Hedges’ g für unabhängige Gruppen: Effektstärke berechnen und einordnen.
Du vergleichst zwei getrennte Gruppen? Trag Mittelwerte, SDs und Gruppengrößen, einen t-Wert oder deine Rohdaten ein. Der Rechner zeigt dir Hedges’ g und g* 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.
Hedges’ g ist ein Effektmaß in der Statistik, das ähnlich wie Cohens d die Größe des Effekts zwischen zwei Gruppen misst. Es korrigiert jedoch Verzerrungen in kleinen Stichproben. Negative Werte zeigen eine umgekehrte Beziehung an. Es erleichtert Vergleiche über Studien hinweg, besonders bei begrenzten Stichproben & sollte somit vorzugsweise bei der Durchführung von Meta-Analysen Anwendung finden.
Es kann zwischen einer Berechnung auf Basis von Mittelwerten (M), Standardabweichung (SD) und Gruppengrößen (n) oder einem t-Wert und Freiheitsgraden (df) bzw. Gruppengrößen (n1 & n2) gewählt werden. Hedges’ g (manchmal auch ds) ist ein inferentielles Maß.
Die Berechnungen orientieren sich an den Vorlagen von Cohen (1962), Hedges (1981), Glass et al. (1981), Borenstein (2009), Cumming (2012) und Borenstein et al. (2021). Daraus ergeben sich vier verschiedene Möglichkeiten, g zu berechnen. Die Berechnung aus einem t-Wert und Gruppengröße bzw. Freiheitsgrade (df) bezieht sich auf die Variante von Borenstein et al. (2021).
Darüber hinaus werden für die Berechnung der Standardabweichungen die Freiheitsgrade (df) und nicht die eigentliche Gruppengröße (n) genutzt. Darin liegt der Unterschied zu Cohens d als rein deskriptives Maß.
Hedges’ \({g}\)
Hedges’ \({g^{*}}\)
Für \({g_{3}}\) gibt es \({g^{*}}\) hier nicht.
Standardabweichungen
Welche SD du einträgst, hängt von der Variante ab. Bei \({g_{1}}\) ist es die SD mit \({n - 1}\) im Nenner. Bei \({g_{2}}\) und \({g_{3}}\) ist es die SD mit \({n}\) im Nenner, der Rechner setzt sie dann auf die Freiheitsgrade um. Das zeigt der Index \({\text{k}}\).
Wie stark \({g_{1}}\) und \({g_{1}^{*}}\) von Cohens \({d_{1}}\) abweichen
Beide Korrekturen machen den Betrag des Effekts kleiner. Aus denselben Daten folgt:
Standardfehler und Konfidenzintervall
Beide gibt es für \({g_{1}}\) und \({g_{2}}\), auch auf dem Weg über den \({t}\)-Wert. Bei \({g_{3}}\) sind sie nicht möglich.
Für \({g^{*}}\) gilt dieselbe Formel mit \({g^{*}}\) statt \({g}\). 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 \({g}\) nach Cohen (1992):
| Betrag von \({g}\) | Einordnung |
|---|---|
| \({|g| \lt 0{,}20}\) | kein Effekt |
| \({0{,}20 \le |g| \lt 0{,}50}\) | kleiner Effekt |
| \({0{,}50 \le |g| \lt 0{,}80}\) | moderater Effekt |
| \({|g| \ge 0{,}80}\) | großer Effekt |
Mehr dazu findest du in der Interpretationshilfe.
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. (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
- Cohens d für zwei unabhängige 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
- 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 Hedges’ g bei unabhängigen Gruppen.
Welche Standardabweichung trage ich ein?
Das hängt von der Variante ab. Bei \({g_{1}}\) trägst du die SD mit \({n - 1}\) im Nenner ein, bei \({g_{2}}\) und \({g_{3}}\) die SD mit \({n}\) im Nenner. Der Hinweis am Feld zeigt dir, welche gemeint ist. Mit Rohdaten erledigt der Rechner alles selbst.
Was ist der Unterschied zwischen \({g}\), \({g^{*}}\) und Cohens \({d}\)?
Cohens \({d}\) ist rein deskriptiv. Hedges’ \({g}\) nutzt die Besselkorrektur, \({g^{*}}\) korrigiert zusätzlich für kleine Stichproben. Das deskriptive Maß berechnest du mit dem Rechner für Cohens \({d}\).
Worin unterscheiden sich die drei Varianten?
\({g_{1}}\) geht von gleichen Varianzen aus und nutzt die gepoolte SD, \({g_{2}}\) lässt ungleiche Varianzen zu und nutzt die mittlere SD. \({g_{3}}\) nach Glass et al. (1981) teilt durch die SD der Kontrollgruppe.
Wie berechne ich \({g}\) aus einem \({t}\)-Wert?
Wähl bei den Eingaben \({t}\)-Wert. Mit \({t}\) und beiden Gruppengrößen ergibt sich \({g_{1} = t \cdot \sqrt{1 / n_{1} + 1 / n_{2}}}\).
Wann zeigt der Rechner Standardfehler und Intervall?
Für \({g_{1}}\) und \({g_{2}}\), auch über den \({t}\)-Wert. Bei \({g_{3}}\) steht „nicht möglich“, dort gibt es auch kein \({g^{*}}\).
Wie berichte ich das Ergebnis?
Nenne Kennwerte, Variante und, falls vorhanden, die Intervalle. Zum Beispiel: Gruppe 1 (\({M = 68{,}50}\); \({SD = 11{,}70}\); \({n = 32}\)) lag über Gruppe 2 (\({M = 61{,}20}\); \({SD = 12{,}40}\); \({n = 28}\)), \({g = 0{,}61}\), 95-%-KI [0,08; 1,14]; \({g^{*} = 0{,}60}\), 95-%-KI [0,07; 1,13] (Hedges, 1981; gleiche Varianzen).