什么是效应量,为什么它很重要?(例子)
影响的大小告诉你之间的关系有多有意义变量或者说两组之间的差值是。说明了研究成果的现实意义。
效应量大意味着研究结果具有实际意义,而效应量小意味着实际应用有限。
为什么效应量很重要?
而统计显著性表明在一项研究中存在一种效应,现实意义表明这种效应大到足以在现实世界中有意义。统计学意义用p值,而实际意义则由效应量表示。
单独的统计显著性可能会产生误导因为它受到样本大小。增加样本量总是更有可能发现统计上显著的影响,无论这种影响在现实世界中有多小。
相反,效应量与样本量无关。只有数据被用来计算效应大小。
这就是为什么有必要报告效应量研究论文说明一项发现的实际意义的APA的指导方针要求报告效应量和置信区间只要有可能。
如何计算效应量?
有几十种测量效应大小的方法。最常见的效应量是科恩效应量d而且皮尔森的r.科恩的d衡量两组之间差异的大小,而皮尔逊的r度量两个变量之间关系的强度。
科恩的d
科恩的d是为比较两组而设计的。它取两个均值之间的差值,并用标准差单位表示。它告诉你有多少标准差介于两者之间意味着.
科恩的d公式 | 解释 |
---|---|
|
方程中标准差的选择取决于你的研究设计.你可以使用:
- 一个基于两组数据的合并标准偏差,
- 对照组的标准偏差,如果你的设计包含对照组和实验组,
- 如果重复测量设计包括前测和后测,则前测数据的标准偏差。
皮尔森的r
皮尔森的r,或者相关系数,衡量两个变量之间线性关系的程度。
公式相当复杂,所以最好使用统计软件来计算皮尔逊公式r准确地从原始数据。
皮尔森的r公式 | 解释 |
---|---|
|
这个公式的主要思想是计算出多少可变性一个变量的好坏是由另一个变量的可变性决定的。
皮尔森的r是否有一个标准化的尺度来衡量相关性在变量之间——这使得它没有单元。您可以直接比较所有相互关联的强度。
一个警告是皮尔逊的r,就像科恩的d,只能用于时间间隔或比变量。必须使用其他效应量的测量方法序数或名义上的变量。
以下是学生们喜欢Scribbr校对服务的原因
如何知道效应大小是大还是小?
根据科恩的标准,效应大小可以分为小、中、大。
科恩对小、中、大效应的标准根据所使用的效应量测量而有所不同。
影响的大小 | 科恩的d | 皮尔森的r |
---|---|---|
小 | 0.2 | 从。1到。3或-。1到-。3 |
媒介 | 0.5 | .3到。5或者-。3到- 0.5 |
大 | 0.8或更高 | .5或更大或-。5个或以下 |
科恩的d可以取0到无穷之间的任何数,而皮尔逊r取值范围为-1 ~ 1。
一般来说,科恩值越大d,效应量越大。皮尔森的r,值越接近0,效应值越小。值越接近-1或1,效果大小越高。
皮尔森的r也会告诉你关系的发展方向:
- 正值(例如0.7)意味着两个变量要么一起增加,要么一起减少。
- 一个负值(例如,-0.7)意味着一个变量增加,而另一个变量减少反之亦然).
效应量小或大的标准也可能取决于你所在领域的常见研究,所以在解释效应量时一定要查看其他论文。
什么时候应该计算效应量?
即使在你开始研究之前以及完成研究之后,计算效应量都是有帮助的数据收集.
在开始学习之前
知道预期的效应量意味着你可以计算出足够的最小样本量统计能力来检测这种大小的效应。
在统计学中,权力指的是发生事件的可能性假设检验如果真的有效果,就去检测。一个统计上强大的测试更有可能拒绝假阴性(A第二类错误).
如果你在研究中没有确保足够的能量,即使它具有实际意义,你也可能无法检测到具有统计意义的结果。在这种情况下,你不会拒绝零假设,即使有实际的影响。
通过执行功率分析,您可以使用设置的效应量和显著性水平来确定某个功率水平所需的样本量。
完成学业后
一旦你收集了数据,你就可以在论文的摘要和结果部分计算和报告实际的效应量。
效应量是元分析研究中的原始数据,因为它们是标准化的,易于比较。元分析可以结合许多相关研究的效应量,以获得特定发现的平均效应量的概念。
但元分析研究也可以更进一步,也可以说明为什么在单个主题的研究中,效应大小可能会有所不同。这可以产生新的研究方向。
关于效应量的常见问题
引用这篇Scribbr文章
如果你想引用这个来源,你可以复制和粘贴引用或点击“引用这篇Scribbr文章”按钮,自动添加到我们的免费引用生成器引用。