Cohens-d-Rechner

Was ist Cohen's d?

Cohen's d ist eine standardisierte Effektgroesse, die den Unterschied zwischen zwei Mittelwerten in Standardabweichungseinheiten misst:

$d = \frac{M_1 - M_2}{SD_{pooled}}$

Wenn d = 0,5 ist, unterscheiden sich die Mittelwerte um eine halbe Standardabweichung - ein "mittlerer" Effekt nach konventionellen Standards.

Im Gegensatz zu rohen Mittelwertdifferenzen ermoeglicht Cohen's d den Vergleich ueber Studien hinweg, die unterschiedliche Skalen verwenden. Eine 10-Punkte-Differenz auf einer 100-Punkte-Skala bedeutet etwas anderes als auf einer 1000-Punkte-Skala. Cohen's d beseitigt diese Abhaengigkeit.

Cohens Richtwerte

Jacob Cohen (1988) schlug interpretative Richtwerte vor:

Dies sind Richtlinien, keine starren Grenzwerte. Der Kontext ist entscheidend - ein "kleiner" Effekt kann enorm wichtig sein, wenn die Intervention guenstig ist oder das Ergebnis entscheidend ist.

Die Formel

Cohen's d fuer zwei unabhaengige Gruppen:

$d = \frac{\bar{x}_1 - \bar{x}_2}{S_p}$

Wobei $S_p$ die gepoolte Standardabweichung ist.

Fuer gleiche Stichprobengroessen:

$S_p = \sqrt{\frac{s_1^2 + s_2^2}{2}}$

Fuer ungleiche Stichprobengroessen:

$S_p = \sqrt{\frac{(n_1-1)s_1^2 + (n_2-1)s_2^2}{n_1 + n_2 - 2}}$

Interpretation

Visualisierung von d

Cohen's d steht in Beziehung zur Ueberlappung zwischen Verteilungen:

Bei d = 0,8 schneidet die durchschnittliche Person in der Behandlungsgruppe besser ab als 79% der Kontrollgruppe.

Praktische Beispiele

d = 0,2 (klein): Unterschied zwischen der Koerpergroesse von 15-Jaehrigen und 16-Jaehrigen

d = 0,5 (mittel): Groessenunterschied zwischen 14-Jaehrigen und 18-Jaehrigen

d = 0,8 (gross): Groessenunterschied zwischen 13-Jaehrigen und 18-Jaehrigen

Anwendungen

Meta-Analyse

Die Kombination von Ergebnissen ueber Studien hinweg erfordert eine gemeinsame Metrik. Cohen's d ermoeglicht:

• Vergleich von Effektgroessen ueber Studien hinweg
• Berechnung gewichteter Mittelwerte
• Bewertung der Heterogenitaet

Poweranalyse

Stichprobengroessenberechnungen verwenden die erwartete Effektgroesse:

• Kleine Effekte benoetigen groessere Stichproben
• Grosse Effekte sind mit kleineren Stichproben nachweisbar

Fuer 80% Power, um d = 0,5 bei α = 0,05 zu erkennen, benoetigt man etwa 64 Personen pro Gruppe.

Forschungsberichterstattung

Fachzeitschriften verlangen zunehmend Effektgroessen:

"Die Behandlungsgruppe uebertraf die Kontrollgruppe, d = 0,62, 95% KI [0,38; 0,86]"

Dies informiert die Leser sowohl ueber die Groessenordnung als auch die Praezision.

Bildungsinterventionen

Vergleich von Lehrmethoden:

"Methode A zeigte eine Verbesserung von d = 0,4 gegenueber traditionellem Unterricht"

Klinische Psychologie

Wirksamkeit der Behandlung:

"Die Therapie bewirkte eine Reduktion der Depressionswerte um d = 0,8"

Warum nicht einfach Mittelwertdifferenzen berichten?

Problem 1: Skalenabhaengigkeit

Studie A: 5-Punkte-Verbesserung auf einer 10-Punkte-Skala (50% der Skala) Studie B: 5-Punkte-Verbesserung auf einer 100-Punkte-Skala (5% der Skala)

Gleiche Rohdifferenz, voellig unterschiedliche Bedeutungen. Cohen's d standardisiert.

Problem 2: Variabilitaet ist wichtig

5-Punkte-Differenz bei SD = 2: d = 2,5 (riesiger Effekt) 5-Punkte-Differenz bei SD = 20: d = 0,25 (kleiner Effekt)

Hohe Variabilitaet bedeutet, dass der Unterschied weniger unterscheidbar ist.

Varianten von Cohen's d

Glass's Δ (Delta)

Verwendet nur die SD der Kontrollgruppe:

$\Delta = \frac{\bar{x}_{Behandlung} - \bar{x}_{Kontrolle}}{s_{Kontrolle}}$

Geeignet, wenn die Behandlung die Variabilitaet veraendern koennte.

Hedges' g

Korrigiert fuer Verzerrungen bei kleinen Stichproben:

$g = d \times \left(1 - \frac{3}{4(n_1+n_2)-9}\right)$

Nahezu identisch mit d fuer grosse Stichproben, aber etwas kleiner fuer kleine n.

Cohen's d fuer gepaarte Daten

Fuer Vorher-Nachher- oder Matched-Designs:

d = M_Differenz / SD_Differenz

Oder: d = M_Differenz / SD_gepoolt (unter Verwendung der SDs beider Zeitpunkte)

Konfidenzintervalle fuer d

Effektgroessenschaetzungen haben Unsicherheit. Der approximative SE:

$SE_d \approx \sqrt{\frac{n_1+n_2}{n_1 \times n_2} + \frac{d^2}{2(n_1+n_2)}}$

$95\% \text{ KI} = d \pm 1,96 \times SE_d$

Dieses KI gibt den Bereich plausibler Populationseffektgroessen an.

Historischer Kontext

Jacob Cohen (1923-1998) fuehrte die d-Statistik in seinem Paper von 1962 ein und erweiterte sie in seinen Buechern von 1969 und 1988 "Statistical Power Analysis for the Behavioral Sciences."

Cohen war motiviert durch die uebermaeßige Abhaengigkeit von p-Werten, die Effektgroesse mit Stichprobengroesse vermischen. Seine Arbeit etablierte, dass statistische Signifikanz nicht praktische Bedeutung gleichkommt - eine entscheidende Unterscheidung.

Seine Richtwerte (0,2; 0,5; 0,8) basierten auf Erhebungen der psychologischen Forschungsliteratur und repraesentieren, was er als typische kleine, mittlere und grosse Effekte beobachtete.

Einschraenkungen

Abhaengigkeit der Richtwerte vom Fachgebiet

Cohens Richtwerte stammen aus der Psychologie. In anderen Bereichen:

• Medizinische Interventionen koennten d = 0,2 als klinisch signifikant betrachten
• Bildungsforschung koennte d = 0,4 als praktisch wichtig erachten
• Physik koennte d > 3 fuer Signifikanz erfordern

Interpretieren Sie immer im Kontext.

Empfindlichkeit gegenueber Ausreissern

Die gepoolte SD wird durch Ausreisser beeinflusst, was d verzerren kann. Erwaegen Sie:

• Getrimmte Statistiken
• Robuste Effektgroessen
• Pruefung der Datenqualitaet

Annahme gleicher SDs

Cohen's d setzt aehnliche Variabilitaet in beiden Gruppen voraus. Wenn sich die Varianzen erheblich unterscheiden, kann Glass's Δ geeigneter sein.

Verwandte Berechnungen

• Gepoolte Standardabweichung Rechner - Nenner von d
• KI fuer Differenz der Mittelwerte - Rohdifferenz mit KI
• Mittelwertrechner - Gruppenmittelwerte
• Standardabweichungsrechner - Gruppen-SDs
• Odds Ratio Rechner - Effektgroesse fuer kategoriale Ergebnisse

Zusammenfassung

Cohen's d standardisiert Mittelwertdifferenzen auf eine gemeinsame Skala - Standardabweichungseinheiten - und ermoeglicht so den Vergleich ueber Studien und Messinstrumente hinweg. Die konventionellen Richtwerte von 0,2 (klein), 0,5 (mittel) und 0,8 (gross) bieten interpretative Orientierung, obwohl der Kontext immer wichtig ist. Unverzichtbar fuer Meta-Analysen, Poweranalysen und vollstaendige Forschungsberichterstattung beantwortet Cohen's d eine Frage, die p-Werte nicht beantworten koennen: "Wie gross ist der Effekt?" Berichten Sie Effektgroessen zusammen mit Signifikanztests, um den Lesern ein vollstaendiges Bild Ihrer Ergebnisse zu geben.