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.
Jebakan Signifikansi
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:
Cohen’s d
Di mana M₁ dan M₂ adalah rata-rata kelompok, dan sp adalah simpangan baku gabungan yang dihitung sebagai:
Simpangan Baku Gabungan
Tanda d menunjukkan arah: positif ketika M₁ > M₂, negatif ketika M₁ < M₂. Sering nilai absolut |d| yang dilaporkan ketika arah sudah jelas dari konteks.
Mengapa Menggabungkan Simpangan Baku?
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:
Koreksi Hedges’ g
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:
Glass’s Delta
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:
| Ukuran Efek (d) | Interpretasi | Tumpang Tindih |
|---|---|---|
| 0,2 | Kecil | 85% tumpang tindih antar kelompok |
| 0,5 | Sedang | 67% tumpang tindih antar kelompok |
| 0,8 | Besar | 53% tumpang tindih antar kelompok |
| 1,2 | Sangat Besar | 40% tumpang tindih antar kelompok |
| 2,0 | Sangat Besar Sekali | 19% tumpang tindih antar kelompok |
Konteks Penting
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:
Hitung Varians Gabungan
Hitung SD Gabungan
Hitung Cohen’s d
Interpretasi
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}")