Calculateur du d de Cohen

Qu'est-ce que le d de Cohen ?

Le d de Cohen est une taille d'effet standardisée qui mesure la différence entre deux moyennes en unités d'écart-type :

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

Si d = 0,5, les moyennes diffèrent d'un demi-écart-type—un effet « moyen » selon les normes conventionnelles.

Contrairement aux différences de moyennes brutes, le d de Cohen permet la comparaison entre études utilisant différentes échelles. Une différence de 10 points sur une échelle de 100 points signifie quelque chose de différent que sur une échelle de 1000 points. Le d de Cohen supprime cette dépendance.

Les repères de Cohen

Jacob Cohen (1988) a proposé des repères d'interprétation :

Ce sont des lignes directrices, pas des seuils rigides. Le contexte compte—un « petit » effet peut être extrêmement important si l'intervention est peu coûteuse ou si le résultat est crucial.

La formule

d de Cohen pour deux groupes indépendants :

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

Où $S_p$ est l'écart-type pooled.

Pour tailles d'échantillon égales :

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

Pour tailles d'échantillon inégales :

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

Interprétation

Visualiser d

Le d de Cohen se rapporte au chevauchement entre distributions :

Avec d = 0,8, la personne moyenne dans le groupe traitement obtient un score supérieur à 79 % du groupe contrôle.

Exemples pratiques

d = 0,2 (petit) : Différence entre les tailles des enfants de 15 ans et de 16 ans

d = 0,5 (moyen) : Différence de taille entre les enfants de 14 ans et de 18 ans

d = 0,8 (grand) : Différence de taille entre les enfants de 13 ans et de 18 ans

Applications

Méta-analyse

Combiner des résultats d'études nécessite une métrique commune. Le d de Cohen permet :

• Comparer les tailles d'effet entre études
• Calculer des moyennes pondérées
• Évaluer l'hétérogénéité

Analyse de puissance

Les calculs de taille d'échantillon utilisent la taille d'effet attendue :

• Les petits effets nécessitent des échantillons plus grands
• Les grands effets sont détectables avec des échantillons plus petits

Pour une puissance de 80 % pour détecter d = 0,5 à α = 0,05, vous avez besoin d'environ 64 par groupe.

Rapports de recherche

Les revues exigent de plus en plus les tailles d'effet :

« Le groupe traitement a surpassé les contrôles, d = 0,62, IC 95 % [0,38, 0,86] »

Cela indique aux lecteurs à la fois l'ampleur et la précision.

Interventions éducatives

Comparer les méthodes d'enseignement :

« La méthode A a montré d = 0,4 d'amélioration par rapport à l'enseignement traditionnel »

Psychologie clinique

Efficacité du traitement :

« La thérapie a produit d = 0,8 de réduction des scores de dépression »

Pourquoi ne pas simplement rapporter les différences de moyennes ?

Problème 1 : Dépendance à l'échelle

Étude A : Amélioration de 5 points sur une échelle de 10 points (50 % de l'échelle) Étude B : Amélioration de 5 points sur une échelle de 100 points (5 % de l'échelle)

Même différence brute, significations très différentes. Le d de Cohen standardise.

Problème 2 : La variabilité compte

Différence de 5 points où ET = 2 : d = 2,5 (effet énorme) Différence de 5 points où ET = 20 : d = 0,25 (petit effet)

Une variabilité élevée signifie que la différence est moins distinguable.

Variantes du d de Cohen

Delta de Glass (Δ)

Utilise uniquement l'ET du groupe contrôle :

$\Delta = \frac{\bar{x}_{traitement} - \bar{x}_{contrôle}}{s_{contrôle}}$

Approprié lorsque le traitement pourrait changer la variabilité.

g de Hedges

Corrige le biais des petits échantillons :

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

Presque identique à d pour les grands échantillons, mais légèrement plus petit pour les petits n.

d de Cohen pour données appariées

Pour les designs pré-post ou jumelés :

d = M_différence / ET_différence

Ou : d = M_différence / ET_pooled (utilisant les ET des deux moments)

Intervalles de confiance pour d

Les estimations de taille d'effet ont une incertitude. L'ET approximatif :

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

$IC\ 95\% = d \pm 1,96 \times ET_d$

Cet IC vous indique la plage de tailles d'effet de population plausibles.

Contexte historique

Jacob Cohen (1923-1998) a introduit la statistique d dans son article de 1962 et l'a développée dans ses livres de 1969 et 1988 « Statistical Power Analysis for the Behavioral Sciences ».

Cohen était motivé par la sur-dépendance aux valeurs p, qui confondent taille d'effet et taille d'échantillon. Son travail a établi que la signification statistique n'égale pas l'importance pratique—une distinction cruciale.

Ses repères (0,2, 0,5, 0,8) étaient basés sur des enquêtes de la littérature de recherche en psychologie, représentant ce qu'il observait comme de petits, moyens et grands effets typiques.

Limitations

Dépendance des repères au domaine

Les repères de Cohen venaient de la psychologie. Dans d'autres domaines :

• Les interventions médicales pourraient considérer d = 0,2 comme cliniquement significatif
• La recherche éducative pourrait trouver d = 0,4 comme pratiquement important
• La physique pourrait nécessiter d > 3 pour la signification

Toujours interpréter en contexte.

Sensibilité aux valeurs aberrantes

L'ET pooled est affecté par les valeurs aberrantes, pouvant potentiellement fausser d. Considérer :

• Statistiques tronquées
• Tailles d'effet robustes
• Examiner la qualité des données

Hypothèse d'ET égaux

Le d de Cohen suppose une variabilité similaire dans les deux groupes. Lorsque les variances diffèrent substantiellement, le delta de Glass peut être plus approprié.

Calculs connexes

• Calculateur d'écart-type pooled — Dénominateur de d
• IC pour la différence de moyennes — Différence brute avec IC
• Calculateur de moyenne — Moyennes de groupe
• Calculateur d'écart-type — ET de groupe
• Calculateur de rapport de cotes — Taille d'effet pour résultats catégoriels

Résumé

Le d de Cohen standardise les différences de moyennes en une échelle commune—unités d'écart-type—permettant la comparaison entre études et instruments de mesure. Les repères conventionnels de 0,2 (petit), 0,5 (moyen) et 0,8 (grand) fournissent des conseils d'interprétation, bien que le contexte compte toujours. Essentiel pour la méta-analyse, l'analyse de puissance et les rapports de recherche complets, le d de Cohen répond à une question que les valeurs p ne peuvent pas : « Quelle est l'ampleur de l'effet ? » Rapportez les tailles d'effet aux côtés des tests de signification pour donner aux lecteurs une image complète de vos conclusions.