Effektumfang

Effektumfang (englisch: effect size) bezeichnet in Statistik und Wissenschaft die Größe oder Stärke eines Effekts. Er quantifiziert die praktische Bedeutsamkeit eines Befunds unabhängig von der Stichprobengröße und ergänzt Signifikanztests, die über das Vorliegen eines Effekts entscheiden.

Es existieren verschiedene Maßzahlen, abhängig von Datentyp und Versuchsdesign. Zu den gebräuchlichsten gehören Cohen's d (Standardisierte Mittelwertdifferenz), Pearson's r (Korrelation) sowie das Odds Ratio (Verhältnis der Odds zweier Gruppen) und Varianzenmaße aus der ANOVA wie Eta-Quadrat (η²) und sein partielles Pendant. Für kleine Stichproben wird häufiger Hedges' g verwendet, eine bias-korrigierte Version von d. Omega-Quadrat (ω²) wird oft als robusteres Schätzmaß der erklärten Varianz angesehen.

Berechnung (vereinfacht): Cohen's d ≈ (M1 − M2) / s_pooled. r lässt sich aus t-Werten oder aus der Kovarianz ableiten. η² = SS_between / SS_total; ω² korrigiert η², um Verzerrungen in kleinen Stichproben zu verringern.

Interpretation: Allgemeine Orientierung für Cohen's d: ungefähr 0,2 klein, 0,5 mittel, 0,8 groß; für r: ca. 0,1 klein, 0,3 mittel, 0,5 groß. Die konkreten Schwellenwerte hängen vom Fachgebiet ab. Effektgrößen sollten inkl. Konfidenzintervallen berichtet werden, um die Unsicherheit abzubilden.

Verwendung: In der Planung von Studien (Poweranalysen), in Berichten, in Meta-Analysen sowie im interstanzer Vergleich von Befunden. Vorteile: unabhängig von Stichprobengröße, ermöglicht Vergleichbarkeit über Studien hinweg. Grenzen: Verschiedene Maße, Verzerrungen durch Messinstrumente, Kontextabhängigkeit; Signifikanz bleibt wichtig, aber die Effektgröße liefert die praktische Relevanz.