Co oznacza Efekt główny?
Zastosowanie, warunki i dobre praktyki
Efekt główny opisuje przeciętną różnicę między poziomami jednego czynnika po uśrednieniu po poziomach innych czynników albo przy wartości referencyjnej kowariantów. Gdy występuje interakcja, taka średnia może ukrywać przeciwne efekty proste. Najpierw ogląda się wartości przewidywane i interakcję, a dopiero potem ocenia, czy efekt główny ma czytelną interpretację merytoryczną.
Najważniejsze zastosowanie: Stosuj w modelach czynnikowych, ale interpretuj ostrożnie przy silnej interakcji.
Jak to się oblicza i co oznaczają symbole?
MS_effect ujmuje różnice między średnimi marginalnymi poziomów badanego czynnika, a MS_error właściwe dla projektu zróżnicowanie niewyjaśnione. Przy obecności interakcji efekt główny jest uśredniony po poziomach drugiego czynnika i może ukrywać przeciwne efekty proste.
Jak poprawnie stosować i interpretować hasło „Efekt główny”?
Przy ocenie pojęcia „Efekt główny” najpierw ustala się czynnik, zmienną wynikową oraz to, czy obserwacje w komórkach planu są niezależne, sparowane czy powtarzane. W analizie dotyczącej hasła „Efekt główny” następnie trzeba rozdzielić pytanie o efekt ogólny od porównań konkretnych poziomów. Dla interpretacji hasła „Efekt główny” średnie i wykres interakcji są potrzebne do zrozumienia kierunku wyniku; sama statystyka F nie pokazuje, które grupy się różnią ani czy różnica ma znaczenie praktyczne.
Ocena pojęcia „Efekt główny” powinna uwzględniać rozkład reszt, zachowanie wariancji, obserwacje wpływowe i strukturę projektu. W odniesieniu do hasła „Efekt główny” przy nierównych wariancjach sensowny może być wariant Welcha, a przy pomiarach powtarzanych korekta stopni swobody albo model mieszany. Przy ocenie hasła „Efekt główny” testy post-hoc dobiera się do zaplanowanych porównań i kontroluje ich łączny błąd, zamiast uruchamiać wszystkie możliwe pary.
Co trzeba opisać w raporcie?
Wynik odnoszący się do „Efekt główny” powinien łączyć statystykę testową i stopnie swobody z wartościami p, miarą efektu oraz jej przedziałem ufności. W analizie dotyczącej hasła „Efekt główny” obok należy podać liczebności, średnie i miary zmienności dla porównywanych warunków, a w modelu z interakcją także efekty proste lub przewidywane średnie marginalne.
Zakres raportowania dla hasła „Efekt główny”: F(df1, df2) = …, p = …, η²p/ω² = …; podaj średnie z CI.
Przykład praktyczny i gotowa interpretacja
Sytuacja: Średnio terapia A daje lepszy wynik niż B niezależnie od płci, lecz interakcja może pokazać inny wzorzec w podgrupach.
Jak ją zinterpretować: Wartość opisuje przeciętną różnicę dla jednego czynnika przy określonym uśrednieniu lub poziomie odniesienia innych zmiennych. Jeśli występuje interakcja, efekt główny może maskować odmienne, a nawet przeciwne efekty proste.
Najczęstsza pułapka i granica interpretacji
Przy interakcji efekt główny może maskować przeciwne efekty proste.
Wniosek o „Efekt główny” ogranicza konkretny układ czynników i badana populacja. W odniesieniu do hasła „Efekt główny” istotny efekt ogólny nie upoważnia do dowolnego wskazania par różniących się między sobą, a nieistotny wynik nie dowodzi równoważności poziomów.
Definicje, zalecenia interpretacyjne i sposób raportowania oparto na literaturze metodologicznej wskazanej w bibliografii (Lakens, 2013).
Powiązane hasła
Poradniki, w których użyjesz tego pojęcia
Wartość p: co naprawdę oznacza i jak ją poprawnie interpretować
Wartość p bez mitów: definicja, interpretacja, typowe błędy oraz sposób raportowania wraz z wielkością efektu i przedziałem ufności.
Czytaj →PoradnikWielkość efektu: jak ocenić znaczenie wyniku poza wartością p
Wielkość efektu wyjaśniona praktycznie: Cohen d, Hedges g, r, R², iloraz szans, eta², przedziały ufności i znaczenie praktyczne.
Czytaj →PoradnikPytania badawcze i hipotezy: jak przejść od teorii do analizy
Jak formułować pytania badawcze i hipotezy? Od teorii i operacjonalizacji przez kierunek efektu po plan analizy i prerejestrację.
Czytaj →Potrzebujesz wsparcia w analizie danych?
Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.
Oferta dla badaczyOferta dla studentówBibliografia i dalsza literatura naukowa (APA 7)
- Lakens, D. (2013). Calculating and reporting effect sizes to facilitate cumulative science: A practical primer for t-tests and ANOVAs. Frontiers in Psychology, 4, 863. https://doi.org/10.3389/fpsyg.2013.00863
- Sullivan, G. M., & Feinn, R. (2012). Using effect size—or why the P value is not enough. Journal of Graduate Medical Education, 4(3), 279–282. https://doi.org/10.4300/JGME-D-12-00156.1
- Greenland, S., Senn, S. J., Rothman, K. J., Carlin, J. B., Poole, C., Goodman, S. N., & Altman, D. G. (2016). Statistical tests, P values, confidence intervals, and power: A guide to misinterpretations. European Journal of Epidemiology, 31(4), 337–350. https://doi.org/10.1007/s10654-016-0149-3
- Appelbaum, M., Cooper, H., Kline, R. B., Mayo-Wilson, E., Nezu, A. M., & Rao, S. M. (2018). Journal article reporting standards for quantitative research in psychology: The APA Publications and Communications Board task force report. American Psychologist, 73(1), 3–25. https://doi.org/10.1037/amp0000191
- Wasserstein, R. L., & Lazar, N. A. (2016). The ASA statement on p-values: Context, process, and purpose. The American Statistician, 70(2), 129–133. https://doi.org/10.1080/00031305.2016.1154108
- Wilkinson, L., & Task Force on Statistical Inference. (1999). Statistical methods in psychology journals: Guidelines and explanations. American Psychologist, 54(8), 594–604. https://doi.org/10.1037/0003-066X.54.8.594
Cytowania BibTeX
@article{lakens2013effect, author={Lakens, Daniël}, title={Calculating and reporting effect sizes to facilitate cumulative science}, journal={Frontiers in Psychology}, year={2013}, volume={4}, pages={863}, doi={10.3389/fpsyg.2013.00863}}@article{sullivan2012effectsize, author={Sullivan, Gail M. and Feinn, Richard}, title={Using effect size—or why the P value is not enough}, journal={Journal of Graduate Medical Education}, year={2012}, volume={4}, number={3}, pages={279--282}, doi={10.4300/JGME-D-12-00156.1}}@article{greenland2016misinterpretations, author={Greenland, Sander and Senn, Stephen J. and Rothman, Kenneth J. and Carlin, John B. and Poole, Charles and Goodman, Steven N. and Altman, Douglas G.}, title={Statistical tests, P values, confidence intervals, and power: a guide to misinterpretations}, journal={European Journal of Epidemiology}, year={2016}, volume={31}, number={4}, pages={337--350}, doi={10.1007/s10654-016-0149-3}}@article{appelbaum2018jars, author={Appelbaum, Mark and Cooper, Harris and Kline, Rex B. and Mayo-Wilson, Evan and Nezu, Arthur M. and Rao, Stephen M.}, title={Journal article reporting standards for quantitative research in psychology}, journal={American Psychologist}, year={2018}, volume={73}, number={1}, pages={3--25}, doi={10.1037/amp0000191}}@article{wasserstein2016pvalues, author={Wasserstein, Ronald L. and Lazar, Nicole A.}, title={The ASA Statement on p-Values: Context, Process, and Purpose}, journal={The American Statistician}, year={2016}, volume={70}, number={2}, pages={129--133}, doi={10.1080/00031305.2016.1154108}}@article{wilkinson1999statistical, author={Wilkinson, Leland and {Task Force on Statistical Inference}}, title={Statistical methods in psychology journals: Guidelines and explanations}, journal={American Psychologist}, year={1999}, volume={54}, number={8}, pages={594--604}, doi={10.1037/0003-066X.54.8.594}}