Słownik metodologiczny · Ludzie statystyki

Gene V. Glass (ur. 1940) – kim jest i co wniósł do statystyki

Gene V Glass nadał nazwę metaanalizie i w 1977 r. połączył wyniki prawie 400 badań psychoterapii. Przedstawiamy jego drogę zawodową, spór z Eysenckiem, oś czasu i metaanalizę z moderatorem na historycznych danych o efekcie Pygmaliona w R.

Strona główna / Słownik / Gene V. Glass
W skrócie: Gene V Glass (ur. 1940) – amerykański statystyk i psycholog edukacji, który w 1976 r. nadał nazwę metaanalizie, a w 1977 r. z Mary Lee Smith połączył wyniki prawie 400 badań skuteczności psychoterapii. Od jego nazwiska pochodzi delta Glassa – wielkość efektu standaryzowana odchyleniem standardowym grupy kontrolnej.

Kim jest Gene V. Glass?

Gene V Glass (ur. 1940) to amerykański statystyk i psycholog edukacji, który nadał nazwę metaanalizie i jako jeden z pierwszych zastosował ją na dużą skalę. W katalogu Library of Congress figuruje jako „Glass, Gene V, 1940-” z adnotacją, że „V” w jego nazwisku to sama litera, a nie inicjał – stąd pisownia bez kropki, której używa on sam (Library of Congress, b.d.).

We wspomnieniu „Meta-analysis at 25” Glass pisze, że w 1965 r. opuścił University of Wisconsin ze świeżym doktoratem z psychometrii i statystyki, a wśród swoich nauczycieli wymienia m.in. Juliana Stanleya, Henry’ego Kaisera i George’a E. P. Boxa. Pracował potem na University of Illinois, a następnie na University of Colorado. W 1974 r. został wybrany na prezesa American Educational Research Association (AERA), a w 1993 r. założył internetowe czasopismo Education Policy Analysis Archives (Glass, 2000).

Najważniejsze pomysły

  • Nazwa i program metaanalizy (1976). W kwietniu 1976 r. wygłosił wykład prezesowski AERA o syntezie badań nad psychoterapią (Glass, 2000), a w tym samym roku opublikował artykuł o analizie pierwotnej, wtórnej i metaanalizie wyników badań (Glass, 1976). Pomysł: zamiast liczyć badania „istotne” i „nieistotne”, przelicz wynik każdego na wspólną miarę – standaryzowaną różnicę średnich – i analizuj te wyniki statystycznie jak dane. Nazwę, jak wspomina, podsunęło mu pojęcie metaewaluacji Michaela Scrivena.
  • Metaanaliza psychoterapii (1977). Z Mary Lee Smith zakodował i połączył wyniki prawie 400 kontrolowanych badań skuteczności psychoterapii i poradnictwa. Typowy pacjent po terapii miał wynik lepszy niż 75% osób nieleczonych, a różnice między rodzajami terapii okazały się niewielkie (Smith i Glass, 1977).
  • Wielkość efektu Glassa. Różnica średnich podzielona przez odchylenie standardowe z próby to estymator, który Hedges (1981) nazwał w tytule swojej pracy estymatorem Glassa; wykazał, że w małych próbach jest obciążony, i podał poprawkę. Wersję z odchyleniem standardowym grupy kontrolnej opisuje hasło delta Glassa, a poprawioną – g Hedgesa.
  • Cechy badań jako zmienne. W metaanalizie psychoterapii kodowano nie tylko wyniki, lecz także cechy badań, np. rodzaj terapii, żeby sprawdzić, od czego zależy efekt (Smith i Glass, 1977). Dziś robi to metaregresja.

Ciekawostka

Metaanaliza zaczęła się od sporu z Hansem Eysenckiem. Według wspomnienia Glassa (2000) Eysenck w przeglądach badań przedstawiał psychoterapię jako w praktyce placebo, a do wniosków dochodził, odrzucając prace niepublikowane i badania bez nieleczonej grupy kontrolnej i oceniając resztę tylko po tym, czy wynik był istotny na poziomie .05. Glass – jak sam pisze – odebrał ten wniosek osobiście, jako wyzwanie, i postanowił pokazać, że Eysenck się myli.

Narzędziem miało być policzenie wszystkich dostępnych badań, a nie wybranych. Eysenck nie dał się przekonać: według Glassa nazwał artykuł z 1977 r. „mega-silliness”, czyli mniej więcej „megagłupotą” – grą słów z meta-analysis, która – jak dodaje Glass – niewielu przekonała.

Przykład na historycznych danych

Zbiór dat.raudenbush1985 z pakietu metadat (ładowanego razem z metafor) zawiera według pliku pomocy wyniki 19 eksperymentów sprawdzających tzw. efekt Pygmaliona: nauczycielom mówiono, że wybrani uczniowie „rozkwitną” intelektualnie, choć wylosowano ich przypadkowo, a potem porównywano IQ tych uczniów i reszty klasy. Według pliku pomocy metaanalizę tych badań opublikował w 1984 r. S. W. Raudenbush, a zmienna weeks mówi, ile tygodni nauczyciel znał klasę, zanim dostał fałszywą informację. To efekt oczekiwań i dobre pole do pytania Glassa: od jakiej cechy badania zależy wynik?

W modelu efektów losowych łączna standaryzowana różnica średnich wynosi d = 0.08, 95% CI [−0.02, 0.18], p = .105, przy wyraźnej niejednorodności: Q(18) = 35.83, p = .007, I² = 41.9%. W języku Smitha i Glassa: przeciętny „zdolny” uczeń przewyższa 53.3% grupy kontrolnej (U3). Podział badań według kontaktu zmienia obraz. Gdy nauczyciel znał uczniów najwyżej tydzień (8 badań), efekt wynosi 0.37 [0.19, 0.56], p < .001; przy co najmniej dwóch tygodniach (11 badań) −0.02 [−0.10, 0.06], p = .604. Moderator jest istotny (QM(1) = 18.22, p < .001), a po jego uwzględnieniu niejednorodność resztowa znika (QE(17) = 17.61, p = .414). Podział w punkcie „1 tydzień” jest nasz; Glass tych danych nie analizował.

Na rysunku

Oś czasu od 1940 do 2015 z dziewięcioma zdarzeniami oznaczonymi kształtami: koło – życie, kwadrat – stanowisko, trójkąt – praca. 1940 urodzony; 1965 doktorat w Wisconsin i Uniwersytet Illinois; 1974 wybrany na prezesa AERA; 1976 wykład prezesowski i termin metaanaliza; 1977 Smith i Glass, metaanaliza psychoterapii; 1980 książka o skutkach psychoterapii; 1982 książka o liczebności klas szkolnych; 1993 zakłada czasopismo EPAA; 2015 historia metaanalizy z pierwszej ręki
Rysunek 1. Najważniejsze daty z życia zawodowego Gene’a V Glassa. Daty według Glassa (1976, 2000, 2015), Smitha i Glassa (1977) oraz Library of Congress (b.d.). Rysunek: R, pakiet ggplot2.

Co widać. Najważniejsze prace o metaanalizie (1976–1982) mieszczą się w kilku latach po wyborze na prezesa AERA.

Na co uważać. To wybór dziewięciu zdarzeń oparty na wspomnieniach Glassa i danych katalogowych, a nie pełny życiorys. Lata przy książkach z 1980 i 1982 r. pochodzą z bibliografii wspomnienia Glassa (2000).

Podpis do pracy:

Rysunek 1. Wybrane wydarzenia z kariery Gene’a V Glassa (ur. 1940). Uwaga. Opracowano na podstawie Glass (2000, 2015) oraz Smith i Glass (1977).
Wykres lasu dla 19 eksperymentów z efektem Pygmaliona w dwóch podgrupach. U góry 8 badań, w których nauczyciel znał klasę 0–1 tydzień, oznaczonych pomarańczowoczerwonymi trójkątami; ich romb leży na 0.37 z przedziałem od 0.19 do 0.56, a największy efekt, 1.18, ma badanie Pellegriniego i Hicksa z jawną oceną. Niżej 11 badań z kontaktem co najmniej 2 tygodnie, oznaczonych niebieskimi kołami; ich romb leży na −0.02 z przedziałem od −0.10 do 0.06, przy linii zera. Wielkość znacznika odpowiada wadze badania
Rysunek 2. Standaryzowane różnice średnich IQ (uczniowie wskazani jako „zdolni” − kontrola) z 95% przedziałami ufności w 19 eksperymentach, w podgrupach według tygodni kontaktu nauczyciela z klasą przed badaniem. Romby – efekty z modeli efektów losowych w podgrupach. Dane: metadat::dat.raudenbush1985 (według pliku pomocy – metaanaliza S. W. Raudenbusha z 1984 r.). Rysunek: R, pakiety metafor i ggplot2.

Co widać. Wszystkie badania z wyraźnie dodatnim efektem leżą w górnej podgrupie: nauczyciel dostawał informację o „zdolnych” uczniach, zanim zdążył ich poznać. Gdy znał klasę od dwóch tygodni lub dłużej, punkty skupiają się wokół zera, a romb ma przedział od −0.10 do 0.06. Duże badania (duże znaczniki) leżą blisko zera – stąd mały efekt łączny.

Na co uważać. Moderator jest cechą badań, a nie uczniów: badania z krótkim kontaktem mogły różnić się też innymi cechami (rok, sposób testowania). Podział w punkcie 1 tygodnia wybraliśmy po obejrzeniu danych, więc wynik podgrup traktuj jako opis, nie test hipotezy zaplanowanej z góry.

Podpis do pracy:

Rysunek 2. Wykres lasu dla 19 eksperymentów nad wpływem oczekiwań nauczyciela na IQ uczniów, z podziałem na badania, w których nauczyciel znał klasę najwyżej tydzień (k = 8) i co najmniej dwa tygodnie (k = 11). Uwaga. Punkty – standaryzowane różnice średnich z 95% przedziałami ufności, wielkość punktu proporcjonalna do wagi; romby – efekty łączne z modeli efektów losowych (REML) w podgrupach.

Gdzie spotkasz Glassa w swojej pracy

  • Przegląd literatury. Każda metaanaliza, którą cytujesz, i każdy przegląd systematyczny z liczbowym podsumowaniem to kontynuacja programu z 1976 r. Jak wykonać własną, krok po kroku, pokazuje wpis Metaanaliza krok po kroku.
  • Wielkość efektu zamiast samej wartości p. Raportując d Cohena albo deltę Glassa, umożliwiasz włączenie swojej pracy do przyszłych metaanaliz.
  • Wykres lasu i moderatory. Wykres lasu i analiza moderatorów (metaregresja i analiza moderatorów) pokazują, od czego zależy efekt – tak jak w przykładzie wyżej.

Spory, mity i trudne strony

„Jabłka i pomarańcze”. Krytycy zarzucali metaanalizie, że miesza badania nieporównywalne. Glass (2000) odpowiadał, że właśnie o to chodzi: pytanie o skuteczność psychoterapii w ogóle wymaga połączenia różnych terapii, a różnice między nimi bada się, kodując cechy badań.

„Świat jest prostszy, niż się wydaje”. Lee Cronbach zarzucał Glassowi zbytnie uproszczenie nauk społecznych, a Glass we wspomnieniu przyznaje mu po latach w dużej mierze rację (Glass, 2000).

„Glass wymyślił łączenie wyników badań”. Nadał nazwę i program, ale sam w historii metaanalizy opisuje wcześniejsze syntezy badań, które ją poprzedziły (Glass, 2015). Łączenie tylko opublikowanych prac grozi też błędem publikacji – pomijanie prac niepublikowanych Glass wytykał właśnie Eysenckowi (Glass, 2000).

Przykład reprodukowalny

Glass w R

Kod rysuje oś czasu, łączy 19 eksperymentów w modelu efektów losowych, przelicza efekt na odsetek grupy kontrolnej (U3), sprawdza moderator „tygodnie kontaktu” i rysuje wykres lasu z podgrupami. Rysunki na stronie powstały z tych samych obiektów p_os i p_las z krojem i tłem serwisu; dane, geometrie i skale są identyczne.

Oś czasu i metaanaliza efektu Pygmaliona

Dane wejściowe: metadat::dat.raudenbush1985 (pakiet metadat wczytuje się razem z metafor) – 19 eksperymentów, standaryzowane różnice średnich yi i ich wariancje vi; daty osi czasu z cytowanych źródeł. Kod nie losuje.

Co odczytać: efekt łączny z 95% CI, Q, I², odsetek U3, test moderatora QM, niejednorodność resztową QE i efekty w podgrupach.

Kod R rysunków 1 i 2
# Gene V Glass: oś czasu i metaanaliza w jego stylu – 19 eksperymentów z efektem Pygmaliona (metadat::dat.raudenbush1985)
suppressPackageStartupMessages({library(ggplot2); library(metafor)})
oi <- c(niebieski = "#0072B2", pomaranczowy = "#E69F00", cynober = "#D55E00", szary = "grey45")  # Okabe–Ito
motyw <- theme_minimal(base_size = 13) + theme(panel.grid.minor = element_blank(), plot.title = element_text(face = "bold"))

# 1. Oś czasu (lata według wspomnień Glassa 2000 i 2015, prac z lat 1976–1977 i katalogu Library of Congress)
zdarzenia <- data.frame(
  rok = c(1940, 1965, 1974, 1976, 1977, 1980, 1982, 1993, 2015),
  opis = c("urodzony", "doktorat (Wisconsin),\nUniwersytet Illinois", "wybrany na prezesa\nAERA",
           "wykład prezesowski\ni termin „metaanaliza”", "Smith i Glass:\nmetaanaliza psychoterapii",
           "książka o skutkach\npsychoterapii", "książka o liczebności\nklas szkolnych", "zakłada czasopismo\nEPAA",
           "historia metaanalizy\nz pierwszej ręki"),
  rodzaj = c("życie", "stanowisko", "stanowisko", "praca", "praca", "praca", "praca", "stanowisko", "praca"))
zdarzenia$y <- c(1.2, -1.2, 1.2, -2.1, 2.3, -1.2, 3.4, -1.2, 1.2)   # wysokość etykiet, żeby się nie nakładały
p_os <- ggplot(zdarzenia, aes(rok, 0)) +
  geom_hline(yintercept = 0, colour = "grey60") +
  geom_segment(aes(xend = rok, yend = y * 0.8), colour = "grey70") +
  geom_point(aes(shape = rodzaj, fill = rodzaj), size = 3.5) +
  geom_label(aes(y = y, label = paste0(rok, "\n", opis)), size = 3.2, lineheight = 0.9, linewidth = 0.2) +
  scale_shape_manual(values = c("życie" = 21, "stanowisko" = 22, "praca" = 24), name = NULL) +
  scale_fill_manual(values = c("życie" = oi[["szary"]], "stanowisko" = oi[["niebieski"]], "praca" = oi[["cynober"]]), name = NULL) +
  scale_x_continuous(breaks = seq(1940, 2020, 10), limits = c(1934, 2022)) + scale_y_continuous(limits = c(-2.6, 3.8)) +
  labs(title = "Gene V Glass (ur. 1940)", x = NULL, y = NULL) +
  motyw + theme(axis.text.y = element_blank(), panel.grid.major.y = element_blank(), legend.position = "bottom")

# 2. Dane: 19 eksperymentów z oczekiwaniami nauczycieli a IQ uczniów (Raudenbush 1984, według pliku pomocy)
dat <- metadat::dat.raudenbush1985
# yi – standaryzowana różnica średnich IQ („bloomers” − kontrola), vi – jej wariancja,
# weeks – ile tygodni nauczyciel znał klasę przed podaniem fałszywej informacji o „zdolnych” uczniach
dat$kontakt <- factor(ifelse(dat$weeks <= 1, "0–1 tydzień", "2 tygodnie i więcej"),
                      levels = c("0–1 tydzień", "2 tygodnie i więcej"))
table(dat$kontakt)
# Efekt łączny w modelu efektów losowych (REML)
m <- rma(yi, vi, data = dat, method = "REML")
m
# Interpretacja w stylu Smitha i Glassa (1977): odsetek grupy kontrolnej poniżej średniej grupy „bloomers”
round(100 * pnorm(c(efekt = coef(m)[[1]], dolna = m$ci.lb, gorna = m$ci.ub)), 1)
# Cecha badania jako moderator: jak długo nauczyciel znał uczniów
mk <- rma(yi, vi, mods = ~ kontakt, data = dat, method = "REML")
mk
# Efekt w każdej podgrupie osobno (model efektów losowych)
podgrupy <- do.call(rbind, lapply(levels(dat$kontakt), function(g) {
  mg <- rma(yi, vi, data = dat, subset = kontakt == g, method = "REML")
  data.frame(kontakt = g, k = mg$k, efekt = round(coef(mg)[[1]], 3), dolna = round(mg$ci.lb, 3),
             gorna = round(mg$ci.ub, 3), p = signif(mg$pval, 3), I2 = round(mg$I2, 1))
}))
podgrupy

# Wykres lasu z podgrupami (badania posortowane wg tygodni kontaktu)
podwojne <- duplicated(paste(dat$author, dat$year)) | duplicated(paste(dat$author, dat$year), fromLast = TRUE)
dat$etykieta <- paste0(dat$author, " (", dat$year, ")",
                       ifelse(podwojne, ifelse(dat$tester == "blind", ", ocena ślepa", ", ocena jawna"), ""))
dat$dolna <- dat$yi - qnorm(.975) * sqrt(dat$vi)
dat$gorna <- dat$yi + qnorm(.975) * sqrt(dat$vi)
dat$waga <- 1 / dat$vi
dat <- dat[order(dat$kontakt, dat$weeks, -dat$yi), ]
n1 <- sum(dat$kontakt == levels(dat$kontakt)[1]); n2 <- nrow(dat) - n1
dat$poz <- c(n2 + 2 + rev(seq_len(n1)), rev(seq_len(n2)))   # podgrupa 0–1 tydzień na górze, odstęp na romby
romby <- data.frame(kontakt = podgrupy$kontakt, efekt = podgrupy$efekt, dolna = podgrupy$dolna, gorna = podgrupy$gorna,
                    poz = c(max(dat$poz[dat$kontakt == levels(dat$kontakt)[1]]) + 1.2,
                            max(dat$poz[dat$kontakt == levels(dat$kontakt)[2]]) + 1.2))
romb_xy <- do.call(rbind, lapply(seq_len(nrow(romby)), function(i) with(romby[i, ],
  data.frame(kontakt = kontakt, x = c(dolna, efekt, gorna, efekt), y = poz + c(0, 0.35, 0, -0.35), id = i))))
p_las <- ggplot(dat, aes(yi, poz)) +
  geom_vline(xintercept = 0, linetype = "dashed", colour = "grey50") +
  geom_errorbar(aes(xmin = dolna, xmax = gorna, colour = kontakt), width = 0, orientation = "y") +
  geom_point(aes(size = waga, shape = kontakt, colour = kontakt), fill = "white", stroke = 1.1) +
  geom_polygon(data = romb_xy, aes(x, y, group = id, fill = kontakt), colour = "black", inherit.aes = FALSE) +
  geom_text(data = romby, aes(x = 2.05, y = poz, label = sprintf("%s: %.2f [%.2f, %.2f]", kontakt, efekt, dolna, gorna)),
            hjust = 1, size = 3.3, fontface = "bold", inherit.aes = FALSE) +
  scale_y_continuous(breaks = dat$poz, labels = paste0(dat$etykieta, " – ", dat$weeks, " tyg.")) +
  scale_colour_manual(values = c(oi[["cynober"]], oi[["niebieski"]]), name = "Kontakt przed badaniem") +
  scale_fill_manual(values = c(oi[["cynober"]], oi[["niebieski"]]), guide = "none") +
  scale_shape_manual(values = c(24, 21), name = "Kontakt przed badaniem") +
  scale_size_area(max_size = 5, guide = "none") +
  coord_cartesian(xlim = c(-0.8, 2.05)) +
  labs(title = "Efekt Pygmaliona w 19 eksperymentach: d i 95% przedział ufności",
       x = "Standaryzowana różnica średnich IQ (oczekiwani „zdolni” − kontrola)", y = NULL) +
  motyw + theme(legend.position = "bottom", panel.grid.major.y = element_blank())
p_os
p_las
Wynik w R

        0–1 tydzień 2 tygodnie i więcej 
                  8                  11 

Random-Effects Model (k = 19; tau^2 estimator: REML)

tau^2 (estimated amount of total heterogeneity): 0.0188 (SE = 0.0155)
tau (square root of estimated tau^2 value):      0.1372
I^2 (total heterogeneity / total variability):   41.86%
H^2 (total variability / sampling variability):  1.72

Test for Heterogeneity:
Q(df = 18) = 35.8295, p-val = 0.0074

Model Results:

estimate      se    zval    pval    ci.lb   ci.ub    
  0.0837  0.0516  1.6208  0.1051  -0.0175  0.1849    

---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

efekt dolna gorna 
 53.3  49.3  57.3 

Mixed-Effects Model (k = 19; tau^2 estimator: REML)

tau^2 (estimated amount of residual heterogeneity):     0.0000 (SE = 0.0072)
tau (square root of estimated tau^2 value):             0.0016
I^2 (residual heterogeneity / unaccounted variability): 0.01%
H^2 (unaccounted variability / sampling variability):   1.00
R^2 (amount of heterogeneity accounted for):            99.99%

Test for Residual Heterogeneity:
QE(df = 17) = 17.6114, p-val = 0.4137

Test of Moderators (coefficient 2):
QM(df = 1) = 18.2169, p-val < .0001

Model Results:

                            estimate      se     zval    pval    ci.lb    ci.ub 
intrcpt                       0.3569  0.0785   4.5484  <.0001   0.2031   0.5107 
kontakt2 tygodnie i więcej   -0.3782  0.0886  -4.2681  <.0001  -0.5519  -0.2045 
                                
intrcpt                     *** 
kontakt2 tygodnie i więcej  *** 

---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

              kontakt  k  efekt  dolna gorna        p   I2
1         0–1 tydzień  8  0.373  0.189 0.558 7.27e-05 22.4
2 2 tygodnie i więcej 11 -0.021 -0.102 0.059 6.04e-01  0.0

Bibliografia oprogramowania

Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3 (metaanaliza – funkcja rma() z pakietu metafor, dane z pakietu metadat; rysunki – pakiet ggplot2). W pracy podaj wersje faktycznie użytych pakietów (sessionInfo()).

  1. R: R Core Team. (2026). R: A language and environment for statistical computing (Version 4.5.3) [Computer software]. R Foundation for Statistical Computing. https://www.R-project.org/
  2. metafor (wersja 5.2.1): Viechtbauer, W. (2010). Conducting meta-analyses in R with the metafor package. Journal of Statistical Software, 36(3), 1–48. https://doi.org/10.18637/jss.v036.i03
  3. metadat (wersja 1.6.0): Viechtbauer, W., White, T., Noble, D., Senior, A., & Hamilton, W. (2026). metadat: Meta-analysis datasets [R package]. https://doi.org/10.32614/CRAN.package.metadat
  4. ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org

Najczęstsze pytania

Kim jest Gene V Glass?

Amerykańskim statystykiem i psychologiem edukacji (ur. 1940). Doktorat z psychometrii i statystyki zrobił na University of Wisconsin (1965), pracował m.in. na University of Illinois i University of Colorado, w 1974 r. został wybrany na prezesa American Educational Research Association. Jest autorem nazwy „metaanaliza”.

Kto wymyślił słowo „metaanaliza”?

Gene V Glass. Użył go w artykule z 1976 r. o analizie pierwotnej, wtórnej i metaanalizie badań; w kwietniu tego roku przedstawił też metaanalizę badań psychoterapii w wykładzie prezesowskim AERA. Według jego wspomnienia nazwę podsunęło mu pojęcie metaewaluacji Michaela Scrivena.

Dlaczego Glass zajął się metaanalizą psychoterapii?

Chciał podważyć tezę Hansa Eysencka, że psychoterapia nie działa lepiej niż placebo. Glass uważał, że Eysenck wybierał badania i oceniał je tylko po istotności. Wraz z Mary Lee Smith połączył wyniki prawie 400 badań: typowy pacjent po terapii miał wynik lepszy niż 75% osób nieleczonych.

Czym różni się delta Glassa od d Cohena?

Delta Glassa dzieli różnicę średnich przez odchylenie standardowe grupy kontrolnej, a d Cohena – przez łączone odchylenie obu grup. Deltę wybiera się, gdy interwencja zmienia rozrzut wyników; szczegóły i przykład są w osobnym haśle.

Powiązane hasła

Poradniki, w których użyjesz tego pojęcia

Potrzebujesz wsparcia w analizie danych?

Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.

Wyceń analizęOferta dla studentów

Bibliografia i dalsza literatura naukowa (APA 7)

  1. Glass, G. V. (1976). Primary, secondary, and meta-analysis of research. Educational Researcher, 5(10), 3–8. https://doi.org/10.3102/0013189x005010003
  2. Glass, G. V. (2000). Meta-analysis at 25: A personal history. National Education Policy Center (University of Colorado Boulder). https://nepc.colorado.edu/node/11495 ● Otwarty dostęp
  3. Glass, G. V. (2015). Meta-analysis at middle age: A personal history. Research Synthesis Methods, 6(3), 221–231. https://doi.org/10.1002/jrsm.1133
  4. Hedges, L. V. (1981). Distribution theory for Glass’s estimator of effect size and related estimators. Journal of Educational Statistics, 6(2), 107–128. https://doi.org/10.3102/10769986006002107
  5. Library of Congress. (b.d.). Glass, Gene V, 1940- [rekord kartoteki haseł osobowych n80015630]. Library of Congress Name Authority File. Pobrano 18 listopada 2026 z https://id.loc.gov/authorities/names/n80015630.html ● Otwarty dostęp
  6. Smith, M. L., & Glass, G. V. (1977). Meta-analysis of psychotherapy outcome studies. American Psychologist, 32(9), 752–760. https://doi.org/10.1037/0003-066x.32.9.752

Cytowania BibTeX

@article{glass1976primary, author={Glass, Gene V}, title={{Primary, secondary, and meta-analysis of research}}, journal={Educational Researcher}, year={1976}, volume={5}, number={10}, pages={3--8}, doi={10.3102/0013189x005010003}}
@misc{glass2000meta, author={Glass, Gene V}, title={{Meta-analysis at 25: A personal history}}, howpublished={National Education Policy Center (University of Colorado Boulder)}, year={2000}, publisher={National Education Policy Center}, url={https://nepc.colorado.edu/node/11495}}
@article{glass2015meta, author={Glass, Gene V}, title={{Meta-analysis at middle age: A personal history}}, journal={Research Synthesis Methods}, year={2015}, volume={6}, number={3}, pages={221--231}, doi={10.1002/jrsm.1133}}
@article{hedges1981distribution, author={Hedges, Larry V.}, title={{Distribution theory for Glass’s estimator of effect size and related estimators}}, journal={Journal of Educational Statistics}, year={1981}, volume={6}, number={2}, pages={107--128}, doi={10.3102/10769986006002107}}
@misc{libraryofcongressglass, author={{Library of Congress}}, title={{Glass, Gene V, 1940- [rekord kartoteki haseł osobowych n80015630]}}, howpublished={Library of Congress Name Authority File}, publisher={Library of Congress}, url={https://id.loc.gov/authorities/names/n80015630.html}}
@article{smith1977meta, author={Smith, Mary L. and Glass, Gene V}, title={{Meta-analysis of psychotherapy outcome studies}}, journal={American Psychologist}, year={1977}, volume={32}, number={9}, pages={752--760}, doi={10.1037/0003-066x.32.9.752}}
R