Kétféle effektusméret-statisztika: szabványosított és nem szabványosított

A hatásméret-statisztika manapság nagy divat.

A naplószerkesztők ezt követelik. A bizottságok nem adnak le értekezéseket nélkülük.

De ezek kiszámításának oka nem csak az, hogy valaki vágyik rájuk, hanem valóban segítséget nyújthat az adatelemzés megértésében.

Mi az a Hatásméret-statisztika?

Amikor sokan halljuk a „Hatásméret-statisztikát”, azonnal azt gondoljuk, hogy szükségünk van néhány statisztika egyikére: Eta-négyzet, Cohen-d, R-négyzet.
És igen, ezek mindenképpen megfelelnek. De a hatásméret-statisztika fogalma valójában sokkal tágabb. Íme egy leírás egy szép cikkből az effektusméret-statisztikáról:

“… információk a két csoport közötti különbség nagyságáról és irányáról, illetve a két változó kapcsolatáról.”

– Joseph A . Durlak, “Az effektméretek kiválasztása, kiszámítása és értelmezése”

Ha belegondol, sok ismert statisztika illik ehhez a leíráshoz. A regressziós együtthatók tájékoztatást adnak a két változó kapcsolata. Tehát a korrelációs együtthatók is.

Hasonlóképpen, a két csoport közötti egyszerű különbség közvetlenül illeszkedik ehhez a meghatározáshoz.

Miért kell tehát konkrét hatásméret-statisztikákat jelentenünk?

Egyszerű és szabványosított effektusméret-statisztika

Kétféle statisztika létezik, amelyek leírják az effektus nagyságát.

Az első típus szabványosított. Amikor a legtöbb ember effektusméret-statisztikáról beszél, erről beszélnek.

A szabványosított effektusméret-statisztikák eltávolítják az effektusban szereplő változók egységeit.

A második típus: egyszerű. Ezek a statisztikák leírják a hatás nagyságát, de megmaradnak a változók eredeti egységeiben.

Például mondjuk azt, hogy két különböző körülmények között hasonlítja össze a talaj átlaghőmérsékletét.

Az effektus egyszerű mérete az átlaghőmérséklet különbsége lenne:

1. átlag – 2. átlag.

Ezt a statisztikát a Celsius fok. Például: Az 1. hőmérséklet átlagos hőmérséklete 2,3 fokkal magasabb volt, mint a 2. állapotban.

A standardizált hatásméret-statisztika ezt az átlagos különbséget elosztaná a szórással:

(1. átlag – 2. átlag) / szórás.

Ezt a statisztikát a standard eltérések szerint értelmezné: Az 1. hőmérséklet átlagos hőmérséklete 1,4 szórás volt magasabb, mint a 2. feltételnél .

Előnyök és hátrányok

Bár sok folyóirat-szerkesztő szabványosított effektméretet szeretne, nem mindig jobbak, mint az egyszerű effektméretek. Bizonyos helyzetekben azonban valódi előnyök vannak.

1. A szabványos hatásméretek segítenek felmérni, hogy mekkora vagy kicsi a hatás, ha a mértékegységek nem intuitívak.

A legtöbb talajtudós jól meg fogja érteni, hogy a 2,3 Celsius fok jelent-e jelentõs különbséget. A 2,3 Celsius fok jelent valamit, mert egy fok intuitív. De ez nem mindig így van.

Képzeljen el 2,3 pontos különbséget a szorongási skálán, amely 7-től 49-ig tart. Ez értelmes különbség? Nos, nehéz megmondani, mert ezek a pontok nem túl intuitívak. Alaposan meg kell értenünk a pontszámok eloszlását, hogy lássuk, vajon a 2,3 pont nagy lépés-e, és meg kell értenünk, hogy a 2,3 pont valóban mit mond nekünk a szorongásról.

Néha a a statisztika – szórásként kifejezve – segít eltávolítani az értelmetlen egységeket, és lehetővé teszi a kutatók számára a hatások értékelését a pontszámok teljes eloszlásához képest.

2. A standardizált hatásméretek segíthetnek az eredmények összehasonlításában a vizsgálatok között.

Számos változót különböző skálán mérnek különböző vizsgálatok során. Ismételten nem valószínű, hogy ez olyan változóval történik, mint a hőmérséklet, de többféle szorongási skála közül lehet választani, amelyek mindegyike más-más skálán mozog. A szabványos hatásméret-statisztikák felvétele segíthet az olvasóknak megérteni a trendeket vagy a különbségeket a tanulmányok között.

Ezek a metaanalízis alapját képezik, amely a tanulmányok mintájának eredményeit elemzi, így ezeknek a statisztikáknak a közlése a kollégák számára előnyös lesz.

3. A mintaméret-számításoknál óvatosan kell alkalmazni a standardizált hatásméreteket.

Mind a legkisebb értelmes egyszerű hatás, mind a szórás szükséges a minta méretének statisztikájának becsléséhez (adott alfa és kívánt teljesítmény mellett, a többi szükséges becslés mellett) ). Egyes szoftverek előbb ezt a két információt egyesítik szabványosított effektusméret-statisztikában, hogy kiszámítsák a kívánt mintaméretet a kívánt teljesítmény eléréséhez.

Bár nincs semmi baj a standardizált effektméretek használatával ezekben a számításokban, ha jó becsléseket akarsz, végig kell menned a változók ésszerű szórásának megszerzésén és azon kell gondolkodnod, hogy mi lenne az értelmes hatás legyen.

Igen, ez nagyon nehéz, és nincs egy helyes válasz. De te vagy a szakterületed szakértője, és rajtad múlik, hogy az irodalom alapján meghatározza, mi az értelmes hatásméret.

Ha általános hatásméret-statisztikát használ a teljesítményszámításod alapjául gondolkodás nélkül arról, hogy mit jelent a tanulmányában, csak kap egy általános mintaméret-becslést. Ez nem túl hasznos.

Hatásméret-statisztika
A statisztikai szoftver nem mindig adja meg a kívánt effektusméretet. Ismerje meg néhányat a közös effektus méretére vonatkozó statisztikák és azok számításának módjai.

Vélemény, hozzászólás?

Az email címet nem tesszük közzé. A kötelező mezőket * karakterrel jelöltük