Kim był Jacob Cohen?
Jacob Cohen (1923–1998) był amerykańskim psychologiem i statystykiem, któremu psychologia zawdzięcza kappę, analizę mocy i umowne progi „małego, średniego i dużego” efektu. Według wspomnienia Borensteina (1999) skończył szkołę średnią wcześniej niż rówieśnicy i jako piętnastolatek zaczął studia w City College of New York. Przerwał je, by w czasie II wojny światowej służyć w wywiadzie armii amerykańskiej w Europie. Po wojnie dokończył studia, zrobił doktorat z psychologii klinicznej na New York University i tam uczył przez większość kariery.
Borenstein (1999) opisuje go też jako prezesa Society for Multivariate Experimental Psychology i współprzewodniczącego grupy roboczej APA ds. wnioskowania statystycznego (Task Force on Statistical Inference). W sierpniu 1997 r. Amerykańskie Towarzystwo Psychologiczne wyróżniło go za całokształt dorobku. Zmarł 20 stycznia 1998 r. w wieku 74 lat.
Najważniejsze pomysły
- Kappa (1960). Współczynnik zgodności dwóch sędziów, którzy przypisują te same obiekty do kategorii nominalnych, z poprawką na zgodność, jakiej należałoby się spodziewać przez przypadek (Cohen, 1960). Dziś to kappa Cohena; dla kategorii uporządkowanych używa się kappy ważonej.
- Moc badań psychologicznych (1962). Cohen sprawdził, z jaką mocą badania opublikowane w roczniku 1960 czasopisma Journal of Abnormal and Social Psychology mogły wykryć efekty różnej wielkości. W ponownej analizie tego materiału Sedlmeier i Gigerenzer (1989) podają medianę mocy .46 dla efektu średniego – mniej więcej tyle, co rzut monetą. Ćwierć wieku później w tym samym czasopiśmie wynosiła ona .37.
- Analiza mocy jako procedura. Książka Statistical power analysis for the behavioral sciences (Cohen, 1969; kolejne wydania w 1977 i 1988 r.) dała badaczom tabele i miary potrzebne do obliczenia mocy i liczebności próby przed badaniem.
- Miary wielkości efektu i ich progi. W „A power primer” Cohen (1992) zebrał wskaźniki wielkości efektu i umowne wartości efektu małego, średniego i dużego dla ośmiu typowych testów oraz liczebności potrzebne do mocy .80. Stąd d Cohena (0.2, 0.5, 0.8), f, h, w i q (różnica dwóch korelacji).
- Regresja wieloraka jako ogólny system analizy. Z żoną Pat, która była też jego współpracowniczką, rozwinął podejście, w którym regresja wieloraka zastępuje wiele osobnych testów (Borenstein, 1999). Nazwisko obojga wraca w nazwie podejścia Cohen i Cohen w analizie mediacji.
- Krytyka rytuału istotności (1994). W artykule „The earth is round (p < .05)” Cohen (1994) wyliczył typowe błędy: czytanie wartości p jako prawdopodobieństwa, że hipoteza zerowa jest fałszywa, traktowanie 1 − p jako szansy replikacji i uznawanie odrzucenia H0 za dowód teorii. Zalecał wykresy, wielkości efektu z przedziałami ufności i replikacje.
Przykład na historycznych danych
Zbiór MSPatients z pakietu vcd to według pliku pomocy dane Westlunda i Kurlanda z 1953 r.: dwóch neurologów – z Winnipeg i z Nowego Orleanu – oceniało tych samych pacjentów w czterech kategoriach rozpoznania stwardnienia rozsianego (pewne, prawdopodobne, możliwe, wątpliwe). Bierzemy 149 pacjentów z Winnipeg. Neurolodzy zgodzili się w 43% przypadków, ale przy ich rozkładach odpowiedzi przypadkowo zgadzaliby się w 28%. Kappa wynosi więc tylko κ = .21, 95% CI [.11, .31]. Kappa ważona, która karze mniej za sąsiednie kategorie, daje κw = .38, 95% CI [.28, .48]. Dane są starsze niż kappa – to nasz przykład, nie obliczenie Cohena.
Druga część kodu pokazuje sens przeglądu z 1962 r.: przy 20 osobach w grupie moc dwustronnego testu t (α = .05) wynosi .09 dla d = 0.2, .34 dla d = 0.5 i .69 dla d = 0.8. Dopiero przy 64 osobach w grupie moc dla efektu średniego sięga .80.
Na rysunku
Co widać. Prace metodologiczne Cohena układają się w ciąg: zgodność sędziów (1960), diagnoza niskiej mocy (1962), narzędzia do jej liczenia (1969, 1988, 1992) i krytyka samego testowania istotności (1994).
Na co uważać. Wiersze stoją w równych odstępach, choć między urodzinami a kappą minęło 37 lat – to lista chronologiczna, nie skala czasu. Lat doktoratu i pracy na New York University nie podajemy, bo nie potwierdziliśmy ich w cytowanych źródłach.
Podpis do pracy:
power.t.test() i pakiet ggplot2 (obliczenia analityczne, bez losowania).Co widać. To odwrócenie typowej krzywej mocy (moc w funkcji liczebności, jak na stronie o mocy testu): tu liczebność jest stała, a zmienia się prawdziwy efekt. Przy 20 osobach w grupie – liczebności częstej w pracach dyplomowych – badanie wykrywa efekt średni rzadziej niż w co trzecim podejściu.
Na co uważać. Prawdziwego d nie znamy. Krzywa mówi, co by było, gdyby efekt miał daną wielkość, a nie jak duży jest efekt w Twoich danych. Mocy nie liczy się po badaniu z uzyskanego d – o tym strona o analizie mocy post hoc.
Podpis do pracy:
Gdzie spotkasz Cohena w swojej pracy
- W rozdziale o metodzie – uzasadniając liczebność próby analizą mocy. Krok po kroku pokazuje to wpis dobór liczebności próby.
- W wynikach – przy każdym teście t podajesz d Cohena, przy ANOVA często f albo η², przy tabelach krzyżowych w.
- Przy kodowaniu odpowiedzi otwartych lub obserwacji – kappa dwóch koderów.
- W dyskusji – gdy wynik jest nieistotny, a moc była niska; to nie dowód braku efektu.
Spory, mity i trudne strony
- „d = 0.5 to zawsze efekt średni”. Cohen (1992) przedstawił progi jako umowne, operacyjne definicje. Gdy w Twojej dziedzinie są dane o typowych efektach, opieraj się na nich, nie na samych progach.
- Ostrzeżenia nie poskutkowały. Sedlmeier i Gigerenzer (1989) pokazali, że po przeglądzie z 1962 r. moc badań w tym samym czasopiśmie nie wzrosła, a o mocy wspominały 2 z 64 eksperymentów. Ten problem wrócił w dyskusji o kryzysie replikacyjnym.
- Czy był przeciwnikiem testów istotności? Krytykował rytuał progu .05 i błędne odczytywanie p (Cohen, 1994), a nie samo wnioskowanie statystyczne. Więcej na stronie o NHST.
- Kappa nie jest niezawodna. Przy rzadkich kategoriach może być niska mimo wysokiego odsetka zgodności – opisuje to strona o kappie Cohena.
Jacob Cohen w R: kappa i moc testu
Kod liczy kappę (zwykłą i ważoną) na danych MSPatients z pakietu vcd, moc testu t dla umownych efektów Cohena i liczebność do mocy .80, a następnie rysuje oba rysunki. Rysunki na stronie powstały z tych samych obiektów p_os i p_moc z krojem i tłem serwisu; dane, geometrie i skale są identyczne.
Kappa na danych Westlunda i Kurlanda oraz krzywe mocy
Kod R (obliczenia i rysunki 1–2)
# Jacob Cohen w R: kappa na danych Westlunda i Kurlanda (1953) oraz moc testu t dla d = 0.2, 0.5 i 0.8
suppressPackageStartupMessages({library(vcd); library(ggplot2)})
okabe <- c(maly = "#D55E00", sredni = "#0072B2", duzy = "#009E73", n20 = "#E69F00", n50 = "#56B4E9", n100 = "#0072B2")
motyw <- theme_minimal(base_size = 13) + theme(panel.grid.minor = element_blank(), legend.position = "bottom",
plot.title = element_text(face = "bold"))
# 1. Kappa Cohena (1960): dwóch neurologów ocenia tych samych 149 pacjentów z Winnipeg w 4 kategoriach
data("MSPatients", package = "vcd")
tab <- MSPatients[, , "Winnipeg"] # wiersze: neurolog z Nowego Orleanu, kolumny: neurolog z Winnipeg
tab
sum(tab) # liczba pacjentów
round(c(obserwowana = sum(diag(tab)) / sum(tab), # zgodność obserwowana p_o
losowa = sum(rowSums(tab) * colSums(tab)) / sum(tab)^2), 3) # zgodność oczekiwana przez przypadek p_e
k <- Kappa(tab) # kappa zwykła i ważona (wagi równych odstępów)
k
round(confint(k), 3)
# 2. Moc testu t dla dwóch grup (alfa = .05, dwustronnie) przy umownych efektach Cohena
moc <- expand.grid(d = c(0.2, 0.5, 0.8), n = c(20, 50, 100))
moc$moc <- mapply(function(d, n) power.t.test(n = n, delta = d, sd = 1, sig.level = .05)$power, moc$d, moc$n)
xtabs(moc ~ n + d, data = round(moc, 2))
# Liczebność grupy potrzebna do mocy .80
sapply(c(maly = 0.2, sredni = 0.5, duzy = 0.8), function(d) ceiling(power.t.test(delta = d, power = .80)$n))
# Oś czasu: zdarzenia w kolejności, lata z cytowanych źródeł (odstępy między wierszami nie są proporcjonalne do czasu)
os <- data.frame(rok = c(1923, 1960, 1962, 1969, 1988, 1992, 1994, 1997, 1998),
zdarzenie = c("urodziny", "kappa – zgodność dwóch sędziów (Educ. Psychol. Meas.)",
"przegląd mocy badań z rocznika 1960 J. Abnorm. Soc. Psychol.",
"książka „Statistical power analysis…”, wyd. 1", "wyd. 2 książki o analizie mocy",
"„A power primer” – tabele n dla mocy .80", "„The earth is round (p < .05)” – krytyka NHST",
"nagroda APA za całokształt dorobku", "śmierć (20 stycznia)"),
typ = c("życie", "praca", "praca", "praca", "praca", "praca", "praca", "wyróżnienie", "życie"))
os$wiersz <- rev(seq_len(nrow(os)))
p_os <- ggplot(os, aes(x = 0, y = wiersz)) +
annotate("segment", x = 0, xend = 0, y = 0.6, yend = nrow(os) + 0.4, colour = "grey60", linewidth = 0.8) +
geom_point(aes(shape = typ, fill = typ), size = 3.8) +
geom_text(aes(x = -0.12, label = rok), hjust = 1, fontface = "bold", size = 4.2) +
geom_text(aes(x = 0.12, label = zdarzenie), hjust = 0, size = 4) +
scale_shape_manual(values = c("życie" = 21, "praca" = 22, "wyróżnienie" = 24), name = NULL) +
scale_fill_manual(values = c("życie" = "grey85", "praca" = okabe[["sredni"]], "wyróżnienie" = okabe[["n20"]]), name = NULL) +
scale_x_continuous(limits = c(-0.7, 4.2), breaks = NULL) + scale_y_continuous(breaks = NULL) +
labs(x = NULL, y = NULL, title = "Jacob Cohen (1923–1998) – oś czasu") + motyw
# Rysunek metody: moc jako funkcja d przy stałej liczebności grupy
siatka <- expand.grid(d = seq(0, 1.2, by = 0.01), n = c(20, 50, 100))
siatka$moc <- mapply(function(d, n) power.t.test(n = n, delta = d, sd = 1, sig.level = .05)$power, siatka$d, siatka$n)
siatka$grupa <- factor(paste("n =", siatka$n, "w grupie"), levels = paste("n =", c(20, 50, 100), "w grupie"))
p_moc <- ggplot(siatka, aes(d, moc, colour = grupa, linetype = grupa)) +
geom_vline(xintercept = c(0.2, 0.5, 0.8), colour = "grey70", linetype = "dotted") +
annotate("text", x = c(0.2, 0.5, 0.8), y = 1.04, label = c("mały", "średni", "duży"), size = 3.6, colour = "grey30") +
geom_hline(yintercept = .80, colour = "grey50", linetype = "dashed") +
geom_line(linewidth = 1.1) +
geom_point(data = moc |> transform(grupa = factor(paste("n =", n, "w grupie"), levels = levels(siatka$grupa))),
aes(shape = grupa), size = 2.8) +
scale_colour_manual(values = unname(okabe[c("n20", "n50", "n100")]), name = NULL) +
scale_linetype_manual(values = c("dotdash", "dashed", "solid"), name = NULL) +
scale_shape_manual(values = c(17, 15, 16), name = NULL) +
scale_y_continuous(limits = c(0, 1.06), breaks = seq(0, 1, .2)) +
labs(x = "Prawdziwa wielkość efektu d Cohena", y = "Moc testu t (alfa = .05, dwustronnie)",
title = "Moc testu t dla dwóch grup w zależności od wielkości efektu") + motyw
p_os
p_mocWynik w R
Winnipeg Neurologist
New Orleans Neurologist Certain Probable Possible Doubtful
Certain 38 5 0 1
Probable 33 11 3 0
Possible 10 14 5 6
Doubtful 3 7 3 10
[1] 149
obserwowana losowa
0.43 0.28
value ASE z Pr(>|z|)
Unweighted 0.2079 0.05046 4.121 3.767e-05
Weighted 0.3797 0.05167 7.350 1.988e-13
Kappa lwr upr
Unweighted 0.109 0.307
Weighted 0.278 0.481
d
n 0.2 0.5 0.8
20 0.09 0.34 0.69
50 0.17 0.70 0.98
100 0.29 0.94 1.00
maly sredni duzy
394 64 26 Bibliografia oprogramowania
Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3 (kappa – funkcja Kappa() z pakietu vcd; moc – power.t.test() z pakietu stats; rysunki – ggplot2). W pracy podaj wersje faktycznie użytych pakietów (sessionInfo()).
- 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/
- vcd (wersja 1.4.13): Meyer, D., Zeileis, A., Hornik, K., & Friendly, M. (2024). vcd: Visualizing categorical data [R package]. https://doi.org/10.32614/CRAN.package.vcd
- ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org
Najczęstsze pytania
Kim był Jacob Cohen?
Amerykańskim psychologiem i statystykiem (1923–1998), który większość kariery uczył na New York University. Od niego pochodzą kappa, analiza mocy w naukach behawioralnych i miary wielkości efektu takie jak d Cohena.
Co wymyślił Jacob Cohen?
Kappę – miarę zgodności dwóch sędziów z poprawką na przypadek (1960), procedurę analizy mocy z tabelami liczebności (książka z 1969 r.), wskaźniki wielkości efektu d, f, h, w i q z progami małego, średniego i dużego efektu oraz podejście do regresji wielorakiej jako ogólnego systemu analizy danych.
Skąd się wzięły progi d Cohena 0.2, 0.5 i 0.8?
Cohen zaproponował je jako umowne, operacyjne definicje efektu małego, średniego i dużego, żeby badacze mogli zaplanować moc, gdy nie wiedzą nic o oczekiwanym efekcie. Zestawił je m.in. w artykule „A power primer” z 1992 r. Jeśli w Twojej dziedzinie są dane o typowych efektach, opieraj się na nich.
Czy Jacob Cohen był przeciwnikiem testów istotności?
Krytykował mechaniczne decyzje wokół progu .05 i błędne odczytywanie p, np. jako prawdopodobieństwa, że hipoteza zerowa jest fałszywa. Zamiast samego p zalecał podawanie wielkości efektu z przedziałami ufności, wykresy i replikacje.
Powiązane hasła
Poradniki, w których użyjesz tego pojęcia
Dobór liczebności próby
Analiza mocy a priori, SESOI i test równoważności, precyzja przedziału ufności, analiza wrażliwości i pułapka pilotażu – z obliczeniami w R.
Czytaj →PoradnikWielkość efektu w obrazkach: d = 0.2, 0.5 i 0.8
Nakładanie rozkładów, U3 i przewaga sprawdzone symulacją, d z małej i dużej próby, r na wykresie rozrzutu i OR jako słupki ryzyka – z kodem R.
Czytaj →Potrzebujesz wsparcia w analizie danych?
Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.
Wyceń analizęOferta dla studentówBibliografia i dalsza literatura naukowa (APA 7)
- Borenstein, M. (1999). Jacob Cohen, PhD, 1923–1998. Archives of General Psychiatry, 56(6), 581. https://doi.org/10.1001/archpsyc.56.6.581
- Cohen, J. (1960). A coefficient of agreement for nominal scales. Educational and Psychological Measurement, 20(1), 37–46. https://doi.org/10.1177/001316446002000104
- Cohen, J. (1969). Statistical power analysis for the behavioral sciences. Academic Press.
- Cohen, J. (1992). A power primer. Psychological Bulletin, 112(1), 155–159. https://doi.org/10.1037/0033-2909.112.1.155
- Cohen, J. (1994). The earth is round (p < .05). American Psychologist, 49(12), 997–1003. https://doi.org/10.1037/0003-066x.49.12.997
- Sedlmeier, P., & Gigerenzer, G. (1989). Do studies of statistical power have an effect on the power of studies? Psychological Bulletin, 105(2), 309–316. https://doi.org/10.1037/0033-2909.105.2.309 ● Otwarty dostęp: pełny tekst
Cytowania BibTeX
@article{borenstein1999jacob, author={Borenstein, Michael}, title={{Jacob Cohen, PhD, 1923–1998}}, journal={Archives of General Psychiatry}, year={1999}, volume={56}, number={6}, pages={581}, doi={10.1001/archpsyc.56.6.581}}@article{cohen1960coefficient, author={Cohen, Jacob}, title={{A coefficient of agreement for nominal scales}}, journal={Educational and Psychological Measurement}, year={1960}, volume={20}, number={1}, pages={37--46}, doi={10.1177/001316446002000104}}@book{cohen1969statistical, author={Cohen, Jacob}, title={{Statistical power analysis for the behavioral sciences}}, year={1969}, publisher={Academic Press}, url={https://openlibrary.org/books/OL4433930M}}@article{cohen1992power, author={Cohen, Jacob}, title={{A power primer}}, journal={Psychological Bulletin}, year={1992}, volume={112}, number={1}, pages={155--159}, doi={10.1037/0033-2909.112.1.155}}@article{cohen1994earth, author={Cohen, Jacob}, title={{The earth is round (p < .05)}}, journal={American Psychologist}, year={1994}, volume={49}, number={12}, pages={997--1003}, doi={10.1037/0003-066x.49.12.997}}@article{sedlmeier1989do, author={Sedlmeier, Peter and Gigerenzer, Gerd}, title={{Do studies of statistical power have an effect on the power of studies?}}, journal={Psychological Bulletin}, year={1989}, volume={105}, number={2}, pages={309--316}, doi={10.1037/0033-2909.105.2.309}}