통계 테스트의 검정력
효과 크기는 두 그룹 간의 차이의 크기를 비교하기 위한 측정값입니다. 그것은 개입의 효과의 좋은 측정이다. 예를 들어,우리가 사람들의 그룹에 대 한 콜레스테롤 수치를 향상에 대 한 연구를 수행 하는 경우 우리 다이어트,운동 등의 다른 유형 같은 다른 방법 후/전에 대 한 효과 크기를 계산할 수 있습니다. 적용.
효과 크기를 계산하는 것은 매우 간단합니다. 그것은 두 그룹의 평균의 상대적인 차이입니다;분자는 두 평균값의 차이이고 분모는 비교에 사용할 수량이며,일반적으로 두 그룹 중 하나의 표준 편차가 사용됩니다. 이 아이디어를 정규 분포의 경험적 규칙과 연관시켜 두 그룹의 통계 분포가 얼마나 겹쳐 졌는지 찾을 수 있습니다. 우리가 분모에 대해 가장 관련성이 높은 표준 편차를 사용할 때,표준 지라고 불리는,우리는 그것을 코헨의 디. 코헨의 디 효과 크기를 해석 크리스토퍼 매그너 슨에 의해 생성 된 또 다른 훌륭한 대화 형 시각화가있다.
두 개의 독립적 인 세트의 효과 크기를 계산할 때 종종 풀링 된 분산의 제곱근 인 풀링 된 표준 편차를 사용합니다.
디=평균/풀링 된 표준 편차의 차이,
풀링 된 분산=(엔 선형선+엔=엔=엔)/(엔=엔=엔=엔)
엔=엔=엔=두 그룹의 표본 크기
엔=엔=엔=두 그룹의 표본 크기
: 두 그룹에 대한 분산
효과 크기는 두 그룹의”차이”가 큰 경우 귀무 가설을”쉽게”거부 할 수 있기 때문에 통계 테스트의 검정력과 밀접한 관련이 있습니다.
사례 1:두 개의 샘플을 두 개의”매우”다른 분포에서 동일한 표본 크기로 비교합니다.
- 정상 유통과 μ₁=163,σ₁=7.2
- 정상 유통과 μ₂=190,σ₂= 7.2
사례 2:우리는 비교한 두 개의 샘플을 동등한 샘플 크기는 두 가지에서”작은”다른 분포를 얻을 수 있습니다.
- 정상 유통과 μ₁=163,σ₁=7.2
- 정상 유통과 μ₂=165,σ₂= 7.2
때 우리는 실시 two-sample t 테스트를 위한 테스트는 동일한 의미에서 두 경우 모두,사례 1 의 시험 통계는 것보다 훨씬 더 큰 경우 2 의 시험 통계;우리는 더 적은 2 형 오류에 대한 사례 1 따라서 더 높은 힘이다.