419. Wielkości efektu w ANOVA
Wielkość efektu w ANOVA pokazuje, jak silne są różnice między grupami. Lekcja wyjaśnia eta kwadrat, częściowe eta kwadrat, omega kwadrat i eta uogólnione.
-
-
418. Test Friedmana – wiele pomiarów zależnych
Test Friedmana służy do porównywania co najmniej trzech zależnych pomiarów, gdy klasyczna ANOVA z powtarzanymi pomiarami nie jest odpowiednia.
-
396. Jak raportować test t zgodnie z dobrymi praktykami?
Praktyczna lekcja o raportowaniu testu t: od opisu grup i założeń po wartości t, df, p, przedziały ufności, wielkość efektu i interpretację kliniczną.
-
394. Wielkość efektu dla dwóch grup
Wielkość efektu pokazuje, jak duża jest różnica między dwiema grupami. Lekcja omawia różnicę średnich, Cohena d, Hedgesa g, przedziały ufności i interpretację praktyczną.
-
392. Jak analizować zmianę przed–po?
Lekcja 392 pokazuje, jak analizować zmianę przed–po: od różnicy indywidualnej i testu t dla prób zależnych po interpretację efektu, przedziału ufności i ograniczeń projektu.
-
387. Test Wilcoxona dla prób zależnych – interpretacja
Jak poprawnie interpretować test Wilcoxona dla prób zależnych? Lekcja wyjaśnia założenia, hipotezy, statystykę W, wartość p, kierunek zmiany i wielkość efektu.
-
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.
-
340. Jak raportować wyniki bez sprowadzania ich do „istotne/nieistotne”?
Dobra interpretacja wyników nie kończy się na decyzji „istotne” albo „nieistotne”. Poznaj zasady raportowania efektu, niepewności i znaczenia praktycznego.
-
332. Znaczenie kliniczne a istotność statystyczna
Istotny statystycznie wynik nie zawsze oznacza ważną zmianę dla pacjenta. Lekcja wyjaśnia, jak oceniać wielkość efektu, przedziały ufności i MCID.
-
331. Moc statystyczna i jej związek z testowaniem
Moc statystyczna określa, jak duża jest szansa wykrycia rzeczywistego efektu. Lekcja wyjaśnia jej związek z alfą, błędem II rodzaju, próbą i wielkością efektu.
-
320. Jak raportować estymaty i ich niepewność w publikacji?
Praktyczna lekcja o tym, jak raportować estymaty, przedziały ufności, błędy standardowe i wielkości efektu w publikacjach naukowych.
-
318. Estymacja zamiast samego testowania – podejście do raportowania
Lekcja pokazuje, dlaczego raportowanie wielkości efektu i przedziału ufności jest bardziej informacyjne niż ograniczenie się do wartości p.
-
315. Precyzja estymacji a istotność statystyczna
Istotność statystyczna nie mówi, jak duży ani praktycznie ważny jest efekt. W tej lekcji wyjaśniamy, jak przedziały ufności pokazują precyzję estymacji i jak łączyć je z wartością p.
-
185. Jak wybrać oczekiwaną wielkość efektu do power analysis?
Oczekiwana wielkość efektu w power analysis powinna wynikać z sensu klinicznego, społecznego lub teoretycznego badania, a nie z arbitralnej reguły „mały–średni–duży”.
-
184. Wielkość efektu jako podstawa planowania próby
Wielkość efektu określa, jak dużą różnicę lub zależność badacz chce wykryć. Lekcja wyjaśnia, jak wykorzystać ją do planowania próby i mocy badania.
-
109. Jak operacjonalizować skuteczność interwencji medycznej?
Skuteczność interwencji medycznej trzeba przełożyć na jasno zdefiniowane wyniki, miary efektu, okres obserwacji i kryteria znaczenia klinicznego.
-
078. Jak dopasować miarę efektu do hipotezy?
Miara efektu powinna wynikać z rodzaju hipotezy, skali pomiaru, schematu badania i znaczenia praktycznego wyniku. Lekcja pokazuje, kiedy stosować różnicę średnich, standaryzowaną różnicę średnich, ryzyko względne, iloraz szans, różnicę ryzyka, korelację, regresję oraz miary czasu do zdarzenia.
-
066. Jak przełożyć hipotezę merytoryczną na hipotezę statystyczną?
Hipoteza merytoryczna opisuje oczekiwany związek, różnicę lub efekt w języku dziedziny. Hipoteza statystyczna przekłada to twierdzenie na formalny zapis dotyczący parametrów populacji, który można ocenić za pomocą danych.