Про величину эффекта как-то забывают. А что такое величина эффекта конкретно? Как и кто определяет эту самую величину?

Если NHST (Null hypothesis significance testing) позволяет нам сказать например, что средние двух выборок статистически значимо отличаются (H0 = X1 - X2 = 0), то величина эффекта позволяет нам понять, насколько "сильно" ("много", "больше") они отличаются. Ведь при p < .05 они могут отличаться как на 0.000001 так и на значение, "далекое" от нуля. Существует приблизительно около 30 величин эффекта, все они в основном делятся на 2 группы: величина эффекта D Коэна (Cohen) и r Пирсона. Более подробно обо всем этом можно почитать в 2 замечательных книгах о величинах эффекта:

1) Effect size for research, a broad practical approach by Robert Grissom
2) Essential guide to effect size by Paul Ellis

Обе книги можно словить в свободном доступе.

Чтобы показать на пальцах, что может величина эффекта и не может NHST, посмотрите следующий пример, тем более я его завязал на любимом Вами критерии Стьюдента

На рис. 1 выдержка из результатов анализа SPSS. Обратите внимание на колонку "разница средних" - Mean difference - в обеих случаях мы видим разницу в -2,20, но для первой таблицы разница в средних -2,20 является статистически значимой (p < .001), а для второго случая - стат. незначимой (p = .169, если предполагается равенство дисперсий). Как такое может быть? ответ находится в той же самой таблице ).

На рис. 2 несколько другая ситуация. Разницы между средними нет (если говорить стат. языком - так говорить нельзя), как видно из колонки Mean difference - 0. Однако средние двух выборок статистически значимо отличаются друг от друга (p = .022). Как же это возможно? Ответ опять же есть в таблице.

Человек, который владеет лишь NHST, делает корректные стат. выводы, однако эти выводы не имеют никакой практической значимости, поскольку не был проведен анализ величин эффекта.

Книги хорошие, только хрен их скачаешь. 30 способов-это вы загнули.

У меня также возник вопрос по Т-критерию
вот на этой картинке видно, что тут есть различия между группами, однако, т-критерий = -2,06
Вспоминая Гланца, он говорил, что значения Т-критерия лежащие в диапазоне от -2,1 и 2,1 это критические значения, т.е. различия не достоверны.
Но почему у меня -2,06 ,которое лежит в этом диапазоне оказалось достоверным, тут уровень написан 0,05 и зачем нужен p-уровень дисперсий, который равен=0,67

А что тут непонятного? Квантиль распределения Стьюдента при а=,05 и df=66 составляет +/- 1,996564. При этом 2.06>1.996564, стало быть мы попадаем в область отвержения нулевой гипотезы. Безотносительно к тому, что вам сообщил Гланц.
А статистическая неразличимость дисперсий - ключевое условие применимости критерия Стьюдента.

При этом число -2,06 не может быть "достоверным". Статистически значимыми бывают различия, которые вы пытаетесь уловить статистическим критерием. Привыкайте к корректной терминологии. Это способствует взаимопониманию.

Вот и все. Коротко и ясно.

Сообщение отредактировал 100$ - 24.03.2014 - 15:56

А я вас понял, т.е. это была проверка на гомогенность дисперсий, как в анове по Ливену?)
А что нам говорит t-value, если оно с минусом или с плюсом?

Ну, и косвенный вопрос: Есть выборки зависимые и независимые и критерии тоже самое . почему важно так разделять? Критерии для завис. и независ выборок дадут разные средние значения что ли?

Да.


Распределение Стьюдента - штука симметричная, соответственно область отвержения нулевой гипотезы (н-р, 5% площади под кривой плотности распределения) можно разделить на две части: 2,5% слева от нуля и столько же справа. Отсюда и два значения квантили +/- 1,99656. Сравнивать можно по модулю.



Разная вероятностно- статистическая модель порождения данных.

Извините меня за мой кривой пэинт, но графически это выглядит так?

Да. Как живое.

Кстати, painting - это живопись (картина), а у вас drawing - рисунок.

Сообщение отредактировал 100$ - 25.03.2014 - 22:52