统计中的效果大小

规模效应告诉你与之间的关系有意义变量或者组之间的差异是。它表明了研究结果的实际意义。

大量效果大小意味着研究发现具有实际意义,而小效果大小表明实用应用有限。

为什么效果大小物质?

尽管统计学意义表明研究中存在效果,实际意义表明效果足够大,在现实世界中有意义。统计显着性表示P-价值,而实际意义是由效果大小表示的。

单独的统计显着性可能是误导性的,因为它受到了影响的影响样本尺寸。不管真正的效果如何在现实世界中,越来越容易发现统计上显着的效果更有可能找到统计上显着的效果。

相反,效果尺寸与样本大小无关。只有数据用于计算效果大小。

这就是为什么有必要在研究论文中报告效果大小,以表明发现的实际意义。这APA指​​南需要报告效果大小和置信区间尽可能。

示例:统计显着性与实际意义
大型研究比较了两个减肥方法,控制干预组13,000名参与者和一个实验干预组中的13,000名参与者。控制干预采用科学支持的减肥方法,而实验干预组使用了一种基于新的应用程序方法。

六个月后,吝啬的实验干预组的体重减轻(KG)(m= 10.6,SD.= 6.7)略微高于控制干预组的平均减肥(m= 10.5,SD.= 6.8)。

这些结果具有统计学意义(P.= .01)。然而,组之间只有0.1公斤的差异可以忽略不计,并且并没有真正告诉您一个方法应该受到另一个方法。

增加了实际意义的衡量标准将显示这种新干预的承诺是如何相对于现有干预措施。

你如何计算效果大小?

有几十种效果尺寸的措施。最常见的效果大小是科恩的D.和皮尔逊的R.。科恩D.在Pearson的同时测量两组之间的差异的大小R.测量两个变量之间关系的强度。

科恩D.

科恩D.旨在比较两组。两个手段之间的差异是在标准偏差单元中表达。它告诉您两种手段之间有多少标准偏差。

科恩D.公式 解释
科恩的D惯例
  • X1=第1组的含义
  • X2=第2组的平均值
  • S.=标准偏差

选择标准偏差在方程中取决于你的研究设计。您可以使用:

  • 汇总标准偏差,基于两个组的数据,
  • 如果您的设计包括一个控制组的标准偏差控制和实验组
  • 如果您的重复措施设计包括预测试和后部,则标准偏差。
示例:计算科恩的D.
计算科恩的D.对于减肥研究,您将采用两组的手段和控制干预组的标准偏差。

D.=(X1-X2)÷S.

D.=(10.6 - 10.5)÷6.8=0.015

带着科恩的D.0.015,有限于发现实验干预比控制干预更成功的发现。

Pearson的R.

Pearson的R.或相关系数,测量两个变量之间的线性关系的程度。

该公式相当复杂,因此最好使用统计软件来计算Pearson的软件R.从原始数据准确。

Pearson的R.公式 解释

Pearson的R惯例

  • R.XY.=变量x和y之间的相关性的强度
  • N.=样本大小
  • σ=下面的总和
  • X=每个x变量值
  • y=每个变量值
  • XY.=每个X变量分数乘以相应的Y变量分数的乘积

公式的主要思想是计算多少变化性一个变量由其他变量的可变性决定。

Pearson的R.是测量变量之间的相关性的标准化规模 - 使其无单位。您可以直接比较彼此所有相关性的优势。

一个警告是皮尔逊的R.,就像科恩一样的D.,只能用于间隔或者比率变量。必须使用其他效果尺寸的措施序单或者义务变量。

你的抄袭是什么?

将您的论文与超过6000亿网络页面和3000万个出版物进行比较。

  • 2020年18luck新利备用网登录最好的抄袭验证者
  • 抄袭报告和百分比
  • 最大的抄袭数据库

Scribbr 18luck新利备用网登录Plagiarism Checker.

你如何知道效果大小是否小或大?

根据科恩的标准,效果尺寸可以分为小,中等或大。

COHEN的小,培养基和大效果的标准基于所使用的效果尺寸测量而不同。

规模效应 科恩D. Pearson的R.
小的 0.2 .1至.3或-1至-.3
中等的 0.5 .3至.5或-.3到-.5
0.8或更大 .5或更大或更大或更少

科恩D.可以在0到无穷大之间进行任何数字,而Pearson的R.在-1和1之间的范围。

一般来说,越来越大的科恩D.,效果大小越大。对于皮尔逊的来说R.,值越近0,效果大小越小。更接近-1或1的值表示效果较高。

小型或大效果大小的标准也可能取决于您在特定领域中常见的研究,因此在解释效果大小时务必检查其他文件。

你应该计算效果大小吗?

即使在您开始学习之前,计算效果大小也有助于如完成数据收集后。

在开始学习之前

知道预期效果大小意味着您可以弄清楚您需要的最小样本量统计权力检测该尺寸的效果。

在统计数据中,权力是指a的可能性假设试验如果有一个,检测真正的效果。统计上强大的测试更有可能拒绝假阴性(II型错误)。

如果您在您的研究中保证足够的电力,即使在具有实际意义的情况下,您可能无法检测到统计上显着的结果。您的研究可能无法回答您的研究问题。

通过执行权力分析,您可以使用设定的效果大小和显着性级别来确定特定功率电平所需的样本大小。

完成学习后

收集数据后,您可以在摘要和纸张的结果部分中计算和报告实际效果大小。

效果大小是Meta分析研究中的原始数据,因为它们是标准化且易于比较的。元分析可以组合许多相关研究的效果大小,以了解特定发现的平均效果大小。

但Meta分析研究也可以进一步走一步,并且还表明为什么效应大小可能因单个主题的研究而异。这可以产生新的研究线。

关于效果大小的常见问题

什么是效果大小?

规模效应告诉你变量之间的关系或组之间的区别有意义。

大量效果大小意味着研究发现具有实际意义,而小效果大小表明实用应用有限。

如何计算效果大小?

有几十种效果尺寸。最常见的效果大小是科恩的D.和皮尔逊的R.。科恩D.在Pearson的同时测量两组之间的差异的大小R.测量两者之间关系的力量变量

统计和实际意义之间有什么区别?

尽管统计学意义表明研究中存在效果,实际意义表明效果足够大,在现实世界中有意义。

统计显着性表示P.- 价值而实际意义是由效果大小

什么是统计权力?

在统计数据中,权力是指a的可能性假设试验如果有一个,检测真正的效果。统计上强大的测试更有可能拒绝假阴性(II型错误)。

如果您在学习中保证有足够的电量,您可能无法检测到一个统计学意义结果即使它具有实际意义。您的研究可能无法回答您的研究问题。

这篇文章有用吗?
0.
Pritha bhandari.

Pritha有一个英语,心理学和认知神经科学的学术背景。作为跨学科研究员,她喜欢写文章,了解学生和学者的棘手的研究概念。

1条评论

Pritha bhandari.
Pritha bhandari(Scribbr队)
2020年12月22日,下午5:09

谢谢阅读!希望你发现这篇文章有用。如果有的话尚不清楚,或者如果你没有找到你在这里寻找的东西,请留下评论,我们会看看我们是否可以提供帮助。

还有疑问吗?

请单击左侧的复选框以验证您是不是机器人。