Jedno použití efekt-velikost je jako standardizovaný index, který je nezávislý na velikosti vzorku a kvantifikuje velikost rozdílu mezi populacemi nebo vztah mezi vysvětlující a proměnné odezvy. Dalším použitím velikosti efektu je jeho použití při prováděníanalýza výkonu.
velikost Účinku na rozdíl znamená
velikost Účinku pro rozdíly v znamená, že je dána byCohen d je definována z hlediska počtu obyvatel znamená (µs) a populace standarddeviation (σ), jak je uvedeno níže.,
Existuje několik různých způsobů, jak, že jeden by mohl odhadnout σ z ukázkových dat ‰ í konkrétní kroky k více variant v rámci cohenova d rodina.
Použití kvadratická směrodatná odchylka
Pomocí sdružené směrodatné odchylky (živé Ploty, g)
Tato verze cohenova d používá sdružené směrodatné odchylky a je také známý jako živé Ploty‘ g.,
můžete snadno získat tuto hodnotu z anova programu tím, že odmocnina z meansquare chyby, které je také známé jako střední kvadratická chyba.
pomocí standardní odchylky kontrolní skupiny (sklo ‚Δ)
Další verze Cohenova d používající směrodatnou odchylku pro kontrolní skupinu je také známá jako Glass‘ Δ.,
Více pak dvě skupiny
Když tam jsou více než dvě skupiny použít rozdíl mezi největší a smallestmeans děleno odmocnina ze střední kvadratické chyby.
velikost Účinku pro F-poměry v regresní analýze,
Pro OLS regrese opatření účinků velikost je F, který je definován Cohen takto.,
opět existuje několik způsobů, ve kterém účinek velikost lze vypočítat ze vzorku údajů. Notethat η2 je jiný název pro R2.
velikost Účinku pro F-poměry v analýze rozptylu
velikost účinku používají v analýze rozptylu je definován jako poměr počtu obyvatel standarddeviations.,
i když Cohen je f je definována jako výše je obvykle computedby odmocníme f2.
velikost Účinku pro χ2 z kontingenční tabulky
opět začneme s definičních vzorec, pokud jde o populace hodnoty.Velikost efektu w je druhá odmocnina standardizované statistiky chi-square.,
a zde je, jak se W vypočítává pomocí vzorových dat.
Zde je tabulka doporučených hodnot pro nízké, střední a vysoké účinky (Cohen, 1988). Tyto hodnoty by neměly být považovány za absolutní a měly by být interpretovány v rámci vašeho výzkumného programu. Hodnoty forlarge effects jsou v praxi často překračovány, přičemž hodnoty Cohen ‚ s d větší než 1.0 nejsou neobvyklé.,Použití velmi velkých velikostí efektů v prospektivní analýze energie však pravděpodobně není dobrý nápad, asit by mohl vést k Pod poháněným studiím.,vzorce
kde k = počet skupin,
Převést t d pro dvě nezávislé skupiny
Převod r na d pro dvě nezávislé skupiny
Noncentrality odhady
Síla analýzy pomocí analytické metody vyžadují odhad noncentrality což je basicallythe velikost účinku násobí velikost vzorku faktor., Zde je několik vzorců pro odhad nekoncentrality.
Příklad napájení analýzy
Zde je příklad, který sdružuje vliv velikosti a noncentrality v power analýza.
zvažte jednosměrnou analýzu rozptylu se třemi skupinami (k = 3). Pokud očekáváme, že se andeta2 rovná .,12 přičemž v tomto případě účinek bude velikost
effect size f = sqrt(eta2/(1-eta2)) = sqrt(.12/(1-.12)) = .369
předpokládaná velikost vzorku 60 odhad noncentrality
noncentrality coefficient lambda = N*f = 60*.369^2 = 60*.136 = 8.17
čitatel stupňů volnosti k-1 = 3-1 = 2, zatímco jmenovatel df je N-k = 60-3 = 57.Kritická hodnota F S 2 a 57 stupni volnosti je 3,16. Což má za následek sílu
power = noncentralFtail(df1,df2,lambda,Fcrit(2,57)) = noncentralFtail(2,57,8.17,3.16) = .703
tedy N 60 a velikost efektu .369 poskytuje předpokládanou sílu asi .7.
můžeme zlepšit sílu .7 použitím předpokládané velikosti vzorku 75 namísto 60., Se stejnou velikostí účinku.369, dostaneme nový noncentrality odhad
noncentrality coefficient lambda = N*f = 75*.369^2 = 75*.136 = 10.2
čitatel stupňů volnosti zůstávají stejné, zatímco jmenovatel df nyní rovna N-k = 75-3 = 72.Kritická hodnota F S 2 a 72 stupni volnosti 3,12. Tentokrát je výkon
power = noncentralFtail(df1,df2,lambda,Fcrit(2,72)) = noncentralFtail(2,72,10.2,3.12) = .807
což je v přijatelných mezích výzkumu.
vezměte Prosím na vědomí, že různé stat balíčky, používat různé názvy a v jiném pořadí argumentů ve funkci, že máme zavolat noncentralFtail. Budete si muset přečíst dokumentacipřichází s vaším softwarem.,
Becker, L. psychologie 590 poznámky k kurzu. Viděn 19. Června 2009 <http://web.uccs.edu/lbecker/Psy590/es.htm>
Cohen, J. 1988. Statistická analýza výkonu pro behaviorální vědy. Hillsdale, New Jersey: Lawrence Erlbaum Associates