Zwei Arten von Effektgrößenstatistiken: Standardisierte und nicht standardisierte

Effektgrößenstatistiken liegen heutzutage voll im Trend.

Journal-Redakteure fordern sie. Komitees werden keine Dissertationen ohne sie bestehen.

Der Grund für die Berechnung ist jedoch nicht nur, dass jemand sie will – sie können Ihnen wirklich helfen, Ihre Datenanalyse zu verstehen.

Was ist ein Effektgrößenstatistik?

Wenn viele von uns „Effektgrößenstatistik“ hören, denken wir sofort, wir brauchen eine der wenigen Statistiken: Eta-Quadrat, Cohens d, R-Quadrat.
Und ja, diese sind definitiv qualifiziert. Aber das Konzept einer Effektgrößenstatistik ist tatsächlich viel umfassender. Hier ist eine Beschreibung aus einem schönen Artikel zur Effektgrößenstatistik:

„… Informationen über die Größe und Richtung der Differenz zwischen zwei Gruppen oder die Beziehung zwischen zwei Variablen.“

– Joseph A. Durlak, „Auswählen, Berechnen und Interpretieren von Effektgrößen“

Wenn Sie darüber nachdenken, passen viele bekannte Statistiken zu dieser Beschreibung. Regressionskoeffizienten geben Auskunft über die Größe und Richtung von die Beziehung zwischen zwei Variablen. Korrelationskoeffizienten auch.

Ebenso passt ein einfacher Unterschied zwischen zwei Gruppenmitteln direkt zu dieser Definition.

Warum müssen wir also spezifische Effektgrößenstatistiken melden?

Einfache und standardisierte Effektgrößenstatistik

Es gibt zwei Arten von Statistiken, die die Größe eines Effekts beschreiben.

Der erste Typ ist standardisiert. Wenn die meisten Leute über Effektgrößenstatistiken sprechen, ist dies das, worüber sie sprechen.

Standardisierte Effektgrößenstatistiken entfernen die Einheiten der Variablen im Effekt.

Der zweite Typ ist einfach. Diese Statistiken beschreiben die Größe des Effekts, bleiben jedoch in den ursprünglichen Einheiten der Variablen.

Nehmen wir beispielsweise an, Sie vergleichen die mittlere Bodentemperatur unter zwei verschiedenen Bedingungen.

Die einfache Effektgröße wäre der Unterschied in der mittleren Temperatur:

Mittelwert 1 – Mittelwert 2.

Sie würden diese Statistik in interpretieren Grad Celsius. Beispiel: Die mittlere Temperatur in Bedingung 1 war 2,3 Grad höher als in Bedingung 2. Die standardisierte Effektgrößenstatistik würde diese mittlere Differenz durch die Standardabweichung dividieren:

(Mittelwert 1 – Mittelwert 2) / Standardabweichung.

Sie würden diese Statistik als Standardabweichung interpretieren: Die mittlere Temperatur in Bedingung 1 war 1,4 Standardabweichungen höher als in Bedingung 2

Vor- und Nachteile

Während viele Journal-Editoren standardisierte Effektgrößen wünschen, sind sie nicht immer besser als einfache Effektgrößen. In bestimmten Situationen haben sie jedoch echte Vorteile.

1. Mithilfe standardisierter Effektgrößen können Sie beurteilen, wie groß oder klein ein Effekt ist, wenn die Maßeinheiten nicht intuitiv sind.

Die meisten Bodenwissenschaftler haben ein gutes Verständnis dafür, ob 2,3 Grad Celsius ein bedeutender Unterschied sind. 2,3 Grad Celsius bedeuten etwas, weil ein Grad intuitiv ist. Dies ist jedoch nicht immer der Fall.

Stellen Sie sich einen Unterschied von 2,3 Punkten auf einer Angstskala von 7 bis 49 vor. Ist das ein bedeutender Unterschied? Nun, es ist schwer zu sagen, da diese Punkte nicht sehr intuitiv sind. Wir müssten ein gutes Verständnis für die Verteilung der Punktzahlen haben, um zu sehen, ob 2,3 Punkte ein großer Schritt sind, und wir müssten verstehen, was 2,3 Punkte wirklich über Angst aussagen.

Manchmal standardisieren wir die Die Statistik – ausgedrückt als Standardabweichung – hilft dabei, die bedeutungslosen Einheiten zu entfernen, und ermöglicht es den Forschern, die Auswirkungen im Vergleich zur vollständigen Verteilung der Bewertungen zu bewerten.

2. Standardisierte Effektgrößen können Ihnen helfen, Ergebnisse über Studien hinweg zu vergleichen.

Viele Variablen werden in verschiedenen Studien auf verschiedenen Skalen gemessen. Auch dies ist bei einer Variablen wie der Temperatur wahrscheinlich nicht der Fall, es stehen jedoch mehrere Angstskalen zur Auswahl, von denen jede auf einer anderen Skala liegt. Das Einbeziehen standardisierter Effektgrößenstatistiken kann den Lesern helfen, Trends oder Unterschiede zwischen Studien zu verstehen.

Sie bilden die Grundlage für die Metaanalyse, bei der die Ergebnisse einer Stichprobe von Studien analysiert werden. Die Berichterstattung über diese Statistiken kommt Ihren Kollegen zugute.

3. Standardisierte Effektgrößen sollten bei der Berechnung der Stichprobengröße mit Vorsicht verwendet werden.

Zur Schätzung der Stichprobengrößenstatistik werden sowohl der kleinste aussagekräftige einfache Effekt als auch eine Standardabweichung benötigt (unter anderem bei einem bestimmten Alpha und der gewünschten Leistung) ). Bei einigen Programmen müssen Sie diese beiden Informationen zunächst zu einer standardisierten Effektgrößenstatistik kombinieren, um die erforderliche Stichprobengröße zu berechnen und die gewünschte Leistung zu erzielen.

Während die Verwendung standardisierter Effektgrößen in diesen Berechnungen nichts auszusetzen hat, müssen Sie, wenn Sie gute Schätzungen wünschen, den Prozess durchlaufen, um eine angemessene Standardabweichung Ihrer Variablen zu erhalten und darüber nachzudenken, was ein sinnvoller Effekt wäre be.

Ja, das ist sehr schwierig und es gibt keine richtige Antwort. Sie sind jedoch der Experte auf Ihrem Gebiet, und es liegt an Ihnen, anhand der Literatur zu bestimmen, welche aussagekräftige Effektgröße vorliegt.

Wenn Sie generische Effektgrößenstatistiken als Grundlage für Ihre Leistungsberechnung verwenden, ohne darüber nachzudenken Über die Bedeutung Ihrer Studie erhalten Sie lediglich eine allgemeine Schätzung der Stichprobengröße. Das ist nicht sehr nützlich.

Effektgrößenstatistik
Die statistische Software gibt uns nicht immer die Effektgrößen, die wir benötigen allgemeine Effektgrößenstatistiken und die Möglichkeiten, sie selbst zu berechnen.

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.