📊 statistics

Wilcoxon-Mann-Whitney Test of No Group Discrimination

Dieses Papier korrigiert das weit verbreitete Missverständnis, dass der Wilcoxon-Mann-Whitney-Test die Gleichheit der Verteilungen ( $F=G$ ) oder stochastische Dominanz prüft, und zeigt stattdessen auf, dass er spezifisch testet, ob die Fläche unter der Kurve (AUC) gleich 0,5 ist, während es gleichzeitig die abgeleitete asymptotische Verteilung sowie Korrekturen für den Bias in Stichproben endlicher Größe für diese standardisierte Statistik bereitstellt.

Ursprüngliche Autoren: Marian Grendar

Veröffentlicht 2026-07-22

📖 7 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Marian Grendar

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Das große statistische Durcheinander

Stellen Sie sich vor, Sie sind ein Detektiv, der versucht, ein Rätsel zu lösen: „Sind diese zwei Gruppen von Menschen tatsächlich unterschiedlich?“ In der Welt der Statistik ist dies ein klassisches Problem. Sie haben zwei Datenstapel – vielleicht Testergebnisse aus zwei verschiedenen Schulen oder Reaktionszeiten aus zwei Gruppen von Sportlern. Um herauszufinden, ob die Stapel wirklich verschieden sind, nutzen Statistiker seit langem ein berühmtes Werkzeug namens Wilcoxon-Mann-Whitney-Test (WMW-Test). Betrachten Sie diesen Test als einen Schiedsrichter bei einem Rennen. Es ist ihm egal, wie schnell jeder einzelne Läufer ist; stattdessen schaut er darauf, wer vor wem ins Ziel gekommen ist. Wenn Gruppe A Gruppe B konsequent schlägt, hebt der Schiedsrichter eine Flagge und sagt: „Diese Gruppen sind unterschiedlich!“

Über Jahrzehnte hinweg war das Regelwerk für diesen Schiedsrichter einfach, aber etwas missverstanden. Die Standarderklärung lautete, dass der Test prüft, ob die zwei Gruppen aus derselben „Verteilung“ stammen – eine schicke Art zu sagen: „Sehen diese zwei Zahlenstapel in jeder Hinsicht exakt gleich aus?“ Wenn sie nicht gleich aussehen, soll der Test schreien: „Unterschiedlich!“ Dieses Paper argumenttiert jedoch, dass der Schiedsrichter auf der falschen Anzeigetafel schaut. Der Autor, M. Grendár, legt nahe, dass der Test gar nicht prüft, ob die Stapel identisch aussehen; er prüft etwas viel Spezifischeres: „Hat eine Gruppe eine bessere Chance, die andere in einem zufälligen Eins-gegen-Eins-Duell zu schlagen?“ Dies ist bekannt als die „Area Under the Curve“ (Fläche unter der Kurve) oder AUC. Wenn die AUC 0,5 beträgt, bedeutet das, dass das Duell einem Münzwurf entspricht und die Gruppen hinsichtlich dessen, wer gewinnt, ununterscheidbar sind. Wenn sie etwas anderes als 0,5 ist, hat eine Gruppe einen systematischen Vorteil. Warum ist das wichtig? Weil man Ihnen eine falsche Antwort geben könnte, wenn Sie das alte Regelwerk verwenden, wenn die Gruppen auf seltsame Weise unterschiedlich sind (wie zum Beispiel bei unterschiedlichen Streuungen der Daten, aber dem gleichen Durchschnitt).

Die Wendung der Handlung: Es geht nicht darum, „gleich auszusehen“

Das Paper beginnt mit dem Hinweis auf einen logischen Fehler in der Art und Weise, wie wir diesen Test seit Jahren verwenden. Traditionell sagen Lehrbücher, dass der WMW-Test die Nullhypothese prüft: „Die beiden Gruppen sind identisch ( $F = G$ ).“ Wenn der Test einen Unterschied findet, bedeutet das, dass die Gruppen nicht identisch sind. Doch der Autor zeigt, dass dies zu breit gefasst ist.

Um dies zu beweisen, führt der Autor eine Simulation mit zwei Gruppen von Daten durch, die definitiv nicht identisch sind. Stellen Sie sich vor, eine Gruppe von Läufern ist sehr beständig (sie laufen alle im gleichen Tempo), während die andere Gruppe chaotisch ist (einige laufen super schnell, andere super langsam). Statistisch gesehen sind diese beiden Gruppen unterschiedlich; ihre Formen sind völlig verschieden. Laut dem alten Regelwerk sollte der WMW-Test sie als unterschiedlich markieren. Aber hier kommt die Wendung: Als der Autor den Test 10.000 Mal an diesen nicht übereinstimmenden Gruppen durchführte, war das Ergebnis fast exakt 0,5. Der Test verhielt sich so, als wären die Gruppen identisch, obwohl sie es offensichtlich nicht waren.

Dies erzeugt einen Widerspruch. Wenn der Test behauptet hat, auf „totale Gleichheit“ zu prüfen, hätte er „Unterschiedlich!“ schreien müssen, als die Formen so verschieden waren. Stattdessen blieb er stumm. Der Autor schließt daraus, dass der Test gar nicht prüft, ob die Gruppen gleich aussehen, sondern eine viel engere Frage stellt: „Ist die Wahrscheinlichkeit, dass eine zufällige Person aus Gruppe A eine zufällige Person aus Gruppe B schlägt, gleich 50 %?“ In den Worten des Autors prüft der Test eigentlich, ob die AUC = 0,5 ist.

Das wahre Ziel: Wer gewinnt das Eins-gegen-Eins?

Was genau macht der Test also? Das Paper argumentt, dass der WMW-Test ein „Diskriminierungswerkzeug“ ist. Er fragt: Wenn Sie eine Person aus Gruppe A und eine aus Gruppe B auswählen und sie gegeneinander antreten lassen, wer ist wahrscheinlicher der Gewinner?

Wenn die Antwort lautet: „Es ist ein 50/50-Münzwurf“, dann ist die AUC 0,5 und der Test sagt: „Hier gibt es keine Diskriminierung.“
Wenn Gruppe A 60 % der Zeit gewinnt, ist die AUC 0,6 und der Test sagt: „Es gibt einen systematischen Vorteil!“

Das Paper hebt hervor, dass die traditionelle „Alternativhypothese“ (die Idee, dass die Gruppen unterschiedlich sind) zu eng gefasst ist. Menschen denken oft, der Test funktioniere nur, wenn eine Gruppe strikt „besser“ als die andere ist (wie eine Gruppe, die immer schneller läuft als die andere). Aber der Autor weist darauf hin, dass der Test tatsächlich konsistent gegenüber jeder Situation ist, in der die AUC nicht 0,5 beträgt. Dies schließt unordentliche Szenarien ein, in denen sich die Gruppen mehrfach kreuzen, solange es einen Netto-Vorteil für eine Seite gibt. Der Test ist ein Meister darin, zu erkennen, „wer das Duell gewinnt“, nicht „wer gleich aussieht“.

Die Mathematik korrigieren: Das Problem der „Verzerrung“

Nachdem der Autor festgestellt hatte, dass es beim Test eigentlich um die AUC geht, stellte er fest, dass die Mathematik, die wir zur Berechnung der „Konfidenz“ (Sicherheit) der Ergebnisse verwendet haben, leicht fehlerhaft war. Die alten Formeln gingen davon aus, dass die Gruppen in jeder Hinsicht identisch seien, was zu einem kleinen, aber realen Fehler (genannt „Bias“ oder Verzerrung) in den Berechnungen führte, insbesondere wenn die Stichprobengrößen klein waren.

Das Paper leitet einen neuen, korrigierten Weg zur Berechnung der Varianz (der Streuung der Ergebnisse) her.

Das Problem: Die alte Mathematik berücksichtigte nicht, dass wir die AUC aus einer endlichen Stichprobe schätzen, was eine winzige, aber reale Aufwärtsverzerrung einführt.
Die Lösung: Der Autor erstellt eine „bias-korrigierte“ Formel. Er zeigt, dass man, wenn man einen spezifischen Korrekturfaktor subtrahiert (der von der Stichprobengröße abhängt), ein viel genaueres Bild der Unsicherheit erhält.
Das Ergebnis: Er liefert einen neuen Weg zum Aufbau von Konfidenzintervallen (dem Bereich, in dem die wahre Antwort wahrscheinlich liegt), der selbst dann funktioniert, wenn die Daten „Ties“ (Gleichstände) aufweisen (wenn zwei Läufer zur exakt gleichen Zeit ins Ziel kommen). Dies ist entscheidend, da reale Daten selten perfekt sind; sie enthalten oft solche Gleichstände.

Der Autor erwähnt auch, dass für sehr kleine Gruppen (weniger als 20 Personen insgesamt) die Standard-Mathematik überhaupt nicht zuverlässig ist, weshalb er eine andere Methode namens „studentized permutation test“ empfiehlt, was so ähnlich ist, als würde man das Rennen immer wieder in einer Computersimulation durchführen, um zu sehen, was passiert.

Das Werkzeug: Eine neue Art, das Rennen zu laufen

Um sicherzustellen, dass die Leute diese neuen Erkenntnisse auch tatsächlich anwenden können, hat der Autor ein R-Paket namens wmwAUC entwickelt. Diese Software bietet zwei Hauptwege, um den Test durchzuführen:

Die „Exact Unbiased“ (EU) Methode: Dies ist der Goldstandard, den der Autor empfieft. Sie handhabt Gleichstände perfekt und nutzt die neue, korrigierte Mathematik. Es ist die zuverlässigste Wahl, insbesondere für kleinere Gruppen.
Die „Bias-Corrected“ (BC) Methode: Dies ist ein etwas konservativerer Ansatz, der versucht, besonders vorsichtig zu sein.

Das Paper betont, dass die alten Methoden in einfachen Fällen zwar ganz gut funktionieren mögen, aber versagen können, wenn die Daten unordentlich sind oder die Gruppen auf seltsame Weise unterschiedlich sind (wie z. B. bei unterschiedlichen Varianzen). Die neuen Methoden stellen sicher, dass, wenn Sie sagen: „Diese Gruppen sind unterschiedlich“, Sie sich tatsächlich auf einen realen Unterschied darin beziehen, wer die Duelle gewinnt, und nicht auf eine statistische Illusion, die durch die Verwendung der falschen Formel entstanden ist.

Das Fazit

Kurz gesagt, dieses Paper ist eine Korrektur eines langjährigen Missverständnisses in der Statistik. Es sagt uns, dass der Wilcoxon-Mann-Whitney-Test kein allgemeiner Detektor für „Sind diese Gruppen identisch?“ ist. Er ist ein spezifischer Detektor für „Wer gewinnt das Duell?“. Indem wir unseren Fokus von der „Gleichheit der Verteilung“ auf „AUC = 0,5“ verlagern und die Mathematik korrigieren, um kleine Stichprobengrößen und Gleichstände zu berücksichtigen, erhalten wir ein viel klareres und ehrlicheres Bild davon, ob zwei Gruppen wirklich unterschiedlich sind. Der Autor weist nicht nur auf den Fehler hin; er liefert die korrigierten Formeln und die Software-Werkzeuge zur Behebung bereit, um sicherzustellen, dass zukünftige Detektive das richtige Urteil fällen.

Technisches Resümee: Wilcoxon-Mann-Whitney-Test auf keine Gruppendiskriminierung

Problemstellung
Die Arbeit stellt die traditionelle Formulierung des Wilcoxon-Mann-Whitney (WMW)-Tests infrage, der weit verbreitet gelehrt und implementiert wird als ein Test der Gleichverteilung ( $H_0: F = G$ ) gegen Alternativen der stochastischen Dominanz oder allgemeiner Ungleichheit ( $H_1: F \neq G$ ). Der Autor argumentt, dass diese Formulierung logisch fehlerhaft ist. Insbesondere kann der Test die Nullhypothese nicht ablehnen, selbst wenn die zugrunde liegenden Verteilungen $F$ und $G$ verschieden sind (z. B. Normalverteilungen mit identischen Mittelwerten, aber unterschiedlichen Varianzen). In solchen Fällen ist die traditionelle Nullhypothese $F=G$ falsch, dennoch konzentriert sich die Teststatistik auf ihren Nullwert, was einen Widerspruch erzeugt. Die Arbeit postuliert, dass der WMW-Test tatsächlich nicht auf die Gleichverteilung testet, sondern auf das Fehlen einer systematischen paarweisen Diskriminierung.

Methodik und theoretischer Rahmen
Die Arbeit definiert die WMW-Teststatistik $U$ als die empirische Fläche unter der Kurve (eAUC), wobei $\hat{A} = \frac{U}{n_1 n_2} = \widehat{P}(X < Y)$ gilt. Die zentralen methodischen Beiträge umfassen die Ableitung der korrekten asymptotischen Verteilung und der Eigenschaften für endliche Stichproben dieser Statistik unter der revidierten Nullhypothese.

Korrekte Formulierung der Hypothese:
Die Arbeit stellt fest, dass der WMW-Test tatsächlich testet:
- Nullhypothese: $H_0: \text{AUC} = 0,5$ (Keine Gruppendiskriminierung).
- Alternativhypothese: $H_1: \text{AUC} \neq 0,5$ (Systematische paarweise Dominanz).
  Dies steht im Einklang mit dem Konsistenzresultat von Van Dantzig (1951), der zeigte, dass der Test konsistent gegen jede Alternative ist, bei der $P(Y < X) \neq 0,5$ gilt, unabhängig davon, ob stochastische Dominanz vorliegt.
Asymptotische Verteilung:
Der Autor leitet die asymptotische Verteilung der standardisierten empirischen AUC unter $H_0: \text{AUC} = A_0$ her. Unter Verwendung der U-Statistik-Theorie und Hoeffding-Projektionen zeigt die Arbeit, dass $\sqrt{n}(\hat{A} - A_0)$ gegen eine Normalverteilung $N(0, \sigma^2)$ konvergiert, wobei die Varianz $\sigma^2$ von den Varianzen der Platzierungsvariablen $G(X)$ und $F(Y)$ abhängt. Entscheidend ist, dass diese Varianzstruktur von der traditionellen Varianzschätzung abweicht, die unter der Annahme $F=G$ abgeleitet wurde.
Bias-Korrektur für endliche Stichproben:
Die Arbeit identifiziert einen Bias in den naiven Varianzschätzern der Platzierungsvariablen für endliche Stichproben. Es werden exakte Bias-Terme der Ordnung $O(n^{-1})$ abgeleitet und es werden Bias-korrigierte Schätzer ( $\hat{\zeta}^{2*}$ ) vorgeschlagen, welche diese exakten Bias-Komponenten subtrahieren.
Umgang mit Bindungen (Ties):
In Anerkennung der Tatsache, dass reale Daten oft Bindungen enthalten, erweitert die Arbeit die Theorie auf diskrete oder diskretisierte kontinuierliche Variablen unter Verwendung eines Mid-Rank-Kernels $h(x,y) = 1\{x < y\} + \frac{1}{2}1\{x=y\}$ .
- Ein exakter, unverzerrter Varianzschätzer für endliche Stichproben wird über eine Linearkombination der gepoolten Stichprobenvarianz und der Zeilen-/Spaltenmittelwert-Varianzen abgeleitet (Theorem 1).
- Die asymptotische Verteilung unter Bindungen wird gezeigt, die dieselbe Normalform beibehält, wobei die bindungskorrigierten Varianzkomponenten die Wahrscheinlichkeiten der Bindungen ( $\pi_X, \pi_Y$ ) beinhalten.
Inferenz und Implementierung:
Die Arbeit schlägt vor, Konfidenzintervalle für den „Pseudomedian“ (den Verschiebeparameter $\theta$ , für den $\text{AUC}(X, Y+\theta) = 0,5$ gilt) durch Invertierung des Hypothesentests zu konstruieren. Zwei spezifische Inferenzmethoden sind im R-Paket wmwAUC implementiert:
- Exact Unbiased (EU): Verwendet den exakten unverzerrten Varianzschätzer für endliche Stichproben (Theorem 1) und einen studentisierten Permutationstest für kleine Stichproben ( $n < 20$ ).
- Bias-Corrected (BC): Wendet die für kontinuierliche Daten abgeleitete Bias-Korrektur auf die Varianzkomponenten an, auch bei Vorhandensein von Bindungen (empirisch validiert).

Zentrale Ergebnisse

Logische Konsistenz: Die Arbeit demonstriert, dass die Teststatistik unter $H_0: \text{AUC} = 0,5$ korrekt agiert, selbst wenn $F \neq G$ ist (z. B. im Fall ungleicher Varianzen bei gleichen Mittelwerten), und löst damit den Widerspruch auf, bei dem der traditionelle Test eine falsche $F=G$ -Hypothese nicht ablehnen kann.
Varianzschätzung: Die abgeleiteten Varianzschätzer (sowohl asymptotisch als auch exakt für endliche Stichproben) erweisen sich unter der korrekten Nullhypothese als konsistent und unverzerrt. Die Arbeit liefert explizite Formeln für diese Schätzer, einschließlich Anpassungen für Bindungen und Bias in endlichen Stichproben.
Leistung: Monte-Carlo-Simulationen (im Text referenziert) deuten darauf hin, dass die BC-Methode in kleinen Stichproben an Power verlieren kann, während die EU-Methode die nominelle Größe beibehält und ihre Power bewahrt. Folglich wird die EU-Methode als Standard empfohlen.

Bedeutung und Ansprüche
Die Arbeit beansprucht, eine „fundamentale Lösung“ für die Fehlinterpretation des WMW-Tests geliefert zu haben. Ihre primäre Bedeutung liegt in:

Korrektur der Nullhypothese: Sie stellt explizit klar, dass der WMW-Test ein Test der Diskriminierung ( $AUC \neq 0,5$ ) ist, nicht der Gleichverteilung ( $F=G$ ).
Verallgemeinerung der Alternativhypothese: Sie etabliert, dass der Test konsistent gegen die breite Klasse der Alternativen ist, bei denen $P(Y < X) \neq 0,5$ , wobei stochastische Dominanz lediglich als Spezialfall subsumiert wird.
Praktische Implementierung: Durch die Bereitstellung des R-Pakets wmwAUC mit exakter Inferenz für endliche Stichproben und bias-korrigierten asymptotischen Methoden bietet die Arbeit ein praktisches Werkzeug für Forscher, um valide Schlüsse unter dem korrekten theoretischen Rahmen zu ziehen, insbesondere in Szenarien mit Bindungen oder kleinen Stichprobengrößen, in denen traditionelle Approximationen versagen könnten.

Der Autor merkt an, dass, obwohl sich die Arbeit auf das Zwei-Stichproben-Setting konzentriert, ähnliche Probleme wahrscheinlich in $k$ -Stichproben-Erweiterungen (z. B. Kruskal-Wallis) bestehen, was jedoch außerhalb des aktuellen Rahmens liegt. Die Arbeit räumt ein, dass Van Dantzig die Alternativhypothese zuvor korrekt identifiziert, sie jedoch mit der falschen Nullhypothese kombiniert hat; die vorliegende Arbeit korrigiert diese Paarung und liefert die vollständige asymptotische und für endliche Stichproben geeignete Maschinerie, die für moderne Anwendungen erforderlich ist.