Cohen’s d at mga Kalkulasyon ng Effect Size

Lampas sa Statistical Significance: Pag-unawa sa Effect Size

Sinusukat ng effect size ang laki ng pagkakaiba o relasyon, na independent sa laki ng sample. Habang sinasabi ng p-values kung statistically significant ang isang epekto, sinasabi naman ng effect sizes kung gaano ka-praktikal na makabuluhan ang epektong iyon. Napakahalaga ng pagkakaibang ito para sa evidence-based na paggawa ng desisyon sa pananaliksik, medisina, edukasyon, at negosyo.

Isipin ang isang pharmaceutical trial kung saan nagpakita ng statistically significant na pagpapabuti (p < 0.001) ang bagong gamot kumpara sa placebo. Kung walang effect size, hindi mo malalaman kung 0.1% o 50% ang pagpapabuti. Nagbibigay ang effect size ng mahalagang kontekstong ito, na tumutulong sa mga stakeholder na matukoy kung sulit ba ang epekto sa gastos, side effects, o pagsisikap ng implementasyon.

Ang pinakakaraniwang effect size measure para sa paghahambing ng dalawang grupo ay ang Cohen’s d, na nag-e-express ng pagkakaiba ng mga mean sa standard deviation units. Ang standardization na ito ay nagpapahintulot ng paghahambing sa iba't ibang pag-aaral at mga sukat.

Bakit Mahalaga ang Effect Size

Ang statistical significance ay lubos na naiimpluwensyahan ng laki ng sample. Sa sapat na malaking sample, kahit maliit na pagkakaiba ay nagiging “significant.” Sa kabilang banda, ang mahahalagang epekto ay maaaring hindi maabot ang significance sa maliliit na samples. Nilulutas ng effect size ang problemang ito sa pamamagitan ng pagbibigay ng sample-size-independent na sukatan.

Mga pangunahing dahilan upang gumamit ng effect size:

• Meta-analysis: Maaaring pagsamahin ang effect sizes sa iba’t ibang pag-aaral upang tantiyahin ang kabuuang epekto
• Power analysis: Kinakailangan upang kalkulahin ang kinakailangang laki ng sample para sa mga susunod na pag-aaral
• Praktikal na desisyon: Tumutulong sa pagtukoy kung sulit ba ang pagpapatupad ng mga interbensyon
• Replication: Nagbibigay ng target para sa mga replication studies

Cohen’s d: Ang Standard Effect Size Measure

Ini-express ng Cohen’s d ang pagkakaiba ng dalawang group means sa units ng pooled standard deviation:

Kung saan M₁ at M₂ ang mga group mean, at sp ang pooled standard deviation na kinalkula bilang:

Ang tanda ng d ay nagpapahiwatig ng direksyon: positibo kapag M₁ > M₂, negatibo kapag M₁ < M₂. Madalas ang absolute value |d| ang ini-report kapag malinaw ang direksyon mula sa konteksto.

Mga Alternatibong Effect Size Measures

Bagama’t pinakakaraniwan ang Cohen’s d, may mga alternatibo para sa mga partikular na sitwasyon:

Hedges’ g: Bias-Corrected Effect Size

Bahagyang ino-overestimate ng Cohen’s d ang population effect size sa maliliit na samples. Nag-a-apply ang Hedges’ g ng correction factor:

Para sa mga sample na higit sa 20 bawat grupo, halos walang pagkakaiba. Para sa maliliit na samples (n < 20), mas mainam ang Hedges’ g.

Glass’s Δ: Kapag Magkaiba ang Variances

Kapag ang isang grupo ay control na may kilalang variability, gamitin lamang ang standard deviation ng control group bilang denominator:

Kapaki-pakinabang ito kapag ang treatment ay maaaring makaapekto sa variance (hal., isang interbensyon na mas nakatutulong sa mga low performers kaysa sa mga high performers).

Pag-interpret ng Effect Sizes: Mga Gabay ni Cohen

Iminungkahi ni Jacob Cohen ang mga sumusunod na convention para sa pag-interpret ng mga halaga ng d:

Worked Example: Educational Intervention

Sinusubukan ng isang paaralan ang bagong reading program. Control group (n=25): mean=72, SD=12. Treatment group (n=30): mean=79, SD=14. Kalkulahin ang Cohen’s d:

Ibig sabihin nito, kung random kang kukuha ng isang estudyante mula sa treatment group at isa mula sa control group, ang estudyante sa treatment ay magma-marka nang mas mataas humigit-kumulang 64% ng oras (kinalkula mula sa overlap).

Python Implementation

Kalkulahin ang effect sizes nang programmatically na may confidence intervals:

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}")