MerQuR+Başvuru Kitabı

40. Etki Büyüklüğü Hesaplayıcı

Analiz kimliği: effect_size · Menü adı: Etki Büyüklüğü Hesaplayıcı · Panel ve motor: gui/panels/analyses/effect_size.py, execute (satır 662–745); Cohen d (271–388), η²/ω²/ε² (393–513), Cramér V (516–601), r (606–657), eşli d (774–815), sıra tabanlı (818–851), özet istatistik (867–940), 2×2 risk (943–983) · Çağrı: gui/panels/stats_panel.py:4935–4979

40.1 Ne işe yarar

Etki büyüklüğü, bir farkın ya da ilişkinin ne kadar büyük olduğunu örneklem büyüklüğünden bağımsız bir ölçekte verir. p değeri "fark sıfır mı?" sorusuna, etki büyüklüğü "fark ne kadar?" sorusuna cevap verir; APA 7 ikisinin birlikte ve etki büyüklüğünün GA'sıyla raporlanmasını ister. Bu modül yedi tür hesaplar:

Analiz tipi (arayüz) İç anahtar Veri Çıktı
Cohen's d (iki grup ortalaması) cohen_d sürekli × 2 düzeyli grup d, Hedges g, Glass Δ, nct GA; isteğe bağlı d_{av} ve iki Glass Δ
η²/ω² (ANOVA, 3+ grup) eta sürekli × k düzeyli grup \eta^2, \omega^2, \varepsilon^2, merkezî olmayan F GA'ları
Cramér's V (kategorik × kategorik) cramer iki kategorik φ, V, yanlılık düzeltmeli \tilde V, merkezî olmayan \chi^2 GA'sı; isteğe bağlı 2×2 risk ölçüleri
r/r² (korelasyon) correlation iki sürekli Pearson r, r^2, Fisher z GA
Eşleştirilmiş d paired_d iki sürekli (aynı kişi) d_z (nct GA), g_z, d_{av}, d_{rm}
Sıra tabanlı rank sürekli/sıralı × grup rank-biserial r = Cliff δ (GA), U, Kruskal–Wallis H, \varepsilon^2_R
Özet / test istatistiğinden summary metin girdisi yayımlanmış \bar x, SS, n, t, F, \chi^2'den etki büyüklüğü ve dönüşümler

Ne zaman kullanılır? Bir testin sonucunu etki büyüklüğüyle tamamlamak, meta-analiz için makalelerdeki özet istatistiklerden etki büyüklüğü çıkarmak, güç analizine girdi hazırlamak ya da farklı ölçeklerdeki sonuçları karşılaştırmak için.

Ne zaman kullanılmaz?

  • Hipotez testinin kendisi isteniyorsa: Bağımsız t Testi (Bölüm 5), Tek Yönlü ANOVA (Bölüm 7), Ki-Kare Bağımsızlık Testi, Korelasyon Analizi. Bu modül p'yi yalnız bilgi olarak verir.
  • Kovaryatla düzeltilmiş ya da çok etkenli desende kısmi etki büyüklüğü isteniyorsa: ANCOVA (Bölüm 14) ve İki Yönlü ANOVA (Bölüm 9) kendi kısmi \eta^2_p/\omega^2_p değerlerini verir. Buradaki "eta" tipi tek etkenlidir.
  • Medyan ya da kırpılmış ortalama gibi dayanıklı bir ölçünün GA'sı isteniyorsa: Bootstrap Güven Aralığı (Bölüm 15).
  • 2×2 tabloda tabakalı (Mantel–Haenszel) OR isteniyorsa: Cochran–Mantel–Haenszel.

Sık karıştırılan analizler. Bu modül de bağımsız t testi gibi grupları MerQur'un ortak düzey sırası kuralıyla dizer (40.5.1); iki modülün d işareti aynıdır. Eşleştirilmiş t testinin d_z'si ile buradaki eşli d_z aynıdır. Lojistik regresyondaki OR düzeltilmiş (koşullu) OR'dir; buradaki 2×2 OR ham OR'dir.

40.2 Varsayımlar ve veri türü

Tip Varsayım MerQur'da nasıl denetlenir
Cohen d, g İki bağımsız grup; GA için normal dağılım ve eşit varyans Denetlenmez; toplam n<30 uyarısı (effect_size.py:680–683).
η², ω², ε² ANOVA varsayımları (normal hata, eşit varyans, bağımsızlık) Denetlenmez; k<3 uyarısı, \omega^2<0 uyarısı (effect_size.py:687–694).
Cramér V Bağımsız gözlemler; \chi^2 yaklaşımı için yeterli beklenen frekans n<50 uyarısı (effect_size.py:698–701); beklenen frekans denetlenmez.
r Doğrusal ilişki; Fisher z GA'sı için iki değişkenli normallik n<30 uyarısı (effect_size.py:705–708).
Eşli d Aynı birimde iki ölçüm; d_z GA'sı için farkların normalliği Denetlenmez.
Sıra tabanlı Sıralı ya da sürekli veri; dağılım varsayımı yok Denetlenmez.

Eksik değer. Her tip yalnız kullandığı iki sütunda liste bazında siler; bağımlı değişken sayıya çevrilir (effect_size.py:285–288, 406–409, 544, 619–622, 781). Künyedeki n, iki sütunun birlikte dolu olduğu satır sayısıdır (stats_panel.py:4970–4973).

Uç durumlar.

  • Cohen d: grup sayısı 2 değilse hata; n_1+n_2-2\le0 ise hata. n=1 olan grupta SS tanımsızdır, J ve GA "—" yazılır (effect_size.py:290–310). Havuzlanmış SS 0 ise d=0 yazılır (effect_size.py:315).
  • η²: N-k\le0 ise hata (effect_size.py:420–421).
  • Cramér V: tablo 2 × 2'den küçükse hata (effect_size.py:549–552).
  • r: n<3 ya da sütunlardan biri sabitse hata; n=3 ya da |r|=1 ise GA [-1;\ 1] yazılır (effect_size.py:624–646).
  • Eşli d: n<3 ise hata (effect_size.py:783–784).
  • Kullanıcı düzey sırasında olmayan bir düzey yazarsa hata (effect_size.py:226–229).
  • 2×2 risk: tablo 2×2 değilse risk satırları notla atlanır, V verilir (effect_size.py:734–738); hücrelerden biri 0 ise tüm hücrelere 0,5 eklenir (Haldane düzeltmesi, effect_size.py:959–960).

40.3 Parametreler

Varsayılanlar effect_size.py:1064–1161 (form) ve stats_panel.py:4935–4965 (çağrı) satırlarından okunmuştur.

Arayüz adı Varsayılan Ne yapar Sonucu nasıl değiştirir
Analiz tipi Cohen's d Yedi tipten biri (40.1 tablosu). Kullanılan formül ve çıktı.
Sütun 1 ilk sütun Cohen d/η²/sıra: bağımlı değişken; Cramér V: 1. kategorik (satır); r/eşli: 1. sürekli. Eşlide fark = Sütun 1 − Sütun 2.
Sütun 2 ikinci sütun Cohen d/η²/sıra: grup; Cramér V: 2. kategorik (sütun); r/eşli: 2. sürekli. —
Güven Düzeyi %95 %90, %95, %99 ya da özel; \alpha=1-\text{düzey}. Tüm GA'lar.
Standartlaştırıcı (ek) Yalnız havuzlanmış SS "Ortalama SS ve iki Glass Δ" seçilirse d_{av} ve her iki grubun denetim alındığı Glass Δ eklenir. Ek bölüm; ana d değişmez.
2×2 risk ölçüleri kapalı Cramér V tipinde 2×2 tabloda OR, RR, RD, 1/|RD|. Ek bölüm.
Sütun 1 düzey sırası boş (ortak düzey sırası; 0/1'de "1" önce) 2×2 riskte satır sırası; ilk düzey = maruz grup. RR, RD ve 1/|RD|'nin anlamı.
Sütun 2 düzey sırası boş (ortak düzey sırası; 0/1'de "1" önce) Cohen d/sıra tipinde grup sırası (ilk düzey = 1. grup); 2×2 riskte sütun sırası (ilk düzey = olay). d'nin işareti, Glass Δ'nın paydası, RR'nin anlamı.
Özet istatistikler boş anahtar=değer çiftleri (40.5.8). Yalnız "Özet" tipinde.

Neden düzey sırası bu kadar önemli?

Varsayılan sıra MerQur'un ortak düzey sırası kuralıdır (_default_levels, effect_size.py:233–242): kullanıcının sıralı kategorik sütunu; etiketlerin hepsi sayı ya da sayı içeriyorsa sayısal/doğal sıra; aksi hâlde verideki ilk görülme sırası. Alfabetik sıra kullanılmaz; kullanılan sıra çıktıda "Kullanılan düzey sırası" satırında yazılır. Cohen d'de sıra, d'nin işaretini ve Glass Δ'nın hangi grubun SS'sine bölüneceğini belirler. 2×2 riskte 0/1 kodlu sütunda "1" maruz grup ve "1" olay sayılır (_risk_default, 245–257); başka etiketlerde ortak kural geçerlidir. Tıp örneğinde RR 1,1653'tür (40.6, Adım 7).

40.4 Tıp örneği

Ana örnek Tıp #35 dosyasıdır; diğer tipler için Tıp setindeki uygun dosyalar kullanılmıştır.

Tip Dosya Sütun 1 Sütun 2 n
Cohen d, sıra tabanlı 35_effect_size_antidepresan.xlsx HAMD_change drug (SSRI 60, SNRI 60) 120
η², ω², ε² 06_anova_drug_LDL.xlsx LDL_change drug_group (placebo, drug-A, -B, -C; 35'er) 140
Cramér V 21_chisquare_smoking_copd.xlsx smoking_status (3 düzey) copd (present, absent) 670
2×2 risk 40_logistic_KAH.xlsx smoking (0/1) heart_attack (0/1) 300
r 33_correlation_5klinik.xlsx BMI systolic_bp 180
Eşli d 05_paired_t_bp_treatment.xlsx systolic_before systolic_post 50

Tıp #35 (ana örnek). Hamilton depresyon ölçeği (HAMD) puanındaki değişim (son − başlangıç; negatif değer iyileşme). Eksik değer yok.

SSRI SNRI
n 60 60
Ortalama −8,6230 −13,2115
SS 5,951500 7,590712

Klinik soru: İki antidepresan arasındaki HAMD değişimi farkı pratikte ne kadar büyük? Fark "orta" büyüklükte mi, GA'sı küçük bir etkiyi dışlıyor mu?

Seçilen ayarlar: Arayüz varsayılanları (Cohen's d, %95, düzey sırası boş). Ek olarak: Sütun 2 düzey sırası SNRI, standartlaştırıcı "Ortalama SS ve iki Glass Δ", %90 güven düzeyi; diğer tipler yukarıdaki dosyalarla; 2×2 riskte boş sıra, 1 / 1 sırası ve 0 / 0 sırası. Özet tipinde girdi metni: m1=-13.21, sd1=7.59, n1=60, m2=-8.62, sd2=5.95, n2=60; F=57.67, df1=3, df2=136; chi2=130.54, n=670, rows=3, cols=2 (Tıp #35 betimselleri, #06 F'si ve #21 \chi^2'si iki ondalıkla).

Şekil 40.1. SSRI − SNRI HAMD değişimi için standartlaştırılmış fark ölçüleri. Mor: Cohen d ve Hedges g, %95 nct GA'larıyla; turuncu: payda olarak iki grubun SS'sini kullanan Glass Δ'lar. Noktalı çizgiler Cohen'in 0,2 / 0,5 / 0,8 eşikleri.

40.5 Formüller ve hesap adımları

execute (effect_size.py:662–745) seçilen tipin yardımcı fonksiyonunu çağırır, sonra (Cohen d'de) standartlaştırıcı ekini, (Cramér V'de) 2×2 risk ekini hesaplar ve uyarıları ekler. Kullanılmayan seçenekler (ör. Cohen d tipinde girilen özet metni) sonucu değiştirmez; ayar bloğuna not düşülür (effect_size.py:748–769).

40.5.1 Cohen d, Hedges g, Glass Δ

Gruplar ortak düzey sırası kuralıyla dizilir; "Sütun 2 düzey sırası" doluysa o sıra öne alınır (_order_levels, _default_levels, effect_size.py:214–242).

\begin{gathered}s_p=\sqrt{\frac{(n_1-1)s_1^2+(n_2-1)s_2^2}{n_1+n_2-2}},\qquad d=\frac{\bar x_1-\bar x_2}{s_p}\\[4pt] g=J(n_1+n_2-2)\,d,\qquad \Delta=\frac{\bar x_1-\bar x_2}{s_2}\end{gathered}
J(\nu)=\frac{\Gamma(\nu/2)}{\sqrt{\nu/2}\;\Gamma\!\left(\frac{\nu-1}{2}\right)}
  • \bar x_g, s_g, n_g: g. grubun ortalaması, SS'si (payda n_g-1) ve büyüklüğü; 1. grup düzey sırasındaki ilk düzeydir.
  • s_p: havuzlanmış SS.
  • J: Hedges'in kesin yanlılık düzeltme çarpanı; gammaln ile hesaplanır (_hedges_j, effect_size.py:260–266). \nu\le1 ise tanımsızdır.
  • \Delta: Glass (1976) Δ; payda 2. grubun SS'sidir ve 2. grup "denetim" sayılır (effect_size.py:322).

Neden kesin J?

d, evren etkisi \delta'nın yanlı kestiricisidir: E(d)=\delta/J(\nu). Hedges (1981) yansız kestiricinin J\,d olduğunu gösterdi. Yaygın 1-3/(4\nu-1) ve 1-3/(4N-9) biçimleri J'nin yaklaşımlarıdır; küçük \nu'de üçüncü ondalıkta ayrılırlar. MerQur bağımsız ve eşli gruplarda kesin biçimi kullanır (_hedges_j, effect_size.py:260–266). R effectsize::hedges_g ve MBESS kesin biçimi kullanır.

d için GA (merkezî olmayan t). Normal dağılım ve eşit varyans altında t=d\sqrt{n_1n_2/(n_1+n_2)}, serbestlik derecesi \nu=n_1+n_2-2 ve merkezî olmama parametresi \lambda=\delta\sqrt{n_1n_2/(n_1+n_2)} olan merkezî olmayan t dağılımına uyar (_d_ci_nct, effect_size.py:361–388):

\begin{gathered}F_{t'}\!\left(t_{\text{göz}};\ \nu,\ \lambda_{\text{alt}}\right)=1-\frac{\alpha}{2}\\[4pt] F_{t'}\!\left(t_{\text{göz}};\ \nu,\ \lambda_{\text{üst}}\right)=\frac{\alpha}{2},\qquad d_{\text{alt,üst}}=\lambda_{\text{alt,üst}}\sqrt{\frac{n_1+n_2}{n_1n_2}}\end{gathered}
  • F_{t'}: merkezî olmayan t dağılımının birikimli fonksiyonu (scipy.stats.nct.cdf); \lambda'ya göre azalandır.
  • Kökler Brent yöntemiyle xtol=1e-12 toleransla bulunur; başlangıç aralığı t_{\text{göz}}\pm(2+|t_{\text{göz}}|), kök kapsanmazsa 60 adıma kadar genişletilir.
  • Kök bulma başarısızsa normal yaklaşım kullanılır: d\pm z_{1-\alpha/2}\SH_d, \SH_d=\sqrt{\frac{n_1+n_2}{n_1n_2}+\frac{d^2}{2(n_1+n_2)}} (effect_size.py:325–336).
  • g'nin GA'sı d'nin GA uçlarının J ile çarpımıdır (effect_size.py:353–354); R effectsize::hedges_g ile aynı tanım.

Neden merkezî olmayan t?

d bir t istatistiğinin ölçeklenmiş hâlidir. \delta\neq0 iken t'nin dağılımı merkezî olmayan t'dir ve bu dağılım \lambda'da monotondur. Gözlenen t'yi sabit tutup \lambda'yı tarayarak "gözlenen t'yi %2,5 ve %97,5 kantilinde bırakan" \lambda değerleri bulunur; bu, \delta için kesin GA'dır (Cumming ve Finch 2001; Steiger 2004; Kelley 2007). Normal yaklaşım büyük |d|'de simetrik kaldığı için sapar.

Ek standartlaştırıcılar ("Ortalama SS ve iki Glass Δ", effect_size.py:723–733):

\begin{gathered}d_{av}=\frac{\bar x_1-\bar x_2}{\sqrt{(s_1^2+s_2^2)/2}}\\[4pt] \Delta_{(1)}=\frac{\bar x_1-\bar x_2}{s_1},\qquad \Delta_{(2)}=\frac{\bar x_1-\bar x_2}{s_2}\end{gathered}

Koddaki tercih

Ek bölüm, yuvarlanmamış ortalama ve SS'lerden hesaplanır (effect_size.py:725–733); sonuç nesnesindeki dört ondalığa yuvarlanmış c.mean1, c.sd1 değerleri yalnız gösterim içindir. Eşit n'de d_{av}=d'dir. Eşli tipteki d_{av} başka bir paydadır (40.5.5).

40.5.2 η², ω², ε² (tek yönlü ANOVA)

Grupların sırası ilk görülme sırasıdır (effect_size.py:411). F ve p scipy.stats.f_oneway ile, kareler toplamları açıkça hesaplanır (effect_size.py:423–451):

\begin{gathered}\mathrm{KT}_A=\sum_{g}n_g(\bar y_g-\bar y)^2,\qquad \mathrm{KT}_İ=\sum_g\sum_i(y_{gi}-\bar y_g)^2\\[4pt] \mathrm{KT}_T=\mathrm{KT}_A+\mathrm{KT}_İ,\qquad \mathrm{KO}_İ=\frac{\mathrm{KT}_İ}{N-k}\end{gathered}
\begin{gathered}\eta^2=\frac{\mathrm{KT}_A}{\mathrm{KT}_T},\qquad \omega^2=\frac{\mathrm{KT}_A-(k-1)\,\mathrm{KO}_İ}{\mathrm{KT}_T+\mathrm{KO}_İ}\\[4pt] \varepsilon^2=\frac{\mathrm{KT}_A-(k-1)\,\mathrm{KO}_İ}{\mathrm{KT}_T}\end{gathered}
  • \mathrm{KT}_A, \mathrm{KT}_İ, \mathrm{KT}_T: gruplar arası, grup içi ve toplam kareler toplamı.
  • \eta^2: örneklemde açıklanan varyans oranı; evren değerini yukarı yanlı kestirir.
  • \omega^2 (Hays) ve \varepsilon^2 (Kelley 1935): yanlılığı azaltılmış kestiriciler; negatif çıkabilir, MerQur negatif değeri olduğu gibi yazar ve uyarır.

Neden \omega^2 ve \varepsilon^2?

E(\mathrm{KT}_A)=(k-1)\sigma^2+\sum n_g(\mu_g-\mu)^2 olduğundan \mathrm{KT}_A'nın (k-1)\sigma^2'lik kısmı H₀ altında bile vardır. \varepsilon^2 payda bu kısmı \mathrm{KO}_İ ile çıkarır; \omega^2 ayrıca paydada evren toplam varyansını \mathrm{KT}_T+\mathrm{KO}_İ ile kestirir. Küçük örneklemde \eta^2 ile fark büyüktür; burada N=140 olduğundan üç değer yakındır (Olejnik ve Algina 2003).

GA (merkezî olmayan F). eta_family_ci (effect_size.py:489–513):

\begin{gathered}F_{F'}\!\left(F_{\text{göz}};\ k-1,\ N-k,\ \lambda_{\text{alt}}\right)=1-\frac{\alpha}{2}\\[4pt] F_{F'}\!\left(F_{\text{göz}};\ k-1,\ N-k,\ \lambda_{\text{üst}}\right)=\frac{\alpha}{2},\qquad \eta^2_{\text{alt,üst}}=\frac{\lambda}{\lambda+N-k}\end{gathered}
  • F_{F'}: merkezî olmayan F dağılımının birikimli fonksiyonu (scipy.stats.ncf.cdf).
  • Merkezî F'nin birikimli değeri hedefin altındaysa sınır 0'dır (_ncp_bound, effect_size.py:476–486); üst arama sınırı 10^7, xtol=1e-10.
  • \omega^2 ve \varepsilon^2 GA'sı için önce nokta kestirimin eşdeğer F'si F^{*}=\frac{\mathrm{ES}/(k-1)}{(1-\mathrm{ES})/(N-k)} bulunur, aynı \lambda\to\eta^2 dönüşümü uygulanır. Bu, R effectsize::F_to_omega2/F_to_epsilon2 tanımıdır.
  • Sınırlar [0{,}1]'de kesilir ve altı ondalığa yuvarlanır (effect_size.py:504).

Tanım farkı

R effectsize'ın güncel sürümleri eta_squared() için varsayılan olarak tek yönlü GA verir (alternative = "greater", üst sınır 1). MerQur iki yönlü GA verir; R ile karşılaştırırken alternative = "two.sided" kullanılmalıdır. Çıktıdaki not satırı bunu söyler.

40.5.3 Cramér V, φ ve yanlılık düzeltmeli V

Çapraz tablo kurulur; satır ve sütunlar MerQur düzey sırasındadır (kullanıcının tanımladığı sıra, yoksa sayısal/doğal sıra, o da yoksa verideki ilk görülme sırası). Sıra \chi^2'yi ve V'yi değiştirmez. \chi^2 süreklilik düzeltmesiz Pearson istatistiğidir (chi2_contingency(..., correction=False), effect_size.py:556):

\varphi=\sqrt{\frac{\chi^2}{n}},\qquad V=\sqrt{\frac{\chi^2}{n\,\min(r-1,\ c-1)}}
\begin{gathered}\tilde\varphi^2=\max\!\left(0,\ \frac{\chi^2}{n}-\frac{(r-1)(c-1)}{n-1}\right),\qquad \tilde r=r-\frac{(r-1)^2}{n-1},\qquad \tilde c=c-\frac{(c-1)^2}{n-1}\\[4pt] \tilde V=\sqrt{\frac{\tilde\varphi^2}{\min(\tilde r-1,\ \tilde c-1)}}\end{gathered}
  • r, c: tablonun satır ve sütun sayısı; n: toplam frekans.
  • \tilde V: Bergsma (2013) yanlılık düzeltmeli V; DescTools::CramerV(correct = TRUE) ve effectsize::cramers_v(adjust = TRUE) ile aynı.
  • GA: \chi^2'nin merkezî olmama parametresi için F_{\chi'^2}(\chi^2_{\text{göz}};\ \sd,\ \lambda) denklemi ters çevrilir; V=\sqrt{\lambda/(n\min(r-1,c-1))}, \varphi=\sqrt{\lambda/n} (cramer_ci, effect_size.py:516–526). φ'nin GA'sı yalnız \min(r-1,c-1)=1 ise yazılır.

Neden düzeltmesiz \chi^2?

scipy'nin varsayılanı 2×2 tabloda Yates düzeltmesi uygular; düzeltilmiş \chi^2 ile hesaplanan φ ve V sistematik olarak küçük çıkar. R DescTools::Phi/CramerV düzeltmesiz \chi^2 kullanır; MerQur da bu tanımı kullanır (effect_size.py:554–556).

Yorum eşikleri (_interpret_v, effect_size.py:183–194): k=\min(r-1,c-1) olmak üzere Cohen'in w eşikleri \sqrt k'ya bölünür: k=1'de 0,1/0,3/0,5, k=2'de 0,07/0,21/0,35, k\ge3'te (0{,}1;\ 0{,}3;\ 0{,}5)/\sqrt k.

40.5.4 2×2 risk ölçüleri

Satır = maruziyet, sütun = sonuç; ilk satır "maruz", ilk sütun "olay" sayılır (risk_2x2, effect_size.py:943–983). Hücreler a (maruz, olay), b (maruz, olay yok), c (maruz değil, olay), d (maruz değil, olay yok):

\mathrm{OR}=\frac{ad}{bc},\qquad \SH(\ln\mathrm{OR})=\sqrt{\frac1a+\frac1b+\frac1c+\frac1d}\qquad(\text{Woolf})
p_1=\frac{a}{a+b},\quad p_2=\frac{c}{c+d},\qquad \mathrm{RR}=\frac{p_1}{p_2}
\SH(\ln\mathrm{RR})=\sqrt{\frac1a-\frac1{a+b}+\frac1c-\frac1{c+d}}\qquad(\text{Katz})
\mathrm{RD}=p_1-p_2,\qquad \SH(\mathrm{RD})=\sqrt{\frac{p_1(1-p_1)}{a+b}+\frac{p_2(1-p_2)}{c+d}},\qquad \frac1{|\mathrm{RD}|}
  • OR ve RR'nin GA'ları log ölçeğinde \pm z_{1-\alpha/2}\SH ile kurulup geri dönüştürülür; RD'ninki Wald aralığıdır.
  • Herhangi bir hücre 0 ise OR için tüm hücrelere 0,5 eklenir (Haldane 1956) ve OR'nin yanına "†" konur; RR yalnız a>0 ve c>0 iken hesaplanır.
  • 1/|\mathrm{RD}|'nin GA'sı, RD GA'sının uçlarının tersidir; RD GA'sı 0'ı içeriyorsa tanımsızdır (Altman 1998). Olayın yararlı ya da zararlı olduğu bilinmediğinden etiket nötrdür (NNT ya da NNH olarak kullanıcı yorumlar).

Koddaki tercih

RR'nin GA'sında süreklilik düzeltmesi yoktur. R DescTools::RelRisk(method = "wald") varsayılan olarak olay sayılarına 0,5 ekler (delta = 0.5) ve bu veride alt sınırı 0,9065 yerine 0,9085 verir; delta = 0 ile MerQur'la aynıdır.

40.5.5 Eşleştirilmiş d (d_z, g_z, d_{av}, d_{rm})

D_i=x_{1i}-x_{2i} (Sütun 1 − Sütun 2) olsun (paired_d, effect_size.py:774–815; Lakens 2013):

d_z=\frac{\bar D}{s_D},\qquad g_z=d_z\,J(n-1),\qquad d_{av}=\frac{\bar D}{\sqrt{(s_1^2+s_2^2)/2}},\qquad d_{rm}=d_z\sqrt{2(1-r_{12})}
  • \bar D, s_D: farkların ortalaması ve SS'si; s_1, s_2: iki ölçümün SS'leri; r_{12}: iki ölçüm arasındaki Pearson korelasyonu.
  • d_z'nin GA'sı, t=d_z\sqrt n ve \sd=n-1 ile merkezî olmayan t'den bulunur; sınırlar \lambda/\sqrt n'dir.
  • d_{av}'nin paydası iki varyansın ortalamasının kareköküdür (karesel ortalama; Cumming 2012). Bu tanım MerQur'un bütün modüllerinde aynıdır ve payda formülü çıktıda yazılır (effect_size.py:835).

Neden üç farklı eşli d?

d_z farkların değişkenliğine göre ölçekler ve korelasyon yüksekse büyür; eşli t testinin gücüyle doğrudan ilişkilidir. d_{av} ve d_{rm} bağımsız gruplardaki d ile karşılaştırılabilir olmak için ham ölçümlerin değişkenliğine göre ölçekler; meta-analizde bağımsız ve eşli desenleri birleştirmek için tercih edilir. d_{rm}, s_D=\sqrt{s_1^2+s_2^2-2r s_1s_2} ilişkisinden eşit varyans altında d_{av}'ye yaklaşır.

R effectsize ile tanım farkı

effectsize::repeated_measures_d(method = "av") paydada MerQur gibi \sqrt{(s_1^2+s_2^2)/2} kullanır; bu veride ikisi de 1,5998 verir. Lakens'in (2013) aritmetik ortalama paydası ((s_1+s_2)/2) biraz büyük değer verir (1,6051). Ayrıca aynı işlevin d_z GA'sı nct'ye dayanmaz ([2,0254; 3,1878]); MerQur'un nct aralığı MBESS::ci.sm ile birebir aynıdır ([2,0188; 3,1876]).

40.5.6 Pearson r ve Fisher z GA

\begin{gathered}r=\frac{\sum(x_i-\bar x)(y_i-\bar y)}{\sqrt{\sum(x_i-\bar x)^2\sum(y_i-\bar y)^2}},\qquad z=\tfrac12\ln\frac{1+r}{1-r}\\[4pt] \SH_z=\frac1{\sqrt{n-3}},\qquad \text{GA}=\tanh\!\left(z\mp z_{1-\alpha/2}\SH_z\right)\end{gathered}
  • r ve p scipy.stats.pearsonr ile; GA Fisher (1915) dönüşümüyle (effect_size.py:632–646). R cor.test() ile aynıdır.
  • r^2 açıklanan varyans oranıdır.

40.5.7 Sıra tabanlı etki büyüklükleri

İki grupta Cliff (1993) δ ile rank-biserial r (Kerby 2014) aynı sayıdır (rank_effects, effect_size.py:818–851):

\begin{gathered}\delta=\frac{\#\{(i,j):x_{1i}>x_{2j}\}-\#\{(i,j):x_{1i}<x_{2j}\}}{n_1n_2}=\frac{2U_1}{n_1n_2}-1\\[4pt] \SH_{z}=\sqrt{\frac{n_1+n_2+1}{3n_1n_2}},\qquad \text{GA}=\tanh\!\left(\operatorname{artanh}\delta\mp z_{1-\alpha/2}\SH_z\right)\end{gathered}
\varepsilon^2_R=\frac{H}{(n^2-1)/(n+1)}=\frac{H}{n-1}
  • U_1: 1. grubun Mann–Whitney U'su (bağlar yarım sayılır); \delta'da bağlar 0 katkı verir.
  • \SH_z: rank-biserial r'nin Fisher z ölçeğindeki SH'si; R effectsize::rank_biserial tanımı. \delta, \pm0{,}999999'da kırpılır.
  • H: bağ düzeltmeli Kruskal–Wallis istatistiği (scipy.stats.kruskal); \varepsilon^2_R Tomczak ve Tomczak (2014) tanımı, effectsize::rank_epsilon_squared ile aynı.

40.5.8 Özet ve test istatistiklerinden

from_summary (effect_size.py:867–940) metni virgül ve noktalı virgülle böler, anahtar=değer çiftlerini okur (anahtarlar küçük harfe çevrilir, "χ" ve "²" tanınır). Tanınan girdiler ve formüller:

Girdi Hesap
m1, sd1, n1, m2, sd2, n2 d=(m_1-m_2)/s_p, nct GA; g=J\,d
t, n1, n2 d=t\sqrt{1/n_1+1/n_2}, nct GA
t, df d=2t/\sqrt{\sd} (GA yok)
t, n d_z=t/\sqrt n (GA yok)
F, df1, df2 \eta^2_p=\frac{F\,\sd_1}{F\,\sd_1+\sd_2}, \omega^2_p=\max\!\left(0,\frac{(F-1)\sd_1}{F\,\sd_1+\sd_2+1}\right), \varepsilon^2_p=\max\!\left(0,\frac{(F-1)\sd_1}{F\,\sd_1+\sd_2}\right), GA'larıyla; \sd_1=1 ise d=2\sqrt{F/\sd_2}
chi2, n, rows, cols (ya da k, df) φ, V ve GA; boyut ya da df yoksa GA hesaplanmaz ve uyarı yazılır
d, r, or dönüşüm: r\to d=2r/\sqrt{1-r^2}, \mathrm{OR}\to d=\ln(\mathrm{OR})\sqrt3/\pi

Bir d elde edilince dönüşümler eklenir (Hasselblad ve Hedges 1995; eşit n varsayımı):

r=\frac{d}{\sqrt{d^2+4}},\qquad \mathrm{OR}=\exp\!\left(\frac{\pi d}{\sqrt3}\right)
  • r dönüşümündeki 4 sabiti, n_1=n_2 varsayımından gelir; genelde a=(n_1+n_2)^2/(n_1n_2)'dir.
  • OR dönüşümü, lojistik dağılımın SS'sinin \pi/\sqrt3 olmasına dayanır.

Özet tipinde \omega^2_p ve \varepsilon^2_p sıfırda kesilir

Ham veriden "eta" tipi negatif \omega^2'yi olduğu gibi yazar ve uyarır; özet tipi ise max(…, 0) ile 0'da keser (effect_size.py:898–899). Aynı F için iki tip F<1 olduğunda farklı sayı verir.

40.6 Elle hesap: Tıp verisinde sayısal yürüyüş

Aşağıdaki değerler dogrulama/effect_size/elle_hesap.py ile, MerQur kodu çağrılmadan numpy ile hesaplanmıştır; scipy yalnız dağılım fonksiyonları ve kök bulma için kullanılmıştır.

Adım 1 — Grup sırası ve havuzlanmış SS (Tıp #35). Düzey sırası boş bırakıldığında MerQur verideki ilk görülme sırasını kullanır. Veride ilk satırlar SSRI olduğu için 1. grup SSRI, 2. grup SNRI'dir; Glass Δ'nın paydası SNRI'nin SS'sidir. El hesabı bu sırayla yürür. Kareler toplamları 2089{,}800460 (SSRI) ve 3399{,}515965 (SNRI):

s_p=\sqrt{\frac{2089{,}800460+3399{,}515965}{118}}=\sqrt{46{,}519630}=6{,}820530

Adım 2 — d, g, Glass Δ.

d=\frac{-8{,}6230-(-13{,}2115)}{6{,}820530}=\frac{4{,}5885}{6{,}820530}=0{,}672748
J(118)=\frac{\Gamma(59)}{\sqrt{59}\ \Gamma(58{,}5)}=0{,}993628,\qquad g=0{,}993628\times0{,}672748=0{,}668462
\begin{gathered}\Delta=\frac{4{,}5885}{7{,}590712}=0{,}604489\quad(\text{payda SNRI})\\[4pt] \Delta_{(1)}=\frac{4{,}5885}{5{,}951500}=0{,}770982\quad(\text{payda SSRI})\end{gathered}

Adım 3 — nct GA. t_{\text{göz}}=0{,}672748\sqrt{60\cdot60/120}=0{,}672748\times5{,}477226=3{,}684794, \nu=118. Kökler \lambda_{\text{alt}}=1{,}661959, \lambda_{\text{üst}}=5{,}692839:

d_{\text{alt}}=\frac{1{,}661959}{5{,}477226}=0{,}303431,\qquad d_{\text{üst}}=\frac{5{,}692839}{5{,}477226}=1{,}039365

g GA'sı: [0{,}303431;\ 1{,}039365]\times0{,}993628=[0{,}301497;\ 1{,}032743]. %90 düzeyinde d GA'sı [0{,}362561;\ 0{,}980177]'dir. Normal yaklaşım: \SH_d=0{,}187668, [0{,}304927;\ 1{,}040570]; nct ile dördüncü ondalıkta ayrılır.

Sütun 2 düzey sırası SNRI girildiğinde d, g ve GA'ların işareti değişir (d=-0{,}672748); Glass Δ ise yalnız işaret değiştirmez, paydası SSRI SS'sine geçtiği için büyüklüğü de değişir (-0{,}770982).

Adım 4 — Sıra tabanlı (Tıp #35). 3600 çiftten SSRI'nin büyük olduğu 2477, küçük olduğu 1119, eşit olduğu 4 çift vardır:

\delta=\frac{2477-1119}{3600}=0{,}377222,\qquad U_1=2477+\tfrac12\cdot4=2479,\qquad \SH_z=\sqrt{\frac{121}{3\times3600}}=0{,}105848
\text{GA}=\tanh\!\left(\operatorname{artanh}(0{,}377222)\mp1{,}959964\times0{,}105848\right)=[0{,}187128;\ 0{,}540084]

Bağ düzeltmeli H=12{,}701030, \varepsilon^2_R=12{,}701030/119=0{,}106731.

Adım 5 — η², ω², ε² (Tıp #06). \mathrm{KT}_A=28129{,}320214, \mathrm{KT}_İ=22111{,}909143, \mathrm{KT}_T=50241{,}229357, \mathrm{KO}_İ=22111{,}909143/136=162{,}587567, F=57{,}670093:

\begin{gathered}\eta^2=\frac{28129{,}320214}{50241{,}229357}=0{,}559885\\[4pt] \omega^2=\frac{28129{,}320214-3\times162{,}587567}{50241{,}229357+162{,}587567}=0{,}548402\end{gathered}
\varepsilon^2=\frac{28129{,}320214-487{,}762702}{50241{,}229357}=0{,}550177

GA: \lambda_{\text{alt}}=111{,}169816, \lambda_{\text{üst}}=242{,}631886; \eta^2 için [111{,}169816/247{,}169816;\ 242{,}631886/378{,}631886]=[0{,}449771;\ 0{,}640812]. \omega^2'nin eşdeğer F^{*}'ı 55,050947, \varepsilon^2'ninki 55,446997'dir; GA'lar [0{,}436389;\ 0{,}631025] ve [0{,}438452;\ 0{,}632540].

Adım 6 — Cramér V (Tıp #21). Tablo, düzeyler verideki ilk görülme sırasıyla (satırlar active smoking, old smoking, none non_drinker; sütunlar present, absent): \begin{pmatrix}150&100\\80&120\\20&200\end{pmatrix}, \chi^2=130{,}542684, \sd=2, n=670, \min(r-1,c-1)=1:

\begin{gathered}V=\varphi=\sqrt{\frac{130{,}542684}{670}}=0{,}441407,\qquad \tilde\varphi^2=0{,}194840-\frac{2}{669}=0{,}191850\\[4pt] \tilde V=\sqrt{\frac{0{,}191850}{\min(2{,}994021-1,\ 1{,}998505-1)}}=0{,}438335\end{gathered}

GA: \lambda sınırları 88,686734 ve 178,088888; V için [\sqrt{88{,}686734/670};\ \sqrt{178{,}088888/670}]=[0{,}363824;\ 0{,}515562].

Adım 7 — 2×2 risk (Tıp #40). Ham tablo (satır smoking 0/1, sütun heart_attack 0/1): \begin{pmatrix}111&93\\45&51\end{pmatrix}. Düzey sırası 1 / 1 ile a=51, b=45, c=93, d=111:

\begin{gathered}\mathrm{OR}=\frac{51\times111}{45\times93}=1{,}352688,\qquad \SH(\ln\mathrm{OR})=\sqrt{\tfrac1{51}+\tfrac1{45}+\tfrac1{93}+\tfrac1{111}}=0{,}248177\\[4pt] \text{GA}=[0{,}831666;\ 2{,}200119]\end{gathered}
\begin{gathered}p_1=\frac{51}{96}=0{,}531250,\qquad p_2=\frac{93}{204}=0{,}455882\\[4pt] \mathrm{RR}=1{,}165323\ \ [0{,}916326;\ 1{,}481979],\qquad \mathrm{RD}=0{,}075368\ \ [-0{,}045611;\ 0{,}196346]\end{gathered}

1/|\mathrm{RD}|=13{,}27; RD GA'sı 0'ı içerdiği için GA'sı tanımsızdır. Düzey sırası boş bırakıldığında da "1" maruz ve "1" olaydır; sonuç yukarıdakiyle aynıdır. Sıra elle "0" önce yazılırsa p_1=111/204=0{,}544118 (sigara içmeyenlerde kalp krizi geçirmeme riski) ve RR =1{,}160784 olur; OR ve RD aynı kalır, RR değişir. φ =0{,}070371, GA [0;\ 0{,}183524], \tilde V=0{,}040162.

Adım 8 — Korelasyon (Tıp #33) ve eşli d (Tıp #05). r=0{,}529199, n=180; z=0{,}589033, \SH_z=1/\sqrt{177}=0{,}075165; GA =[0{,}415063;\ 0{,}626936]. Eşli desende \bar D=19{,}98, s_D=7{,}665161, s_1=11{,}433017, s_2=13{,}461904, r_{12}=0{,}822499:

\begin{gathered}d_z=\frac{19{,}98}{7{,}665161}=2{,}606599,\qquad g_z=2{,}566463\\[4pt] d_{av}=\frac{19{,}98}{\sqrt{(11{,}433017^2+13{,}461904^2)/2}}=\frac{19{,}98}{12{,}488730}=1{,}599842\\[4pt] d_{rm}=2{,}606599\sqrt{2(1-0{,}822499)}=1{,}553063\end{gathered}

d_z'nin nct GA'sı [2{,}018806;\ 3{,}187631].

Adım 9 — Özet metni. İki ondalıklı betimsellerle d=-0{,}673072 (ham veride -0{,}672748), GA [-1{,}039698;\ -0{,}303744]; F=57{,}67'den \eta^2_p=0{,}559885; \chi^2=130{,}54'ten V=0{,}441402. Dönüşümler: r=-0{,}673072/\sqrt{0{,}453026+4}=-0{,}318958, \mathrm{OR}=\exp(-0{,}673072\times\pi/\sqrt3)=0{,}294989.

40.6.1 Doğrulama: MerQur, Python ve R

MerQur değerleri execute() sonuç nesnesinden, panel modülünde round() ve p_yuvarla adları yalnız bellekte etkisizleştirilerek alınmıştır (dogrulama/effect_size/merqur_calistir.py). R 4.5.3: effectsize (cohens_d, hedges_g, glass_delta(adjust = FALSE), eta_squared/omega_squared/epsilon_squared(alternative = "two.sided"), cramers_v, rank_biserial, rank_epsilon_squared, F_to_*, chisq_to_cramers_v, d_to_r, d_to_oddsratio), MBESS::ci.smd/ci.sm, DescTools::OddsRatio/RelRisk(delta = 0)/BinomDiffCI, cor.test, kruskal.test. Ölçüt: en büyük fark \le 10^{-6} (değer 1'den büyükse göreli).

Büyüklük MerQur Python (bağımsız) R 4.5.3 En büyük fark Durum
Havuzlanmış SS s_p 6,820530 6,820530 6,820530 8,9e−16 ✓
Cohen d (SSRI − SNRI) 0,672748 0,672748 0,672748 2,2e−16 ✓
d %95 GA alt (nct) 0,303431 0,303431 0,303431 2,0e−08 ✓
d %95 GA üst (nct) 1,039365 1,039365 1,039365 1,1e−09 ✓
d %95 GA alt, MBESS::ci.smd 0,303431 0,303431 0,303431 2,2e−10 ✓
d %90 GA alt (nct) 0,362561 0,362561 0,362561 6,0e−09 ✓
d %90 GA üst (nct) 0,980177 0,980177 0,980177 4,7e−09 ✓
SH(d), normal yaklaşım 0,187668 0,187668 0,187668 4,2e−16 ✓
Hedges g 0,668462 0,668462 0,668462 4,4e−16 ✓
g %95 GA alt 0,301497 0,301497 0,301497 2,0e−08 ✓
g %95 GA üst 1,032743 1,032743 1,032743 1,0e−09 ✓
Glass Δ (payda SNRI SS'si) 0,604489 0,604489 0,604489 0,0e+00 ✓
Glass Δ (payda SSRI SS'si) 0,770982 0,770982 0,770982 4,4e−16 ✓
d_{av} (ek standartlaştırıcı) 0,672748 0,672748 0,672748 2,2e−16 ✓
Rank-biserial r = Cliff δ 0,377222 0,377222 0,377222 2,2e−16 ✓
Rank-biserial %95 GA alt 0,187128 0,187128 0,187128 4,2e−16 ✓
Rank-biserial %95 GA üst 0,540084 0,540084 0,540084 3,3e−16 ✓
Mann–Whitney U 2479 2479 2479 0,0e+00 ✓
Kruskal–Wallis H 12,701030 12,701030 12,701030 5,9e−14 ✓
\varepsilon^2_R 0,106731 0,106731 0,106731 9,7e−16 ✓
ANOVA F (#06) 57,670093 57,670093 57,670093 7,8e−14 ✓
ANOVA p 4,0746·10−24 4,0746·10−24 4,0746·10−24 1,4e−37 ✓
η² 0,559885 0,559885 0,559885 6,7e−16 ✓
η² %95 GA alt 0,449771 0,449771 0,449771 1,3e−09 ✓
η² %95 GA üst 0,640812 0,640812 0,640812 8,9e−10 ✓
ω² 0,548402 0,548402 0,548402 4,4e−16 ✓
ω² %95 GA alt 0,436389 0,436389 0,436389 2,5e−08 ✓
ω² %95 GA üst 0,631025 0,631025 0,631025 1,1e−09 ✓
ε² 0,550177 0,550177 0,550177 4,4e−16 ✓
ε² %95 GA alt 0,438452 0,438452 0,438452 1,2e−08 ✓
ε² %95 GA üst 0,632540 0,632540 0,632540 1,4e−09 ✓
Pearson χ² (#21, 3 × 2) 130,542684 130,542684 130,542684 2,8e−14 ✓
Cramér V (= φ) 0,441407 0,441407 0,441407 5,6e−17 ✓
V %95 GA alt 0,363824 0,363824 0,363824 2,7e−09 ✓
V %95 GA üst 0,515562 0,515562 0,515562 1,5e−09 ✓
Yanlılık düzeltmeli \tilde V (Bergsma) 0,438335 0,438335 0,438335 2,2e−16 ✓
2 × 2 (#40): φ 0,070371 0,070371 0,070371 4,2e−17 ✓
2 × 2: φ %95 GA üst 0,183524 0,183524 0,183524 1,4e−09 ✓
2 × 2: \tilde V 0,040162 0,040162 0,040162 6,9e−18 ✓
Sıra SNRI önce: Cohen d −0,672748 −0,672748 −0,672748 2,2e−16 ✓
Sıra SNRI önce: Glass Δ (payda SSRI SS'si) −0,770982 −0,770982 −0,770982 4,4e−16 ✓
OR (varsayılan sıra: 1 maruz, 1 olay) 1,352688 1,352688 1,352688 8,9e−16 ✓
OR %95 GA alt (varsayılan sıra: 1 maruz, 1 olay) 0,831666 0,831666 0,831666 1,2e−15 ✓
RR (varsayılan sıra: 1 maruz, 1 olay) 1,165323 1,165323 1,165323 1,3e−15 ✓
RR %95 GA alt (varsayılan sıra: 1 maruz, 1 olay) 0,916326 0,916326 0,916326 2,2e−16 ✓
RR %95 GA üst (varsayılan sıra: 1 maruz, 1 olay) 1,481979 1,481979 1,481979 2,7e−15 ✓
RD (varsayılan sıra: 1 maruz, 1 olay) 0,075368 0,075368 0,075368 4,2e−17 ✓
RD %95 GA alt (varsayılan sıra: 1 maruz, 1 olay) −0,045611 −0,045611 −0,045611 2,1e−17 ✓
1/ RD (varsayılan sıra: 1 maruz, 1 olay) 13,268293 13,268293 13,268293
OR (sıra 0 önce) 1,352688 1,352688 1,352688 8,9e−16 ✓
OR %95 GA alt (sıra 0 önce) 0,831666 0,831666 0,831666 1,2e−15 ✓
RR (sıra 0 önce) 1,160784 1,160784 1,160784 0,0e+00 ✓
RR %95 GA alt (sıra 0 önce) 0,906518 0,906518 0,906518 5,6e−16 ✓
RR %95 GA üst (sıra 0 önce) 1,486369 1,486369 1,486369 4,2e−15 ✓
RD (sıra 0 önce) 0,075368 0,075368 0,075368 1,4e−17 ✓
RD %95 GA alt (sıra 0 önce) −0,045611 −0,045611 −0,045611 2,1e−17 ✓
1/ RD (sıra 0 önce) 13,268293 13,268293 13,268293
Pearson r (#33 BMI × SKB) 0,529199 0,529199 0,529199 4,4e−16 ✓
r %95 GA alt (Fisher z) 0,415063 0,415063 0,415063 3,3e−16 ✓
r %95 GA üst (Fisher z) 0,626936 0,626936 0,626936 2,2e−16 ✓
r için p 2,2197·10−14 2,2197·10−14 2,2197·10−14 6,2e−28 ✓
d_z (#05) 2,606599 2,606599 2,606599 3,6e−15 ✓
d_z %95 GA alt (nct, MBESS::ci.sm) 2,018806 2,018806 2,018806 4,5e−10 ✓
d_z %95 GA üst 3,187631 3,187631 3,187631 1,1e−09 ✓
g_z 2,566463 2,566463 2,566463 2,0e−14 ✓
d_{av} (payda \sqrt{(s_1^2+s_2^2)/2}) 1,599842 1,599842 1,599842 1,6e−15 ✓
d_{rm} 1,553063 1,553063 1,553063 4,4e−16 ✓
Özet: d (m, sd, n) −0,673072 −0,673072 −0,673072 3,3e−16 ✓
Özet: d GA alt −1,039698 −1,039698 −1,039698 1,1e−10 ✓
Özet: η²ₚ (F = 57,67) 0,559885 0,559885 0,559885 2,2e−16 ✓
Özet: η²ₚ GA alt 0,449771 0,449771 0,449771 2,6e−09 ✓
Özet: ω²ₚ 0,548402 0,548402 0,548402 3,3e−16 ✓
Özet: V (χ² = 130,54) 0,441402 0,441402 0,441402 4,4e−16 ✓
Özet: V GA alt 0,363820 0,363820 0,363820 1,6e−09 ✓
Dönüşüm d\to r −0,318958 −0,318958 −0,318958 3,3e−16 ✓
Dönüşüm d\to OR 0,294989 0,294989 0,294989 1,7e−16 ✓

Sonuç: 76 büyüklüğün tamamı ölçütü karşılar. En büyük farklar nct ve merkezî olmayan F kök bulmalarındadır (\approx10^{-8}; R tarafının toleransı daha gevşektir). R paketlerinin varsayılan tanımları MerQur'dan farklı olan üç durum ayrıca gösterilmiştir:

Büyüklük MerQur R işlevi ve varsayılanı R değeri
d_{av} (eşli) 1,5998 effectsize::repeated_measures_d(method = "av"): payda \sqrt{(s_1^2+s_2^2)/2} 1,5998
d_z %95 GA alt 2,0188 effectsize::repeated_measures_d(method = "z") GA'sı 2,0254
RR %95 GA alt (sıra 0 önce) 0,9065 DescTools::RelRisk(method = "wald"), delta = 0,5 0,9085

40.7 Çıktıyı okuma

Cohen d tipinde varsayılan çıktı:

══ ETKİ BÜYÜKLÜĞÜ HESAPLAMA ══
Tip                 : Cohen's d (iki grup ortalama)
Kullanılan düzey sırası (drug): SSRI, SNRI
Grup 1 (SSRI): n=60, M=-8.6230, SD=5.9515
Grup 2 (SNRI): n=60, M=-13.2115, SD=7.5907
Birleştirilmiş SD   : 6.8205
── ETKİ BÜYÜKLÜĞÜ ──
Cohen's d           : 0.6727
Hedges' g (J düzelt.): 0.6685
Glass's Δ           : 0.6045
d %95 GA            : (0.3034, 1.0394)  [nct]
g %95 GA            : (0.3015, 1.0327)
Yorum: Orta
(Cohen 1988: 0.2 = küçük, 0.5 = orta, 0.8 = büyük)
── APA 7 ÖZET ──
d = 0.67, %95 GA [0.30, 1.04]
Satır Ne yazar Nasıl yorumlanır
Grup 1/2 Kullanılan düzey sırasıyla düzeyler (satırda yazılır) d = Grup 1 − Grup 2; işaret yalnız yönü gösterir.
Glass's Δ Payda Grup 2'nin SS'si Grup 2 gerçekten denetim grubu değilse Glass Δ yorumlanmamalı ya da düzey sırası düzeltilmelidir.
d GA [nct] Kesin GA Normal yaklaşım yalnız kök bulma başarısız olursa kullanılır.
Yorum |d| için 0,2/0,5/0,8 eşikleri Eşikler kaba kılavuzdur; alan bilgisi önceliklidir.
APA 7 ÖZET d ve GA GA etiketi seçilen güven düzeyini yazar (ör. "%90 GA").

Diğer tiplerin çıktılarında da aynı düzen vardır. η² tipinde üç kestirici ve GA'ları, Cramér V tipinde φ, ham ve düzeltilmiş V, 2×2 risk bölümünde başlıkta "(maruz ↔ maruz değil; olay = …)" satırı yer alır; bu başlık satırı düzey sırasının doğru kurulup kurulmadığını denetlemenin en kolay yoludur. Ek bölümlerde de GA etiketi "%95 GA" biçimindedir.

APA biçiminde rapor cümlesi (Türkçe ondalıkla):

SSRI grubunda HAMD puanındaki düşüş (O = −8,62; SS = 5,95; n = 60), SNRI grubundakinden (O = −13,21; SS = 7,59; n = 60) daha küçüktü; standartlaştırılmış fark (SSRI − SNRI) orta büyüklükteydi, Hedges g = 0,67, %95 GA [0,30; 1,03]. Sıra tabanlı ölçü aynı yönde bir etki gösterdi (Cliff δ = 0,38, %95 GA [0,19; 0,54]).

40.8 Uzman soruları

S1. Cohen d'de grup sırası nasıl belirleniyor; neden alfabetik değil?

Alfabetik sıra etiketin dilinden gelir: aynı veride "Hasta/Sağlıklı" ile "Patient/Healthy" ters sıralanır ve d'nin işareti dile göre değişir. Bu yüzden MerQur bütün analizlerde tek kural kullanır: kullanıcının tanımladığı sıra, sayısal ya da doğal sıra, son olarak verideki ilk görülme sırası. Bağımsız t testi, permütasyon testi ve bu modül aynı kuralla aynı işareti verir; Tıp #35'te SSRI − SNRI (d=+0{,}6727). Denetim grubu ikinci olacak biçimde "Sütun 2 düzey sırası" kutusu doldurulabilir; Glass Δ'da sıra yalnız işareti değil değeri de değiştirir.

S2. Hedges g'nin GA'sı neden d'nin GA'sı çarpı J?

J sabit bir çarpandır; g=Jd dönüşümü monoton olduğundan d'nin (1-\alpha) GA'sı J ile çarpılınca Jd'nin GA'sı olur. R effectsize::hedges_g aynı yolu izler. Bu aralık "yansız \delta kestirimi" için değil, J\delta için kurulmuş bir aralıktır; uygulamada fark J\approx0{,}99 olduğundan önemsizdir.

S3. η² için R'de farklı GA alıyorum.

effectsize'ın güncel sürümlerinde eta_squared() varsayılanı tek yönlü aralıktır (üst sınır 1). MerQur iki yönlü aralık verir; R'de alternative = "two.sided" yazılınca değerler 10^{-9} düzeyinde eşleşir. MerQur ayrıca \omega^2 ve \varepsilon^2 GA'sını eşdeğer F yoluyla hesaplar; bu, effectsize::F_to_omega2 tanımıdır, \omega^2'nin kendi örnekleme dağılımından kurulmuş bir aralık değildir.

S4. ω² negatif çıktı. Ne yazmalıyım?

F<1 olduğunda \omega^2 ve \varepsilon^2 negatif çıkar; bu, evren etkisinin sıfıra yakın olduğunu gösterir. MerQur değeri olduğu gibi yazar ve "0 olarak yorumlanır" uyarısını verir (effect_size.py:687–689). Raporda "\omega^2=0 (negatif kestirim)" yazılabilir. Özet tipi aynı durumda değeri 0'da keser; iki tip bu noktada farklı davranır.

S5. 3 × 2 tabloda yorum satırı neden 0,1/0,3/0,5 eşiklerini kullanıyor? \chi^2'nin sd'si 2.

Eşikler \chi^2'nin serbestlik derecesine değil, \min(r-1,c-1)'e göre seçilir (Cohen'in w ile V arasındaki V=w/\sqrt{\min(r-1,c-1)} ilişkisi). 3 × 2 tabloda \min(r-1,c-1)=1 olduğundan V=\varphi=w ve 0,1/0,3/0,5 eşikleri doğrudur. \min(r-1,c-1)=k\ge2 olan tablolarda eşikler (0{,}1;\ 0{,}3;\ 0{,}5)/\sqrt k'dır (k=2'de 0,07/0,21/0,35).

S6. Bergsma düzeltmeli V ne zaman tercih edilmeli?

Ham V, n küçük ve tablo büyükken yukarı yanlıdır; bağımsızlık altında bile E(\varphi^2)\approx(r-1)(c-1)/(n-1)'dir. \tilde V bu beklenen değeri çıkarır ve tablo boyutunu da düzeltir. n=670'te fark küçüktür (0,4414 ve 0,4383); n=300'lük 2×2 tabloda ham V=0{,}070, düzeltilmiş \tilde V=0{,}040'tır ve küçük etkilerde fark oransal olarak büyüktür.

S7. Eşli d_{av}'nin paydası neden karesel ortalama?

d_{av}'nin amacı, eşli desendeki etkiyi bağımsız gruplardaki d ile karşılaştırılabilir kılmaktır. Varyansların ortalamasının karekökü, eşit n'de bağımsız grupların havuzlanmış SS'siyle aynıdır (Cumming 2012); bu yüzden MerQur bütün modüllerde d_{av}=\bar D/\sqrt{(s_1^2+s_2^2)/2} tanımını kullanır (1,5998) ve paydayı çıktıda yazar. R effectsize::repeated_measures_d(method = "av") aynı tanımı verir. Lakens'in (2013) aritmetik ortalama paydası (s_1+s_2)/2 biraz küçük payda, dolayısıyla biraz büyük değer verir (1,6051); SS'ler eşitse iki tanım aynıdır. Raporda tanım yazılmalıdır.

S8. 2×2 riskte 0/1 kodlu değişkende hangi düzey maruz ve olay sayılır?

0/1 kodlamada "1" maruz grup ve olay sayılır; çıktı başlığı "(1 ↔ 0; olay = 1)" yazar ve kullanılan sıra ayrıca bir satırda verilir. "0" maruz ya da olay sayılsaydı RR "olay olmama" riskinin oranı olurdu; başka bir tanım isteniyorsa "Sütun 1 düzey sırası" ve "Sütun 2 düzey sırası" kutuları doldurulur. OR bu değişimden etkilenmez (her iki eksen birlikte çevrildiğinde ad/bc aynı kalır), RD yalnız işaret değiştirebilir, RR ise başka bir sayı olur.

S9. Özet istatistikten hesaplanan d, ham veriden hesaplanandan neden farklı?

Girdiler iki ondalığa yuvarlanmıştır (-13{,}21, 7{,}59, …). Bu veride fark 3\times10^{-4}'tür (-0{,}673072 ve -0{,}672748). Meta-analizde makalelerden alınan değerler zaten yuvarlanmıştır; mümkünse t ya da F istatistiğinden hesaplamak daha az yuvarlama hatası taşır.

S10. d\to r ve d\to\mathrm{OR} dönüşümleri ne kadar güvenilir?

r=d/\sqrt{d^2+4}, eşit grup büyüklüğü varsayar; dengesiz gruplarda 4 yerine (n_1+n_2)^2/(n_1n_2) gerekir. \mathrm{OR}=\exp(\pi d/\sqrt3), sürekli gizil değişkenin lojistik dağıldığı varsayımına dayanır (Hasselblad ve Hedges 1995). Her iki dönüşüm de yaklaşık ve modele bağlıdır; meta-analizde farklı ölçüleri birleştirmek için kullanılır, birincil sonuç olarak raporlanmaz.

40.9 Sık hatalar ve tuzaklar

  • Grup sırasını varsaymak. Cohen d, Glass Δ ve sıra tabanlı ölçülerde 1. grup kullanılan düzey sırasındaki ilk düzeydir; sıra satırı okunmalıdır.
  • Glass Δ'yı yanlış denetim grubuyla raporlamak. Payda 2. grubun SS'sidir; denetim grubu ikinci değilse "Sütun 2 düzey sırası" ile düzeltilmelidir.
  • R eta_squared varsayılanıyla karşılaştırmak. R tek yönlü aralık verir; alternative = "two.sided" kullanılmalıdır.
  • Negatif ω²'yi gizlemek. Değer olduğu gibi raporlanmalı ya da "0 (negatif kestirim)" yazılmalıdır; özet tipinin 0'da kestiği unutulmamalıdır.
  • Eşli desende d_z'yi bağımsız grup d'siyle karşılaştırmak. d_z korelasyona bağlıdır; meta-analizde d_{av} ya da d_{rm} kullanılmalıdır.
  • Yorum eşiklerini mutlak kural sanmak. Cohen'in eşikleri davranış bilimleri için önerilmiş kaba kılavuzlardır; klinik önem alan bilgisiyle değerlendirilir.

40.10 Kaynaklar

  • Altman, D. G. (1998). Confidence intervals for the number needed to treat. BMJ, 317(7168), 1309–1312. https://doi.org/10.1136/bmj.317.7168.1309
  • Ben-Shachar, M. S., Lüdecke, D., & Makowski, D. (2020). effectsize: Estimation of effect size indices and standardized parameters. Journal of Open Source Software, 5(56), 2815. https://doi.org/10.21105/joss.02815
  • Bergsma, W. (2013). A bias-correction for Cramér's V and Tschuprow's T. Journal of the Korean Statistical Society, 42(3), 323–328. https://doi.org/10.1016/j.jkss.2012.10.002
  • Cliff, N. (1993). Dominance statistics: Ordinal analyses to answer ordinal questions. Psychological Bulletin, 114(3), 494–509. https://doi.org/10.1037/0033-2909.114.3.494
  • Cohen, J. (1988). Statistical power analysis for the behavioral sciences (2. baskı). Lawrence Erlbaum. (Routledge yeniden basımı: https://doi.org/10.4324/9780203771587)
  • Cumming, G., & Finch, S. (2001). A primer on the understanding, use, and calculation of confidence intervals that are based on central and noncentral distributions. Educational and Psychological Measurement, 61(4), 532–574. https://doi.org/10.1177/0013164401614002
  • Fisher, R. A. (1915). Frequency distribution of the values of the correlation coefficient in samples from an indefinitely large population. Biometrika, 10(4), 507–521. https://doi.org/10.1093/biomet/10.4.507
  • Glass, G. V. (1976). Primary, secondary, and meta-analysis of research. Educational Researcher, 5(10), 3–8. https://doi.org/10.3102/0013189X005010003
  • Haldane, J. B. S. (1956). The estimation and significance of the logarithm of a ratio of frequencies. Annals of Human Genetics, 20(4), 309–311. https://doi.org/10.1111/j.1469-1809.1955.tb01285.x
  • Hasselblad, V., & Hedges, L. V. (1995). Meta-analysis of screening and diagnostic tests. Psychological Bulletin, 117(1), 167–178. https://doi.org/10.1037/0033-2909.117.1.167
  • 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/10.3102/10769986006002107
  • Katz, D., Baptista, J., Azen, S. P., & Pike, M. C. (1978). Obtaining confidence intervals for the risk ratio in cohort studies. Biometrics, 34(3), 469–474. https://doi.org/10.2307/2530610
  • Kelley, K. (2007). Confidence intervals for standardized effect sizes: Theory, application, and implementation. Journal of Statistical Software, 20(8), 1–24. https://doi.org/10.18637/jss.v020.i08
  • Kelley, T. L. (1935). An unbiased correlation ratio measure. Proceedings of the National Academy of Sciences, 21(9), 554–559. https://doi.org/10.1073/pnas.21.9.554
  • Kerby, D. S. (2014). The simple difference formula: An approach to teaching nonparametric correlation. Comprehensive Psychology, 3, 11.IT.3.1. https://doi.org/10.2466/11.IT.3.1
  • Lakens, D. (2013). Calculating and reporting effect sizes to facilitate cumulative science: A practical primer for t-tests and ANOVAs. Frontiers in Psychology, 4, 863. https://doi.org/10.3389/fpsyg.2013.00863
  • Olejnik, S., & Algina, J. (2003). Generalized eta and omega squared statistics: Measures of effect size for some common research designs. Psychological Methods, 8(4), 434–447. https://doi.org/10.1037/1082-989X.8.4.434
  • Steiger, J. H. (2004). Beyond the F test: Effect size confidence intervals and tests of close fit in the analysis of variance and contrast analysis. Psychological Methods, 9(2), 164–182. https://doi.org/10.1037/1082-989X.9.2.164
  • Tomczak, M., & Tomczak, E. (2014). The need to report effect size estimates revisited. An overview of some recommended measures of effect size. Trends in Sport Sciences, 21(1), 19–25.
  • Woolf, B. (1955). On estimating the relation between blood group and disease. Annals of Human Genetics, 19(4), 251–253. https://doi.org/10.1111/j.1469-1809.1955.tb01348.x