\n
Nelle statistiche, utilizziamo spesso i valori p<\/a> per determinare se esiste una differenza statisticamente significativa tra due gruppi.<\/span><\/p>\n Ad esempio, supponiamo di voler sapere se due diverse tecniche di studio portano a punteggi diversi nei test. Quindi, abbiamo un gruppo di 20 studenti che utilizza una tecnica di studio per prepararsi per un test mentre un altro gruppo di 20 studenti utilizza una tecnica di studio diversa. Quindi diamo a ogni studente lo stesso test.<\/span><\/p>\n Dopo aver eseguito un test t su due campioni per determinare una differenza nelle medie, troviamo che il valore p per il test \u00e8 0,001. Se utilizziamo un livello di significativit\u00e0 pari a 0,05, ci\u00f2 significa che esiste una differenza statisticamente significativa tra i risultati medi dei due gruppi. Quindi, la tecnica di studio ha un impatto sui risultati del test.<\/span><\/p>\n Tuttavia, sebbene il valore p ci dica che lo studio della tecnica ha un impatto sui punteggi dei test, non ci dice l\u2019 entit\u00e0<\/em> di tale impatto. Per capirlo, dobbiamo conoscere la dimensione dell\u2019effetto<\/strong> .<\/span><\/p>\n Una dimensione dell’effetto<\/strong> \u00e8 un modo per quantificare la differenza tra due gruppi.<\/span><\/p>\n Mentre un valore p pu\u00f2 dirci se esiste o meno una differenza statisticamente significativa tra due gruppi, una dimensione dell\u2019effetto pu\u00f2 dirci quanto \u00e8 realmente grande<\/em> quella differenza. In pratica, le dimensioni degli effetti sono molto pi\u00f9 interessanti e utili da conoscere rispetto ai valori p.<\/span><\/p>\n Esistono tre modi per misurare la dimensione dell’effetto, a seconda del tipo di analisi che stai eseguendo:<\/span><\/p>\n Quando si desidera studiare la differenza media tra due gruppi, il modo appropriato per calcolare la dimensione dell’effetto \u00e8 utilizzare una differenza media standardizzata<\/strong> . La formula pi\u00f9 popolare da utilizzare \u00e8 nota come d<\/em> di Cohen, che viene calcolata come segue:<\/span><\/p>\n D<\/em> di<\/sub> Cohen = ( x1<\/span> \u2013 x2<\/span> )\/ s<\/sub><\/span><\/p>\n dove x<\/span> 1<\/sub> e x<\/span> 2<\/sub> sono le medie campionarie rispettivamente del gruppo 1 e del gruppo 2 e s<\/em> \u00e8 la deviazione standard della popolazione da cui sono stati estratti i due gruppi.<\/span><\/p>\n Utilizzando questa formula, la dimensione dell’effetto \u00e8 facile da interpretare:<\/span><\/p>\n Un altro modo di interpretare la dimensione dell’effetto \u00e8: una dimensione dell’effetto di 0,3 significa che il punteggio della persona media nel Gruppo 2<\/em> \u00e8 di 0,3 deviazioni standard superiore alla media della persona del gruppo 1<\/em> e quindi supera i punteggi del 62% di quelli del gruppo 1<\/em> . .<\/span><\/p>\n La tabella seguente mostra le diverse dimensioni degli effetti e i relativi percentili:<\/span><\/p>\n Maggiore \u00e8 la dimensione dell\u2019effetto, maggiore \u00e8 la differenza tra l\u2019individuo medio in ciascun gruppo.<\/span><\/p>\n In generale, un d<\/em> pari o inferiore a 0,2 \u00e8 considerato una dimensione dell’effetto piccola, un d pari<\/em> a circa 0,5 \u00e8 considerato una dimensione dell’effetto media e un d pari<\/em> o superiore a 0,8 \u00e8 considerato una dimensione dell’effetto grande.<\/span><\/p>\n Quindi, se le medie dei due gruppi non differiscono di almeno 0,2 deviazioni standard, la differenza \u00e8 insignificante, anche se il valore p \u00e8 statisticamente significativo.<\/span><\/p>\n Quando si desidera studiare la relazione quantitativa tra due variabili, il modo pi\u00f9 comune per calcolare la dimensione dell’effetto \u00e8 utilizzare il coefficiente di correlazione di Pearson<\/a> . \u00c8 una misura dell’associazione lineare tra due variabili X<\/em> e Y.<\/em> Ha un valore compreso tra -1 e 1 dove:<\/span><\/p>\n Qual \u00e8 la dimensione dell’effetto?<\/strong><\/span><\/h2>\n
1. Differenza media standardizzata<\/strong><\/span><\/h3>\n
\n
\n\n
\n Dimensione dell’effetto<\/span><\/strong><\/th>\n Percentuale del gruppo 2<\/em> che sarebbe inferiore alla media delle persone del gruppo 1<\/em><\/span><\/strong><\/th>\n<\/tr>\n \n 0,0<\/span><\/td>\n 50%<\/span><\/td>\n<\/tr>\n \n 0,2<\/span><\/td>\n 58%<\/span><\/td>\n<\/tr>\n \n 0.4<\/span><\/td>\n 66%<\/span><\/td>\n<\/tr>\n \n 0,6<\/span><\/td>\n 73%<\/span><\/td>\n<\/tr>\n \n 0,8<\/span><\/td>\n 79%<\/span><\/td>\n<\/tr>\n \n 1.0<\/span><\/td>\n 84%<\/span><\/td>\n<\/tr>\n \n 1.2<\/span><\/td>\n 88%<\/span><\/td>\n<\/tr>\n \n 1.4<\/span><\/td>\n 92%<\/span><\/td>\n<\/tr>\n \n 1.6<\/span><\/td>\n 95%<\/span><\/td>\n<\/tr>\n \n 1.8<\/span><\/td>\n 96%<\/span><\/td>\n<\/tr>\n \n 2.0<\/span><\/td>\n 98%<\/span><\/td>\n<\/tr>\n \n 2.5<\/span><\/td>\n 99%<\/span><\/td>\n<\/tr>\n \n 3.0<\/span><\/td>\n 99,9%<\/span><\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<\/div>\n 2. Coefficiente di correlazione<\/strong><\/span><\/h3>\n
![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/taille-deffet1.jpg\")
<\/p>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/taille-deffet2.jpg\")
<\/p>\n