心理学常用效应量的选用与分析
效应量简介
一．效应量的定义、分类和意义效应量是反映效应程度大小的统计量，代表变量之间的紧密或差异程度。
效应量可分为简单效应量、标准化效应量和相关效应量。
简单效应量通常是效应组与对照组平均值之差。
APA(美国心理学会)建议，当简单效应量具有实际的实践意义时(如3个月的运动减肥干预可以减少脂肪多少千克)，可考虑采用简单效应量。
但是，简单效应量受到量纲、整体变异大小等因索限制，不便于研究间的比较。
标准化效应量则通过标准化数据解决了这些问题(如Cohen’s d等)。
而相关效应量则是指自变量与应变量的相关程度(如决定系数R2等)。
许多研究论文往往会报道结果的简单效应量和相关效应量，如在回归方程中应报道决定系数或校正决定系数已成为基本要求.二．效应量的种类和计算方法据不完全统计，针对不同的统计方法所建立的效应量超过60种。
随着效应量报道在各学科期刊的推广，如何合理选择和计算效应量将成为广大科研工作者面临的问题。
鉴于篇幅原因，本文仅介绍几种广泛采用的效应量Cohen’s d是最常用的标准化效应量之一，其定义为两组平均值之差除以标准差(方程1)，可应用于两组样本均数比较的效应量计算。
在这里。
Cohen定义的标准差是任意一组标准差(因为两组标准差被假定为相等)。
在实际计算中，大多数学者推荐采用合并标准差(PooledSmedard Deviation)，计算方法如方程2所示。
在标准差未知的情况下(如需要了解某论文结果部分的效应量，但该论文未提供标准差等)，也可以通过其他方法(如方程3)进行估计。
Cohen’s d的评价标准为：小效应(≥0.2且＜0.5)；中等效应(≥0.5且＜0.8)；大效应(≥0.8)。
其他学者也提出过其他的评价标准，但只是临界值略有不同，如临界值分别为0．15、0．4和0．75。
与Cohen’s d相类似的效应量还有Glass’s Delta(△)和Hedges ’s g。
Glass’s Delta是两组平均值之差除以第2组(或对照组)的标准差(方程4)。
心理学常用效应量的选用与分析
心理学常用效应量的选用与分析在心理学研究中，效应量是指某种干预或处理对研究对象产生的效果，通常以数量化的形式表示。
正确地选用和解析效应量对于心理学研究结论的可靠性具有重要意义。
本文将介绍一些常用的效应量及其选用方法，以期帮助读者更好地理解和应用心理学研究结果。
效应量定义：效应量是指某种干预或处理对研究对象产生的效果，通常以数量化的形式表示。
效应量特点：效应量具有客观性、量化性和可比较性。
客观性指效应量的值是真实存在的，不是主观臆断的；量化性指效应量以数值形式表示，可以进行数学运算；可比较性指不同研究中的效应量可以相互比较，从而评价研究之间的效果差异。
效应量应用：效应量在心理学研究中广泛应用于评估干预措施的效果、比较不同研究之间的效果差异、以及推断研究结果的可靠性和稳定性。
例如，在教育心理学中，效应量可以用来评估不同教学方法对学生学习成绩的影响；在临床心理学中，效应量可以用来评价不同心理疗法对抑郁症患者的疗效。
（1）研究问题：不同研究问题涉及的效应量可能不同。
例如，在探究情绪调节策略时，可能需要使用情绪调节效能感作为效应量；而在研究团队冲突解决策略时，可能需要使用团队冲突解决效能感作为效应量。
（2）研究设计：不同研究设计需要选用不同的效应量。
例如，实验研究和准实验研究通常选用平均差异、率等作为效应量；相关研究则通常选用相关系数、回归系数等作为效应量。
（3）数据特点：不同类型的数据特点需要选用不同的效应量。
例如，对于计数数据，通常选用平均数、率等作为效应量；对于等级数据，则可能需要选用秩和、等级相关系数等作为效应量。
选用优缺点评估（1）优点：选用正确的效应量可以有效评估研究效果，量化研究结果，方便不同研究之间的比较和分析。
同时，效应量的使用还可以提高研究的可靠性和稳定性，有利于推进心理学研究的进展。
（2）缺点：效应量的选用也可能存在一些缺点。
例如，不同研究者可能对效应量的选择存在主观性，从而导致研究结果之间的可比性降低。
心理学常用效应量
2
2.1
效应量的计算
差异类效应量 这类效应量一般用于实验研究 , 进行两组均
其中一组 , 一般是控制组 (Glass, 1976), 此时该组 的权重是 1。 特别地 , 假设要比较的是第 1 组和第 2 组的 差异。各组的样本容量分别为 n1 , n2 , L , nJ , 样本 均 值 分 别 为 y1 , y2 ,L , y J , 样 本 标 准 差 分 别 为
(6)
应和简单主效应 (Bird, 2004)。 例如 , 一个实验探讨小学生 “ 对文章内容的 不同预期对阅读理解的影响 ”, 有两个因素：因素 A—— 不同类型标题提示 , 有 2 个水平：正确提
不难看出 ,
⎡n + n − 2⎤ g=⎢ 1 2 ⎥ ⎣ n1 + n2 ⎦
(3) Glass 的 Δ 值
s1 , s2 , L , s J 。下面分别介绍上面三种方法对应的
效应量公式。 (1) Cohen 的 d 值 上面第一种方法对应的两组差异的效应量为 (2) d = ( y1 − y2 ) σ pooled
σ pooled
单因素实验设计时 , 均值的差异可以是两组比 较 , 也可以是多组比较 , 其一般形式为线性对比 (contrast, Keppel & Wickens, 2004; Kline, 2004; Bonett, 2008; 温忠麟, 2006)： ψ = c1μ1 + L + cJ μ J , 其中 J 是组数 , μi 表示第 i 组的均值 , i = 1, L, J , ci 是常数满足 c1 + L + cJ = 0 。均值差异是线性对比
值比较或多组均值比较。在两组均值比较的情况 下 , 最直观的是用两组的均值差值作为效应量。 但在心理学研究中 , 使用原始数据的均值差值作 为效应量会存在单位不统一、研究间效应量无法 比较的问题 , Cohen (1969)和 Glass (1976) 提出用 均值之差的标准化值替代原始均值差值 , 是差异 类效应量的基础。 2.1.1 单因素实验设计
心理学研究中的效应大小与统计功效的计算
心理学研究中的效应大小与统计功效的计算在心理学研究中，效应大小和统计功效是两个重要的概念。
效应大小是指研究中变量之间的差异程度，而统计功效则是指研究者能够检测到真实效应的概率。
正确计算和解释这两个概念对于心理学研究的可靠性和有效性至关重要。
一、效应大小在心理学研究中，效应大小是用来度量研究中的变量之间差异的指标。
常见的效应大小度量包括标准化效应大小（Cohen's d）、相关系数（r）和特征值（Eta-square）等。
1. 标准化效应大小（Cohen's d）标准化效应大小通常用于比较不同研究之间的结果。
标准化效应大小的计算需要知道两组数据的均值和标准差。
根据Cohen提出的分类标准，通常认为0.2为小效应、0.5为中等效应、0.8为大效应。
2. 相关系数（r）相关系数是用来衡量两个变量之间相关性强弱的度量。
相关系数的取值范围在-1到1之间，绝对值越接近1表示相关性越强。
3. 特征值（Eta-square）特征值是在方差分析（ANOVA）中用来度量组间变异与总变异之比例的指标。
特征值的取值范围在0到1之间，数值越大表示组间变异占总变异的比例越大，效应大小越大。
二、统计功效统计功效是指在给定样本大小和显著水平的条件下，可以检测到真实效应的概率。
统计功效与假阳性错误（Type I error）和假阴性错误（Type II error）相关。
统计功效的计算需要确定显著水平、样本大小、真实效应大小和统计方法。
一般来说，如果统计功效较高，表示研究中可以较容易地检测到真实效应。
通常认为统计功效大于0.80时为较好的功效，小于0.50时为较差的功效。
三、计算与解释要正确计算效应大小和统计功效，需要根据具体研究设计和所使用的统计方法选择合适的计算公式。
这些公式可以在心理学研究中的统计书籍、统计软件或在线统计工具中找到。
解释效应大小和统计功效时应注意，效应大小并不代表研究的现实意义，而只是一种数值度量。
心理效应大全
心理效应大全引言心理效应是指针对某种刺激或情境，个体在认知、情感和行为层面出现的心理反应。
心理效应的存在可以对个体的思维、情绪和行为产生积极或消极的影响。
本文将介绍一些常见且具有代表性的心理效应，希望能够帮助读者更好地理解自己和他人的心理反应，并在需要时能够应对和管理这些心理效应。
一、认知效应1. 选择支配效应（Choice Paradox）选择支配效应是指当面临过多的选择时，个体往往会感到焦虑和困惑，从而导致决策的困难。
这是因为选择的增多会增加个体对可选方案的比较和权衡，同时也会增加对自身决策的责任感。
在实际应用中，为了避免选择支配效应的影响，可以适当减少可选项的数量，或采用决策辅助工具来提供决策建议。
2. 归因偏差（Attribution Bias）归因偏差是指在解释他人行为时，个体往往会倾向于将其归因于个人特质，而忽视了外部因素的影响。
这种偏见会导致个体对他人行为的解释偏差，并可能引发与他人的不当争吵和冲突。
为了避免归因偏差的影响，我们应该更加客观地看待他人行为，并考虑到可能存在的外部因素。
3. 确证偏差（Confirmation Bias）确证偏差是指个体往往更愿意接受和记住与自己已有信念一致的信息，而忽视不一致的信息。
这种偏见可能导致个体对信息的选择性接受和理解，并且会加强个体已有的信念。
为了避免确证偏差的影响，我们应该保持开放的思维态度，主动寻找和接受不同观点的信息，并进行客观的分析和评估。
二、情感效应1. 赫布效应（Halo Effect）赫布效应是指个体对某人或某物的积极印象会影响对其其他方面的评价。
例如，如果一个人看起来外貌出色，我们会倾向于认为他的智力、品格等方面也很好。
赫布效应可能导致我们对某人或某物的评价偏颇，从而影响我们的决策和行为。
为了避免赫布效应的影响，我们应该在评价他人时，尽量客观地考虑各个方面的因素。
2. 情绪感染效应（Emotional Contagion）情绪感染效应是指个体在与他人交往时会受到他人情绪的影响，从而出现类似的情绪反应。
心理学研究效应大小统计功效计算解析
心理学研究效应大小统计功效计算解析在心理学研究中，准确理解和应用效应大小（Effect Size）与统计功效（Statistical Power）的计算是至关重要的。
这两个概念不仅对于研究结果的解读和评估具有关键意义，还能为研究设计的优化提供有力的依据。
首先，让我们来搞清楚什么是效应大小。
简单来说，效应大小就是衡量两个或多个组之间差异程度的一个指标。
比如说，我们研究一种新的教学方法是否能提高学生的考试成绩，那么通过比较使用新方法和传统方法的学生成绩差异，这个差异的大小就是效应大小。
常见的效应大小指标包括Cohen's d、η² 等。
Cohen's d 主要用于衡量两组均值之间的差异。
假设我们有两组数据，一组是控制组的成绩，另一组是实验组（使用新教学方法）的成绩。
通过计算两组均值之差除以合并标准差，就能得到 Cohen's d 值。
这个值越大，说明两组之间的差异越显著。
η² 则常用于方差分析中，它表示由某个因素引起的方差占总方差的比例。
例如，在研究不同学习环境对学生注意力的影响时，如果η² 较大，就意味着学习环境这个因素对学生注意力的影响较为明显。
接下来，再谈谈统计功效。
统计功效可以理解为当确实存在差异（即效应存在）时，我们能够正确检测到这种差异的概率。
想象一下，假如我们进行一项实验，实际上新的治疗方法是有效的，但由于样本量太小或者其他因素，导致我们没有检测到这种效果，这就是统计功效不足。
统计功效的高低受到多个因素的影响。
其中，最主要的因素包括效应大小、样本量、显著性水平（α）和检验类型。
效应大小越大，统计功效就越高。
这就好比差异越明显，我们越容易发现它。
样本量越大，统计功效也会增加。
因为更多的数据能提供更准确的信息，减少抽样误差的影响。
显著性水平通常设定为 005，如果我们把这个标准放宽松，比如设定为 01，统计功效会提高，但同时犯第一类错误（即错误地拒绝了真的零假设）的概率也会增加。
常用心理量表简介及适用范围
目录一、心理健康 (1)二、人格特点 (7)三、能力兴趣 (18)四、临床诊断 (21)五、学习 (25)六、社交 (29)七、自我 (32)八、生活应激 (34)一、心理健康心理健康水平会影响个体的学习、生活、人际关系等诸多方面。
此类量表可用于鉴别心理处于边缘或异常状态的个体，以及早发现问题，及时进行帮助和治疗。
测评项目1\症状自评量表（SCL90）SCL90有90个项目，包括较广泛的精神症状学内容，从感觉、情感、思维、意识、行为直到生活习惯、人际关系、饮食睡眠等，要求受试者根据自己的实际情况就有无该症状做评定。
它主要应用于临床研究、心理咨询、精神科门诊，对有心理症状（即有可能处于心理障碍或心理障碍边缘）的人有良好的区分能力。
适用于测查某人群中哪些人可能有心理障碍、某人可能有何种心理障碍及其严重程度如何。
该量表测的是个人某段时间内的症状水平，往往易受生活事件的影响。
该量表测得受试者在9个方面的分数，称为因子分。
因子名称为：(1)躯体化：反映主观的躯体不适感。
(2)强迫症状：反映临床上的强迫症状群。
(3)人际关系敏感：反映个人的不自在感和自卑感。
(4)抑郁：反映与临床上的抑郁症状群相联系的行为表现。
(5)焦虑：反映与临床上焦虑症状相联系的精神症状及体验。
(6)敌对：从思维、情感及行为三个方面反应受试者的敌对表现。
(7)恐怖：反映传统的恐怖状态或恐怖症的内容。
(8)偏执：指猜疑和关系妄想等。
(9)精神病性：反映精神分裂样症状项目。
该量表使用简便，测查角度全面。
它对有可能处于心理障碍边缘的人有良好的区分能力，适用于测查人群中哪些人可能有心理障碍、有何种心理障碍及其严重程度如何。
在临床上常常作为诊断参考，也可以用作初级的筛查工具。
2\儿童行为量表（CBCL）儿童行为量表（家长用）最初由美国心理学家Achenbach T. M. 等在1970年编制，后来得到了更大的发展。
该量表用于测查4～16岁儿童的社会能力和行为问题，由家长根据孩子半年内的情况作出分级评定。
心理学常用效应量的选用与分析
摘 要 效应量在量化方面弥补了零假设检验的不足。除了报告检验结果外, 许多期刊还要求在研究报告中 包括效应量。效应量可以分为三大类别：差异类、相关类和组重叠类, 它们在不同的研究设计(如单因素和多 因素被试间、被试内和混合实验设计)或在不同的数据条件下(如小样本、方差异质等)可能有不同的计算方法 和用法, 但许多效应量可以相互转换。我们梳理出一个表格有助应用工作者根据研究目的和研究类型选用合 适的效应量。 关键词 效应量; 差异; 相关; 组重叠 分类号 B841.2
(2) Hedges 的 g 值 上面第二种方法对应的两组差异的效应量为
g = ( y1 − y2 ) s pooled
(4)
就是 Hedges (1981)的 g 值, 其中 spooled 是所有组的 混合标准差, 即单因素方差分析中的误差均方
(MSE)：
1
s pooled
=
⎡ ⎢ ⎢⎣
(n1 −1)s12 (n1 −1)
2 效应量的计算
2.1 差异类效应量
这类效应量一般用于实验研究, 进行两组均
值比较或多组均值比较。在两组均值比较的情况
下, 最直观的是用两组的均值差值作为效应量。
但在心理学研究中, 使用原始数据的均值差值作
为效应量会存在单位不统一、研究间效应量无法
比较的问题, Cohen (1969)和 Glass (1976)提出用
制组的标准差作为分母并非唯一的选择, 研究者
可以根据实际需要去选择一种认为最重要的组的
标 准 差 作 为 线 性 对 比 的 分 母 (Glass, McGaw, & Smith, 1981)。
上述三种效应量在大样本研究时一般相差很
小(Rosnow & Rosenthal, 2003)。对于小样本, d 会
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
+L +L
+ +
(nJ (nJ
− −
1)sJ2 1)
⎤ ⎥ ⎥⎦
2
(5)
1870
心 理科学进展
第 19 卷
应用中最常见的是实验组控制组两组比较
(即 J＝2), 此时
1
s pooled
=
⎡ ⎢ ⎢⎣
(n1
− 1) s12 n1 +
+ (n2 −1)s22 n2 − 2
⎤ ⎥ ⎥⎦
2
(6)
不难看出,
1
1 效应量的类型
效应量是衡量实验效应强度或者变量关联强 度的指标(Snyder & Lawson, 1993), 它不受样本 容量大小的影响(或者影响很小)。计算和报告效应
收稿日期: 2010-11-10 * 国家自然科学基金项目(30870784)和教育部人文社科
重点研究基地项目(11JJD190005)资助。 通讯作者: 温忠麟, E-mail: wenzl@
制组的标准差作为分母并非唯一的选择, 研究者
可以根据实际需要去选择一种认为最重要的组的
标 准 差 作 为 线 性 对 比 的 分 母 (Glass, McGaw, & Smith, 1981)。
上述三种效应量在大样本研究时一般相差很
小(Rosnow & Rosenthal, 2003)。对于小样本, d 会
下面分类介绍不同研究对应的效应量及其 具体计算方法, 同时考虑其中的自变量个数(单 因素和多因素)、实验设计类型(被试内、被试间 和混合实验设计)以及数据条件(如是否同质及样 本大小等)。
1868
第 12 期
郑昊敏等: 心理学常用效应量的选用与分析
1869
类别 差异类 相关类
组重叠
表 1 效应量分类
是不同的实验设计的效应而不是结果的差异大小,
标准化均值差异在多因素实验设计时比在单因素
实验设计时会更大(Olejnik & Algina, 2000), 因此 有必要针对不同的实验设计区分不同的效应量计
算方法。
多因素实验设计中的差异比较, 归根结底还 是组之间的差异比较, 这里所说的组是基于实验 处理的分组。如所知, 所谓实验处理, 是不同因素
均值之差的标准化值替代原始均值差值, 是差异
类效应量的基础。
2.1.1 单因素实验设计
单因素实验设计时, 均值的差异可以是两组比
较, 也可以是多组比较, 其一般形式为线性对比
(contrast, Keppel & Wickens, 2004; Kline, 2004;
Bonett, 2008; 温忠麟, 2006)：ψ = c1μ1 + L + cJ μJ , 其中 J 是组数, μi 表示第 i 组的均值, i = 1,L, J , ci 是常数满足 c1 + L + cJ = 0 。均值差异是线性对比
的特殊情形, 如实验组 a、b 和控制组 c 的均值差
异为
1 2
(μa
+
μb
)
−
μc
,
不同实验处理组的均值差
异 μa − μb 。
线 性 对 比 的 效 应 量 定 义 为 ( 见 Olejnik &
Algina, 2000)
δ =ψ σ
(1)
分母σ 是混合标准差(pooled standard deviation)。
的控制组存在且控制组的样本容量比较大, 以及
实验组与控制组的条件差异比较大时才会使用 Δ
值(Rosenthal, 1991)。因为实验组的均值和标准差
会受到实验处理的影响, 但控制组的标准差却不
会, 因此它更能代表总体标准差(Vacha-Haase &
Thompson, 2004)。不过, 当方差不同质时, 把控
1 2
( ya1b1
+
ya1b2 )
−
1 2
( ya2b1
+
ya2b2 )
(9)
其中 ya1b1 表示处理 a1b1 上的得分均值, 其余符 号类推。如果研究目的是比较不同阅读速度的差
异(即对因素 B 的主效应感兴趣), 用线性对比表
示为：
1 2
( ya1b1
+
ya 2b1 )
−
1 2
( ya1b2
2 效应量的计算
2.1 差异类效应量
这类效应量一般用于实验研究, 进行两组均
值比较或多组均值比较。在两组均值比较的情况
下, 最直观的是用两组的均值差值作为效应量。
但在心理学研究中, 使用原始数据的均值差值作
为效应量会存在单位不统一、研究间效应量无法
比较的问题, Cohen (1969)和 Glass (1976)提出用
针对零假设检验存在的不足, 一些国际期刊 要求在报告检验结果的同时还要报告效应量 (effect size)。效应量在心理学研究中受到重视, 国 际上已经有许多关注效应量的研究(例如, Wilkinson & Task Force on Statistical Inference, 1999; APA, 2001; Rosnow & Rosenthal, 2003, 2009)。国内关于 效应量的研究还不多, 但已有学者认识到了统计 检验力和效应量大小的计算方法问题的重要性。 胡竹菁(2010)以平均数差异显著性检验为例, 具 体介绍了在对实验数据进行假设检验后, 如何对 统计检验力和效应量大小进行估计。吴艳和温忠 麟 (2011) 给 出 了 一 个 与 零 假 设 检 验 有 关 的 统 计 分 析流程, 其中涉及何时需要估计效应量。但如何 选用合适的效应量并作出估计, 还是一个问题。 本文对效应量进行分类, 针对不同的研究目的和 研究设计, 介绍效应量的计算方法。
摘 要 效应量在量化方面弥补了零假设检验的不足。除了报告检验结果外, 许多期刊还要求在研究报告中 包括效应量。效应量可以分为三大类别：差异类、相关类和组重叠类, 它们在不同的研究设计(如单因素和多 因素被试间、被试内和混合实验设计)或在不同的数据条件下(如小样本、方差异质等)可能有不同的计算方法 和用法, 但许多效应量可以相互转换。我们梳理出一个表格有助应用工作者根据研究目的和研究类型选用合 适的效应量。 关键词 效应量; 差异; 相关; 组重叠 分类号 B841.2
于控制组的相对位置(百分等级), 二是两组分布 不重叠的程度。Cohen (1969)提出, d=0.2、d=0.5 和 d=0.8 分别对应于小、中、大的效应量, 这三 个效应量对应的“实验组均值在控制组的百分等 级”分别为 58%、69%和 79%, “两组分布不重叠的 比例”分别为 14.7%、33.0%和 47.4%。但是, Cohen 也指出不可盲目使用这一标准, 如果把它严格当 成像显著性的 0.05 临界值那样, 我们又愚蠢的使用 了另一套测量标准(参见 Thompson, 2001), 因为在 某些专业领域(如医学), 有时即使是非常小的效应 量也是很重要的, 所以建议对效应量大小的解释最 好还是参照以往的研究成果或实际情况进行。
用各组的样本均值代替各组的总体均值, 就可以
估计Ψ, 问题是如何估计σ。混合方差σ2 通常用各
组样本方差的“加权”平均来估计, “加权”的方法
主要有下面三种, 每一种都相应地产生一种效应
量计算公式：
(1)只 用 要 比 较 的 组 来 “加 权 ”计 算 (Cohen,
1969)。
(2)当方差同质假设成立时, 实验设计条件下
+
ya2b2 )
严重高估δ, Hedges 和 Olkin (1985)提出用 c(m)=
1− 3 来校正 4m −1
d
(其中 m = n1 + n2 − 2 ),
也用
来校正 Δ (其中 m = n2 −1 )。
2.1.2 多因素实验设计
即使是比较同样两组均值的差异, 不同的实
验设计也会有不同的效应量, 因为效应量衡量的
各取一个水平得到的水平组合, 有多少种组合就
有多少种实验处理。我们感兴趣的各种差异, 都
可以用线性对比呈现出来, 包括主效应, 交互效
应和简单主效应(Bird, 2004)。
例如, 一个实验探讨小学生“对文章内容的
不同预期对阅读理解的影响”, 有两个因素：因素
A—— 不同类型标题提示, 有 2 个水平：正确提
文献上出现过的效应量种类繁多, 本文按效 应 量 的 统 计 意 义 将 其 分 成 如 下 三 类 ： (1) 差 异 类 (difference-type), (2)相关类(correlation-type ), (3) 组重叠(group-overlap), 详见表 1。
文献上关于效应量的分类不尽一致, 大多数 研究把差异类、相关类和方差比效应量归为三大 类。但仔细分析可以发现, 方差比效应量(如 R2、 η2、ω2、ε2)与相关大小有关, 可以归为相关类。 以往的研究中较少提及组重叠类效应量, 考虑到 一些数据条件的限制(如总体非正态、方差不同质 等), 同时它具有差异类和相关类效应量所有和所没 有的优点, 所以把组重叠类效应量单独作为一类。
量有以下几个好处(Ruscio, 2008)：区分统计显著 性和实际显著性(Kirk, 1996); 通过元分析方法累 计或比较以往研究结果(Hunter & Schmidt, 2004); 估计统计检验力(Cohen, 1988)。效应量与研究设 计和研究目的有关, 它可以是任何我们感兴趣的 量的大小, 可以涉及单变量、双变量和多变量。 如我们熟悉的均值、均值的差异、中位数、相关 系数、频率、回归的斜率以及方差的比例等(Lipsey & Wilson, 2000)。