效应量
| 效应量 | |
|---|---|
| 英文名 | Effect Size |
| 学科归属 | 统计方法 |
| 核心含义 | 不依赖样本量的效应大小度量 |
| 主要指标 | Cohen 的 d、Pearson 的 r、η²、风险比、标准化回归系数 |
| 主要用途 | 结果解释、检验力分析、元分析 |
| 相关条目 | 置信区间、统计检验力、元分析|} |
效应量是对研究中效应大小的数值度量:两组平均差有多大、两个变量相关多强、干预改变了多少比例的结果。它与显著性检验的根本区别在于——显著性回答"效应是否可能为零",效应量回答"效应有多大";前者依赖样本量,后者原则上不依赖。
显著性检验的 p 值受三种因素混合影响:真实效应的大小、样本量、研究设计的变异控制。大样本可以把微不足道的效应变成"高度显著",小样本可以把真实存在的效应判定为"不显著"。因此 p 值单用时既不能反映效应大小,也不能反映实际意义。
常用效应量指标
不同类型的效应有不同的度量,选择须与研究设计匹配。
标准化均差(Cohen 的 d、Hedges 的 g):两组均值之差除以合并标准差,适用于两组比较。d = 0.5 表示组间差为半个标准差。Hedges 的 g 对小样本做了无偏校正。
相关系数 r:两连续变量的关联强度;也可从 d 转换而来,便于跨设计比较。
方差解释率:η²(因素的方差占比)、ω²(无偏版本)、R²(回归的解释率)。它们回答"效应解释了多少变异",在多因素设计中直观但受设计影响。
比值类指标:比值比与风险比,用于二分结局,流行病学与临床研究的标准;其解读需注意基线率的影响。
非标准化效应量:均值的原单位差值(如"干预组多睡 42 分钟")。实践意义往往比标准化指标更直接,元分析之外的单一研究报告应优先呈现。
报告规范的主流要求是:同时报告点估计与置信区间;标准化与非标准化并报;效应量指标与设计的匹配要说明理由。
解释的惯例与陷阱
Cohen 提出的经验界值(d 约 0.2 小、0.5 中、0.8 大;r 约 0.1 小、0.3 中、0.5 大)被广泛引用,也被广泛误用。
其局限性在于:效应量的"大小"没有跨领域的普适标准。药物使死亡率下降 2% 可能意义重大,而某态度操纵改变 2 分可能微不足道;同一领域内,难以改变的结果(长期行为改变)出现中等效应已属可观。规范的做法是:与领域内已有研究的效应量分布比较,用实际后果(健康结局、组织绩效)校准意义,经验界值只作初步参照。
另一类陷阱是效应量的偏差来源:小样本中的效应量存在向上偏(发表的选择效应进一步放大);测量不可靠会使标准化效应量衰减;范围限制(样本同质化)使相关系数缩小。解读文献中的效应量分布时,这些系统性偏差必须纳入考虑——元分析中的偏倚检验(漏斗图等)正是为此发展。
效应量与检验力
效应量是统计检验力分析的必要输入:检验力 = 在特定真实效应量下,检验正确拒绝零假设的概率。检验力由效应量、样本量与显著性水平三者共同决定。
前瞻性检验力分析要求事先估计预期效应量,来源包括:同领域元分析的汇总效应、试点研究(注意小样本试点的效应量估计噪声大)、或设定最小有意义效应(比"文献里别人发现多少"更符合研究目的)。
回顾性检验力分析(用本研究的不显著结果反推检验力)在方法学上不被推荐——不显著的研究往往本身效应量估计就低,循环论证。替代方案是用置信区间表达:不显著但置信区间很宽,说明证据不足以定论;置信区间窄且不含有意义效应,则支持无效应的判断。
效应量与元分析
效应量是元分析的通用货币:元分析把多项研究的效应量加权平均(权重通常为逆方差),得到汇总效应及其异质性指标。
异质性(各研究效应量的变异程度)的处理是当代元分析的核心:随机效应模型承认效应量随研究情境变动;亚组分析与元回归尝试解释异质性的来源(人群、干预强度、测量方式)。汇总效应只有配合异质性信息才完整——"平均 d = 0.45,但各研究在 0.1 到 0.9 之间变动"与"稳定地都在 0.45 左右"是完全不同的科学状态。
心理学近年"可重复性危机"的反思也以效应量为坐标:大规模重复研究发现,原文献效应量的中位数约为重复研究的两倍——发表偏倚对小效应研究的选择性排斥是主因之一。这提醒读者:单篇报告的效应量应视为有偏估计,元分析(含对偏倚的校正)才是效应大小的可靠来源。
报告规范
主流期刊与学术组织对效应量报告的要求已相当明确:定量结果必须报告效应量与置信区间;指标选择须与设计匹配并有理由;不鼓励只报 p 值;样本量论证以效应量为输入。
对心理学研究者的实操含义是:把"效应有多大、不确定度多大"当作结果表述的主干,把显著性降为辅助信息。这一转变与统计改革(大样本、预注册、数据公开)共同构成当代研究规范的基础部分。
效应量报告的最终目的,是把统计结论翻译为实践结论,这一翻译需要领域内的参照系。以心理干预研究为例:元分析汇总显示,心理治疗对抑郁的总效应量约为中等(d 约 0.5 上下),与许多药物治疗的效应量相当——这一比较使"心理治疗有没有用"的争论获得了数量化的基础。类似的领域参照还包括人格特质对绩效的预测、正念训练对情绪的改善等,它们构成研究者判断效应大小的坐标系。
效应量的累积价值还体现在干预成本效益的评估上:把效应量转换为社会层面的受益人数(如"把 d = 0.3 的干预推广到全人群,相当于多少例抑郁的避免"),政策决策所需的正是这种从统计量到人群影响的换算。对心理学科而言,效应量的系统积累使不同研究、不同时代、不同文化的结果可以放在同一把尺子上比较,把"有无"之争升级为"多大、何时、对谁"之争——这把尺子的普及程度,至今仍是衡量一个研究领域成熟度的标志。
在统计教学中,效应量的训练应尽早开始:从初等统计课程起就以"d 与 r 意味着什么"的练习替代单纯的显著性计算,是纠正"p 值中心主义"最有效的途径。若干国家的统计教育改革已把这一理念写入课程指南,其扩散速度预示着下一代研究者的报告习惯将与之显著不同。