[这里似乎有很多类似的问题，所以如果已经回答，请指出正确的方向，但我认为这是合理的区分。]

在 Kruskal-Wallis 测试之后，有许多不同的事后分析实现。我试图了解它们是如何（为什么？）不同的，以了解何时一个可能是正确的选择。

在 R 中工作，考虑这个模拟数据集

generate.sim.data<-function(seed){
 set.seed(seed)
 sim1<-rnorm(20,4,3)
 sim2<-rnorm(20,7,3)
 sim3<-rnorm(20,1,3)
 sim4<-rnorm(20,1,3)
 simdata<-c(sim1,sim2,sim3,sim4)
 simgroup<-c(rep(c("sim1","sim2","sim3","sim4"),each=20))
 data.frame(simdata,simgroup)
}

kruskal包中的功能agricolae；kruskalmcin the package pgirmess、posthoc.kruskal.nemenyi.testin the packagePMCMR和dunn.testin the packagedunn.test都给出不同的统计信息（对于任何输入）。对于某些值，它们还在成对比较中给出不同的结果

  sim<-generate.sim.data(123)
  kruskal(sim$simdata,sim$simgroup,console=T)               #a,b,c,c
  kruskalmc(sim$simdata,sim$simgroup)                       #a,a,b,b
  posthoc.kruskal.nemenyi.test(sim$simdata,sim$simgroup)    #a,a,b,b
  dunn.test(sim$simdata,sim$simgroup)                       #a,b,c,c

但在一些更明确的情况下同意：

  sim<-generate.sim.data(321)
  kruskal(sim$simdata,sim$simgroup,console=T)               #a,a,b,b
  kruskalmc(sim$simdata,sim$simgroup)                       #a,a,b,b
  posthoc.kruskal.nemenyi.test(sim$simdata,sim$simgroup)    #a,a,b,b
  dunn.test(sim$simdata,sim$simgroup)                       #a,a,b,b

似乎kruskalmcandposthoc.kruskal.nemenyi.test无论如何都会给出相似的结果，并且kruskalanddunn.test往往会给出相似的结果，但后者并非总是如此，例如

  sim<-generate.sim.data(4444)
  kruskal(sim$simdata,sim$simgroup,console=T)               #a,b,c,c
  kruskalmc(sim$simdata,sim$simgroup)                       #ac,a,b,bc
  posthoc.kruskal.nemenyi.test(sim$simdata,sim$simgroup)    #ac,a,b,bc
  dunn.test(sim$simdata,sim$simgroup)                       #ac,b,c,c

我意识到我对基于非常接近 0.05 的 p 值的测试的一些不同行为持怀疑态度，但这些测试也确实为真实数据集提供了不同的诊断（例如，observation~method来自 中的corn数据agricolae；occupation~eligibility来自 中的homecare数据dunn.test）。我想知道测试之间的潜在差异是什么，以及是否有一个合理的标准来选择一个而不是另一个。