歡迎來到效應量 (Effect Size) 的世界！
在學習統計推論 (Statistical Inference) 的過程中，你花了很多時間研究 p值 (p-values) 並決定是否拒絕虛無假設。但你有沒有停下來想過：「即使這個結果在統計上顯著，它在現實世界中真的有意義嗎？」
這正是效應量 (Effect Size) 要告訴你的！顯著性檢定 (p值) 告訴我們結果是否可能由隨機產生，而效應量則告訴我們這個結果實際上有多大、有多顯著。如果這聽起來有點抽象，別擔心——我們將會一步步為你拆解。
1. 什麼是效應量？
效應量是一種量化兩組之間差異大小的方法。它是標準顯著性檢定的補充方法。這意味著你應該將兩者結合使用，才能完整解讀數據背後的含義。
日常生活中的類比：
想像你發現了一種「神奇」植物營養劑。假設檢定可能會證明它確實能讓向日葵長得更高（統計顯著性）。然而，效應量會告訴你到底高出多少。如果植物只長高了 1 毫米，那效應量就很微小，即使結果是「顯著」的，這種營養劑可能也不值得花錢買！
要記住的關鍵差異：
- 顯著性檢定 (p值)： 問的是「真的有影響存在嗎？」
- 效應量： 問的是「影響有多大？」
2. p值、樣本大小與效應量之間的關係
這對你的考試來說非常關鍵。一個常見的錯誤是認為極小的 p值（例如 0.0001）意味著現實世界中有巨大的影響。事實並非總是如此！
假設檢定中的 p值 取決於兩個主要因素：
1. 效應量（實際差異有多大）。
2. 樣本大小（你收集了多少數據）。
「樣本大小陷阱」：
如果你擁有巨大的樣本（數千人），即使是微小、不重要的差異也會變得「統計顯著」。相反地，如果你的樣本非常小，你可能會錯過一個巨大且重要的影響，因為檢定沒有足夠的檢定力 (power) 去「看見」它。
快速複習： 效應量與樣本大小是獨立的。無論你調查了多少人，它都能告訴你變數之間關係的「真實」強度。
3. 衡量效應量：Cohen’s \( d \)
在 Pearson Edexcel 課程中，你需要掌握的主要衡量指標是 Cohen’s \( d \)。當我們比較兩組的平均值 (means) 時，就會用到它。
本質上，Cohen's \( d \) 衡量的是兩組平均值之間相隔了多少個標準差。簡單情況下的公式為：
\( d = \frac{\bar{x}_1 - \bar{x}_2}{s} \)
其中：
- \( \bar{x}_1 \) 和 \( \bar{x}_2 \) 是兩組的平均值。
- \( s \) 是標準差（通常是兩組的「合併」標準差）。
解釋邊界
統計學家 Jacob Cohen 在提出這個概念時，建議了一些「經驗法則」來幫助我們理解這些數值的意義。你應該為考試背下這些邊界值：
- \( 0.2 \le d < 0.5 \)：小效應量（差異確實存在，但肉眼很難看出來）。
- \( 0.5 \le d < 0.8 \)：中效應量（差異足以被觀察者看見）。
- \( 0.8 \le d \)：大效應量（差異非常明顯且顯著）。
你知道嗎？ 0.8 的「大」效應量意味著實驗組的平均人表現比對照組中 79% 的人都好！
4. 環境決定一切！
雖然上述邊界很有用，但課程提醒我們，效應量的解釋取決於具體環境。
例子：
如果一種新的心臟藥物的效應量為 \( d = 0.1 \)，按 Cohen 的標準這是「小」的。然而，如果這種藥物每年能拯救 1,000 人的生命，那麼在醫療環境下，這個「小」影響就極其重要！在否定一個小數值之前，一定要先看它衡量的是什麼。
5. 要避免的常見錯誤
- 錯誤： 認為顯著的 p值 意味著巨大的影響。
修正： 一定要檢查效應量；顯著性只告訴你結果不太可能是偶然發生的。 - 錯誤： 將 Cohen's \( d \) 的邊界視為「絕對法律」。
修正： 將它們作為指導方針，並務必提及問題的背景（例如醫學、教育或體育）。 - 錯誤： 忘記了即使結果不顯著，也可以計算 \( d \)。
修正： 效應量是對你手上數據的描述，無論假設檢定的結果如何，都可以計算。
總結檢查清單
- 你能解釋為什麼效應量是假設檢定的「補充」嗎？（它在「是否有影響？」之外，補充了「影響有多大？」）。
- 你知道 Cohen’s \( d \) 的邊界值嗎？（0.2 = 小，0.5 = 中，0.8 = 大）。
- 你理解 p值受樣本大小影響，但效應量不受影響嗎？
- 你能在現實環境中解釋效應量嗎？
如果起初覺得這些很棘手，別擔心！只要記住：顯著性檢定是「是否（Yes/No）」開關，而效應量是「調光器」，它能告訴你燈光到底有多亮。