_score)+0.5, label = "*", size = 8) +
  annotate("text", x = 2, y = max(your_data$PS_score)+0.5, label = "**", size = 8)

三、补充提示 #

• 若Income是连续变量，建议先按分位数或业务规则分组后再做检验，否则Kruskal-Wallis不适用。
• 提前处理缺失值，可使用R的na.omit()或Python的dropna()函数清除无效数据。

内容的提问来源于stack exchange，提问作者Lucy Larner