Deux types de statistiques de taille d’effet: standardisées et non standardisées

Les statistiques de taille d’effet font fureur de nos jours.

Les éditeurs de journaux les exigent. Les comités ne passeront pas de dissertations sans eux.

Mais la raison de les calculer n’est pas seulement que quelqu’un les veut – ils peuvent vraiment vous aider à comprendre votre analyse de données.

Qu’est-ce qu’une Statistique de taille d’effet?

Quand nous sommes nombreux à entendre «Statistique de taille d’effet», nous pensons immédiatement que nous avons besoin de l’une des rares statistiques: Eta-carré, d de Cohen, R-carré.
Et oui, ils sont définitivement éligibles. Mais le concept de statistique de taille d’effet est en fait beaucoup plus large. Voici une description tirée d’un bel article sur les statistiques de taille d’effet:

« … des informations sur l’ampleur et la direction de la différence entre deux groupes ou la relation entre deux variables. »

– Joseph A . Durlak, « Comment sélectionner, calculer et interpréter les tailles d’effet »

Si vous y réfléchissez, de nombreuses statistiques familières correspondent à cette description. Les coefficients de régression donnent des informations sur l’ampleur et la direction de la relation entre deux variables. Ainsi, les coefficients de corrélation.

De même, une simple différence entre deux moyennes de groupe correspond directement à cette définition.

Alors, pourquoi devons-nous rapporter des statistiques de taille d’effet spécifiques?

Statistiques de taille d’effet simples et standardisées

Il existe deux types de statistiques qui décrivent la taille d’un effet.

Le premier type est standardisé. Lorsque la plupart des gens parlent de statistiques de taille d’effet, c’est de cela qu’ils parlent.

Les statistiques de taille d’effet standardisées suppriment les unités des variables de l’effet.

Le deuxième type est Facile. Ces statistiques décrivent la taille de l’effet, mais restent dans les unités d’origine des variables.

Par exemple, disons que vous comparez la température moyenne du sol dans deux conditions différentes.

La taille de l’effet simple serait la différence de la température moyenne:

Mean 1 – Mean 2.

Vous interpréteriez cette statistique dans degré Celsius. Par exemple: la température moyenne dans la condition 1 était de 2,3 degrés plus élevée que dans la condition 2.

La statistique de taille d’effet normalisée diviserait cette différence moyenne par l’écart type:

(Moyenne 1 – Moyenne 2) / Écart type.

Vous interpréteriez cette statistique en termes d’écarts types: la température moyenne dans la condition 1 était supérieure de 1,4 écart-type à celle de la condition 2 .

Avantages et inconvénients

Alors que de nombreux éditeurs de journaux veulent des tailles d’effet standardisées, elles ne sont pas toujours meilleures que les tailles d’effet simples. Ils présentent cependant de réels avantages dans certaines situations.

1. Les tailles d’effet standardisées vous aident à évaluer l’ampleur ou la petite taille d’un effet lorsque les unités de mesure ne sont pas intuitives.

La plupart des pédologues comprendront bien si 2,3 degrés Celsius constituent une différence significative. 2,3 degrés Celsius signifie quelque chose parce qu’un degré est intuitif. Mais ce n’est pas toujours le cas.

Imaginez une différence de 2,3 points sur une échelle d’anxiété qui va de 7 à 49. Est-ce une différence significative? Eh bien, c’est difficile à dire car ces points ne sont pas très intuitifs. Nous devions avoir une bonne compréhension de la distribution des scores pour voir si 2,3 points était un grand pas, et nous devions comprendre ce que 2,3 points nous disent vraiment sur l’anxiété.

Parfois, normaliser le statistique – en la mettant en termes d’écarts-types – aide à supprimer les unités sans signification et permet aux chercheurs d’évaluer les effets par rapport à la distribution complète des scores.

2. Les tailles d’effet standardisées peuvent vous aider à comparer les résultats entre les études.

De nombreuses variables sont mesurées à différentes échelles dans différentes études. Encore une fois, cela ne se produira probablement pas avec une variable telle que la température, mais il existe plusieurs échelles d’anxiété parmi lesquelles choisir, chacune étant à une échelle différente. L’inclusion de statistiques de taille d’effet normalisées peut aider les lecteurs à comprendre les tendances ou les différences entre les études.

Elles constituent la base de la méta-analyse, qui analyse les résultats d’un échantillon d’études, de sorte que la communication de ces statistiques profitera à vos collègues.

3. Les tailles d’effet standardisées doivent être utilisées avec précaution dans les calculs de taille d’échantillon.

Le plus petit effet simple significatif et un écart-type sont nécessaires pour estimer les statistiques de taille d’échantillon (étant donné un certain alpha et une puissance souhaitée, entre autres estimations nécessaires ). Certains logiciels exigent que vous combiniez d’abord ces deux informations dans une statistique de taille d’effet normalisée pour calculer la taille d’échantillon requise pour obtenir la puissance souhaitée.

Bien qu’il n’y ait rien de mal à utiliser des tailles d’effet standardisées dans ces calculs, si vous voulez de bonnes estimations, vous devez passer par le processus d’obtention d’un écart-type raisonnable de vos variables et de réfléchir à ce qu’un effet significatif serait être.

Oui, c’est très difficile, et il n’y a pas une seule bonne réponse. Mais vous êtes l’expert dans votre domaine, et c’est à vous de déterminer à partir de la littérature ce qu’est une taille d’effet significative.

Si vous utilisez des statistiques de taille d’effet génériques pour la base de votre calcul de puissance sans réfléchir sur ce que cela signifie dans votre étude, vous obtiendrez simplement une estimation générique de la taille de l’échantillon. Ce n’est pas très utile.

Statistiques de taille d’effet
Les logiciels statistiques ne nous donnent pas toujours les tailles d’effet dont nous avons besoin. des statistiques de taille d’effet communes et les moyens de les calculer vous-même.

Laisser un commentaire

Votre adresse e-mail ne sera pas publiée. Les champs obligatoires sont indiqués avec *