Tamanho de efeito pode ser definido como a significância prática de um resultado (Kelley & Preacher, 2012). Dependendo dos testes usados, o tamanho do efeito mede o tamanho das associações entre as variáveis ou da diferença entre as médias dos grupos.
O tamanho de efeito é, portanto, uma medida que sempre deve ser apresentada junto com o valor da significância estatística. Isso porque, erroneamente, os autores acreditam que a informação mais importante sobre um análise é se ela é ou não é significativa (baseado no valor de p). Mais que isso, vários autores acham que a significância do p (p < 0,05 ou p < 0,0001) é o que determina se um achado é forte ou não.
Embora o valor de p informe se o resultado é ou não significativo, ele não informa quão forte é o efeito encontrado, já que o valor de p é amplamente dependente da amostra. Amostras muito grandes podem obter valor de p muito pequeno (e.g., p < 0,001) mesmo que o efeito seja pequeno. É justamente pra isso que serve o tamanho de efeito. Uma informação clara e objetiva sobre o tamanho do resultado obtido.
Agora que sabemos o que é o tamanho de efeito falemos um pouco dos diferentes tamanhos do efeito que existem!
Quais os diferentes tipos de tamanho de efeito?
Dependendo do tipo de análise estatístico, o tamanho do efeito é estimado com diferentes índices. Os índices se enquadram em duas categorias principais:
- Família d: são aqueles que analisam os tamanhos de efeito entre os grupos avaliando as diferenças de médias padronizadas. Eles são: d de Cohen, Δ de Glass, g de Hedges e Ψ (Psi). Conceitualmente, os tamanhos de efeito da família d são baseados na diferença entre as observações, dividida pelo desvio padrão dessas observações.
- Familia r: são aqueles que analisam a força das medidas de associação entre as variáveis. Eles são: r2 de Pearson, Eta2 (η2), Ômega2 (ω2) e F2 de Cohen. Os tamanhos de efeito de família r descrevem a proporção da variância que é explicada pelo pertencimento ao grupo [por exemplo, uma correlação (r) de 0.5 indica que 25% (r2) da variância é explicada pela diferença entre os grupos]. Esses tamanhos de efeito são calculados a partir da soma dos quadrados para o efeito dividido pelas somas dos quadrados para outros fatores no modelo.
Outra diferenciação entre os tamanhos de efeito é se eles corrigem os viesses. Os tamanhos do efeito da população quase sempre são estimados com base em amostras, superestimando assim o verdadeiro efeito da população. Portanto, existem tamanhos de efeito que foram desenvolvidos justamente para corrigir esses problemas. Na família d, a correção para d de Cohen é conhecida como g de Hedges, e na família r, a correção para eta ao quadrado (η2) é conhecido como ômega ao quadrado (ω2).
É importante destacar que mesmo essas correções não são totalmente isentas de problemas, pois nem sempre levam a uma estimativa do tamanho do efeito totalmente imparcial.
O Bruno Damásio fez um vídeo muito didático explicando os diferentes tamanhos de efeito para testes não paramétricos e nos próximos post conheceras outros tamanhos de efeito!
Quando um efeito é pequeno ou grande?
Ao usar tamanhos de efeito para quantificar e compartilhar percepções científicas e fazer cálculos de poder sensatos para estudos confiáveis, inevitavelmente nos deparamos com a dificuldade de dizer quando um efeito é pequeno ou grande.
Em uma série de contribuições seminais, Cohen (1962, 1988, 1992) refletiu profundamente sobre os padrões convencionais para a interpretação dos tamanhos de efeito.
Ele estava ciente que termos como “pequeno”, “médio” e “grande” são relativos à área das ciências onde forem aplicados ou, ainda mais particularmente, ao conteúdo e método de pesquisa específico. Consequentemente, ele recomendou derivar o julgamento sobre efeitos pequenos, médios e grandes, dos resultados de estudos anteriores na respectiva área de pesquisa.
Em outras palavras, um pesquisador teria que comparar seu resultado atual com o que foi encontrado em outros estudos.
No entanto, Cohen também estava ciente que para a maioria dos pesquisadores era mais conveniente ter um atalho, ou seja, uma definição convencional ampla que pudesse ser usada como ponto de referência. Para isso, Cohen (1988) sugeriu alguns pontos de corte para classificação do tamanho de efeito:
Valores menores que 0.2, são considerados pequenos.
Valores maiores que 0.2 e menores que 0,80 são considerados médios
Valores superiores ou iguais a 0.8 são considerados grandes;
Estes pontos de corte de Cohen devem ser utilizados e interpretados com cautela e sempre é recomendado optar primeiro por pesquisar os tamanhos do efeito encontrados em outras pesquisas similares à nossa para ter um panorama das relações que esperamos achar, teórica e empiricamente embasado.
Gostou desse conteúdo? Precisa aprender Análise de dados? Faça parte da Psicometria Online Academy: a maior formação de pesquisadores quantitativos da América Latina. Conheça toda nossa estrutura aqui e nunca mais passe trabalho sozinho(a).
Referências:
COHEN, J. (1962). The statistical power of abnormal-social psychological research: A review. Journal of Abnormal and Social Psychology, 65, 145-153.
COHEN, J. (1988). Statistical power analysis for the behavioral sciences (2ª ed.). New York: Lawrence Erlbaum Pub.
COHEN, J. (1992). A power primer. Psychological Bulletin, 112(1), 155-159.
KELLEY, K., & PREACHER, K. J. (2012). On effect size. Psychological methods, 17(2), 137.
Uma resposta