Słownik metodologiczny · Wielkość efektu

Najmniejszy interesujący efekt (SESOI) – co to jest i jak go uzasadnić?

SESOI to granica między efektem, który ma znaczenie, a efektem praktycznie zerowym. Pokazujemy, jak go uzasadnić i jak wpływa na analizę mocy a priori oraz granice testu równoważności.

Strona główna / Słownik / SESOI

Opracowanie merytoryczne: · Opublikowano:

W skrócie: SESOI to najmniejsza wielkość efektu, którą uznajesz za ważną; mniejsze efekty traktujesz jak praktycznie zerowe. Ustal go przed badaniem i uzasadnij – od niego zależą analiza mocy a priori i granice testu równoważności.

Co to jest najmniejszy interesujący efekt (SESOI)?

Najmniejszy interesujący efekt (ang. smallest effect size of interest, SESOI) to najmniejsza wielkość efektu, którą uznajesz za ważną teoretycznie lub praktycznie; mniejsze efekty traktujesz jak praktycznie zerowe. Ustala się go przed badaniem, w punktach skali albo jako d Cohena. Lakens (2022) przypomina, że uzasadniając liczebność próby, trzeba wskazać, które wielkości efektu są interesujące, a pytanie o SESOI stawia na pierwszym miejscu.

Jak uzasadnić SESOI?

Lakens i in. (2018) opisują kilka sposobów ustalania SESOI w psychologii. W pracy zwykle powołasz się na jedno z czterech uzasadnień:

  • Znaczenie praktyczne lub kliniczne, np. MCID albo najmniejsza zmiana, którą ludzie odczuwają. Anvari i Lakens (2021) pokazują, jak ją wyznaczyć metodą zakotwiczoną – pytaniem o globalną ocenę zmiany.
  • Teoria – najmniejszy efekt, który przewiduje teoria albo który odróżnia konkurencyjne wyjaśnienia.
  • Wcześniejsze badania – efekty z metaanaliz lub replikacji, z uwzględnieniem ich niepewności.
  • Zasoby – efekt, który da się wykryć przy dostępnej liczbie osób. Takie uzasadnienie mówi o możliwościach badania, a nie o znaczeniu efektu, więc opisz je wprost jako kompromis.

Przykład

Trening ma obniżyć stres mierzony skalą 0–40 punktów (SD = 6); załóżmy, że badanie z pytaniem kotwiczącym wykazało, iż ludzie odczuwają zmianę od 3 punktów, więc SESOI = 3, czyli d = 0.50. Analiza mocy a priori (test t, α = .05, moc .80) wskazuje 64 osoby w grupie. Przy SESOI = 2 punkty (d = 0.33) potrzeba 143 osób, a przy 1.5 punktu (d = 0.25) – 253, czyli prawie cztery razy więcej niż przy 3 punktach. Te same ±3 punkty posłużą jako granice testu równoważności (TOST), gdyby trening nie zadziałał.

Jak zapisać w pracy

Najmniejszy interesujący efekt ustalono przed badaniem na 3 punkty skali stresu (d = 0.50), czyli na najmniejszą zmianę odczuwaną przez uczestników. Przy α = .05 i mocy 80% analiza mocy a priori wskazała 64 osoby w grupie.

SESOI razem z uzasadnieniem wpisz do planu analizy i prerejestracji.

Na co uważać

  • SESOI to nie efekt oczekiwany. Oczekiwany efekt (np. z pilotażu) to prognoza, a SESOI – granica znaczenia. Moc zaplanowana dla efektu większego niż SESOI może nie wystarczyć do wykrycia efektów mniejszych, ale wciąż ważnych.
  • SESOI ustalony po wynikach. Granica dobrana tak, by wynik „przeszedł”, unieważnia test równoważności i analizę mocy.
  • Same progi Cohena. „Mały efekt, d = 0.2” bez odniesienia do skali i problemu nie jest uzasadnieniem.
Przykład reprodukowalny

Przykład w R

Funkcja power.t.test() liczy liczebność grupy dla kilku kandydatów na SESOI naraz. Liczby z przykładu pochodzą z tego kodu.

Liczebność grupy dla różnych SESOI

Dane wejściowe: odchylenie standardowe skali stresu (6 pkt) i trzej kandydaci na SESOI: 3, 2 i 1.5 pkt; test t dla dwóch grup, α = .05, test dwustronny, moc .80.

Co odczytać: kolumnę d (SESOI w jednostkach d Cohena) i n_w_grupie – liczbę osób w każdej grupie, zaokrągloną w górę.

R
sd_stres <- 6                                  # odchylenie standardowe wyniku skali stresu
sesoi <- c(3, 2, 1.5)                          # kandydaci na SESOI w punktach skali
n <- sapply(sesoi, function(s) ceiling(power.t.test(delta = s, sd = sd_stres, sig.level = 0.05, power = 0.80)$n))
data.frame(sesoi_pkt = sesoi, d = round(sesoi / sd_stres, 2), n_w_grupie = n)
Wynik w R
  sesoi_pkt    d n_w_grupie
1       3.0 0.50         64
2       2.0 0.33        143
3       1.5 0.25        253

Bibliografia oprogramowania

Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3 (funkcja power.t.test() pakietu stats).

  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/

Najczęstsze pytania

Czym SESOI różni się od MCID?

MCID to minimalna różnica uznana za istotną klinicznie, zwykle wyznaczona dla konkretnego narzędzia. SESOI jest pojęciem szerszym: może wynikać z MCID, ale też z teorii, wcześniejszych badań albo zasobów.

Czy SESOI można podać jako d Cohena?

Można, ale gdy skala ma zrozumiałe jednostki, podaj SESOI w punktach i dopisz odpowiadające mu d. Wartość d zależy od odchylenia standardowego, które w nowej próbie może być inne.

Co zrobić, gdy nie ustaliłem SESOI przed badaniem?

Ustal go teraz, ale napisz otwarcie, kiedy i na jakiej podstawie to zrobiłeś. Nie dobieraj wartości do uzyskanego wyniku; najlepiej oprzyj się na źródle niezależnym od danych, np. MCID.

Powiązane hasła

Test równoważności (TOST)MCID – minimalna istotna klinicznie różnicaAnaliza mocy a priori (G*Power)Wielkość efektu (zob. siła efektu)d Cohena (interpretacja)Prerejestracja badań

Poradniki, w których użyjesz tego pojęcia

Poradnik

Plan analizy statystycznej i prerejestracja

12 elementów planu analizy, moc i SESOI w R, OSF czy AsPredicted, registered reports, tabela odstępstw i wzór planu w Wordzie do pobrania.

Czytaj →Poradnik

Hipoteza się nie potwierdziła – co dalej

Jak sprawdzić, co mówi wynik nieistotny: przedział ufności, analiza wrażliwości, test równoważności TOST, czynnik Bayesa i gotowe zdania do wyników.

Czytaj →

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. Anvari, F., & Lakens, D. (2021). Using anchor-based methods to determine the smallest effect size of interest. Journal of Experimental Social Psychology, 96, Article 104159. https://doi.org/10.1016/j.jesp.2021.104159 ● Otwarty dostęp
  2. Lakens, D. (2022). Sample size justification. Collabra: Psychology, 8(1), Article 33267. https://doi.org/10.1525/collabra.33267 ● Otwarty dostęp
  3. Lakens, D., Scheel, A. M., & Isager, P. M. (2018). Equivalence testing for psychological research: A tutorial. Advances in Methods and Practices in Psychological Science, 1(2), 259–269. https://doi.org/10.1177/2515245918770963 ● Otwarty dostęp

Cytowania BibTeX

@article{anvari2021using, author={Anvari, Farid and Lakens, Daniël}, title={{Using anchor-based methods to determine the smallest effect size of interest}}, journal={Journal of Experimental Social Psychology}, year={2021}, volume={96}, eid={104159}, doi={10.1016/j.jesp.2021.104159}}
@article{lakens2022sample, author={Lakens, Daniël}, title={{Sample size justification}}, journal={Collabra: Psychology}, year={2022}, volume={8}, number={1}, eid={33267}, doi={10.1525/collabra.33267}}
@article{lakens2018equivalence, author={Lakens, Daniël and Scheel, Anne M. and Isager, Peder M.}, title={{Equivalence testing for psychological research: A tutorial}}, journal={Advances in Methods and Practices in Psychological Science}, year={2018}, volume={1}, number={2}, pages={259--269}, doi={10.1177/2515245918770963}}
R