D de Cohen para la prueba t de muestra dependiente

10

Pregunta rápida: He visto que Cohen d calculó dos formas diferentes para una prueba t de muestras dependientes (por ejemplo, el diseño dentro de las muestras prueba la eficacia de un medicamento con puntos de tiempo pre / post).

Usando la desviación estándar de la puntuación de cambio en el denominador de la ecuación para la d de Cohen.
Usando la desviación estándar de la puntuación de la prueba previa en el denominador de la ecuación para la d de Cohen.

He encontrado muy poca literatura que delinee cuál usar y / o cuándo usar cualquiera de las opciones.

¿Alguna idea rápida?

t-test effect-size

— Gloryatsea
fuente

¿descubriste cómo calcular la d de Cohen para la prueba t de muestra pareada?

— user552231

@ user552231 Hay código R de código abierto para Cochen's D. ¿Has mirado?

— HelloWorld

Utilice mejor la hoja de datos complementaria del siguiente documento: Lakens D (2013) Cálculo y reporte de tamaños de efectos para facilitar la ciencia acumulativa: un manual práctico para pruebas t y ANOVA. Front Psychol 4: 863.

— Daniel

6

Geoff Cumming tiene algunos comentarios sobre el asunto (tomado de Cumming, 2013 ):

$s_1$ $s_{diff}$ $s_{diff}$ $s_1$ $s_{diff}$

$s_{pre}$

— dmartin
fuente

3

$t$ $N$

re = \frac{t}{\sqrt{norte}}

$d = \frac{t}{\sqrt{N}}$

Lakens, D. (2013). Calcular e informar los tamaños de los efectos para facilitar la ciencia acumulativa: un manual práctico para pruebas t y ANOVA . Fronteras en psicología, 4 .

— usuario552231
fuente

Tenga en cuenta que esto le dará el cambio medio estandarizado donde el cambio medio está estandarizado en términos de la desviación estándar de las puntuaciones de cambio (lo que se denota como 1. en la pregunta).

— Wolfgang

0

Aquí hay una función R sugerida que calcula la g de Hedges (la versión imparcial de la d de Cohen) junto con su intervalo de confianza para el diseño entre sujetos o dentro de ellos:

gethedgesg <-function( x1, x2, design = "between", coverage = 0.95) {
  # mandatory arguments are x1 and x2, both a vector of data

  require(psych) # for the functions SD and harmonic.mean.

  # store the columns in a dataframe: more convenient to handle one variable than two
  X <- data.frame(x1,x2)

  # get basic descriptive statistics
  ns  <- lengths(X)
  mns <- colMeans(X)
  sds <- SD(X)

  # get pairwise statistics
  ntilde <- harmonic.mean(ns)
  dmn    <- abs(mns[2]-mns[1])
  sdp    <- sqrt( (ns[1]-1) *sds[1]^2 + (ns[2]-1)*sds[2]^2) / sqrt(ns[1]+ns[2]-2)

  # compute biased Cohen's d (equation 1) 
  cohend <- dmn / sdp

  # compute unbiased Hedges' g (equations 2a and 3)
  eta     <- ns[1] + ns[2] - 2
  J       <- gamma(eta/2) / (sqrt(eta/2) * gamma((eta-1)/2) )
  hedgesg <-  cohend * J

  # compute noncentrality parameter (equation 5a or 5b depending on the design)
  lambda <- if(design == "between") {
    hedgesg * sqrt( ntilde/2)
  } else {
    r <- cor(X)[1,2]
    hedgesg * sqrt( ntilde/(2 * (1-r)) )
  }

  # confidence interval of the hedges g (equations 6 and 7)
  tlow <- qt(1/2 - coverage/2, df = eta, ncp = lambda )
  thig <- qt(1/2 + coverage/2, df = eta, ncp = lambda )

  dlow <- tlow / lambda * hedgesg 
  dhig <- thig / lambda * hedgesg 

  # all done! display the results
  cat("Hedges'g = ", hedgesg, "\n", coverage*100, "% CI = [", dlow, dhig, "]\n")

}

Así es como se podría usar:

x1 <- c(53, 68, 66, 69, 83, 91)
x2 <- c(49, 60, 67, 75, 78, 89)

# using the defaults: between design and 95% coverage
gethedgesg(x1, x2)

# changing the defaults explicitely
gethedgesg(x1, x2, design = "within", coverage = 0.90 )

Espero que ayude.

— Denis Cousineau
fuente