Το μέγεθος επίδρασης στην πτυχιακή δείχνει πόσο μεγάλη είναι μια παρατηρούμενη διαφορά ή σχέση. Η τιμή p απαντά διαφορετικό ερώτημα. Δείχνει αν το αποτέλεσμα είναι συμβατό με τη μηδενική υπόθεση υπό συγκεκριμένες προϋποθέσεις. Δεν δείχνει από μόνη της πόσο σημαντικό είναι το εύρημα στην πράξη. Για αυτό χρησιμοποιούμε δείκτες όπως το Cohen’s d και το η². Στην παλινδρόμηση εξετάζουμε επίσης τον συντελεστή προσδιορισμού R².
Περιεχόμενα άρθρου
1. Γιατί χρειάζεται το μέγεθος επίδρασης στην πτυχιακή;
Η στατιστική σημαντικότητα επηρεάζεται έντονα από το μέγεθος του δείγματος. Ένα πολύ μεγάλο δείγμα μπορεί να αναδείξει ακόμη και μικρές διαφορές.
Ας υποθέσουμε ότι δύο ομάδες διαφέρουν κατά 0,4 μονάδες σε μια κλίμακα. Με αρκετές χιλιάδες συμμετέχοντες, η διαφορά μπορεί να είναι στατιστικά σημαντική.
Αυτό δεν σημαίνει ότι η διαφορά είναι απαραίτητα μεγάλη. Ο ερευνητής χρειάζεται έναν δεύτερο δείκτη για να περιγράψει το μέγεθός της.
Εδώ χρησιμοποιείται το μέγεθος επίδρασης. Ο κατάλληλος δείκτης εξαρτάται από τη στατιστική ανάλυση που έχεις πραγματοποιήσει.
Σε σύγκριση δύο μέσων όρων χρησιμοποιείται συχνά το Cohen’s d. Στην ανάλυση διακύμανσης συναντάμε συχνά το η².
Στην παλινδρόμηση το R² δείχνει πόσο μέρος της διακύμανσης της εξαρτημένης μεταβλητής εξηγεί το συνολικό μοντέλο.
Οι δείκτες αυτοί δεν είναι μεταξύ τους ισοδύναμοι. Δεν πρέπει να συγκρίνεις αριθμητικά ένα d = 0,50 με ένα R² = 0,50.
Κάθε δείκτης έχει διαφορετική μαθηματική έννοια. Για αυτό πρέπει να τον ερμηνεύεις μέσα στο πλαίσιο της αντίστοιχης ανάλυσης.
Το University of North Dakota παρουσιάζει διαφορετικούς δείκτες μεγέθους επίδρασης ανά στατιστικό έλεγχο. Περιλαμβάνει το Cohen’s d για συγκρίσεις μέσων και το η² για ανάλυση διακύμανσης.
2. Τι δείχνει το Cohen’s d ως μέγεθος επίδρασης;
Το Cohen’s d χρησιμοποιείται κυρίως όταν θέλουμε να περιγράψουμε το μέγεθος μιας διαφοράς μεταξύ μέσων όρων.
Ο δείκτης εκφράζει τη διαφορά σε μονάδες τυπικής απόκλισης. Έτσι η ερμηνεία δεν εξαρτάται από την αρχική μονάδα μέτρησης.
Ας υποθέσουμε ότι δύο ομάδες έχουν μέσους όρους 70 και 75. Η απλή διαφορά είναι πέντε μονάδες.
Η σημασία αυτών των πέντε μονάδων εξαρτάται από τη διασπορά. Αν οι βαθμολογίες διαφέρουν ελάχιστα μεταξύ τους, η επίδραση μπορεί να είναι μεγάλη.
Αντίθετα, η ίδια διαφορά μπορεί να είναι μικρή όταν οι βαθμολογίες παρουσιάζουν πολύ μεγάλη διασπορά.
Ο Cohen πρότεινε ενδεικτικά όρια για την ερμηνεία του d. Τιμή περίπου 0,20 χαρακτηρίζεται συχνά μικρή επίδραση.
Τιμή περίπου 0,50 χαρακτηρίζεται μέτρια. Τιμή περίπου 0,80 χαρακτηρίζεται μεγάλη επίδραση.
Αυτά τα όρια είναι κατευθυντήριοι κανόνες και όχι φυσικοί νόμοι. Η ουσιαστική σημασία εξαρτάται από το επιστημονικό πεδίο.
Για παράδειγμα, d = 0,30 μπορεί να έχει σημαντικές πρακτικές συνέπειες σε μια κλινική εφαρμογή. Σε άλλη έρευνα μπορεί να θεωρείται περιορισμένο.
Το πρόσημο του d δείχνει την κατεύθυνση της διαφοράς. Το απόλυτο μέγεθος δείχνει την έντασή της.
Αν d = -0,70, η επίδραση δεν είναι μικρότερη από d = +0,70. Το αρνητικό πρόσημο δείχνει μόνο ποια ομάδα έχει υψηλότερο μέσο όρο.
3. Τι δείχνει το η² στην ανάλυση διακύμανσης;
Το η², δηλαδή το ήτα τετράγωνο, χρησιμοποιείται ως δείκτης μεγέθους επίδρασης στην ανάλυση διακύμανσης.
Ο δείκτης εκφράζει το ποσοστό της συνολικής διακύμανσης που συνδέεται με έναν συγκεκριμένο παράγοντα.
Αν η² = 0,10, μπορούμε να πούμε ότι ο παράγοντας συνδέεται με περίπου 10% της συνολικής διακύμανσης.
Η ερμηνεία χρειάζεται όμως προσοχή. Το η² δεν σημαίνει αυτομάτως ότι ο παράγοντας προκαλεί αυτό το ποσοστό μεταβολής.
Η αιτιώδης ερμηνεία εξαρτάται από τον ερευνητικό σχεδιασμό. Σε παρατηρητική έρευνα πρέπει να χρησιμοποιούμε πιο προσεκτική διατύπωση.
Ως ενδεικτικά όρια χρησιμοποιούνται συχνά οι τιμές 0,01 για μικρή επίδραση και 0,06 για μέτρια επίδραση.
Τιμή περίπου 0,14 χρησιμοποιείται συχνά ως ένδειξη μεγάλης επίδρασης. Τα όρια αυτά πρέπει πάλι να προσαρμόζονται στο ερευνητικό πλαίσιο.
Πρόσεξε επίσης τη διαφορά μεταξύ η² και μερικού η². Οι δύο δείκτες δεν έχουν ακριβώς τον ίδιο παρονομαστή.
Το μερικό η² εμφανίζεται συχνά σε πιο σύνθετες αναλύσεις διακύμανσης. Το SPSS το παρουσιάζει σε αρκετές διαδικασίες.
Δεν πρέπει επομένως να γράψεις απλώς «η²» αν το αποτέλεσμα του SPSS είναι μερικό η². Η ονομασία πρέπει να αντιστοιχεί στον πραγματικό δείκτη.
Αν εκτελείς ανάλυση διακύμανσης μίας κατεύθυνσης, μπορείς να δεις και τον οδηγό για την ανάλυση διακύμανσης στο SPSS.
4. Πώς ερμηνεύεται ο συντελεστής προσδιορισμού R²;
Το R² χρησιμοποιείται κυρίως στην παλινδρόμηση. Ονομάζεται συντελεστής προσδιορισμού και περιγράφει την επεξηγηματική ικανότητα του συνολικού μοντέλου.
Η τιμή του κυμαίνεται συνήθως από 0 έως 1. Αν R² = 0,40, το μοντέλο εξηγεί το 40% της διακύμανσης.
Το υπόλοιπο 60% δεν εξηγείται από το συγκεκριμένο μοντέλο. Μπορεί να σχετίζεται με άλλους παράγοντες ή με τυχαία μεταβλητότητα.
Υψηλότερο R² σημαίνει ότι το μοντέλο εξηγεί μεγαλύτερο μέρος της παρατηρούμενης διακύμανσης. Δεν σημαίνει αυτομάτως ότι το μοντέλο είναι σωστό.
Ένα μεγάλο R² δεν διορθώνει έναν λανθασμένο ερευνητικό σχεδιασμό. Δεν αποδεικνύει επίσης αιτιώδη επίδραση των προβλεπτικών μεταβλητών.
Στην πολλαπλή παλινδρόμηση εξετάζουμε συχνά και το διορθωμένο R². Αυτό λαμβάνει υπόψη το πλήθος των προβλεπτικών μεταβλητών.
Η διάκριση είναι χρήσιμη επειδή το απλό R² συνήθως αυξάνεται όταν προσθέτουμε νέες μεταβλητές στο μοντέλο.
Το διορθωμένο R² επιβάλλει μια σχετική διόρθωση για αυτή την αύξηση. Για αυτό είναι χρήσιμο στην αξιολόγηση πολλαπλών μοντέλων.
Σε αντίθεση με το Cohen’s d, δεν υπάρχει ένα ενιαίο όριο που κάνει κάθε R² «καλό» ή «κακό».
Ένα R² = 0,15 μπορεί να είναι ουσιαστικό σε ένα πεδίο με πολύπλοκη ανθρώπινη συμπεριφορά. Σε διαφορετικό πεδίο μπορεί να θεωρείται χαμηλό.
Για αναλυτικότερη ερμηνεία μπορείς να δεις τον οδηγό για την πολλαπλή παλινδρόμηση στο SPSS.
5. Πώς παρουσιάζεις το μέγεθος επίδρασης στην πτυχιακή;
Το μέγεθος επίδρασης στην πτυχιακή πρέπει να παρουσιάζεται μαζί με το βασικό στατιστικό αποτέλεσμα. Μην αναφέρεις μόνο την τιμή p.
Αν συγκρίνεις δύο ομάδες, παρουσίασε πρώτα τη διαφορά τους. Μετά γράψε το αποτέλεσμα του στατιστικού ελέγχου.
Στη συνέχεια πρόσθεσε το Cohen’s d. Για παράδειγμα, μπορείς να γράψεις ότι η διαφορά ήταν στατιστικά σημαντική με d = 0,62.
Η τιμή αυτή δείχνει μέτρια προς σχετικά ισχυρή διαφορά σύμφωνα με τις συνηθισμένες κατευθυντήριες τιμές.
Σε ανάλυση διακύμανσης μπορείς να παρουσιάσεις την τιμή F και τη στατιστική σημαντικότητα. Μετά προσθέτεις το η² ή το μερικό η².
Για παράδειγμα, η² = 0,08 σημαίνει ότι ο συγκεκριμένος παράγοντας συνδέεται με περίπου 8% της συνολικής διακύμανσης.
Στην παλινδρόμηση παρουσιάζεις το R² για το συνολικό μοντέλο. Αν R² = 0,32, το μοντέλο εξηγεί περίπου 32% της διακύμανσης.
Μην χαρακτηρίζεις αυτόματα κάθε δείκτη ως μικρό ή μεγάλο. Πρώτα έλεγξε αν υπάρχουν αποδεκτές τιμές αναφοράς για τη συγκεκριμένη μέθοδο.
Μετά εξέτασε το πεδίο της έρευνας. Η πρακτική σημασία δεν προκύπτει μόνο από έναν γενικό αριθμητικό κανόνα.
Απόφυγε επίσης τη φράση «μεγάλη επίδραση» όταν ο σχεδιασμός δεν επιτρέπει αιτιώδη συμπεράσματα. Μπορείς να μιλήσεις για μεγάλο μέγεθος παρατηρούμενης διαφοράς.
Στις συσχετιστικές έρευνες ο ίδιος ο συντελεστής συσχέτισης δίνει πληροφορία για την ένταση της σχέσης. Δες και τον οδηγό για τις συσχετίσεις Pearson και Spearman.
Η παρουσίαση του μεγέθους επίδρασης στην πτυχιακή συμπληρώνει επομένως τη στατιστική σημαντικότητα. Δείχνει στον αναγνώστη πόσο μεγάλο είναι πραγματικά το εύρημα.
Αν η εργασία απαιτεί εκτενέστερη επεξεργασία, μπορείς να δεις τη σελίδα για στατιστικές αναλύσεις.
Χρειάζεσαι βοήθεια με τη στατιστική ανάλυση;
Αν χρειάζεσαι βοήθεια με τη στατιστική ανάλυση της πτυχιακής σου, στείλε το αρχείο δεδομένων. Στείλε επίσης τα ερευνητικά ερωτήματα και ό,τι άλλο έχεις στη διάθεσή σου.
Μπορείς να συμβουλευτείς τις ενδεικτικές τιμές για μια πρώτη εικόνα. Η τελική κοστολόγηση εξαρτάται από τα δεδομένα. Εξαρτάται επίσης από την πολυπλοκότητα της απαιτούμενης ανάλυσης.
Για συγκεκριμένη εκτίμηση, συμπλήρωσε τη φόρμα κοστολόγησης και επισύναψε τα διαθέσιμα αρχεία. Αν χρειάζεσαι πρώτα διευκρίνιση, μπορείς να επικοινωνήσεις μαζί μας.