Cohen’s d dan Perhitungan Ukuran Efek

Melampaui Signifikansi Statistik: Memahami Ukuran Efek

Ukuran efek mengukur besarnya perbedaan atau hubungan, independen dari ukuran sampel. Sementara nilai-p memberitahu Anda apakah efek signifikan secara statistik, ukuran efek memberitahu Anda seberapa bermakna secara praktis efek tersebut. Pembedaan ini penting untuk pengambilan keputusan berbasis bukti dalam penelitian, kedokteran, pendidikan, dan bisnis.

Pertimbangkan uji klinis farmasi di mana obat baru menunjukkan perbaikan yang signifikan secara statistik (p < 0,001) dibanding plasebo. Tanpa ukuran efek, Anda tidak tahu apakah perbaikannya 0,1% atau 50%. Ukuran efek memberikan konteks penting ini, membantu pemangku kepentingan menentukan apakah efeknya sepadan dengan biaya, efek samping, atau upaya implementasi.

Ukuran efek paling umum untuk membandingkan dua kelompok adalah Cohen’s d, yang menyatakan perbedaan rata-rata dalam satuan simpangan baku. Standarisasi ini memungkinkan perbandingan lintas studi dan skala pengukuran yang berbeda.

Mengapa Ukuran Efek Penting

Signifikansi statistik sangat dipengaruhi oleh ukuran sampel. Dengan sampel yang cukup besar, bahkan perbedaan sepele menjadi “signifikan.” Sebaliknya, efek penting mungkin tidak mencapai signifikansi dalam sampel kecil. Ukuran efek memecahkan masalah ini dengan menyediakan ukuran yang independen dari ukuran sampel.

Alasan utama menggunakan ukuran efek:

• Meta-analisis: Ukuran efek dapat digabungkan lintas studi untuk mengestimasi efek keseluruhan
• Analisis daya: Diperlukan untuk menghitung ukuran sampel yang diperlukan untuk studi masa depan
• Keputusan praktis: Membantu menentukan apakah intervensi layak diimplementasikan
• Replikasi: Menyediakan target untuk studi replikasi yang harus dicapai

Cohen’s d: Ukuran Efek Standar

Cohen’s d menyatakan perbedaan antara dua rata-rata kelompok dalam satuan simpangan baku gabungan:

Di mana M₁ dan M₂ adalah rata-rata kelompok, dan sp adalah simpangan baku gabungan yang dihitung sebagai:

Tanda d menunjukkan arah: positif ketika M₁ > M₂, negatif ketika M₁ < M₂. Sering nilai absolut |d| yang dilaporkan ketika arah sudah jelas dari konteks.

Ukuran Efek Alternatif

Meskipun Cohen’s d paling umum, alternatif ada untuk situasi tertentu:

Hedges’ g: Ukuran Efek Terkoreksi Bias

Cohen’s d sedikit melebih-estimasi ukuran efek populasi dalam sampel kecil. Hedges’ g menerapkan faktor koreksi:

Untuk sampel di atas 20 per kelompok, perbedaannya dapat diabaikan. Untuk sampel kecil (n < 20), Hedges’ g lebih disukai.

Glass’s Δ: Ketika Varians Berbeda

Ketika satu kelompok adalah kontrol dengan variabilitas yang diketahui, gunakan hanya simpangan baku kelompok kontrol sebagai penyebut:

Ini berguna ketika perlakuan mungkin mempengaruhi varians (misal, intervensi yang membantu siswa berkinerja rendah lebih dari siswa berkinerja tinggi).

Menginterpretasi Ukuran Efek: Pedoman Cohen

Jacob Cohen mengusulkan konvensi ini untuk menginterpretasi nilai d:

Contoh Perhitungan: Intervensi Pendidikan

Sebuah sekolah menguji program membaca baru. Kelompok kontrol (n=25): mean=72, SD=12. Kelompok perlakuan (n=30): mean=79, SD=14. Hitung Cohen’s d:

Ini berarti jika Anda mengambil siswa acak dari kelompok perlakuan dan siswa acak dari kelompok kontrol, siswa perlakuan akan memperoleh skor lebih tinggi sekitar 64% dari waktu (dihitung dari tumpang tindih).

Implementasi Python

Hitung ukuran efek secara programatis dengan interval kepercayaan:

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}")