Cohen's d وحسابات حجم الأثر

ما وراء الدلالة الإحصائية: فهم حجم الأثر

حجم الأثر يقيس مقدار فرق أو علاقة، بشكل مستقل عن حجم العينة. بينما تخبرك القيم الاحتمالية ما إذا كان الأثر ذا دلالة إحصائية، يخبرك حجم الأثر بمدى أهميته عمليًا. هذا التمييز حاسم لاتخاذ القرارات المبنية على الأدلة في البحث والطب والتعليم والأعمال.

تأمل تجربة صيدلانية حيث يُظهر دواء جديد تحسنًا ذا دلالة إحصائية (p < 0.001) مقارنة بالعلاج الوهمي. بدون حجم الأثر، لا تعرف ما إذا كان التحسن 0.1% أم 50%. حجم الأثر يوفر هذا السياق الحاسم، ويساعد أصحاب المصلحة في تحديد ما إذا كان الأثر يستحق التكلفة والآثار الجانبية أو جهد التطبيق.

أكثر مقاييس حجم الأثر شيوعًا لمقارنة مجموعتين هو Cohen's d، الذي يعبّر عن الفرق بين المتوسطات بوحدات الانحراف المعياري. هذا التوحيد يتيح المقارنة عبر دراسات ومقاييس قياس مختلفة.

لماذا يهم حجم الأثر

تتأثر الدلالة الإحصائية بشدة بحجم العينة. مع عينة كبيرة بما فيه الكفاية، حتى الفروق الضئيلة تصبح “ذات دلالة”. وبالعكس، قد لا تصل الآثار المهمة إلى الدلالة في العينات الصغيرة. حجم الأثر يحل هذه المشكلة بتوفير مقياس مستقل عن حجم العينة.

أسباب رئيسية لاستخدام حجم الأثر:

• التحليل التلوي: يمكن دمج أحجام الأثر عبر الدراسات لتقدير الآثار الإجمالية
• تحليل القوة: مطلوب لحساب أحجام العينات اللازمة للدراسات المستقبلية
• القرارات العملية: يساعد في تحديد ما إذا كانت التدخلات تستحق التطبيق
• التكرار: يوفر هدفًا لدراسات التكرار للمطابقة

Cohen's d: مقياس حجم الأثر المعياري

يعبّر Cohen's d عن الفرق بين متوسطي مجموعتين بوحدات الانحراف المعياري المجمّع:

حيث M₁ وM₂ هما متوسطا المجموعتين، وsp هو الانحراف المعياري المجمّع المحسوب كالتالي:

إشارة d تدل على الاتجاه: موجبة عندما M₁ > M₂، سالبة عندما M₁ < M₂. غالبًا ما تُقدَّم القيمة المطلقة |d| عندما يكون الاتجاه واضحًا من السياق.

مقاييس حجم الأثر البديلة

بينما Cohen's d هو الأكثر شيوعًا، توجد بدائل لحالات محددة:

Hedges' g: حجم الأثر المصحح للتحيز

يبالغ Cohen's d قليلاً في تقدير حجم أثر المجتمع في العينات الصغيرة. يطبق Hedges' g معامل تصحيح:

لعينات أكبر من 20 لكل مجموعة، الفرق ضئيل. للعينات الصغيرة (n < 20)، يُفضَّل Hedges' g.

Glass's Δ: عندما تختلف التباينات

عندما تكون إحدى المجموعتين مجموعة ضابطة بتباين معروف، استخدم فقط الانحراف المعياري للمجموعة الضابطة كمقام:

هذا مفيد عندما يمكن أن يؤثر العلاج على التباين (مثل تدخل يساعد ذوي الأداء المنخفض أكثر من ذوي الأداء العالي).

تفسير أحجام الأثر: إرشادات كوهين

اقترح جاكوب كوهين هذه الاصطلاحات لتفسير قيم d:

مثال محلول: تدخل تعليمي

مدرسة تختبر برنامج قراءة جديد. المجموعة الضابطة (n=25): المتوسط=72، الانحراف المعياري=12. مجموعة العلاج (n=30): المتوسط=79، الانحراف المعياري=14. احسب Cohen's d:

هذا يعني أنه إذا أخذت طالبًا عشوائيًا من مجموعة العلاج وآخر من المجموعة الضابطة، فإن طالب العلاج سيسجل أعلى حوالي 64% من الوقت (محسوبة من التداخل).

التطبيق بلغة Python

حساب أحجام الأثر برمجيًا مع فترات الثقة:

import numpy as np
from scipy import stats

def cohens_d(group1, group2):
    """Calculate Cohen's d for two independent groups."""
    n1, n2 = len(group1), len(group2)
    var1, var2 = np.var(group1, ddof=1), np.var(group2, ddof=1)

    # Pooled standard deviation
    pooled_std = np.sqrt(((n1-1)*var1 + (n2-1)*var2) / (n1+n2-2))

    # Cohen's d
    d = (np.mean(group1) - np.mean(group2)) / pooled_std
    return d

def hedges_g(group1, group2):
    """Calculate Hedges' g (bias-corrected effect size)."""
    n1, n2 = len(group1), len(group2)
    d = cohens_d(group1, group2)

    # Correction factor for small sample bias
    correction = 1 - 3 / (4*(n1+n2) - 9)
    return d * correction

# Example usage
control = [68, 72, 75, 70, 69, 74, 71, 73, 76, 72]
treatment = [75, 79, 82, 78, 80, 77, 81, 76, 83, 79]

d = cohens_d(treatment, control)
g = hedges_g(treatment, control)
print(f"Cohen's d: {d:.3f}")
print(f"Hedges' g: {g:.3f}")