Effektstärke

Bei sehr großen Stichproben reichen schon kleine Effekte aus, um statistische Signifikanz auszulösen. Es interessiert oft nicht so sehr, ob überhaupt ein Effekt vorhanden ist, sondern wie stark dieser ist.

Effektstärken können im Vorfeld eines Testes zur Versuchsplanung genutzt werden, um auszurechen, wie groß die Stichprobe sein soll, um bei der zu testenden Mindesteffektstärke Signifikanz auszulösen. Bei Experimenten ist die Effektstärke ein Indikator für den Einfluss einer unabhängigen Variable (experimenteller Faktor) auf die zu messende abhängige Variable in statistischen Regressionsmodellen.

Es gibt verschiedene Kennzahlen für Effektstärken. Beispiele sind:

• Bravais-Pearson-Korrelation bei Regressionsmodellen (r): 0,1 = klein, 0,3 = mittel, 0,5 = groß
• Cohen (d) zur Beurteilung signifikanter Mittelwertunterschiede bei gleicher Gruppengröße und gleicher Gruppenvarianz: 0,2 = gering, 0,5 = mittel, 0,8 = hoch. Als Schätzwert kann die Mittelwertdifferenz von Versuchsgruppe und Kontrollgruppe dividiert durch die Standardabweichung dienen. Es kann auch hier ein Korrelationskoeffizient r berechnet werden, der im Gegensatz zum d nicht über die 1 hinaus gehen kann. Dann ist 0,10 schwach, 0,30 mittel und 0,5 stark.
• Glass's Delta: wie Cohen, nur wird dabei der Mittelwertunterschied nur durch die Standardabweichung der Kontrollgruppe dividiert.

Weitere Kennzahlen für die Effektstärke sind Hedges g, Cohens f², partielles Eta-Quadrat, Cramers Phi und V, Cohens w