Dois tipos de estatística de tamanho de efeito: padronizada e não padronizada

As estatísticas de tamanho de efeito estão na moda atualmente.

Os editores de periódicos as exigem. Os comitês não aprovam dissertações sem eles.

Mas a razão para computá-los não é apenas que alguém os deseja – eles podem realmente ajudá-lo a entender sua análise de dados.

O que é um Estatística do tamanho do efeito?

Quando muitos de nós ouvimos “Estatística do tamanho do efeito”, imediatamente pensamos que precisamos de uma de algumas estatísticas: Eta-quadrado, d de Cohen, R-quadrado.
E sim, eles definitivamente se qualificam. Mas o conceito de uma estatística de tamanho de efeito é na verdade muito mais amplo. Aqui está uma descrição de um bom artigo sobre estatísticas de tamanho de efeito:

“… informações sobre a magnitude e direção da diferença entre dois grupos ou a relação entre duas variáveis.”

– Joseph A . Durlak, “How to Select, Calculate, and Interpret Effect Sizes”

Se você pensar sobre isso, muitas estatísticas familiares se encaixam nesta descrição. Os coeficientes de regressão fornecem informações sobre a magnitude e a direção de a relação entre duas variáveis. O mesmo ocorre com os coeficientes de correlação.

Da mesma forma, uma simples diferença entre as médias de dois grupos se encaixa diretamente nessa definição.

Então, por que precisamos relatar estatísticas de tamanho de efeito específico?

Estatísticas de tamanho de efeito simples e padronizadas

Existem dois tipos de estatísticas que descrevem o tamanho de um efeito.

O primeiro tipo é padronizado. Quando a maioria das pessoas fala sobre estatísticas de tamanho de efeito, é disso que estão falando.

Estatísticas de tamanho de efeito padronizado removem as unidades das variáveis no efeito.

O segundo tipo é simples. Essas estatísticas descrevem o tamanho do efeito, mas permanecem nas unidades originais das variáveis.

Então, por exemplo, digamos que você esteja comparando a temperatura média do solo sob duas condições diferentes.

O tamanho do efeito simples seria a diferença na temperatura média:

Média 1 – Média 2.

Você interpretaria essa estatística em graus Celsius. Por exemplo: A temperatura média na condição 1 foi 2,3 graus mais alta do que na condição 2.

A estatística do tamanho do efeito padronizado dividiria essa diferença média pelo desvio padrão:

(Média 1 – Média 2) / Desvio padrão.

Você interpretaria essa estatística em termos de desvios padrão: A temperatura média na condição 1 foi 1,4 desvios padrão mais alta do que na condição 2 .

Vantagens e desvantagens

Embora muitos editores de periódicos queiram tamanhos de efeito padronizados, eles nem sempre são melhores do que tamanhos de efeito simples. Eles têm vantagens reais em determinadas situações.

1. Tamanhos de efeito padronizados ajudam a avaliar o quão grande ou pequeno é um efeito quando as unidades de medida não são intuitivas.

A maioria dos cientistas de solo terá um bom entendimento de se 2,3 graus Celsius é uma diferença significativa. 2,3 graus Celsius significa algo porque um grau é intuitivo. Mas nem sempre é o caso.

Imagine uma diferença de 2,3 pontos em uma escala de ansiedade que vai de 7 a 49. Essa diferença é significativa? Bem, é difícil dizer porque esses pontos não são muito intuitivos. Teríamos que ter um forte entendimento da distribuição das pontuações para ver se 2,3 pontos era uma grande mudança e teríamos que entender o que 2,3 pontos realmente nos dizem sobre a ansiedade.

Às vezes, padronizar o estatística – colocando em termos de desvios padrão – ajuda a remover as unidades sem sentido e permite que os pesquisadores avaliem os efeitos em comparação com a distribuição completa das pontuações.

2. Tamanhos de efeito padronizados podem ajudá-lo a comparar os resultados dos estudos.

Muitas variáveis são medidas em diferentes escalas em diferentes estudos. Novamente, isso não é provável que aconteça com uma variável como a temperatura, mas existem várias escalas de ansiedade para escolher, cada uma das quais em uma escala diferente. Incluir estatísticas padronizadas de tamanho de efeito pode ajudar os leitores a entender as tendências ou diferenças entre os estudos.

Eles são a base da meta-análise, que analisa os resultados de uma amostra de estudos, portanto, relatar essas estatísticas beneficiará seus colegas.

3. Tamanhos de efeito padronizados devem ser usados em cálculos de tamanho de amostra com cuidado.

Tanto o menor efeito simples significativo quanto um desvio padrão são necessários para estimar as estatísticas de tamanho de amostra (dado um certo alfa e poder desejado, entre outras estimativas necessárias ) Alguns softwares exigem que você primeiro combine essas duas informações em uma estatística de tamanho de efeito padronizado para calcular o tamanho de amostra necessário para atingir o poder desejado.

Embora não haja nada de errado em usar tamanhos de efeito padronizados nesses cálculos, se você quiser boas estimativas, precisará passar pelo processo de obtenção de um desvio padrão razoável de suas variáveis e pensar sobre o que um efeito significativo faria ser.

Sim, isso é muito difícil e não há uma resposta certa. Mas você é o especialista em sua área e depende de você determinar com base na literatura o que é um tamanho de efeito significativo.

Se você usar estatísticas de tamanho de efeito genéricas para a base de seu cálculo de potência, sem pensar sobre o que isso significa em seu estudo, você apenas obterá uma estimativa genérica do tamanho da amostra. Isso não é muito útil.

Estatísticas do tamanho do efeito
O software estatístico nem sempre nos dá os tamanhos de efeito de que precisamos. Conheça alguns dos estatísticas comuns de tamanho de efeito e as maneiras de calculá-los você mesmo.

Deixe uma resposta

O seu endereço de email não será publicado. Campos obrigatórios marcados com *