Prueba de comparación múltiple de Dunn – Dunn’s multiple comparison test

Prueba de Comparación Múltiple de Dunn

Campo(s) Disciplinario(s) Principal(es): Estadística No Paramétrica, Diseño Experimental, Bioestadística

1. Definición Central

La prueba de comparación múltiple de Dunn, a menudo referida simplemente como el procedimiento de Dunn o la prueba de Dunn-Bonferroni, es una metodología estadística post-hoc de naturaleza no paramétrica, diseñada específicamente para realizar comparaciones por pares entre grupos de datos después de que una prueba ómnibus no paramétrica (como la prueba H de Kruskal-Wallis o la prueba de Friedman) haya resultado estadísticamente significativa. Su función primordial es identificar con precisión cuáles son los pares de grupos que difieren significativamente, manteniendo al mismo tiempo un control riguroso sobre la Tasa de Error Tipo I global. La necesidad de este tipo de prueba surge porque, al realizar múltiples pruebas t por pares de manera independiente, la probabilidad de cometer al menos un Error Tipo I (falso positivo) en el conjunto total de comparaciones se infla considerablemente, superando el nivel de significancia alfa preestablecido (típicamente 0.05).

Este test se distingue por ser uno de los primeros y más utilizados métodos post-hoc para datos no paramétricos, basando sus cálculos en los rangos promedio de los grupos obtenidos durante la prueba ómnibus inicial. A diferencia de las pruebas paramétricas post-hoc (como la HSD de Tukey), la prueba de Dunn no requiere que los datos sigan una distribución normal ni asume homogeneidad de varianzas, lo que la convierte en una herramienta robusta y esencial cuando las suposiciones clásicas de los modelos ANOVA son violadas o cuando se trabaja con datos ordinales o rangos. Su implementación se realiza ajustando el valor crítico o el valor p de cada comparación individual mediante una corrección, siendo la corrección de Bonferroni la más común y la que le confiere su denominación dual de Dunn-Bonferroni, aunque la autora original, Olive Jean Dunn, propuso el marco general para este ajuste.

2. Contexto de la Problemática del Error Tipo I en Comparaciones Múltiples

La inferencia estadística estándar se basa en mantener la probabilidad de rechazar una hipótesis nula verdadera (Error Tipo I, o alfa) en un nivel bajo para una única comparación. Sin embargo, en el contexto del diseño experimental, es frecuente que los investigadores comparen más de dos grupos, lo que requiere la realización de múltiples comparaciones por pares. Cuando se realizan, por ejemplo, tres comparaciones independientes con un alfa individual de 0.05, la probabilidad de cometer al menos un error en el conjunto total de pruebas (conocida como la Tasa de Error Familiar o FWER) aumenta sustancialmente. Si se tienen k grupos, el número de comparaciones por pares es k(k-1)/2. Si k=4, hay 6 comparaciones, y la FWER puede superar el 14%, lo cual es inaceptable en la investigación rigurosa.

Este fenómeno de inflación del error es la razón fundamental por la cual las pruebas post-hoc son indispensables. Una vez que una prueba ómnibus (que evalúa si existe alguna diferencia en alguna parte, sin especificar dónde) arroja un resultado significativo, el investigador debe proceder a las comparaciones específicas, pero debe hacerlo utilizando un método que controle la FWER. La prueba de Dunn aborda este desafío directamente al integrar una estrategia de control de error, típicamente la corrección de Bonferroni, que ajusta el nivel de significancia individual para cada prueba para garantizar que la FWER total permanezca por debajo del alfa deseado (generalmente 0.05) para todo el conjunto de comparaciones. Este control asegura la validez de los hallazgos al evitar la sobreinterpretación de resultados que podrían ser producto del azar estadístico inherente a la multiplicidad de pruebas.

3. Fundamento Teórico y Origen Histórico

La prueba lleva el nombre de la estadística estadounidense Olive Jean Dunn, quien formalizó este procedimiento en una serie de publicaciones, siendo su artículo de 1964, “Multiple Comparisons Using Rank Sums”, fundamental para su establecimiento. Dunn desarrolló el método en el contexto de la inferencia no paramétrica, reconociendo la necesidad de un procedimiento robusto que pudiera extender las capacidades de las pruebas basadas en rangos, como el test de Kruskal-Wallis, más allá de la simple conclusión de que “al menos dos grupos difieren”. La base teórica de la prueba de Dunn reside en la utilización de los rangos de los datos originales, transformando las observaciones en valores ordinales. Esta transformación es crucial, ya que permite que la prueba sea aplicable a datos que no cumplen los supuestos de normalidad, operando sobre las medianas o distribuciones de los grupos en lugar de las medias.

Específicamente, la prueba de Dunn calcula una estadística de prueba Z para cada par de grupos, utilizando las sumas de rangos promedio obtenidas del análisis global. Esta estadística Z mide la diferencia entre los rangos promedio de los dos grupos comparados y la estandariza mediante una estimación de su error estándar, que se deriva de la varianza combinada de los rangos. Es esencial destacar que la prueba de Dunn es conceptualmente similar a una prueba t modificada, pero aplicada a los rangos y con un ajuste crítico. La innovación de Dunn no solo fue aplicar esta metodología a los rangos, sino también integrarla con una corrección de significancia que garantiza el control de la FWER, proporcionando así una solución completa y estadísticamente defendible para el análisis post-hoc no paramétrico.

4. Procedimiento Detallado de la Prueba de Dunn

La aplicación de la prueba de Dunn comienza solo después de que una prueba ómnibus no paramétrica (generalmente Kruskal-Wallis para muestras independientes o Friedman para muestras relacionadas) ha rechazado la hipótesis nula global. El primer paso consiste en determinar el número total de comparaciones por pares (m) que se realizarán. Si hay k grupos, m = k(k-1)/2. Seguidamente, se debe establecer el nivel de significancia ajustado (alfa ajustado), que casi siempre se calcula utilizando la fórmula de Bonferroni: $alpha_{ajustado} = alpha_{original} / m$. Por ejemplo, si $alpha_{original} = 0.05$ y hay 6 comparaciones, $alpha_{ajustado}$ será aproximadamente 0.0083.

Para cada par de grupos (i y j), se calcula la estadística de prueba Z. La fórmula para Z típicamente involucra la diferencia entre las medias de los rangos de los grupos i y j, dividida por la raíz cuadrada de la varianza estimada de esta diferencia. Esta varianza se calcula utilizando la varianza global de los rangos de todos los datos, ajustada por los tamaños muestrales de los grupos i y j. Es crucial que la varianza estimada utilizada en el denominador sea la varianza conjunta de los rangos calculada en la prueba ómnibus (Kruskal-Wallis o Friedman), y no una varianza calculada solo sobre el par de grupos en cuestión. Esto asegura que la prueba de Dunn aproveche la información de todos los grupos, lo que incrementa su poder estadístico relativo. Una vez obtenido el valor Z, se compara con el valor crítico $Z_{alpha_{ajustado}}$ de la distribución normal estándar, o alternativamente, se calcula el valor p asociado a Z y se compara con $alpha_{ajustado}$. Si el valor absoluto de Z excede el valor crítico, o si el valor p es menor que $alpha_{ajustado}$, se rechaza la hipótesis nula para ese par, concluyendo que existe una diferencia significativa entre las distribuciones de los dos grupos.

5. La Implementación de la Corrección de Bonferroni

Aunque la prueba de Dunn puede, en principio, utilizar cualquier método de control de la FWER, la asociación con la corrección de Bonferroni es tan estrecha que a menudo se consideran sinónimos en la práctica. La corrección de Bonferroni es, en esencia, la técnica más simple y conservadora para controlar el error familiar. Su mecanismo es sencillo: si se van a realizar m pruebas, se divide el nivel alfa deseado (el nivel de significancia familiar) entre m. Este ajuste garantiza matemáticamente que la probabilidad de cometer al menos un error Tipo I en el conjunto total de pruebas sea menor o igual al alfa original.

El principal beneficio de utilizar Bonferroni dentro del marco de Dunn es la garantía de control estricto sobre la FWER, una propiedad muy valorada en campos donde los falsos positivos tienen consecuencias graves (como la investigación médica o farmacéutica). Sin embargo, esta simplicidad y garantía conllevan una desventaja significativa: el conservadurismo. Al ser una corrección que asume la independencia de las pruebas (una suposición que a menudo se viola en las comparaciones post-hoc, ya que las comparaciones por pares no son estadísticamente independientes), la corrección de Bonferroni tiende a ser demasiado estricta. Esto significa que el $alpha_{ajustado}$ resultante es muy pequeño, lo que aumenta la probabilidad de cometer un Error Tipo II (falso negativo), reduciendo el poder estadístico de la prueba para detectar diferencias verdaderas. A pesar de esta limitación de poder, la robustez no paramétrica de la prueba de Dunn combinada con la fiabilidad del control de error de Bonferroni la mantiene como una opción preferida cuando la prioridad es minimizar los falsos positivos.

6. Ventajas y Aplicaciones Prácticas

La principal ventaja de la prueba de Dunn radica en su naturaleza no paramétrica. Esto la hace invaluable en situaciones donde los datos son inherentemente ordinales (como escalas Likert en psicología), donde las distribuciones de los grupos son marcadamente asimétricas, o cuando los tamaños muestrales son pequeños, impidiendo la invocación del Teorema del Límite Central. En estos escenarios, las pruebas paramétricas post-hoc serían inapropiadas, ya que sus resultados serían poco fiables debido a la violación de los supuestos subyacentes. La prueba de Dunn ofrece una alternativa estadísticamente válida y robusta.

Su aplicación más común se da como seguimiento del test de Kruskal-Wallis en diseños de muestras independientes y del test de Friedman en diseños de medidas repetidas o bloques aleatorizados. Por ejemplo, en las ciencias sociales, si un investigador compara los niveles de satisfacción (medidos en una escala ordinal) entre tres métodos de enseñanza diferentes y Kruskal-Wallis indica una diferencia general, la prueba de Dunn se usaría para determinar si el Método A difiere del B, el A del C, o el B del C. Además de su robustez, la prueba de Dunn es relativamente sencilla de implementar y los resultados son fáciles de interpretar: una vez que el valor p ajustado es menor que el alfa original (0.05), se declara una diferencia significativa. Su uso está muy extendido en campos como la ecología, donde los datos de conteo o las mediciones biológicas a menudo no cumplen con los requisitos de normalidad, y en la investigación de mercados, donde las respuestas a encuestas son frecuentemente ordinales.

7. Relación con Otras Pruebas Post-Hoc No Paramétricas

Aunque la prueba de Dunn es la más conocida en el ámbito no paramétrico post-hoc, existen otras alternativas que buscan mitigar el conservadurismo de la corrección de Bonferroni. Una alternativa notable es la prueba de Nemenyi. La prueba de Nemenyi, también basada en rangos, se utiliza a menudo como post-hoc para Kruskal-Wallis. Sin embargo, Nemenyi utiliza un control de error diferente (basado en la distribución del rango estudentizado) y es generalmente menos potente que Dunn, especialmente cuando los tamaños de muestra son desiguales. La principal diferencia metodológica radica en cómo se calcula el error estándar de la diferencia entre los rangos promedio: Dunn utiliza la varianza global de los rangos (derivada del Kruskal-Wallis), mientras que Nemenyi utiliza una aproximación más simplificada.

Otra alternativa importante, a menudo considerada superior en términos de potencia, es la prueba de Conover. La prueba de Conover es esencialmente una prueba t aplicada a los rangos, pero utiliza un estimador de varianza más preciso que el de Dunn, lo que a menudo resulta en un mayor poder. Sin embargo, tanto Conover como Nemenyi requieren su propia corrección para la FWER, y si se utiliza Bonferroni con ellas, el resultado puede ser similar al de Dunn. La elección entre Dunn y Conover a menudo depende de si el investigador prefiere la simplicidad histórica y la robustez garantizada de Dunn, o el aumento potencial de poder que ofrece Conover. En general, cuando se requiere un control de error muy estricto y conservador, Dunn sigue siendo el estándar de oro no paramétrico, mientras que Conover es preferido cuando se prioriza la detección de efectos sutiles.

8. Limitaciones Metodológicas y Críticas

La crítica más persistente y significativa dirigida a la prueba de Dunn se centra en su dependencia inherente de la corrección de Bonferroni, lo que la convierte en una prueba intrínsecamente conservadora. Este conservadurismo implica una severa penalización de la significancia individual, lo que reduce la probabilidad de rechazar correctamente una hipótesis nula falsa; es decir, disminuye el poder estadístico y aumenta el riesgo de cometer Errores Tipo II. En situaciones donde el número de grupos (y, por lo tanto, el número de comparaciones) es grande, el alfa ajustado se vuelve extremadamente pequeño, haciendo casi imposible declarar diferencias significativas a menos que los efectos sean muy grandes.

Una segunda limitación metodológica surge del hecho de que la prueba de Dunn utiliza la misma varianza de rangos estimada para todas las comparaciones por pares, una varianza que se deriva de la prueba ómnibus global. Si la hipótesis nula del Kruskal-Wallis es rechazada porque solo un par de grupos difieren dramáticamente, esta gran diferencia puede inflar la estimación de la varianza global de los rangos. Cuando esta varianza inflada se utiliza en el denominador de la estadística Z de Dunn para comparar otros pares que en realidad tienen diferencias pequeñas, el resultado es una subestimación de la significancia de esas diferencias menores. Este problema puede ser especialmente pronunciado si las distribuciones de los grupos son muy dispares o si los tamaños muestrales son muy desiguales, aunque la robustez del método generalmente compensa estas deficiencias en la mayoría de las aplicaciones prácticas.

9. Consideraciones Prácticas y Reporte de Resultados

Al implementar la prueba de Dunn, los investigadores deben tomar varias decisiones prácticas importantes. Primero, deben decidir si usar la prueba de Dunn para comparaciones planificadas (aquellas decididas antes de ver los datos) o para comparaciones post-hoc (todas las comparaciones posibles). Si las comparaciones son planificadas, la corrección de Bonferroni puede ser menos severa, ya que el número m de comparaciones se reduce. Sin embargo, en el uso estándar post-hoc, se corrigen todas las comparaciones posibles.

En el reporte de resultados, la claridad es esencial. El investigador debe indicar claramente que se utilizó la prueba de Dunn como seguimiento de la prueba ómnibus (ej. Kruskal-Wallis). Es imperativo reportar los valores p ajustados, no los valores p brutos de las comparaciones por pares. La notación debe incluir la estadística Z de Dunn para cada par significativo, el nivel de significancia ajustado utilizado ($alpha_{ajustado}$), y una declaración clara de cuáles pares de grupos mostraron diferencias estadísticamente significativas. El uso de letras o subíndices en las tablas y gráficos es una práctica común para visualizar qué grupos son significativamente diferentes entre sí, basándose en los resultados de la prueba de Dunn. Por ejemplo, si los grupos A y B son significativamente diferentes, pero B y C no lo son, se podría etiquetar A como ‘a’ y B y C como ‘b’, indicando que B y C comparten una misma categoría estadística.

10. Lecturas Adicionales

• Corrección de Bonferroni (Wikipedia en español)
• Prueba de Kruskal-Wallis (Wikipedia en español)
• Dunn’s Test (Wikipedia en inglés, fuente técnica clave)
• Dunn, O. J. (1964). Multiple Comparisons Using Rank Sums. Technometrics, 6(3), 241-252.