クラスカルウォリス検定とフリードマン検定の違いを徹底解説｜中学生にもわかる使い分けガイド

---

はじめに：クラスカルウォリス検定とフリードマン検定の違いをつかむ

この解説は中学生にもわかるように、クラスカルウォリス検定とフリードマン検定の違いを丁寧に説明します。どちらも非パラメトリック検定の仲間であり、正規分布を前提としないデータに向く場面が多いです。ただし適用される場面が異なります。基本的な考え方を押さえることが、実際のデータ分析で正しい検定を選ぶ第一歩になります。ここからは"独立性"と"反復測定"というデザインの違いを軸に、身近な例を交えながら進めます。結果として、どの検定を選ぶべきか迷ったときの判断材料が増えるはずです。まずはデータの性質を見極めるところから始めましょう。

また、読み手が理解しやすいように計算の流れやp値の意味、事後検定の扱い方についても触れます。最後には実務での使い分けを一目で分かる表とともに整理します。

この解説で強調したい点は、独立データと反復データの違いを理解することが検定を選ぶ第一の判断基準になるということです。

クラスカルウォリス検定とは

クラスカルウォリス検定は、三つ以上の独立したグループのデータを同時に比較する非パラメトリック検定です。データの大小関係に着目してランクをつけ、各グループのランクの和を使って全体の差の有意性を検定します。データが名義尺度ではなく順序尺度や間隔尺度でもOKであり、正規分布を仮定しません。その結果として得られる検定統計量はHと呼ばれ、自由度はグループ数 minus 1になります。データに結び目があるときは結びの補正を適用します。

この検定を選ぶ場面としては、複数のクラスのテストの得点を比較したい場合や、薬剤の効果を複数の条件で一度に比較したい場合など、独立したサンプルを同時に比較したい場面が挙げられます。結果の解釈はp値が0.05以下なら「少なくとも1つのグループ間に差がある」となります。ただしどのグループ間に差があるかを知るには追加の事後検定が必要になることが多いです。

なお、データに結び目が少ない場合は検出力がやや低くなることがあります。以上がクラスカルウォリス検定の基本です。

フリードマン検定とは

フリードマン検定は同じ被験者に対して複数の処理や条件を適用した場合の各処理の中央値を比較する非パラメトリック検定です。いわば反復測定デザインの非パラメトリック版で、各被験者が3つ以上の処理を経験したときに用います。データは被験者ごとに「条件間の順位」を取る形で扱われ、データ全体はブロック内で ranking します。検定統計量はフリードマンQと呼ばれ、自由度は処理の数 minus 1 となります。クラスカルウォリスと同じく分布は近似的にカイ二乗分布で扱われ、データの結びつきが強いほど検出力が高くなります。

実務的な流れは、まず被験者ごとに各処理をランク付けします。次に処理ごとの平均ランクを比較して全体の差を検定します。結びの補正が必要になる場面はフリードマン検定でも同様で、データに同一の被験者が複数の条件を経験していることが前提です。

この検定が有効な場面は、教育実験で複数の授業形態を同じ生徒に対して試した場合や、薬剤の効果を同一患者群で比較するような研究です。被験者間の独立性が成り立つクラスカルウォリスとは異なり、フリードマンは"同じ人が複数の条件を体験した"デザインに適しています。

検定結果の解釈はp値が0.05以下なら差があると判断しますが、どの処理間に差があるかを知るには別途の事後検定や多重比較の補正が必要になることが多い点に注意してください。

違いを整理して使い分けるポイント

ここまでの内容をまとめると、使い分けの大きな基準はデザインの違いです。

以下のポイントを意識すると判断が楽になります。

独立データの場合はクラスカルウォリスを優先します。各グループのデータは互いに独立していることが前提です。

同じ被験者が複数条件を経験している場合はフリードマン検定を選ぶべきです。ブロック内での順位差を検出する設計に適しています。

いずれの検定も分布の形状に依存せずランクを用いますが、デザインが異なるため検定統計量や解釈が少しずつ異なります。実務ではデータ準備時に独立性と反復性を確認し、必要に応じて事後検定や補正を行うことが重要です。

実務の具体例と注意点

現場の具体例を挙げて考えてみましょう。ある学校で3つの授業形態を比較する場合を想定します。生徒は各形態を体験し、それぞれの成績を取ります。この場合は同じ生徒が複数の条件を経験しているためフリードマン検定が適しています。別の例として、3つのクラスで独立した生徒を対象にテストを行った場合はクラスカルウォリス検定を用います。データの特性としては、得点が連続値でも順位が重要でも適用可能です。

注意点としては外れ値の影響を受けやすい点と、p値だけで判断せず効果量を併記することが望ましい点です。検定の前提がそろっているかを確認するチェックリストを用意するとミスを減らせます。最後に、デザイン設計の段階から適切な検定を想定しておくことが分析の信頼性を高めます。

検定後には事後検定を検討し効果量も報告することで、結果の解釈がより実務的になります。

表での比較とまとめ

下の表はクラスカルウォリス検定とフリードマン検定の主な違いを一目で理解するためのものです。各検定の適用場面と特徴を簡潔に整理しています。なお実務では検定後の追加分析や効果量の解釈を併せて行うことが多い点に注意してください。

<table>項目クラスカルウォリス検定フリードマン検定デザイン独立したグループの比較同一被験者が複数条件を経験データ階層サンプルは独立ブロック内でのランキング検定統計量HQ自由度k - 1k - 1前提正規分布を仮定しない正規分布を仮定しない適用例複数クラスの得点比較など同一生徒の複数条件の比較などtable>

ピックアップ解説

今日はクラスカルウォリス検定とフリードマン検定の違いについて、雑談風に掘り下げてみるね。友達と数学の話をしているとき、ある教室のテスト結果を思い浮かべてみてほしい。もし複数のクラスを比較する場合は、それぞれの生徒が別々のグループとして現れる。そんなときはクラスカルウォリス検定を使うのが自然だ。反対に、同じ生徒が3つの授業スタイルを受けて得点を出すような実験設計なら、被験者ごとに条件間の順位を取るフリードマン検定が適している。ここで大事なのはデータの「独立性」と「反復性」だよ。独立性が保たれていなければクラスカルウォリスは誤検出しやすいし、反復性がないとフリードマンは意味をなさない。つまり検定はデザインを反映して選ぶべきで、データの性質を先に決めておくと分析がスムーズになる。こんな風に考えると、授業の形態を評価するだけの手軽な道具でも、データと設計を結びつける“考え方の道具”として役立つんだ。

---