Två typer av effektstorleksstatistik: Standardiserad och icke-standardiserad

Effektstorleksstatistik är raseri idag.

Journalredaktörer kräver dem. Kommittéer klarar inte avhandlingar utan dem.

Men anledningen till att beräkna dem är inte bara att någon vill ha dem – de kan verkligen hjälpa dig att förstå din dataanalys.

Vad är en Effektstorleksstatistik?

När många av oss hör ”Effektstorleksstatistik” tror vi omedelbart att vi behöver en av få statistik: Eta-kvadrat, Cohens d, R-kvadrat.
Och ja, dessa uppfyller definitivt. Men begreppet statistik för effektstorlek är faktiskt mycket bredare. Här är en beskrivning från en trevlig artikel om effektstorleksstatistik:

”… information om storleken och riktningen på skillnaden mellan två grupper eller förhållandet mellan två variabler.”

– Joseph A Durlak, ”Hur man väljer, beräknar och tolkar effektstorlekar”

Om du tänker på det passar många bekanta statistik denna beskrivning. Regressionskoefficienter ger information om storleken och riktningen för förhållandet mellan två variabler. Så gör korrelationskoefficienter.

Likaså passar en enkel skillnad mellan två gruppmedel direkt till denna definition.

Så varför behöver vi rapportera specifik effektstorleksstatistik?

Enkel och standardiserad effektstorleksstatistik

Det finns två typer av statistik som beskriver storleken på en effekt.

Den första typen är standardiserad. När de flesta pratar om effektstorleksstatistik är det detta de pratar om.

Standardiserad effektstorleksstatistik tar bort enheterna för variablerna i effekten.

Den andra typen är enkel. Denna statistik beskriver storleken på effekten, men förblir i de ursprungliga enheterna för variablerna.

Så säg till exempel att du jämför jordens medeltemperatur under två olika förhållanden.

Den enkla effektstorleken skulle vara skillnaden i medeltemperaturen:

Medel 1 – Medel 2.

Du skulle tolka den statistiken i grader Celsius. Till exempel: Medeltemperaturen i tillstånd 1 var 2,3 grader högre än i tillstånd 2.

Statistiken för standardiserad effektstorlek skulle dela den genomsnittliga skillnaden med standardavvikelsen:

(Medel 1 – Medel 2) / Standardavvikelse.

Du skulle tolka den statistiken i termer av standardavvikelser: Medeltemperaturen i tillstånd 1 var 1,4 standardavvikelser högre än i tillstånd 2 .

Fördelar och nackdelar

Även om många journalredaktörer vill ha standardiserade effektstorlekar är de inte alltid bättre än de enkla effektstorlekarna. De har dock verkliga fördelar i vissa situationer.

1. Standardiserade effektstorlekar hjälper dig att utvärdera hur stor eller liten effekt är när måttenheterna inte är intuitiva.

De flesta markforskare kommer att ha en bra förståelse för om 2,3 grader Celsius är en meningsfull skillnad. 2,3 grader Celsius betyder något för att en grad är intuitiv. Men så är det inte alltid.

Föreställ dig en 2,3-punkts skillnad på en ångestskala som går från 7 till 49. Är det en meningsfull skillnad? Det är svårt att säga eftersom de här punkterna inte är så intuitiva. Vi måste ha en stark förståelse för fördelningen av poäng för att se om 2,3 poäng var ett stort drag, och vi måste förstå vad 2,3 poäng verkligen berättar om ångest.

Ibland standardiserar vi statistik – att sätta den i termer av standardavvikelser – hjälper till att ta bort de meningslösa enheterna och gör det möjligt för forskare att utvärdera effekterna i jämförelse med den fullständiga fördelningen av poäng. Standardiserade effektstorlekar kan hjälpa dig att jämföra resultat mellan studier.

Många variabler mäts på olika skalor i olika studier. Återigen, detta kommer sannolikt inte att hända med en variabel som temperatur, men det finns flera ångestskalor att välja mellan, var och en är i olika skala. Att inkludera standardiserad effektstorleksstatistik kan hjälpa läsarna att förstå trender eller skillnader mellan studier.

De är grunden för metaanalys, som analyserar resultat från ett urval av studier, så rapportering av denna statistik kommer att gynna dina kollegor.

3. Standardiserade effektstorlekar bör användas i provstorleksberäkningar med försiktighet.

Både den minsta meningsfulla enkla effekten och en standardavvikelse behövs för att uppskatta provstorleksstatistik (givet en viss alfa och önskad effekt, bland andra nödvändiga uppskattningar) ). Vissa programvaror kräver att du först kombinerar dessa två informationsstycken till en standardiserad effektstorleksstatistik för att beräkna önskad provstorlek för att uppnå önskad effekt.

Det finns inget fel med att använda standardiserade effektstorlekar i dessa beräkningar, men om du vill ha bra uppskattningar måste du gå igenom processen för att få en rimlig standardavvikelse för dina variabler och tänka på vad en meningsfull effekt skulle vara.

Ja, det här är väldigt svårt, och det finns inte ett rätt svar. Men du är experten inom ditt område och det är upp till dig att avgöra från litteraturen vad en meningsfull effektstorlek är.

Om du använder generisk effektstorleksstatistik för din beräkning utan att tänka om vad det innebär i din studie får du bara en generisk uppskattning av provstorlek. Det är inte särskilt användbart.

Effektstorleksstatistik
Statistisk programvara ger oss inte alltid de effektstorlekar vi behöver. Lär dig några av gemensam effektstorleksstatistik och sätt att beräkna dem själv.

Lämna ett svar

Din e-postadress kommer inte publiceras. Obligatoriska fält är märkta *