Cohen's d και Υπολογισμοί Μεγέθους Επίδρασης

Πέρα από τη Στατιστική Σημαντικότητα: Κατανόηση του Μεγέθους Επίδρασης

Το μέγεθος επίδρασης μετρά το μέγεθος μιας διαφοράς ή σχέσης, ανεξάρτητα από το μέγεθος δείγματος. Ενώ οι τιμές p σας λένε αν μια επίδραση είναι στατιστικά σημαντική, τα μεγέθη επίδρασης σας λένε πόσο πρακτικά σημαντική είναι αυτή η επίδραση. Αυτή η διάκριση είναι κρίσιμη για τη λήψη αποφάσεων βασισμένων σε τεκμήρια στην έρευνα, την ιατρική, την εκπαίδευση και τις επιχειρήσεις.

Σκεφτείτε μια φαρμακευτική δοκιμή όπου ένα νέο φάρμακο δείχνει στατιστικά σημαντική βελτίωση (p < 0,001) σε σχέση με εικονικό φάρμακο. Χωρίς το μέγεθος επίδρασης, δεν ξέρετε αν η βελτίωση είναι 0,1% ή 50%. Το μέγεθος επίδρασης παρέχει αυτό το κρίσιμο πλαίσιο, βοηθώντας τους ενδιαφερόμενους να κρίνουν αν η επίδραση αξίζει το κόστος, τις παρενέργειες ή την προσπάθεια υλοποίησης.

Το πιο κοινό μέτρο μεγέθους επίδρασης για τη σύγκριση δύο ομάδων είναι το Cohen's d, που εκφράζει τη διαφορά μεταξύ μέσων σε μονάδες τυπικής απόκλισης. Αυτή η τυποποίηση επιτρέπει τη σύγκριση μεταξύ διαφορετικών μελετών και κλιμάκων μέτρησης.

Γιατί Είναι Σημαντικό το Μέγεθος Επίδρασης

Η στατιστική σημαντικότητα επηρεάζεται έντονα από το μέγεθος δείγματος. Με αρκετά μεγάλο δείγμα, ακόμη και ασήμαντες διαφορές γίνονται “σημαντικές”. Αντίστροφα, σημαντικές επιδράσεις μπορεί να μην φτάσουν σε σημαντικότητα σε μικρά δείγματα. Το μέγεθος επίδρασης λύνει αυτό το πρόβλημα παρέχοντας ένα μέτρο ανεξάρτητο από το μέγεθος δείγματος.

Βασικοί λόγοι χρήσης του μεγέθους επίδρασης:

• Μετα-ανάλυση: Τα μεγέθη επίδρασης μπορούν να συνδυαστούν μεταξύ μελετών για εκτίμηση συνολικών επιδράσεων
• Ανάλυση ισχύος: Απαιτείται για τον υπολογισμό αναγκαίων μεγεθών δείγματος σε μελλοντικές μελέτες
• Πρακτικές αποφάσεις: Βοηθά να καθοριστεί αν οι παρεμβάσεις αξίζει να εφαρμοστούν
• Αναπαραγωγή: Παρέχει στόχο για μελέτες αναπαραγωγής

Cohen's d: Το Πρότυπο Μέτρο Μεγέθους Επίδρασης

Το Cohen's d εκφράζει τη διαφορά μεταξύ δύο μέσων ομάδων σε μονάδες συγκεντρωτικής τυπικής απόκλισης:

Όπου M₁ και M₂ είναι οι μέσοι ομάδων και sp η συγκεντρωτική τυπική απόκλιση που υπολογίζεται ως:

Το πρόσημο του d δείχνει κατεύθυνση: θετικό όταν M₁ > M₂, αρνητικό όταν M₁ < M₂. Συχνά αναφέρεται η απόλυτη τιμή |d| όταν η κατεύθυνση είναι προφανής από τα συμφραζόμενα.

Εναλλακτικά Μέτρα Μεγέθους Επίδρασης

Ενώ το Cohen's d είναι το πιο κοινό, υπάρχουν εναλλακτικές για ειδικές περιπτώσεις:

Hedges' g: Διορθωμένο Μέγεθος Επίδρασης

Το Cohen's d ελαφρώς υπερεκτιμά το πληθυσμιακό μέγεθος επίδρασης σε μικρά δείγματα. Το Hedges' g εφαρμόζει διορθωτικό παράγοντα:

Για δείγματα άνω των 20 ανά ομάδα, η διαφορά είναι αμελητέα. Για μικρά δείγματα (n < 20), προτιμάται το Hedges' g.

Glass's Δ: Όταν Διαφέρουν οι Διακυμάνσεις

Όταν μία ομάδα αποτελεί ομάδα ελέγχου με γνωστή μεταβλητότητα, χρησιμοποιήστε μόνο την τυπική απόκλιση της ομάδας ελέγχου ως παρονομαστή:

Αυτό είναι χρήσιμο όταν η θεραπεία μπορεί να επηρεάσει τη διακύμανση (π.χ. μια παρέμβαση που βοηθά τους χαμηλών επιδόσεων περισσότερο από τους υψηλών).

Ερμηνεία Μεγεθών Επίδρασης: Κατευθυντήριες Γραμμές Cohen

Ο Jacob Cohen πρότεινε τις ακόλουθες συμβάσεις για την ερμηνεία τιμών d:

Αναλυτικό Παράδειγμα: Εκπαιδευτική Παρέμβαση

Ένα σχολείο δοκιμάζει ένα νέο πρόγραμμα ανάγνωσης. Ομάδα ελέγχου (n=25): μέσος=72, ΤΑ=12. Ομάδα θεραπείας (n=30): μέσος=79, ΤΑ=14. Υπολογισμός Cohen's d:

Αυτό σημαίνει ότι αν παίρνατε τυχαία έναν μαθητή από την ομάδα θεραπείας και έναν από την ομάδα ελέγχου, ο μαθητής θεραπείας θα βαθμολογούσε υψηλότερα περίπου στο 64% των περιπτώσεων (υπολογισμένο από την επικάλυψη).

Υλοποίηση σε Python

Υπολογισμός μεγεθών επίδρασης προγραμματιστικά με διαστήματα εμπιστοσύνης:

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}")