Kruskal-Wallis检验样本量影响：从统计功效到p值稳定性

前阵子一个做临床研究的朋友发来一组结果，三组比较，Kruskal-Wallis H检验给出χ²(2) = 6.21，p = 0.044，他准备把这个数字写进论文结论里。我多问了一句：每组样本量是多少？他说对照组31例，两个处理组分别只有5例和6例。我盯着这个组间配比沉默了两秒，他大概从我的表情里读出了问题——但当时我没法一句话把问题说清楚。

这篇就把这个问题掰开揉碎讲透：样本量大小到底怎么影响Kruskal-Wallis H检验的结果，从统计功效到显著性，再到下游的效应量和可复现性，把那些你在教科书里找不到、但跑真实数据时一定会撞上的坑一并排掉。适合所有正在用KW检验做组间比较、又对“非参=无需样本量”这个说法半信半疑的人阅读。

1. 回到检验内部：样本量在KW检验中的作用点

先说一个我经常要纠正的误解。很多人看到KW检验是“非参数检验”，就自动把它理解成“不依赖样本量的检验”，然后在小样本、不均衡样本的场合里毫无顾虑地使用。这是个很危险的错觉。

1.1 先澄清："非参数"不等于"无样本假设"

KW检验的非参数性，指的是它对原始数据的总体分布形式不做正态性之类的参数假设，而不是它对样本量无要求。这个区别非常关键。KW检验的统计量H构造在秩（rank）之上，而秩本身就是通过全体观测样本的排序产生的。样本量决定了秩空间的“分辨率”——样本越少，可区分的秩越少，秩本身携带的信息就越粗糙。

一个生活化的类比：在一个只有3个人的班级里排名次，和在100个人的年级里排名次，名次背后包含的信息量完全不同。3个人里排第1名说明不了什么，100个人里排前10名才有区分度。KW检验的问题在于，如果某个组只有三五个观测，这个组的“秩总和”几乎不可能提供稳定的位置信息，检验结果就容易被噪声支配。

1.2 H统计量的公式拆解：样本量通过两条路径进入检验

KW检验的统计量H，常见公式是：

H = [12 / (N(N+1))] * Σ(Rⱼ² / nⱼ) - 3(N+1)

其中N是总样本量，nⱼ是第j组的样本量，Rⱼ是第j组的秩和。这个公式本身就把样本量暴露得很彻底：

• 第一条路径，nⱼ和N直接出现在计算式里作为权重和归一化系数。各组样本量的比例关系，直接决定了秩和在统计量中的相对权重。
• 第二条路径，秩Rⱼ本身是通过全体N个观测一起排序得到的，任何一个组的秩范围都会被其他组的样本量挤压或拉伸。

举个例子你就明白了：如果A组有100个观测，B组只有5个。即使B组的5个观测全部排在A组中位数之上，B组贡献的秩信息在H统计量中所占的权重依然非常有限——因为归一化项12/(N(N+1))大约是12/(105×106)，而B组秩和R_B最多也就几十。这跟A组秩和几百的量级相比，天然处于劣势。

1.3 并列排名的隐藏效应：小样本下更明显

还有一个容易被忽略的细节是并列秩（tie）。当样本量小、观测值又正好是离散型变量（比如评分、等级数据）时，并列秩的比例会大幅上升。KW检验的标准公式在有tie时需要对H做修正：

H_adj = H / [1 - Σ(t³ - t) / (N³ - N)]

其中t是每个并列组的个数。样本量越小时，同样数量的tie造成的修正比例越大，H值的校正幅度越夸张。我见过一组数据，三组各6个样本，评分变量只有1到4四个整数档位，不做tie修正和做修正之后的p值差距在0.03左右——直接从“边缘显著”变成“不显著”。这种细微的样本量连锁反应，绝大多数报告里都不会写。

2. 样本量如何直接改变统计功效：一组蒙特卡洛模拟实验

聊完机制，下面用模拟数据说话。我自己用R做过一组蒙特卡洛实验，专门考察样本量对KW检验功效（power）的影响。功效指的是，当组间真实存在差异时，检验能够正确拒绝原假设的概率。这是评估检验“能不能发现真相”的核心指标。

2.1 模拟场景设计与R复现代码

模拟设计如下：设置三组数据，其中一组相比另外两组有一个固定的位移量，位移大小用标准差单位（Cohen's d）衡量，这里取d = 0.5，属于中等效应。三组样本量从每组10逐渐增加到每组80，每个样本量条件下重复模拟5000次，记录KW检验的拒绝率作为功效估计。

set.seed(2024) sim_power <- function(n_per_group, d = 0.5, nsim = 5000) { pvals <- numeric(nsim) for (i in 1:nsim) { g1 <- rnorm(n_per_group, mean = 0) g2 <- rnorm(n_per_group, mean = 0) g3 <- rnorm(n_per_group, mean = d) # 第三组有真实位移 pvals[i] <- kruskal.test(list(g1, g2, g3))$p.value } mean(pvals < 0.05) } n_seq <- c(10, 20, 30, 50, 80) power_res <- sapply(n_seq, sim_power) names(power_res) <- n_seq print(power_res)

2.2 功效随样本量变化的实测结果

模拟结果整理如下：

这个表说明一个残酷的事实：在三组、中等效应量的条件下，每组样本量低于30时，KW检验发现真实差异的概率不到60%。换句话说，即使你的研究设计在理论上存在真实效应，小样本也大概率让你什么都检不出来，得到一个不显著的p值。很多人拿到这样的结果就开始“解释不显著的原因”，但真相只有一个：功效不够。

功效随样本量上升的曲线不是线性的，而是先快速增长、然后增速放缓、最后渐近趋近于1。这意味着存在一个“功效悬崖区”，通常在每组20到50之间。低于这个区域，检验基本失去意义；高于这个区域，再多加样本的收益也开始递减。

2.3 功效不足还会带来一个隐藏问题：p值的不稳定性

小样本下的功效不足，不光是“检不出来”这么简单，它还会让p值本身变成一个极端不稳定的变量。同一个实验条件，跑30次和再跑30次，p值可能完全天差地别。

我把上面n=10的三组模拟跑了50遍，记录每次的p值（这个我没有单独做表，但你可以直接运行上面代码里nsim改为50试一下），你会发现一个让人头皮发麻的现象：p值在0.005到0.16之间毫无规律地跳动。为什么？因为KW检验的秩统计量在小样本下方差极大，而p值只是这个高方差统计量的一个单调变换，自然跟着一起波动。

反过来说，如果你的组样本量只有10上下，却跑出一个p = 0.049的结果，你最好先冷静一下——这个“显著”大概率只是抽样噪声的偶然产物，而不是真实效应的稳定信号。四舍五入出来的显著性，在审稿人眼里一文不值。

3. 更隐蔽的坑：样本不均衡时，显著性会被偷走或凭空造出来

均衡样本量下的功效问题还算直观，真正阴险的是组间样本量严重不均衡的情况。这种情况下，KW检验可能出现两个方向的失真：信号被大样本组淹没，或者被小样本组虚无放大。

3.1 大组淹没小组：真实信号被"秩稀释"

先看第一类失真。我重新做了一组模拟：A组100个观测，B组8个观测，C组8个观测，真实效果只存在于B组（均值位移d = 1个标准差）。按照直觉，这么大的效应应该很容易被检出才对，但KW检验的实际拒绝率只有0.47——只有不到一半的概率能发现B组的差异。

为什么？回到H统计量的构造。总样本量N = 116，B组的8个观测即使全部冲出A组的数据范围之外，它们能带动的秩和增量也只有几十；而12/(116×117)这个归一化系数会把这一点增量摊薄到极小。B组的秩信息被淹没在A组巨大的样本基数里，形成了“秩稀释”效应。

对比非常明显：同样的总样本量（116 vs. 120），同样的效应位置，仅仅因为分到各组的比例不同，检出概率从96%暴跌到47%。所以你在数据分析时如果发现某个组样本量特别小，先不要对“不显著”的结果下任何结论——很可能只是信息被淹没了，而不是效应不存在。

3.2 小组极端幸运：样本量小反而容易"跑出"显著

另一种失真更反直觉：样本量小的那个组，反而可能更容易“制造”出统计显著。我把上面的场景反过来：A组只有8个观测，B组80个，C组80个，真实效应仍然只在A组。

这个时候KW检验拒绝原假设的概率反而很高，因为A组的8个观测如果恰好都被推到极端高位，秩和可以被整体拉得巨大，H值轻易跨过临界值。问题的关键是：这个“显著”极其不稳定。由于A组只有8个样本，其中任何一个观测被替换成次极端值，A组的秩和就可能掉一个很大的台阶，p值随即从0.01翻到0.15。

我把这个现象称为“秩桥效应”——小样本组的观测就像几根桥墩，撑起一座看起来很漂亮的计数结构，但桥墩数量太少，换个批次的数据可能整座桥就塌了。

同样是“检出了显著差异”，大样本下的显著是扎实的、可重复的，小样本下的显著却是脆的、碰运气的结果。你要是只看单次实验，根本分辨不出这两种显著的区别。

3.3 回到开头朋友的案例：那个p = 0.044可信吗

现在回头看他那组数据：对照组31例，两个处理组5例和6例。这种配置恰好踩中了3.1和3.2描述的两种风险交叉区。处理组样本太少，真实效应容易被对照组的大样本淹没；但如果碰巧少数几个被试产生了极端观测值，又可能跑出虚高的H值。他那个p = 0.044，到底属于哪一种，单凭KW检验本身无法回答。

我给他推荐了一个简单的稳定性检查：对原始数据进行Bootstrap重抽样，重复1000次KW检验，看p值的分布有多少比例落在0.05之下。如果只有三成四成落在显著区间，那这个p = 0.044就纯属抽样噪声；如果有八成以上都在显著区间，那才勉强可以说效应是稳定的。

4. 样本量对KW结果的下游污染：报告、效应量与多重比较

KW检验的结果从不孤立存在。p值确定后，你还要报告统计量、算效应量、做多重比较，每一个环节都会被样本量结构污染。很多人在这一步做的处理方式，反而让已有的问题雪上加霜。

4.1 只写χ²和p值远远不够

我每年审稿和帮人改文章，见过太多类似的报告写法：“三组比较，Kruskal-Wallis检验χ²(2) = 5.87，p < 0.05，差异具有统计学意义。”这种写法信息量极其有限。KW检验报告中至少应包含三要素：检验统计量H、自由度、样本量N，以及对应的精确p值。更专业的做法是加上效应量。

KW检验对应的效应量通常用ε²（epsilon squared，也写作秩eta平方）来度量，公式为：

ε² = (H - k + 1) / (N - k)

其中k是组数。这个指标的解释和方差分析中的η²类似：ε² = 0.01是小效应，0.06是中等效应，0.14以上是大效应。关键是，ε²的计算里直接包含N和k，样本量不同时同一个效应强度计算出的ε²也不同。小样本场景下ε²容易被高估，因为它除以的(N - k)较小，导致算出来的效应量虚大。

4.2 事后比较在样本量不均时的"放大镜效应"

KW检验达到显著水平之后，通常还需要做事后两两比较（post hoc tests），常用的有Dunn检验、Conover检验等。但样本量严重不均时，事后比较会放大一个特殊问题：大样本组的两两置信区间非常窄，小样本组的置信区间非常宽，两者比较时，小样本组很容易因为极端的秩和而被标记为“显著差异”。

这个现象的核心是方差估计。Dunn检验的标准误和每个组的样本量相关，样本量越小的组，其秩均值的方差估计越大；但由于秩和本身受极端观测影响大，小样本组的秩均值往往偏向某个方向，两相叠加后，更容易得出“小样本组与其他组有差异”的结论。这个结论既可能是真的，也可能只是小样本秩分布偏斜的产物。我在实际项目中见过一个案例：某组只有7个样本，事后比较显示该组与30人的对照组显著差异，但将该组样本量补齐到25人重新采集后，差异完全消失了。

所以在报告事后比较时，一定要展示两两比较的效应量和置信区间，而不是只列出p值矩阵。光看p值矩阵，你根本分辨不出哪些显著是稳健的、哪些是样本量结构制造的幻觉。

4.3 可复现性危机：显著性不代表稳定性

统计显著性和可复现性之间的距离，比大多数人想象的要远得多。尤其在小样本下，这两个概念经常分道扬镳。

判断可复现性的一个实用方法是稳定性检验：对原始数据做Bootstrap重抽样，统计重复1000次KW检验中p < 0.05的比例，这个比例可以理解为“换个样本重新采一次，结果依然显著的概率”。低于50%的比例意味着该结果的显著性有一半概率是偶然的。

我在实际工作中经常用一条经验标准：如果稳定性比例低于70%，我会在结论里明确写出“效应与样本量密切相关，当前证据强度有限”。这不是模棱两可的废话，而是对小样本不可靠性的诚实回应。

5. 实际操作建议：先算功效、再做检验、最后绑定效应量

理论说了这么多，落到操作层面，你需要一套可执行的标准流程。这一节我给出自己在实际分析项目中一直在用的方法。

5.1 KW检验没有现成的解析功效函数，但可以模拟

很多用惯G*Power或R的pwr包的人会困惑：KW检验到底怎么算功效？答案是，KW检验没有一个简洁的解析功效公式，因此主流的做法是蒙特卡洛模拟。逻辑很简单：先假定总体分布形态和效应量，再设定样本量，反复从该总体中抽样并做KW检验，看拒绝原假设的比例。

下面是一段可以跑的R代码，用于估计给定场景下的检验功效：

# 功效估计：三组，一组有位移，d = 0.5 set.seed(42) nsim <- 10000 n_per_group <- 30 d <- 0.5 pvals <- numeric(nsim) for (i in 1:nsim) { x1 <- rnorm(n_per_group, mean = 0, sd = 1) x2 <- rnorm(n_per_group, mean = 0, sd = 1) x3 <- rnorm(n_per_group, mean = d, sd = 1) pvals[i] <- kruskal.test(list(x1, x2, x3))$p.value } mean(pvals < 0.05) # 功效估计

把n_per_group替换成你计划中的样本量，把d替换成你根据文献或预实验估计的效应量，跑出来就是该设计下的近似功效。如果你的项目完毕后想确认结果是否可靠，也可以把上面的模拟循环改成“对原始数据进行Bootstrap重抽样”，得到稳定性比例。

5.2 样本量规划的经验参考值

根据我在不同项目中对KW检验功效模拟的经验，下面给出一个常用场景下的每组最小样本量参考值。注意这些是基于双尾检验、显著性水平0.05、三组设计的近似值：

如果组数增加到五组，建议在此基础上再增加15%左右。这些数字比普通ANOVA的样本量要求稍高，正是因为KW检验基于秩变换，牺牲了一部分统计效率。这是你选择非参检验时必须付出的代价，提前知道会少走很多弯路。

5.3 已经收完数据、但样本量不达标怎么办

现实很骨感：很多项目的数据已经收完了，没法重新采集。这时候方案不是弃疗，而是做好三件事。

第一，做一次Bootstrap稳定性检验。把上面5.1的模拟代码改成重抽样模式，算出p值分布，如果显著比例偏低，千万不要在结论里用“趋势性差异”“边缘显著”这类措辞硬撑，这会严重损害结论的可信度。

第二，并行跑一个置换检验（Permutation test）做交叉验证。置换检验对分布假设的要求比KW更少，在输入样本量极小的情况下，置换检验的p值比KW的近似p值更接近真实值。如果两者结论矛盾，以置换检验结果为准。

第三，在论文或报告里如实呈现样本量限制。我不止一次见过审稿人因为作者隐瞒了样本量不均衡的缺陷而直接拒稿；反过来，如果你主动分析并讨论样本量的影响，审稿人的态度往往大不相同。坦诚不丢分，遮掩才危险。

5.4 报告KW结果时的标准模板

最后给一个可以直接套用的报告模板，来自我处理临床和教育数据的常用格式：

Kruskal-Wallis H检验显示，三组间的XXX存在统计学显著差异（H(2) = 8.73, p = 0.013, ε² = 0.21, 95% CI [0.08, 0.34]）。事后Dunn检验经Holm校正显示，A组与B组差异显著（p = 0.011），而C组与其他两组均无显著差异。为评估结果的稳健性，对原始数据进行2000次Bootstrap重抽样，KW检验p < 0.05的比例为82.4%。

这个模板同时交代了检验主结果、效应量、事后比较、稳定性检验，审稿人拿到手会非常省力，也会更愿意相信你的结论。

回到开头那个朋友，他最终在讨论部分加了一段样本量限制说明，同时补充了Bootstrap稳定性检验，p < 0.05的比例不到四成。他没有删掉那行p = 0.044，但每个人都清楚这个数字的分量已经被重新校准了。

KW检验不是免责牌。参数检验要样本量，非参检验一样要样本量，只是它把对样本量的要求藏在了秩和卡方近似的幕布后面。你多想一想样本量的事，跑出来的结果就不只是一堆可以被操纵的p值，而是真正能站得住脚的证据。