360. Jak unikać mechanicznej interpretacji „mały, średni, duży”?
Wielkość efektu nie ma uniwersalnej skali. Naucz się łączyć ją z kontekstem klinicznym, populacją, precyzją pomiaru i znaczeniem praktycznym.
-
-
359. Jak porównywać wielkości efektu między badaniami?
Porównywanie wielkości efektu wymaga zgodności miar, kierunku efektu, skali pomiaru i oceny heterogeniczności. Lekcja pokazuje, jak robić to poprawnie.
-
358. Przedział ufności wokół wielkości efektu
Wielkość efektu bez informacji o precyzji może prowadzić do nadinterpretacji. W tej lekcji wyjaśniamy, jak czytać i raportować przedziały ufności.
-
357. Minimalnie ważna różnica kliniczna – MCID
MCID pomaga ocenić, czy obserwowana zmiana wyniku jest nie tylko statystycznie istotna, lecz także zauważalna i ważna dla pacjenta.
-
356. Standaryzowane i niestandaryzowane efekty – kiedy raportować które?
Wybór między efektem standaryzowanym a niestandaryzowanym zależy od pytania badawczego, skali pomiaru i odbiorcy wyników. Lekcja pokazuje, kiedy stosować różnicę średnich, iloraz szans, ryzyko względne, d Cohena i inne miary.
-
355. Tau Kendalla jako miara siły zależności porządkowej
Tau Kendalla porządkuje ocenę siły i kierunku zależności między zmiennymi porządkowymi. Lekcja wyjaśnia wzór, tau-b, remisy, interpretację i zastosowania.
-
354. Phi dla tabeli 2×2
Współczynnik phi mierzy siłę związku między dwiema zmiennymi dychotomicznymi. Lekcja pokazuje wzór, interpretację, ograniczenia i przykłady medyczne.
-
353. Współczynnik V Cramera – siła związku w tabelach kontyngencji
Cramér V mierzy siłę związku między zmiennymi nominalnymi w tabelach kontyngencji. Lekcja wyjaśnia wzór, interpretację, ograniczenia i przykłady.
-
352. NNT i NNH – kliniczna interpretacja efektu
NNT i NNH pokazują, ilu pacjentów trzeba leczyć, aby uzyskać jeden dodatkowy korzystny lub niekorzystny wynik. Lekcja wyjaśnia wzory, interpretację i ograniczenia tych miar.
-
351. Różnica ryzyka RD i bezwzględna redukcja ryzyka ARR
Różnica ryzyka i bezwzględna redukcja ryzyka pokazują, o ile punktów procentowych zmienia się częstość zdarzeń po zastosowaniu interwencji.
-
350. Ryzyko względne RR – jak czytać wynik?
Ryzyko względne RR porównuje prawdopodobieństwo zdarzenia w dwóch grupach. Lekcja pokazuje, jak interpretować RR, przedziały ufności i znaczenie praktyczne.
-
349. Iloraz szans OR – intuicyjna i poprawna interpretacja
Iloraz szans (OR) jest często używaną miarą efektu w badaniach medycznych i społecznych. Lekcja wyjaśnia jego konstrukcję, interpretację, relację z ryzykiem względnym oraz typowe błędy.
-
348. Omega kwadrat – alternatywna miara efektu w analizie wariancji
Omega kwadrat to mniej obciążona miara wielkości efektu w analizie wariancji. Lekcja wyjaśnia wzór, interpretację, ograniczenia i raportowanie ω².
-
347. Eta kwadrat i partial eta squared w ANOVA
Eta kwadrat i partial eta squared pokazują, jak dużą część zmienności można powiązać z efektem w analizie wariancji. Lekcja wyjaśnia wzory, interpretację i raportowanie.
-
346. R² – jaka część zmienności jest wyjaśniona?
R² pokazuje, jaka część zróżnicowania wyniku jest związana z modelem regresji. Lekcja wyjaśnia wzór, interpretację, ograniczenia i przykłady praktyczne.
-
345. Współczynnik r jako miara efektu
Współczynnik r opisuje kierunek i siłę związku między zmiennymi. Lekcja wyjaśnia jego obliczanie, interpretację, ograniczenia oraz znaczenie praktyczne w badaniach medycznych i społecznych.
-
344. Glass delta – kiedy używa się odchylenia grupy kontrolnej?
Glass delta to standaryzowana różnica średnich, w której mianownikiem jest odchylenie standardowe grupy kontrolnej. Sprawdź, kiedy taki wybór ma sens, jak obliczać efekt i jak go interpretować.
-
343. Hedges g – korekta dla małych prób
Hedges g to skorygowana wersja standaryzowanej różnicy średnich, szczególnie użyteczna przy małych próbach i w metaanalizach.
-
342. Cohen d – różnica średnich w jednostkach odchylenia standardowego
Cohen d standaryzuje różnicę średnich, ułatwiając ocenę wielkości efektu, porównywanie badań i interpretację znaczenia praktycznego wyników.
-
341. Wielkość efektu – dlaczego jest potrzebna obok p-value?
Wielkość efektu pokazuje, jak duża jest obserwowana różnica lub zależność. Lekcja wyjaśnia jej rodzaje, interpretację, wzory i znaczenie praktyczne.