免费效应量计算器

效应量与Cohen's d：量化组间差异

效应量是一个基础统计指标，用于捕捉两组之间差异的大小，超越了单纯的p值，传达实际显著性。本效应量计算器专注于最广泛使用的标准化度量——Cohen's d，它以合并标准差为单位表达均值差，这一关键概念称为标准化均值差。理解Cohen's d对于解读研究结果、跨研究比较以及进行统计功效分析至关重要。

Cohen's d的核心公式

Cohen's d通过一个直接了当的公式计算，标准化均值差：

$$d = \frac{\bar{x}_1 - \bar{x}_2}{s_{p}}$$

其中：

• $\bar{x}_1$ 和 $\bar{x}_2$ 分别是对照组和实验组的样本均值。
• $s_{p}$ 是合并标准差，合并了两组的变异性。 合并标准差的计算方式如下：

$$s_{p} = \sqrt{\frac{(n_1-1)s_1^2 + (n_2-1)s_2^2}{n_1+n_2-2}}$$

在这个表达式中，$s_1$ 和 $s_2$ 是两组的标准差，$n_1$ 和 $n_2$ 是各自的样本量。这种合并假设总体方差相等，在许多实验设计中这是一个常见且合理的近似。

对于等容量组，获得的d值也可以转化为相关系数 $r$：

$$r = \frac{d}{\sqrt{d^2 + 4}}$$

平方相关系数 $r^2$ 表示结果中可归因于组别归属的方差比例。

解释大小：Cohen的经验法则

Jacob Cohen提出了一个广泛采用的经验性标尺，用于解释d的绝对值，并将其与效应量类别关联：

Cohen's d	相关系数(r)	解释
0.20	0.1	小
0.50	0.3	中
0.80	0.5	大

这些阈值仅作为粗略指南；效应的实际重要性高度取决于研究背景。例如，效应量为0.8表示较大差异，但该差异是否“好”或“有意义”需要更深入地考虑具体领域、实施成本以及实际意义。

实例分析：教学方法评估

假设一名教育工作者想比较两种教学方法。对照组（传统讲授）有20名学生，平均得分100分（标准差 = 10），而实验组（互动软件）也有20名学生，平均105分（标准差 = 12）。使用效应量计算器：

• 合并标准差： $$s_{p} = \sqrt{\frac{(20-1)\times10^2 + (20-1)\times12^2}{20+20-2}} \approx 11.0$$
• Cohen's d = (105 – 100) / 11.0 ≈ 0.45

绝对值（0.45）落在小到中等范围。正号（假设 $d = \bar{x}_{\text{exp}} – \bar{x}_{\text{control}}$ ）表明实验组以近半个合并标准差的优势优于对照组。转化为 $r$ 得到约0.22，意味着考试成绩中大约4.9%的方差与教学方法相关。这一中度改善表明该软件可能具有实际益处，尽管还需要进一步的推断性检验。

超越Cohen's d：其他效应量尺度与度量

虽然Cohen's d专为两组比较设计，但其他效应量指标适用于更复杂的设计。Cohen's f 用于ANOVA设置，量化组均值相对于组内标准差的差异。这两个指标不可互换：d直接对比两个均值，而f捕捉多组变异。

在健康和生物医学研究中，Rhea量表（2004年提出）常用于临床意义评估：

• 小效应：d < 0.35
• 中效应：0.35 ≤ d ≤ 0.80
• 大效应：0.80 < d ≤ 1.50

这一约定为Cohen的分类提供了特定领域的替代。

除了解释，效应量还是统计功效计算器的关键输入。通过从预实验数据或先前研究中估算d，研究者可以确定检测真实效应所需的样本量，使本工具成为稳健实验规划不可或缺的一部分。