Cohens d für unabhängige Gruppen: Effektstärke berechnen und einordnen.
Du vergleichst zwei getrennte Gruppen? Trag Mittelwerte, SDs und Gruppengrößen oder deine Rohdaten ein. Der Rechner zeigt dir Cohens d als rein deskriptives Maß, für d1 mit Standardfehler und 95-%-Konfidenzintervall, dazu den Rechenweg und eine Abbildung.
- Drei Varianten im Vergleich
- Mit Rechenweg und Abbildung
- Kostenlos, ohne Anmeldung
Rechner wird geladen …
Berechnungsgrundlage.
Cohens d ist ein statistisches Maß, das genutzt wird, um die Effektgröße, also die Stärke eines Unterschieds zwischen den Mittelwerten zweier (un-)abhängiger Gruppen oder eines Mittelwerts und eines theoretisch erwarteten Werts, zu quantifizieren. In der Forschung hilft Cohens d dabei, die praktische Bedeutung eines Effekts zu beurteilen, unabhängig von der Größe der Stichprobe. Dies ermöglicht es, die Wirksamkeit von Interventionen zu vergleichen und die Relevanz der Forschungsergebnisse einzuschätzen.
Die Berechnung wird auf Basis von Mittelwerten (M), Standardabweichung (SD) und Gruppengrößen (n) realisiert. Die nachfolgende Berechnung führt zu d als rein deskriptives Maß, manchmal auch Populationsmaß bezeichnet. Für eine Berechnung zu einer Stichprobe (und somit als Schätzer) führt Cohen ds an, was jedoch nichts anderes als Hedges’ g ist.
Die Berechnungen orientieren sich an den Vorlagen von Cohen (1962, 1988), Glass et al. (1981), Borenstein (2009), Cumming (2012) und Borenstein et al. (2021). Daraus ergeben sich drei verschiedene Möglichkeiten, d zu berechnen.
Cohens \({d}\)
Standardabweichungen
Alle Standardabweichungen sind hier deskriptiv gemeint, also mit \({n}\) im Nenner.
Warum die Gruppengröße \({d_{1}}\) verändern kann
In \({S_{\text{pooled}}}\) zählt die größere Gruppe stärker. Sind beide SDs gleich, spielt das keine Rolle. Unterscheiden sie sich, hängt \({d_{1}}\) davon ab, wie sich die Personen auf die Gruppen verteilen. \({d_{2}}\) bleibt davon unberührt.
Standardfehler und Konfidenzintervall
Beide gibt es nur für \({d_{1}}\).
Das 95-%-Konfidenzintervall läuft über die \({t}\)-Verteilung:
Der \({t}\)-Wert wird aus der inversen \({t}\)-Verteilung bestimmt und berücksichtigt die Stichprobengröße. Bei kleinen Stichproben ist \({t_{0{,}975;\,df} \gt 1{,}96}\), was zu korrekterweise breiteren Konfidenzintervallen führt.
Interpretation
Konvention zur Interpretation von \({d}\) nach Cohen (1992):
| Betrag von \({d}\) | Einordnung |
|---|---|
| \({|d| \lt 0{,}20}\) | kein Effekt |
| \({0{,}20 \le |d| \lt 0{,}50}\) | kleiner Effekt |
| \({0{,}50 \le |d| \lt 0{,}80}\) | moderater Effekt |
| \({|d| \ge 0{,}80}\) | großer Effekt |
Mehr dazu findest du in der Interpretationshilfe.
Hedges’ \({g}\)
Hedges (1981) hat eine Korrektur (Hedges’ \({g}\)) vorgeschlagen, die auf der Besselkorrektur basiert. Sie kann über folgenden Rechner genutzt werden: Hedges’ g für zwei unabhängige Gruppen.
Literatur
- Borenstein (2009). Effect sizes for continuous data. In H. Cooper, L. V. Hedges, & J. C. Valentine (Eds.), The handbook of research synthesis and meta analysis (pp. 221-237). New York: Russell Sage Foundation.
- Borenstein, M., Hedges, L. V., Higgins, J. P. T. & Rothstein, H. R. (2021). Introduction to Meta-Analysis. John Wiley & Sons.
- Cohen, J. (1962). The statistical power of abnormal-social psychological research: A review. The Journal of Abnormal and Social Psychology, 65(3), 145–153. https://doi.org/10.1037/h0045186
- Cohen, J. (1988). Statistical Power Analysis for the Behavioral Sciences (2nd ed.). Hillsdale, NJ: Lawrence Erlbaum Associates, Publishers.
- Cohen, J. (1992). A power primer. Psychological Bulletin, 112(1), 155–159. https://doi.org/10.1037/0033-2909.112.1.155
- Cumming, G. (2012). Understanding the new statistics: Effect sizes, confidence intervals, and meta-analysis. Routledge/Taylor & Francis Group.
- Glass, G. V., McGaw, B., and Smith, M. L. (1981). Meta-Analysis in Social Research. Beverly Hills, CA: Sage.
- 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/10.2307/1164588
Weitere Online-Rechner.
Prüf auch deine anderen Übungsaufgaben, bevor sich ein Fehler bis in die Klausur zieht. Kostenlos und ohne Anmeldung.
- Angebotsfunktion und MarktangebotVWL · Unternehmenstheorie
- Bernoulli VerteilungStatistik · Diskrete Verteilungen
- BetaverteilungStatistik · Stetige Verteilungen
- Betriebsoptimum & BetriebsminimumVWL · Unternehmenstheorie
- BinomialverteilungStatistik · Diskrete Verteilungen
- BudgetgeradeVWL · Haushaltstheorie
- Chi-Quadrat-VerteilungStatistik · Stetige Verteilungen
- Cohens d für zwei abhängige GruppenStatistik · Effektstärke
- Diskrete GleichverteilungStatistik · Diskrete Verteilungen
- DreiecksverteilungStatistik · Stetige Verteilungen
- Effektmaße aus EffektmaßenStatistik · Effektstärke
- Effektmaße für ANOVAStatistik · Effektstärke
- Einkommens-Konsum-Kurve und Engel-KurveVWL · Haushaltstheorie
- Einkommenselastizität der NachfrageVWL · Haushaltstheorie
- ErwartungsnutzenVWL · Haushaltstheorie
- ExponentialverteilungStatistik · Stetige Verteilungen
- F-VerteilungStatistik · Stetige Verteilungen
- GammaverteilungStatistik · Stetige Verteilungen
- Geometrische VerteilungStatistik · Diskrete Verteilungen
- GrenzproduktVWL · Unternehmenstheorie
- Grenzrate der Substitution (MRS)VWL · Haushaltstheorie
- Grenzrate der technischen Substitution (MRTS)VWL · Unternehmenstheorie
- Hedges' g für zwei abhängige GruppenStatistik · Effektstärke
- Hedges‘ g für zwei unabhängige GruppenStatistik · Effektstärke
- Homogenitätsgrad und SkalenerträgeVWL · Unternehmenstheorie
- Hypergeometrische VerteilungStatistik · Diskrete Verteilungen
- InvestitionsrechnungWirtschaftsmathematik · Finanzmathematik
- IsokostenlinieVWL · Unternehmenstheorie
- Kompensierende und äquivalente VariationVWL · Haushaltstheorie
- KostenfunktionVWL · Unternehmenstheorie
- Kreuzpreiselastizität der NachfrageVWL · Haushaltstheorie
- Lachowicz-Preacher-Kelly u (einfache Mediation)Statistik · Effektstärke
- LagrangeVWL · Wirtschaftsmathematik · Haushaltstheorie · Unternehmenstheorie · Analysis
- LognormalverteilungStatistik · Stetige Verteilungen
- Negative BinomialverteilungStatistik · Diskrete Verteilungen
- NormalverteilungStatistik · Stetige Verteilungen
- Poisson VerteilungStatistik · Diskrete Verteilungen
- Preiselastizität der NachfrageVWL · Wirtschaftsmathematik · Haushaltstheorie · Analysis
- Preiselastizität des AngebotsVWL · Unternehmenstheorie
- Relatives Risiko & Odds RatioStatistik · Effektstärke
- RentenrechnungWirtschaftsmathematik · Finanzmathematik
- Repräsentative StichprobengrößeStatistik · Effektstärke
- Stetige GleichverteilungStatistik · Stetige Verteilungen
- Substitutions- und EinkommenseffektVWL · Haushaltstheorie
- Substitutions- und Einkommenseffekt VorzeichenVWL · Haushaltstheorie
- t-VerteilungStatistik · Stetige Verteilungen
- TilgungsrechnungWirtschaftsmathematik · Finanzmathematik
- Weibull-VerteilungStatistik · Stetige Verteilungen
- WertpapiereWirtschaftsmathematik · Finanzmathematik
- ZinsrechnungWirtschaftsmathematik · Finanzmathematik
Jan Oetker
Studienverlauf
- B.Sc.WirtschaftspsychologieHochschule Fresenius
- M.Sc.WirtschaftsinformatikFernUniversität in Hagen
Lehrerfahrung
- AStATutor seit 2016Hochschule Fresenius, Köln und weitere Standorte
- LehreDozentHochschule Fresenius
Du willst es mit jemandem durchgehen?
Der Rechner zeigt dir, ob dein Ergebnis stimmt. Wie du in der Klausur selbst dorthin kommst oder deine eigenen Daten richtig auswertest, gehst du am besten mit jemandem durch. Dabei unterstützt dich Jan Oetker: Er ist seit 2016 Tutor für Statistik beim AStA der Hochschule Fresenius und lehrt dort heute als Dozent.
-
Prüfungsvorbereitung Statistik
Von der deskriptiven Statistik bis zur Inferenzstatistik, entlang deiner prüfungsrelevanten Themen und mit eigenen Aufgaben. Online per Zoom oder in Köln, einzeln oder in der Lerngruppe.
60 € je 60 Minuten einzeln, zu zweit 30 € und ab drei Personen 20 € je Person
-
Datenanalyse
Für deine Haus- oder Abschlussarbeit: Studiendesign, Hypothesen und Auswertung in SPSS, R, STATA oder JASP, inklusive Interpretation der Ergebnisse.
80 € je 60 Minuten
Team tutoring ist ein unabhängiges Angebot und kein offizielles Angebot der Hochschule Fresenius.
Häufige Fragen zu Cohens d bei unabhängigen Gruppen.
Welche Standardabweichung trage ich ein?
Cohens \({d}\) ist hier ein rein deskriptives Maß. Trag deshalb die SD mit \({n}\) im Nenner ein. Mit Rohdaten rechnet der Rechner die SDs selbst so.
Worin unterscheiden sich die drei Varianten?
Die beiden Versionen nach Cohen (1988) unterscheiden sich in der Annahme zu den Varianzen: \({d_{1}}\) geht von gleichen Varianzen aus und nutzt die gepoolte SD, \({d_{2}}\) lässt ungleiche Varianzen zu und nutzt die mittlere SD. \({d_{3}}\) nach Glass et al. (1981) teilt durch die SD der Kontrollgruppe.
Wann zeigt der Rechner Standardfehler und Intervall?
Nur für \({d_{1}}\). Bei den anderen Varianten steht „nicht möglich“.
Was ist der Unterschied zu Hedges’ \({g}\)?
Cohens \({d}\) ist rein deskriptiv. Hedges’ \({g}\) nutzt die Besselkorrektur, \({g^{*}}\) korrigiert zusätzlich für kleine Stichproben. Dafür gibt es einen eigenen Rechner für unabhängige Gruppen.
Wie berichte ich das Ergebnis?
Nenne Kennwerte, Variante und, falls vorhanden, das Intervall. Zum Beispiel: Gruppe 1 (\({M = 68{,}50}\); \({SD = 11{,}70}\); \({n = 32}\)) lag über Gruppe 2 (\({M = 61{,}20}\); \({SD = 12{,}40}\); \({n = 28}\)), \({d = 0{,}61}\) (Cohen, 1988; gleiche Varianzen), 95-%-KI [0,08; 1,14].