Cohenovo d a výpočty velikosti účinku

Za hranice statistické významnosti: Pochopení velikosti účinku

Velikost účinku měří rozsah rozdílu nebo vztahu nezávisle na velikosti výběru. Zatímco p-hodnoty říkají, zda je účinek statisticky významný, velikost účinku říká, jak je tento účinek prakticky smysluplný. Toto rozlišení je klíčové pro rozhodování založené na důkazech ve výzkumu, medicíně, vzdělávání i podnikání.

Uvažte farmaceutickou studii, kde nový lék vykazuje statisticky významné zlepšení (p < 0,001) oproti placebu. Bez velikosti účinku nevíte, zda je zlepšení 0,1 % nebo 50 %. Velikost účinku poskytuje tento zásadní kontext a pomáhá zainteresovaným stranám rozhodnout, zda účinek stojí za náklady, vedlejší účinky nebo implementační úsilí.

Nejběžnější mírou velikosti účinku pro porovnání dvou skupin je Cohenovo d, které vyjadřuje rozdíl mezi průměry v jednotkách směrodatné odchylky. Tato standardizace umožňuje srovnání napříč různými studiemi a měřicími škálami.

Proč je velikost účinku důležitá

Statistická významnost je silně ovlivněna velikostí výběru. Při dostatečně velkém výběru se i triviální rozdíly stanou „významnými“. Naopak důležité účinky nemusí dosáhnout významnosti u malých výběrů. Velikost účinku tento problém řeší tím, že poskytuje míru nezávislou na velikosti výběru.

Hlavní důvody pro používání velikosti účinku:

• Metaanalýza: Velikosti účinku lze kombinovat napříč studiemi pro odhad celkového efektu
• Výkonová analýza: Nezbytná pro výpočet potřebné velikosti výběru v budoucích studiích
• Praktická rozhodnutí: Pomáhá určit, zda stojí za to intervence implementovat
• Replikace: Poskytuje cílovou hodnotu, kterou by měly replikační studie potvrdit

Cohenovo d: Standardní míra velikosti účinku

Cohenovo d vyjadřuje rozdíl mezi průměry dvou skupin v jednotkách sloučené směrodatné odchylky:

Kde M₁ a M₂ jsou skupinové průměry a sp je sloučená směrodatná odchylka vypočtená jako:

Znaménko d udává směr: kladné, když M₁ > M₂, záporné, když M₁ < M₂. Často se uvádí absolutní hodnota |d|, když je směr zřejmý z kontextu.

Alternativní míry velikosti účinku

I když je Cohenovo d nejběžnější, existují alternativy pro specifické situace:

Hedgesovo g: Velikost účinku s korekcí vychýlení

Cohenovo d mírně nadhodnocuje populační velikost účinku u malých výběrů. Hedgesovo g aplikuje korekční faktor:

U výběrů nad 20 na skupinu je rozdíl zanedbatelný. Pro malé výběry (n < 20) je upřednostněno Hedgesovo g.

Glassovo Δ: Při nestejných rozptylech

Pokud je jedna skupina kontrolní se známou variabilitou, použijte jako jmenovatel pouze směrodatnou odchylku kontrolní skupiny:

To je užitečné, když intervence může ovlivnit rozptyl (např. intervence, která pomáhá slabším studentům více než těm nejlepším).

Interpretace velikosti účinku: Cohenovy pokyny

Jacob Cohen navrhl tyto konvence pro interpretaci hodnot d:

Řešený příklad: Vzdělávací intervence

Škola testuje nový čtenářský program. Kontrolní skupina (n=25): průměr=72, SO=12. Experimentální skupina (n=30): průměr=79, SO=14. Vypočítejte Cohenovo d:

To znamená, že pokud byste náhodně vybrali jednoho studenta z experimentální skupiny a jednoho z kontrolní skupiny, student z experimentální skupiny by dosáhl vyššího skóre přibližně v 64 % případů (vypočteno z překryvu).

Implementace v Pythonu

Výpočet velikosti účinku programově s intervaly spolehlivosti:

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}")