အကျိုးသက်ရောက်မှုအရွယ်အစား

P-တန်ဖိုးများ တစ်ခုတည်းနှင့် ပြဿနာ

လေ့လာမှုတစ်ခု ပြုလုပ်ပြီး p-တန်ဖိုး 0.03 ရရှိပြီး ရလဒ်ကို "စာရင်းအင်းအရ သိသာထင်ရှား" ဟု ကြေညာသည်။ သို့သော် p-တန်ဖိုးသည် ရလဒ်များ ဘယ်လောက် အံ့ဩစရာ ဖြစ်မည်ကိုသာ ပြောသည်။ အကျိုးသက်ရောက်မှု ဘယ်လောက် ကြီးမား သည် သို့မဟုတ် အရေးကြီး သည်ကို မပြော ပါ။

ပြဿနာမှာ -- နမူနာ လုံလောက်စွာ ကြီးမားပါက မည်သည့်ကွာခြားချက်မဆို -- မည်မျှ သေးငယ်သည်ဖြစ်စေ -- စာရင်းအင်းအရ သိသာထင်ရှားလာမည်ဖြစ်သည်။ ဤနေရာတွင် အကျိုးသက်ရောက်မှုအရွယ်အစား ဝင်လာသည်။

Cohen's d: ကွာခြားမှုကို တိုင်းတာခြင်း

အုပ်စုနှစ်ခုကို နှိုင်းယှဉ်ရန် အကျယ်ပြန့်ဆုံး အသုံးပြုသော အကျိုးသက်ရောက်မှုအရွယ်အစား တိုင်းတာချက်မှာ Cohen's d ဖြစ်သည်။ ၎င်းသည် အုပ်စုနှစ်ခု ပျမ်းမျှကြား ကွာခြားချက်ကို စံသွေဖည်မှု ယူနစ်ဖြင့် ဖော်ပြသည်။

သေးငယ်၊ အလယ်အလတ်နှင့် ကြီးမားသော အကျိုးသက်ရောက်မှုများ

• သေးငယ်သော အကျိုးသက်ရောက်မှု (d = 0.2): ကွာခြားချက်သည် အမှန်ဖြစ်သော်လည်း မျက်စိဖြင့် မြင်ရခက်သည်။
• အလယ်အလတ် အကျိုးသက်ရောက်မှု (d = 0.5): ကွာခြားချက်ကို သတိထားကြည့်သူများ သတိပြုမိနိုင်သည်။
• ကြီးမားသော အကျိုးသက်ရောက်မှု (d = 0.8): ကွာခြားချက်သည် ထင်ရှားပြီး လက်တွေ့အရ သိသာထင်ရှားသည်။

ဤစံနှုန်းများသည် လမ်းညွှန်ချက်များသာဖြစ်ပြီး တင်းကျပ်သော စည်းမျဉ်းများ မဟုတ်ပါ။ အချို့နယ်ပယ်များတွင် "သေးငယ်သော" အကျိုးသက်ရောက်မှုသည် အလွန် အရေးကြီးနိုင်သည်။

ဆုံးဖြတ်ချက်ချခြင်းအတွက် အကျိုးသက်ရောက်မှုအရွယ်အစား အဘယ်ကြောင့် အရေးကြီးသနည်း

P-တန်ဖိုးများကိုသာ ကြည့်ပါက နမူနာကြီးမားသော လေ့လာမှုသည် "နိုင်" သည်။ သို့သော် အကျိုးသက်ရောက်မှုအရွယ်အစားသည် မတူညီသော အကြောင်းပြချက် ပေးသည်။ စဉ်းစားတွေးခေါ်သော ဆုံးဖြတ်ချက်ချသူသည် အကျိုးသက်ရောက်မှုအရွယ်အစားကို ပိုအလေးထားသင့်သည်။

အခြား အကျိုးသက်ရောက်မှုအရွယ်အစား တိုင်းတာချက်များ

Cohen's d သည် တစ်ခုတည်းသော ညွှန်ကိန်း မဟုတ်ပါ။ Pearson's r သည် ကိန်းရှင်နှစ်ခုကြား ဆက်စပ်မှု အားကို တိုင်းတာသည်။ Eta-squared သည် ANOVA နှင့်အတူ အသုံးပြုသည်။ Odds ratios သည် ဆေးပညာသုတေသနတွင် အသုံးများသည်။

လက်တွေ့ အသုံးချမှုများ

အကျိုးသက်ရောက်မှုအရွယ်အစားများသည် ပါဝါခွဲခြမ်းစိတ်ဖြာမှု -- လေ့လာမှုတစ်ခု မပြုလုပ်မီ ပါဝင်သူ ဘယ်နှစ်ဦး လိုအပ်သည်ကို ဆုံးဖြတ်ခြင်း -- အတွက် မရှိမဖြစ်ဖြစ်သည်။ မက်တာခွဲခြမ်းစိတ်ဖြာမှု ကိုလည်း ဖြစ်နိုင်စေသည်။