Dwa rodzaje statystyk wielkości efektu: standaryzowane i niestandaryzowane

Statystyki wielkości efektów są obecnie popularne.

Redaktorzy czasopism ich wymagają. Komitety nie będą bez nich rozprawiać.

Ale powodem ich obliczania jest nie tylko to, że ktoś ich chce – mogą naprawdę pomóc ci zrozumieć analizę danych.

Co to jest Statystyka wielkości efektu?

Kiedy wielu z nas słyszy „Statystyka wielkości efektu”, od razu myślimy, że potrzebujemy jednej z kilku statystyk: Eta-kwadrat, Cohena d, R-kwadrat.
I tak, te zdecydowanie się kwalifikują. Ale pojęcie statystyki wielkości efektu jest w rzeczywistości znacznie szersze. Oto opis z fajnego artykułu o statystykach wielkości efektu:

„… informacje o wielkości i kierunku różnicy między dwiema grupami lub związku między dwiema zmiennymi.”

– Joseph A . Durlak, „Jak wybierać, obliczać i interpretować rozmiary efektu”

Jeśli się nad tym zastanowić, wiele znanych statystyk pasuje do tego opisu. Współczynniki regresji dostarczają informacji o wielkości i kierunku związek między dwiema zmiennymi. Podobnie jak współczynniki korelacji.

Podobnie, prosta różnica między dwoma średnimi grupowymi pasuje bezpośrednio do tej definicji.

Dlaczego więc musimy raportować statystyki dotyczące wielkości efektu?

Proste i znormalizowane statystyki wielkości efektu

Istnieją dwa rodzaje statystyk, które opisują rozmiar efektu.

Pierwszy typ jest znormalizowany. Kiedy większość ludzi mówi o statystykach wielkości efektu, właśnie o tym mówi.

Standardowe statystyki wielkości efektu usuwają jednostki zmiennych w efekcie.

Drugi typ to prosty. Te statystyki opisują wielkość efektu, ale pozostają w oryginalnych jednostkach zmiennych.

Na przykład, powiedzmy, że porównujesz średnią temperaturę gleby w dwóch różnych warunkach.

Prosty efekt byłby różnicą średniej temperatury:

Średnia 1 – Średnia 2.

Zinterpretowałbyś tę statystykę w stopnie Celsjusza. Na przykład: Średnia temperatura w warunku 1 była o 2,3 stopnia wyższa niż w warunku 2.

Standardowa statystyka wielkości efektu podzieliłaby tę średnią różnicę przez odchylenie standardowe:

(Średnia 1 – Średnia 2) / Odchylenie standardowe.

Zinterpretowałbyś tę statystykę w kategoriach odchyleń standardowych: Średnia temperatura w warunku 1 była o 1,4 odchylenia standardowego wyższa niż w warunku 2 .

Zalety i wady

Chociaż wielu redaktorów czasopism chce ustandaryzowanych rozmiarów efektów, nie zawsze są one lepsze niż proste rozmiary efektów. Mają jednak realne zalety w pewnych sytuacjach.

1. Znormalizowane rozmiary efektów pomagają ocenić, jak duży lub mały jest efekt, gdy jednostki miary nie są intuicyjne.

Większość naukowców zajmujących się glebą dobrze rozumie, czy 2,3 stopnia Celsjusza jest znaczącą różnicą. 2,3 stopnia Celsjusza coś znaczy, ponieważ stopień jest intuicyjny. Ale nie zawsze tak jest.

Wyobraź sobie 2,3-punktową różnicę na skali lęku od 7 do 49. Czy to znacząca różnica? Cóż, trudno powiedzieć, ponieważ te punkty nie są zbyt intuicyjne. Musielibyśmy dobrze zrozumieć rozkład wyników, aby zobaczyć, czy 2,3 punktu to duży ruch, i musielibyśmy zrozumieć, co 2,3 punktu naprawdę mówi nam o lęku.

Czasami standaryzacja statystyka – ujmując ją w kategoriach odchyleń standardowych – pomaga usunąć bezsensowne jednostki i pozwala badaczom ocenić efekty w porównaniu z pełnym rozkładem wyników.

2. Standaryzowane rozmiary efektów mogą pomóc w porównaniu wyników różnych badań.

Wiele zmiennych jest mierzonych w różnych skalach w różnych badaniach. Ponownie, jest to mało prawdopodobne w przypadku zmiennej, takiej jak temperatura, ale do wyboru jest wiele skal lęku, z których każda jest na innej skali. Dołączenie znormalizowanych statystyk wielkości efektu może pomóc czytelnikom zrozumieć trendy lub różnice między badaniami.

Są one podstawą metaanalizy, która analizuje wyniki z próby badań, więc raportowanie tych statystyk przyniesie korzyści Twoim współpracownikom.

3. W obliczeniach wielkości próby należy ostrożnie stosować znormalizowane wielkości efektów.

Do oszacowania statystyk wielkości próby potrzebny jest zarówno najmniejszy znaczący prosty efekt, jak i odchylenie standardowe (biorąc pod uwagę określoną wartość alfa i pożądaną moc, a także inne niezbędne szacunki ). Niektóre programy wymagają najpierw połączenia tych dwóch informacji w znormalizowaną statystykę wielkości efektu, aby obliczyć wymaganą wielkość próbki, aby uzyskać żądaną moc.

Chociaż nie ma nic złego w używaniu standardowych rozmiarów efektów w tych obliczeniach, jeśli chcesz uzyskać dobre szacunki, musisz przejść przez proces uzyskiwania rozsądnego odchylenia standardowego swoich zmiennych i zastanowić się, jaki znaczący efekt dałby być.

Tak, to jest bardzo trudne i nie ma jednej dobrej odpowiedzi. Ale jesteś ekspertem w swojej dziedzinie i to do Ciebie należy określenie na podstawie literatury, jaka jest znacząca wielkość efektu.

Jeśli użyjesz ogólnych statystyk wielkości efektu do obliczenia mocy bez zastanowienia o tym, co to oznacza w twoim badaniu, otrzymasz po prostu ogólne oszacowanie wielkości próby. To niezbyt przydatne.

Statystyki wielkości efektu
Oprogramowanie statystyczne nie zawsze podaje nam potrzebne rozmiary efektów. Poznaj niektóre z typowe statystyki wielkości efektów i sposoby ich samodzielnego obliczania.

Dodaj komentarz

Twój adres email nie zostanie opublikowany. Pola, których wypełnienie jest wymagane, są oznaczone symbolem *