통계적으로 유의미하고 유의하지 않은 분석에서 에타 제곱 / 부분 에타 제곱을 해석하고보고하는 방법은 무엇입니까?

그룹 평균 차이에 대한 효과 크기의 척도로 계산 된 에타 제곱 값과 부분 에타 제곱 값이있는 데이터가 있습니다.

• 에타 제곱과 부분 에타 제곱의 차이점은 무엇입니까? 둘 다 동일한 Cohen의 지침을 사용하여 해석 할 수 있습니까 (1988 : 0.01 = 작음, 0.06 = 중간, 0.13 = 큰 것으로 생각합니다)?

• 또한 비교 테스트 (예 : t- 테스트 또는 일원 분산 분석)가 중요하지 않은 경우 효과 크기보고에 사용됩니까? 내 머릿속에서 이것은 "평균 차이가 통계적 유의성에 도달하지 못했지만 에타 제곱으로 표시된 효과 크기가 중간이므로 여전히 주목할 만하다"고 말하는 것과 같습니다. 또는 효과 크기가 보 완성보다는 유의성 검정의 대체 값입니까?

그룹 평균 차이의 효과 크기

• 일반적으로 표준화 된 그룹 평균 차이 (예 : Cohen 's d)가 그룹 차이와 관련하여 더 의미있는 효과 크기 측정치를 찾습니다. 에타 제곱과 같은 측정 값은 그룹 표본 크기가 동일한 지 여부에 영향을받는 반면 Cohen의 d는 다릅니다. 또한 정량화하려는 것이 그룹 평균의 차이 일 때 d 기반 측정의 의미가 더 직관적이라고 생각합니다.
• $f^2$
• 세 번째 옵션은 실험 효과와 관련하여 두 개 이상의 그룹이 있더라도 효과 개념이 이진 비교 (즉, 한 조건이 다른 조건에 대한 영향)로 가장 잘 개념화되는 것입니다. 이 경우 다시 d 기반 측정으로 돌아갈 수 있습니다. d- 기반 측정 값은 요인에 대한 효과 크기 측정 값이 아니라 참조 그룹에 대한 한 그룹의 측정 값입니다. 핵심은 의미있는 참조 그룹을 정의하는 것입니다.
• 마지막으로, 효과 크기 측정 값을 포함시키는 더 넓은 목표를 기억하는 것이 중요합니다. 독자에게 관심있는 효과의 크기에 대한 감각을 부여하는 것입니다. 표준화 된 효과 측정은이 작업에서 독자를 지원해야합니다. 종속 변수가 본질적으로 의미있는 척도에 있다면, 그 척도를 기준으로 효과의 크기를 해석하는 데 주저하지 마십시오. 예를 들어, 반응 시간, 급여, 신장, 체중 등과 같은 스케일은 본질적으로 의미가 있습니다. 내가했던 것처럼 실험 효과의 맥락에서 약간 직관적이지 않은 제곱을 발견했다면 다른 지수를 선택했을 것이다.

에타 제곱 대 부분 에타 제곱

• 부분 에타 제곱은 SPSS의 여러 분산 분석 절차에서보고 된 기본 효과 크기 측정 값입니다. 나는 이것이 자주 그것에 대해 질문을하는 이유라고 생각합니다.
• 예측 변수가 하나만있는 경우 부분 에타 제곱은 에타 제곱과 같습니다.
• 이 기사에서는 에타 제곱과 부분 에타 제곱의 차이점에 대해 설명합니다 (Levine 및 Hullett Eta Squared, Partial Eta Squared .. ).
• 요약하면, 예측 변수가 둘 이상인 경우 부분 에타 제곱은 다른 예측 변수가 설명하는 분산을 제외한 나머지 변수의 주어진 변수가 설명하는 분산입니다.

에타 제곱 및 부분 에타 제곱에 대한 경험 법칙

• 예측 변수가 하나 뿐인 경우 에타 제곱과 부분 에타 제곱은 동일하므로 동일한 경험 법칙이 적용됩니다.
• 예측 변수가 둘 이상인 경우 에타 제곱의 일반적인 경험 법칙이 에타 제곱보다 부분 에타 제곱에 더 많이 적용될 것이라고 생각합니다. 이는 요인 분산 분석에서 부분 에타 제곱이 일방향 분산 분석 인 경우 요인에 대한 에타 제곱이 근사치에 가깝게 근접하기 때문입니다. 아마도 코헨의 경험 법칙을 일으킨 일원 분산 분석 일 것입니다. 일반적으로 실험 설계에 다른 요소를 포함하면 일반적으로 에타 제곱을 줄여야하지만 두 번째 요소가 효과가있는 경우 종속 변수의 변동성을 증가 시킨다는 사실 때문에 부분 에타 제곱을 줄여야하는 것은 아닙니다.
• 에타 제곱 및 부분 에타 제곱에 대한 경험 법칙에 대해 말한 것에도 불구하고, 나는 실험 팬의 크기와 의미를 해석하는 맥락에서 효과의 크기를 측정 한 분산 팬이 아니라고 반복합니다. 마찬가지로 경험 법칙은 거칠고 상황에 따라 다르며 너무 심각하게 받아들이지 않아야합니다.

중요하지 않은 결과와 관련하여보고 효과 규모

• 어떤 의미에서 연구의 목표는 모집단에 대한 관심 변수의 영향에 대한 다양한 정량적 추정치를 추정하는 것입니다.
• 효과 크기는이 효과의 점 추정치의 한 가지 수량입니다. 표본 크기가 클수록 일반적으로 표본 점 추정치가 실제 모집단 효과에 더 가깝습니다.
• 넓은 의미에서 유의성 테스트는 결과에 대한 설명으로 기회를 배제하는 것을 목표로합니다. 따라서 p- 값은 귀무 가설이 참이라고 가정 할 때 효과 크기를 관측 할 확률을 나타냅니다.
• 궁극적으로 효과를 배제하고 실제 모집단 효과의 크기에 대해 말하고 싶습니다. 효과 크기에 대한 신뢰 구간과 신뢰 구간은이 문제를보다 직접적으로 해결하는 두 가지 접근 방식입니다. 그러나 p- 값과 효과 크기의 포인트 추정값을보고하는 것은 p- 값이나 효과 크기 측정 값 만보고하는 것보다 훨씬 일반적이며 훨씬 좋습니다.
• 특정 질문과 관련하여 중요하지 않은 결과가있는 경우 효과 크기 측정 값을보고할지 여부가 결정됩니다. 결과가 많은 테이블이 있으면 중요성에 관계없이 사용되는 효과 크기 열을 갖는 것이 의미가 있다고 생각합니다. 중요하지 않은 상황에서도 신뢰 구간이있는 효과 크기는 중요하지 않은 결과가 부적절한 표본 크기로 인한 것인지 여부를 나타내는 데 도움이 될 수 있습니다.