Bagaimana menafsirkan dan melaporkan eta kuadrat / eta parsial kuadrat dalam analisis yang signifikan secara statistik dan non-signifikan?

Saya memiliki data yang memiliki nilai kuadrat eta dan nilai kuadrat eta parsial yang dihitung sebagai ukuran ukuran efek untuk perbedaan rata-rata kelompok.

• Apa perbedaan antara eta kuadrat dan eta kuadrat parsial? Bisakah keduanya ditafsirkan menggunakan pedoman Cohen yang sama (1988 saya pikir: 0,01 = kecil, 0,06 = sedang, 0,13 = besar)?

• Juga, apakah ada penggunaan dalam ukuran efek pelaporan jika uji perbandingan (yaitu uji-t atau ANOVA satu arah) tidak signifikan? Di kepala saya, ini seperti mengatakan "perbedaan rata-rata tidak mencapai signifikansi statistik tetapi masih menjadi perhatian khusus karena ukuran efek yang ditunjukkan dari eta kuadrat adalah sedang". Atau, apakah ukuran efek merupakan nilai pengganti untuk pengujian signifikan, dan bukan sebagai pelengkap?

Ukuran efek untuk perbedaan rata-rata grup

• Secara umum, saya menemukan perbedaan rata-rata kelompok standar (misalnya, Cohen d) ukuran ukuran efek yang lebih bermakna dalam konteks perbedaan kelompok. Ukuran seperti eta square dipengaruhi oleh apakah ukuran sampel kelompok sama, sedangkan Cohen d tidak. Saya juga berpikir bahwa makna tindakan berbasis-d lebih intuitif ketika apa yang Anda coba ukur adalah perbedaan antara makna kelompok.
• $f^2$
• Pilihan ketiga adalah bahwa dalam konteks efek eksperimental, bahkan ketika ada lebih dari dua kelompok, konsep efek paling baik dikonseptualisasikan sebagai perbandingan biner (yaitu, efek dari satu kondisi relatif terhadap yang lain). Dalam hal ini, Anda sekali lagi dapat kembali ke tindakan berbasis d. Ukuran berbasis-d bukanlah ukuran ukuran efek untuk faktor, tetapi lebih dari satu kelompok relatif terhadap kelompok referensi. Kuncinya adalah mendefinisikan grup referensi yang bermakna.
• Akhirnya, penting untuk mengingat tujuan yang lebih luas termasuk ukuran ukuran efek. Ini untuk memberi pembaca perasaan tentang besarnya pengaruh yang menarik. Setiap ukuran efek standar harus membantu pembaca dalam tugas ini. Jika variabel dependen berada pada skala yang secara inheren bermakna, maka jangan menghindar dari menafsirkan ukuran efek dalam hal skala itu. Misalnya, skala seperti waktu reaksi, gaji, tinggi, berat, dll. Secara inheren bermakna. Jika Anda menemukan, seperti yang saya lakukan, eta kuadrat untuk menjadi sedikit tidak intuitif dalam konteks efek eksperimental, maka mungkin pilih indeks lain.

Eta kuadrat versus eta parsial kuadrat

• Eta parsial kuadrat adalah ukuran ukuran efek default yang dilaporkan dalam beberapa prosedur ANOVA di SPSS. Saya menganggap inilah sebabnya saya sering mendapat pertanyaan tentang itu.
• Jika Anda hanya memiliki satu variabel prediktor, maka eta kuadrat parsial sama dengan eta kuadrat.
• Artikel ini menjelaskan perbedaan antara eta kuadrat dan eta kuadrat parsial (Levine dan Hullett Eta Squared, Partial Eta Squared .. ).
• Singkatnya, jika Anda memiliki lebih dari satu prediktor, eta parsial kuadrat adalah varians yang dijelaskan oleh variabel tertentu dari varians yang tersisa setelah mengecualikan varians yang dijelaskan oleh prediktor lain.

Aturan praktis untuk eta kuadrat dan eta parsial kuadrat

• Jika Anda hanya memiliki satu prediktor maka, eta kuadrat dan eta kuadrat parsial adalah sama dan dengan demikian aturan praktis yang sama akan berlaku.
• Jika Anda memiliki lebih dari satu prediktor, maka saya pikir aturan umum praktis untuk eta kuadrat akan berlaku lebih untuk eta kuadrat parsial daripada eta kuadrat. Ini karena eta parsial yang dikuadratkan dalam ANOVA faktorial mungkin lebih mendekati apa yang akan eta kuadrat untuk faktor jika itu adalah ANOVA satu arah; dan itu mungkin ANOVA satu arah yang memunculkan aturan praktis Cohen. Secara umum, termasuk faktor-faktor lain dalam desain eksperimental biasanya harus mengurangi eta kuadrat, tetapi eta parsial tidak perlu kuadrat karena fakta bahwa faktor kedua, jika memiliki efek, meningkatkan variabilitas dalam variabel dependen.
• Terlepas dari apa yang saya katakan tentang aturan praktis untuk eta kuadrat dan eta parsial kuadrat, saya menegaskan kembali bahwa saya bukan penggemar variasi menjelaskan ukuran ukuran efek dalam konteks menafsirkan ukuran dan makna efek eksperimental. Sama halnya, aturan praktis hanya itu, kasar, tergantung konteks, dan tidak dianggap terlalu serius.

Melaporkan ukuran efek dalam konteks hasil yang signifikan dan tidak signifikan

• Dalam beberapa hal, tujuan penelitian Anda adalah memperkirakan berbagai perkiraan kuantitatif tentang pengaruh variabel-variabel yang Anda minati dalam populasi.
• Ukuran efek adalah salah satu kuantifikasi estimasi titik efek ini. Semakin besar ukuran sampel Anda, semakin dekat, secara umum, perkiraan titik sampel Anda akan dengan efek populasi yang sebenarnya.
• Secara umum, pengujian signifikansi bertujuan untuk mengesampingkan peluang sebagai penjelasan hasil Anda. Dengan demikian, nilai-p memberi tahu Anda kemungkinan mengamati ukuran efek sebagai atau lebih ekstrim dengan asumsi hipotesis nol itu benar.
• Pada akhirnya, Anda ingin mengesampingkan tidak ada efek dan ingin mengatakan sesuatu tentang ukuran efek populasi yang sebenarnya. Interval kepercayaan dan interval kredibilitas di sekitar ukuran efek adalah dua pendekatan yang mengatasi masalah ini secara lebih langsung. Namun, melaporkan nilai-p dan estimasi titik ukuran efek cukup umum dan jauh lebih baik daripada melaporkan hanya nilai-p atau hanya ukuran ukuran efek.
• Berkenaan dengan pertanyaan spesifik Anda, jika Anda memiliki hasil yang tidak signifikan, itu adalah keputusan Anda apakah Anda melaporkan ukuran ukuran efek. Saya pikir jika Anda memiliki tabel dengan banyak hasil maka memiliki kolom ukuran efek yang digunakan terlepas dari signifikansi masuk akal. Bahkan dalam konteks yang tidak signifikan, ukuran efek dengan interval kepercayaan dapat bersifat informatif dalam menunjukkan apakah temuan yang tidak signifikan dapat disebabkan oleh ukuran sampel yang tidak memadai.