Kruskal-Wallis test: een duidelijke, praktische gids voor het analyseren van meerdere groepen

Site-eigenaar Misc 5. oktober 2025 | 0

De Kruskal-Wallis test is een krachtige, non-parametrische methode om verschillen tussen drie of meer onafhankelijke groepen te beoordelen. In de statistiek biedt dit alternatief voor de klassieke ANOVA een robuuste aanpak wanneer de aannames van normaliteit of gelijke varianties niet gelden. In deze uitgebreide gids duiken we diep in wat de Kruskal-Wallis test inhoudt, wanneer je hem gebruikt, hoe je hem uitvoert in populaire programmeertalen, en hoe je de resultaten interpreteert. We behandelen ook de mogelijke vervolgstappen zoals post-hoc-tests en praktische voorbeelden zodat lezers direct mee aan de slag kunnen.

Kruskal-Wallis test: wat is het eigenlijk?

De Kruskal-Wallis test, vaak geschreven als Kruskal-Wallis test, is een niet-parametrische statistische toets die gebruikt wordt om te bepalen of er significante verschillen bestaan tussen drie of meer onafhankelijke groepen op een ordinale of continue meetwaarde. Het is vernoemd naar William Kruskal en W. A. Wallis, die deze toets in 1952 introduceerden. In de praktijk werkt de test op basis van rangordes in de gecombineerde dataset in plaats van de ruwe waarden, waardoor we minder afhankelijk zijn van de aanname dat de data normaal verdeeld zijn.

In spreektaal kun je zeggen: “ik vergelijk drie of meer groepen, maar ik vertrouw minder op de veronderstelling van normaalverdeling, dus ik kies een niet-parametrische aanpak.” De kruskal wallis test biedt dan een zwaarder robuuste route om te toetsen of er overall verschillen bestaan tussen de groepen. Wanneer de Kruskal-Wallis test significant is, betekent dit dat minstens één groep afwijkt van de rest, maar het zegt nog niets over welke groepen precies verschillen. Dat vereist vervolgonderzoek met post-hoc-tests zoals Dunn’s test of vergelijkbare methoden.

Toepassingsscenario’s en aannames

Wanneer gebruik je de Kruskal-Wallis test?

Drie of meer onafhankelijke groepen met een ordinale of continue meetwaarde.
De data vertonen scheefheid of afwijkingen van normaliteit, waardoor ANOVA minder betrouwbaar wordt.
Je hebt beperkte aantallen waarnemingen per groep, waardoor de robuustheid van niet-parametrische methoden waardevol is.
Je wilt snel een global oordeel of er verschillen bestaan tussen de groepen zonder directe aannames over de vorm van de verdelingen.

Belangrijke aannames en aandachtspunten

Onafhankelijke waarnemingen per groep. Herhaalde metingen binnen dezelfde groep vereisen een andere aanpak.
De meetwaarde moet ordinaal of continue zijn; nominale data zijn meestal niet geschikt voor deze test.
Hertrekken van de data in volgorde: de test is gebaseerd op rangnummers, niet op de ruwe waarden.
De vorm van de verdelingen tussen de groepen mag verschillen; de test is vaak robuust tegen verschillen in spreiding, zolang de cylindrische verhoudingen redelijk zijn.

Hoe werkt de Kruskal-Wallis test stap voor stap

In de kern draait de Kruskal-Wallis test om het vergelijken van de gemiddelde rangvolgorde tussen de groepen. De stappen zijn meestal als volgt:

Verzamel de data uit alle groepen en rangschik alle waarnemingen samen van laag naar hoog. Beloon dezelfde rang voor gelijke waarden (ties).
Bepaal de gemiddelde rang per groep.
Bereken de teststatistiek H, die op een χ²-verdeling (chi-kwadraat) met k-1 vrijheidsgraden benaderd wordt, waarbij k het aantal groepen is.
Controleer de significantie van H met de juiste p-waarde. Een lage p-waarde wijst op verschillen tussen minstens twee groepen.
Indien H significant is, voer post-hoc-tests uit om precies aan te geven welke paren groepen verschillen. Pas correcties toe voor meervoudige vergelijkingen.

Een paar technische details: als er veel gelijke waarden voorkomen, worden de rangtoewijzingen aangepast met een correctie voor ties. Dit zorgt ervoor dat de teststatistiek eerlijk blijft. Voor kleine steekproeven kan een exacte berekening handiger zijn, maar in de praktijk wordt vaak de chi-kwadraatbenadering gebruikt vanwege de eenvoud en acceptabele nauwkeurigheid bij grotere datasets.

Interpretatie van de Kruskal-Wallis test: wat betekenen de resultaten?

Wanneer je de kruskal wallis test uitvoert en een p-waarde verkrijgt, is de interpretatie als volgt:

Als de p-waarde kleiner is dan de gekozen alfa (bijvoorbeeld 0,05), bestaan er statistisch significante verschillen tussen de groepen. Dit betekent dat de nulhypothese (alle groepen hebben dezelfde verdeling qua rangvolgorde) kan worden verworpen.
Een significante uitkomst geeft aan dat ten minste één groep een andere rangvolgorde heeft dan de rest. Het vertelt niet welke paren groepen verschillen.
Na een significante Kruskal-Wallis test is het gebruikelijk om post-hoc-tests te doen om de specifieke paren te achterhalen. Hierbij is correctie voor meervoudige vergelijking essentieel om het type I-fout te beheersen.

Post-hoc testing na een Kruskal-Wallis toetse: Dunn’s test en meer

Als de Kruskal-Wallis test significant is, is Dunn’s test een gangbare keuze voor pairwise vergelijkingen tussen groepen. Belangrijke punten:

Dunn’s test vergelijkt elk paar groepen op basis van hun rangvolgorde en geeft p-waarden voor elk paar.
Correcties voor meervoudige vergelijkingen (zoals Bonferroni, Holm, of Hochberg) moeten worden toegepast om de kans op valse positieve bevindingen te beperken.
In veel statistische software zijn functies of pakketten beschikbaar die Dunn’s test automatisch combineren met de gewenste correctiemethode.

Kruskal-Wallis test in populaire statistische omgevingen

R: uitvoeren en interpreteren

In R is de basisaanpak om de functie kruskal.test te gebruiken. Bijvoorbeeld:

# Voorbeelddata
# outcome: meetwaarde
# group: factor met drie groepen: A, B, C
kruskal.test(outcome ~ group, data = df)

# Post-hoc Dunn-test (met p-waarde correctie)
library(FSA)
library(rcompanion)
dunnTest(outcome ~ group, data = df, method = "bh")

Let op: voor Dunn’s test kun je ook pakketten zoals FSA of package “FSA” gebruiken, afhankelijk van je voorkeur en dataset. Het kiezen van de juiste correctiemethode is cruciaal voor betrouwbare conclusies.

Python: Kruskal-Wallis in SciPy en post-hoc opties

In Python kun je de Kruskal-Wallis test uitvoeren met SciPy en vervolgens aftermarket-tools gebruiken voor post-hoc vergelijkingen:

from scipy.stats import kruskal

# Drie groepen als arrays
stat, p = kruskal(group1, group2, group3)
# Interpretatie: stat en p geven aan of er een wereldwijd verschil is. Voor post-hoc ga je vaak naar scikit-posthocs.

# Voor Dunn-like post-hoc:
import scikit_posthocs as sp
# data is een DataFrame met kolommen 'value' en 'group'
p_values = sp.posthoc_dunn(df['value'], df['group'], p_adjust='bonferroni')

SPSS en andere software

In SPSS vind je de Kruskal-Wallis optie onder non-parametrische toetsen. De interface laat je eenvoudig de afhankelijke variabele en factor selecteren, waarna SPSS de H-statistiek en de p-waarde retourneert. Voor post-hoc vergelijkingen kun je Dunn’s test of vergelijkbare opties selecteren in de uitbreidingen of met extra scripts.

Aannames, beperkingen en beste praktijken

Robuustheid: de Kruskal-Wallis test is robuust tegen afwijkingen van normaliteit en verschillende spreidingsomstandigheden tussen groepen.
Wanneer het aantal waarnemingen per groep klein is, kan de precisie van de p-waarde lager zijn en is zorgvuldige interpretatie geboden.
Als de verdelingen sterk van vorm verschillen (bijvoorbeeld extreem scheef of met meerdere toppen), kunnen de interpretaties complexer zijn en kan aanvullende non-parametrische methoden of transformatiemethoden nuttig zijn.
De post-hoc-tests vereisen zorgvuldige correcties; zonder correctie kan het voorkomen van fout-positieven aanzienlijk toenemen.

Kruskal-Wallis vs. ANOVA: wanneer kies je welke?

De keuze tussen de Kruskal-Wallis test en ANOVA hangt af van de data, steekproefgrootte en de aannames die je bereid bent te accepteren:

Als aanname van normaliteit redelijk is en de varianties uniform zijn, kan ANOVA krachtiger zijn en preciezer bij het identificeren van verschilpatronen.
Als normaliteits- of variantie-aannames twijfelachtig zijn, biedt de Kruskal-Wallis test een robuuste, niet-parametrische route die minder gevoelig is voor ongewenste verstoringen in de data.
Voor ordinale data of data met grote uitschieters is de niet-parametrische aanpak vaak verstandiger, omdat de rangorde minder afhankelijk is van extreme waarden.

Praktische voorbeelden: hoe je de Kruskal-Wallis test in de praktijk toepast

Stel je werkt met drie behandelgroepen die meten hoe snel deelnemers reageren op een stimulus. De doelstelling is om te achterhalen of er een verschil is tussen de groepen in de reactivatietijd. Door alle meetwaarden samen te rangschikken krijg je een globale rangvolgorde. Daarna kijk je naar de gemiddelde rang van elke groep en bereken je de H-statistiek. Een significante uitkomst suggereert dat ten minste één groep verschilt in zijn reactivatietijd ten opzichte van de andere groepen. Vervolgens kun je Dunn’s test gebruiken om te ontdekken welke paren daadwerkelijk van elkaar verschillen, bijvoorbeeld Behandeling A vergeleken met Behandeling B en Behandeling C, en zo verder.

Effectgrootte en rapportage

Net zoals bij andere inferentiële testen is het nuttig om een effectgrootte te rapporteren. Voor de Kruskal-Wallis test zijn populaire opties:

Eta-kwadraat (η²) toegepast op de Kruskal-Wallis statistic, om aan te geven hoeveel variantie in de rangvolgorde door groep(en) wordt verklaard.
Rangcorrelatie/ effet-ordinaat gerelateerde maatstaven die aangeven hoe sterk groepen verschillen op basis van hun rangvolgorde.

Wanneer je rapporteert, wees dan duidelijk over:

Het aantal groepen en de groepsgroottes.
De H-statistiek en de bijbehorende p-waarde.
Of en welke post-hoc tests zijn gebruikt, inclusief correctiemethode.
De gebruikte aannames en eventuele beperkingen van de data.

Veelvoorkomende fouten en hoe je die vermijdt

Verwarren van post-hoc tests met de hoofdtoets. De Kruskal-Wallis test toont global verschil; post-hoc tests identificeren waar precies de verschillen zitten.
Niet toepassen van correcties voor multiple vergelijkingen in post-hoc analyses, wat kan leiden tot teveel fout-positieve bevindingen.
Verkeerd interpreteren van de uitkomsten bij ongelijke groepsgroottes of duidelijke vormverschillen in de verdelingen. In dergelijke gevallen kun je aanvullende analyses of transformatiemethoden overwegen.
Verzuimen van rapportage van effectgrootte. Zonder een maat voor effect blijft de praktische betekenis van statistische significantie onduidelijk.

Samenvatting en conclusies

De Kruskal-Wallis test biedt een robuuste, flexibele en toegankelijke methode om verschillen tussen drie of meer onafhankelijke groepen te onderzoeken wanneer normaliteits- of homoscedasticiteitsproblemen spelen. Door te vertrouwen op rangordes in plaats van ruwe waarden, kunnen onderzoekers betrouwbare inferenties trekken over meerdere groepen zonder strikte aannames. Wanneer de test significant uitvalt, is er verschil tussen ten minste twee groepen, en is post-hoc testing essentieel om de specifieke paren te identificeren. Met de juiste implementatie in R, Python of andere statistische omgevingen kun je dit proces vlot en transparant uitvoeren, inclusief duidelijke rapportage van resultaten en effectgroottes.

Veelgestelde vragen over de Kruskal-Wallis test

Wat is het verschil tussen de Kruskal-Wallis test en de Mann-Whitney test?

De Kruskal-Wallis test vergelijkt drie of meer onafhankelijke groepen, terwijl de Mann-Whitney test twee onafhankelijke groepen vergelijkt. Voor meer dan twee groepen is Kruskal-Wallis de eerst aangewezen test. Als Kruskal-Wallis significant is, volg je vaak post-hoc tests om specifieke paren te onderscheiden.

Hoe interpreteer ik een niet-significante Kruskal-Wallis test?

Een niet-significante uitkomst wijst erop dat er geen statistisch bewijs is voor verschillen tussen de groepen op basis van de gebruikte data en het gekozen alfa-niveau. Dit betekent niet per se dat de groepen volledig identiek zijn; het kan ook zijn dat de steekproefgrootte onvoldoende power heeft om een bestaand verschil te detecteren.

Welke soort data is geschikt voor de Kruskal-Wallis test?

Geschikte data omvatten ordinale validaties, of continue met niet-normale verdelingen of ongelijke varianties. Nominale data vereisen doorgaans andere analysemethoden.

Kan ik de Kruskal-Wallis test ook gebruiken bij gebonden data of met uitschieters?

Ja, de test is vaak robuust voor uitschieters en kan goed omgaan met gebonden data als de meetwaarden ordinaal genoeg zijn. Het blijft nuttig om inspecties zoals boxplots te gebruiken om de aard van de data te begrijpen voordat je conclusies trekt.

Slotwoord: de kracht van de Kruskal-Wallis test in de praktijk

De Kruskal-Wallis test is een onmisbaar instrument voor onderzoekers die met meerdere groepen werken onder minder ideale aannames. Door de kracht van non-parametrische statistiek te combineren met duidelijke rapportage en verslaglegging, kun je betrouwbare en begrijpelijke conclusies trekken. Of je nu academic research doet, een klinische proef analyseert of een sociaal wetenschappelijk project uitvoert, de Kruskal-Wallis test biedt een solide basis om verschillen tussen drie of meer groepen te onthullen en om vervolgens gericht vervolgonderzoek uit te voeren met gepaste post-hoc analyses.