Ilu uczestników potrzeba, aby wykryć efekt tej wielkości?

To zależy od wielkości efektu, wymaganej mocy testu i poziomu istotności. Dla dwóch niezależnych grup przy α = .05 (test dwustronny) wykrycie d = 0,5 z mocą 80% wymaga 64 osób w każdej grupie; d = 0,8 wymaga 26, a d = 0,2 — 394. Po każdym obliczeniu strona pokazuje liczebność próby potrzebną do uzyskania mocy 80%, 90% i 95% dla podanego efektu w testach t, jednoczynnikowej ANOVA i korelacjach.

Co to jest eta-kwadrat i czym różni się od omega-kwadrat?

Eta-kwadrat mierzy proporcję całkowitej wariancji wyjaśnionej przez czynnik w ANOVA. Omega-kwadrat jest mniej obciążonym estymatorem tej samej wielkości. Eta-kwadrat ma tendencję do zawyżania efektu w populacji, szczególnie przy małych próbach. Cohen zasugerował wartości odniesienia 0,01 (mały), 0,06 (średni) i 0,14 (duży) dla obu miar.

Kalkulator Wielkości Efektu

Określ wielkość różnicy między grupami za pomocą kalkulatora wielkości efektu MiniWebtool. Średnie, odchylenia standardowe i liczebności prób pozwalają oszacować standaryzowany efekt, uzupełniając testy istotności o miarę wielkości różnicy.

Potrzebujesz pomocy z narzędziem? Zapytaj AI

Gemini (kopiuj i otwórz)

W Gemini wklej skopiowane pytanie do czatu. Możesz je też skopiować poniżej.

Zobacz pytanie

Chcę zrozumieć, jak korzystać z narzędzia Kalkulator Wielkości Efektu w MiniWebtool: https://miniwebtool.com/pl/kalkulator-wielkosci-efektu/. Do czego służy, jakie dane lub ustawienia są potrzebne oraz jak go używać i interpretować wynik? Pokaż jeden prosty przykład krok po kroku. Oprzyj wyjaśnienie na tej stronie i odpowiedz po polsku.

3 darmowe użycia dziennieBez rejestracjiNatychmiastowe wyniki

Kalkulator Wielkości EfektuWypróbuj teraz — za darmo ▼

Jeden efekt, trzy skale: d = 0,5 to r = 0,24 i r² = 5,9 %

Wpisz poniżej średnią, odchylenie standardowe i liczebność każdej grupy (albo wartość t, F lub r), aby uzyskać d Cohena, g Hedgesa, r, nakładanie się rozkładów i więcej.

Embed Kalkulator Wielkości Efektu Widget

O Kalkulator Wielkości Efektu

Zrozumienie wielkości efektu w badaniach

Wielkości efektu to istotne statystyki, które określają ilościowo wielkość zjawiska, uzupełniając informacje dostarczane przez wartości p. Podczas gdy wartość p mówi o tym, czy efekt jest statystycznie istotny, wielkość efektu informuje o tym, jak duży jest ten efekt. Rozróżnienie to jest kluczowe dla oceny znaczenia praktycznego — statystycznie istotny wynik z bardzo małą wielkością efektu może nie mieć żadnego znaczenia w świecie rzeczywistym.

📏

d Cohena

Standaryzowana różnica średnich między dwiema grupami przy użyciu połączonego SD

🎯

g Hedgesa

Poprawione d Cohena, preferowane dla małych prób (n < 20)

Delta Glassa

Różnica średnich standaryzowana tylko przez SD grupy kontrolnej

η²

Eta-kwadrat

Proporcja całkowitej wariancji wyjaśnionej w ANOVA

ω²

Omega-kwadrat

Mniej obciążony estymator wyjaśnionej wariancji niż η²

f Cohena

Wielkość efektu dla ANOVA, pochodząca z η²

W skrócie

Kalkulator Wielkości Efektu mierzy, jak duża jest różnica między grupami lub zależność, na podstawie średnich grup, wartości t, wartości F z ANOVA lub korelacji. Miary obejmują d Cohena, g Hedgesa, deltę Glassa, eta-kwadrat i omega-kwadrat.

Kalkulator Wielkości Efektu: funkcje w skrócie
Funkcja	Co otrzymujesz	Przydatne dla
Średnie dwóch grup	Wpisz średnią, odchylenie standardowe i liczebność każdej grupy, aby uzyskać znormalizowane różnice, takie jak d Cohena (wspólne SD), g Hedgesa i deltę Glassa.	Porównanie grupy badanej z kontrolną
Dane testu t	Wpisz wartość t przy niezależnych liczebnościach grup albo sparowaną wartość t wraz z liczbą par.	Artykuły podające tylko wartość t
Dane ANOVA	Wpisz wartość F wraz z df między grupami i df wewnątrz grup, aby uzyskać miary wyjaśnionej wariancji, takie jak eta-kwadrat, omega-kwadrat i f Cohena.	Wyniki jednoczynnikowej ANOVA
Dane korelacji	Wpisz korelację r i liczebność próby, aby uzyskać wielkość efektu z korelacji.	Badania korelacyjne i przeliczanie r na d
Wielkość efektu w języku potocznym	d Cohena wyrażane jest też jako prawdopodobieństwo, że losowo wybrany członek grupy 1 uzyska wynik wyższy niż losowo wybrany członek grupy 2.	Wyjaśnianie wyniku osobom nietechnicznym
Ustawienia gotowe i eksport	Przyciski przykładów wypełniają przykładowe dane, a wyniki można skopiować jako tekst lub tabelę albo pobrać jako CSV.	Wypróbowanie narzędzia i przeniesienie wyników do raportu

Jak obliczyć d Cohena

d Cohena mierzy standaryzowaną różnicę między średnimi dwóch grup:

$$d = \frac{M_1 - M_2}{SD_{pooled}}$$

gdzie połączone odchylenie standardowe to:

$$SD_{pooled} = \sqrt{\frac{(n_1 - 1) \cdot SD_1^2 + (n_2 - 1) \cdot SD_2^2}{n_1 + n_2 - 2}}$$

Wartość d Cohena równa 0,5 oznacza, że średnie dwóch grup różnią się o pół odchylenia standardowego. g Hedgesa stosuje współczynnik korygujący $J = 1 - \frac{3}{4 \cdot df - 1}$, aby zmniejszyć zawyżenie d w małych próbach.

Interpretacja wielkości efektu za pomocą CLES

Common Language Effect Size (CLES) tłumaczy d Cohena na intuicyjne prawdopodobieństwo: szansę, że losowo wybrana osoba z Grupy 1 uzyska wyższy wynik niż losowo wybrana osoba z Grupy 2. Oblicza się je jako:

$$CLES = \Phi\left(\frac{d}{\sqrt{2}}\right)$$

gdzie $\Phi$ to dystrybuanta standardowego rozkładu normalnego. Na przykład d = 0,5 odpowiada CLES wynoszącemu około 64%, co oznacza, że istnieje 64% szans, iż losowy członek Grupy 1 prześcignie losowego członka Grupy 2.

Eta-kwadrat vs. Omega-kwadrat

W ANOVA eta-kwadrat (η²) reprezentuje proporcję całkowitej wariancji wyjaśnionej przez zmienną niezależną:

$$\eta^2 = \frac{SS_{between}}{SS_{total}} = \frac{F \times df_{between}}{F \times df_{between} + df_{within}}$$

Jednak η² ma tendencję do zawyżania efektu w populacji. Omega-kwadrat (ω²) zapewnia mniej obciążony estymator:

$$\omega^2 = \frac{df_{between} \times (F - 1)}{df_{between} \times (F - 1) + N}$$

Konwersja między miarami wielkości efektu

Kalkulator Wielkości Efektu: Konwersja między miarami wielkości efektu
Z	Na	Wzór
d Cohena	Korelacja r	$r = \frac{d}{\sqrt{d^2 + \frac{(n_1+n_2)^2}{n_1 \cdot n_2}}}$
Korelacja r	d Cohena	$d = \frac{2r}{\sqrt{1 - r^2}}$
Test t (niezależny)	d Cohena	$d = t \times \sqrt{\frac{1}{n_1} + \frac{1}{n_2}}$
Test t (zależny)	d_z Cohena	$d_z = \frac{t}{\sqrt{n}}$
η²	f Cohena	$f = \sqrt{\frac{\eta^2}{1 - \eta^2}}$

Kiedy używać danej wielkości efektu

Kalkulator Wielkości Efektu: Kiedy używać danej wielkości efektu
Scenariusz	Rekomendowane	Dlaczego
Dwie grupy o równej wariancji	d Cohena lub g Hedgesa	Standardowa miara; g jest preferowane, gdy n < 20 na grupę
Nierówne wariancje	Delta Glassa	Używa tylko SD grupy kontrolnej, nie zależy od wariancji grupy eksperymentalnej
Pomiary zależne / powtarzane	d_z Cohena	Oparte na wynikach różnic; uwzględnia korelację wewnątrzobiektową
Jednoczynnikowa ANOVA	η² lub ω²	η² do celów opisowych; ω² dla mniej obciążonego szacunku populacyjnego
Analiza korelacji	r oraz r²	r mierzy siłę; r² podaje proporcję wspólnej wariancji
Metaanaliza	g Hedgesa	Korekta obciążenia jest niezbędna przy łączeniu różnych wielkości prób

Często zadawane pytania

Co to jest wielkość efektu?

Wielkość efektu to ilościowa miara wielkości zjawiska lub siły związku między zmiennymi. W przeciwieństwie do wartości p, które wskazują, czy efekt istnieje, wielkości efektu mówią o tym, jak duży jest ten efekt. Są niezbędne do metaanalizy, analizy mocy i oceny praktycznego znaczenia w badaniach naukowych.

Co to jest d Cohena i jak je interpretować?

d Cohena mierzy standaryzowaną różnicę między średnimi dwóch grup, obliczaną jako różnica średnich podzielona przez połączone odchylenie standardowe. Jacob Cohen zasugerował punkty odniesienia: 0,2 (mały), 0,5 (średni) i 0,8 (duży), ale powinny być one interpretowane w kontekście konkretnej dziedziny badawczej. W niektórych dziedzinach d równe 0,2 może reprezentować znaczący efekt interwencji.

Jaka jest różnica między d Cohena a g Hedgesa?

g Hedgesa to poprawiona wersja d Cohena. d Cohena nieco zawyża wielkość efektu w populacji, szczególnie przy małych próbach (n < 20 na grupę). g Hedgesa stosuje współczynnik korygujący J, aby zredukować to obciążenie. Dla dużych prób wartości te są niemal identyczne.

Co to jest Common Language Effect Size (CLES)?

CLES wyraża d Cohena jako prawdopodobieństwo: szansę, że losowo wybrana osoba z jednej grupy uzyska wyższy wynik niż losowo wybrana osoba z drugiej grupy. CLES wynoszący 69% oznacza, że istnieje 69% prawdopodobieństwa, iż losowy członek Grupy 1 prześcignie losowego członka Grupy 2. Jest to znacznie bardziej intuicyjne niż surowe wartości d dla odbiorców nietechnicznych.

Kiedy należy stosować eta-kwadrat a kiedy omega-kwadrat?

Eta-kwadrat (η²) jest powszechnie raportowana, ale ma tendencję do zawyżania wielkości efektu w populacji, szczególnie przy małych próbach. Omega-kwadrat (ω²) zapewnia mniej obciążony estymator i jest ogólnie zalecana do celów wnioskowania. Do celów opisowych w ramach konkretnej próby η² jest akceptowalna. Obie miary mają te same progi interpretacyjne: 0,01 (mały), 0,06 (średni), 0,14 (duży).

Czy wielkości efektu mogą być ujemne?

Tak, kierunkowe wielkości efektu, takie jak d Cohena i korelacja r, mogą być ujemne. Ujemne d Cohena oznacza, że Grupa 2 ma wyższą średnią niż Grupa 1. Ujemne r wskazuje na relację odwrotną. Znak wskazuje kierunek, natomiast wartość bezwzględna wskazuje wielkość. Miary oparte na wariancji (η², ω², r²) są zawsze nieujemne.

Jak obliczyć d Cohena na podstawie wyników grupy badanej i kontrolnej?

d Cohena to różnica między średnimi grup podzielona przez ich łączone odchylenie standardowe. Na przykład jeśli średnia w grupie badanej wynosi 82, w kontrolnej 76, a łączone odchylenie standardowe wynosi 12, to d = (82-76) ÷ 12 = 0,50. W sekcji dla dwóch grup wpisz średnią, odchylenie standardowe i liczebność każdej grupy, aby obliczyć standaryzowane miary efektu.

Czy wielkość efektu może mieć znaczenie, jeśli wynik badania nie jest istotny statystycznie?

Tak. Wielkość efektu opisuje szacowaną skalę różnicy lub związku, natomiast wartość p określa, jak zgodne są dane z hipotezą zerową przy założeniach danego testu. Badanie na małej próbie może wskazywać na znaczący efekt, ale wiązać się z dużą niepewnością. Interpretuj wielkość efektu razem z liczebnością próby, niepewnością, projektem badania i kontekstem praktycznym.

Kiedy zamiast d Cohena warto użyć delty Glassa?

Delta Glassa przydaje się, gdy właściwym punktem odniesienia dla zmienności jest odchylenie standardowe grupy kontrolnej, szczególnie jeśli zastosowane leczenie lub interwencja mogły zmienić rozrzut wyników. Dzieli różnicę między średnimi grup przez odchylenie standardowe grupy kontrolnej. d Cohena zwykle korzysta z łączonego odchylenia standardowego obu grup. Podaj używaną miarę, aby czytelnicy wiedzieli, jak zdefiniowano standaryzowaną różnicę.

Cytuj ten materiał, stronę lub narzędzie w następujący sposób:

"Kalkulator Wielkości Efektu" na https://MiniWebtool.com/pl/kalkulator-wielkosci-efektu/ z MiniWebtool, https://MiniWebtool.com/

przez zespół miniwebtool. Zaktualizowano: 2026-04-16

Dostępne API dla deweloperów: Uruchom to narzędzie z aplikacji, automatyzacji lub agenta za pomocą jednego żądania HTTP JSON. Zobacz dokumentację API

Porozmawiaj ze swoją ulubioną AI

Gemini (kopiuj i otwórz)

W Gemini wklej skopiowane pytanie do czatu. Możesz je też skopiować poniżej.

Zobacz pytanie

Chcę zrozumieć, jak korzystać z narzędzia Kalkulator Wielkości Efektu w MiniWebtool: https://miniwebtool.com/pl/kalkulator-wielkosci-efektu/. Do czego służy, jakie dane lub ustawienia są potrzebne oraz jak go używać i interpretować wynik? Pokaż jeden prosty przykład krok po kroku. Oprzyj wyjaśnienie na tej stronie i odpowiedz po polsku.

Kalkulator Wielkości Efektu

O Kalkulator Wielkości Efektu

Zrozumienie wielkości efektu w badaniach

W skrócie

Jak obliczyć d Cohena

Interpretacja wielkości efektu za pomocą CLES

Eta-kwadrat vs. Omega-kwadrat

Konwersja między miarami wielkości efektu

Kiedy używać danej wielkości efektu

Często zadawane pytania

Porozmawiaj ze swoją ulubioną AI

Statystyki i analiza danych:

Rozwiązywanie matematyki

Liczby i dzielniki

Ułamki i dzielenie

Potęgi, pierwiastki i logarytmy

Algebra i równania

Rachunek różniczkowy i całkowy

Geometria i trygonometria

Popularne i zaktualizowane narzędzia:

Pobierz cały pakiet jako plik dzięki Pro

Z	Na	Wzór
d Cohena	Korelacja r	\(r = \frac{d}{\sqrt{d^2 + \frac{(n_1+n_2)^2}{n_1 \cdot n_2}}}\)
Korelacja r	d Cohena	\(d = \frac{2r}{\sqrt{1 - r^2}}\)
Test t (niezależny)	d Cohena	\(d = t \times \sqrt{\frac{1}{n_1} + \frac{1}{n_2}}\)
Test t (zależny)	d_z Cohena	\(d_z = \frac{t}{\sqrt{n}}\)
η²	f Cohena	\(f = \sqrt{\frac{\eta^2}{1 - \eta^2}}\)