为什么需要效应量？
p 值回答“差异是否显著”，效应量回答“差异有多大”。 两者缺一不可：
- 大样本 + 小效应 → p 显著但实际意义有限
- 小样本 + 大效应 → p 不显著但可能值得进一步研究
核心原则
永远同时报告 p 值和效应量。只报 p 值是不完整的统计报告。
常用效应量指标
Cohen's d（均值差异）
d = (M₁ - M₂) / SD_pooled。表示均值差是标准差的多少倍。
- d = 0.2：小效应（如两种教学法差异微小）
- d = 0.5：中等效应（如新药 vs 安慰剂）
- d = 0.8：大效应（如手术 vs 保守治疗）
η²（eta-squared，方差分析）
η² = SS_between / SS_total。表示组间变异占总变异的比例。
- η² = 0.01：小效应
- η² = 0.06：中等效应
- η² = 0.14：大效应
Cramér's V（卡方检验）
V = √(χ² / (N × min(r-1, c-1)))。衡量分类变量关联强度。
- V = 0.1：弱关联
- V = 0.3：中等关联
- V = 0.5：强关联
Pearson r（相关分析）
r 本身就是效应量。|r| 衡量线性关联强度。
- |r| = 0.1：弱关联
- |r| = 0.3：中等关联
- |r| = 0.5：强关联
常见误区
常见误区
Cohen 的标准是绝对的？不是。0.2/0.5/0.8 是经验参考，不同领域标准不同。临床研究中 d=0.3 可能已有意义。
效应量大 = 重要？不一定。统计重要性和实际重要性是两回事。需结合研究背景和成本效益判断。
报告规范
完整报告模板
“独立样本 t 检验显示显著差异，t(58)=2.34, p=0.023, Cohen's d=0.61（95% CI [0.12, 1.10]），表示中等效应量。”