effect size

• türkçesi etki büyüklüğü. bilimsel çalışmalarda istatistiksel analiz sonucunda elde edilen değerlerin (r, t, vb) evren değerlerine ne kadar genellenebileceğine ilişkin bir ölçüt. analiz türüne göre, d, r, eta, ƒ2 vs. olabilir. özellikle meta analiz çalışmalarında kullanılır. yurt dışındaki dergilerin çoğu yayımlayacakları makaleler için yazarlardan bu değerleri istemekteler. türkiye'de ise henüz yaygın değil.
• etki büyüklüğünün özü bir çalışmadaki uygulanan yöntem ile diğer yöntem arasındaki farkın ne düzeyde olduğudur. örneğin sınıfta drama yöntemi uygulamanın akademik başarılarına daha yararlı olacağı görüşündesiniz. bir gruba drama temelli etkinlikler uygularken (deney) diğer gruba düz anlatım (kontrol) gibi farklı bir yöntem uyguluyorsunuz. iki grubun ortalama büyüklüklerini, standart sapmalarını ve örneklem büyüklüklerini kullanarak etki büyüklüğünü hesaplıyorsunuz. etki büyüklüğü ne kadar yüksekse o kadar etkili oluyor çalışmanız.
  coe bunun türkçe mealini şöyle anlatıyor "akademik başarı üzerinde yaptığınız etkinliklerde etki büyüklüğü deney grubu lehine 0,4 çıktı. bunu şöyle yorumlayabilirsiniz deney grubundaki öğrenciler kontrol grubundaki öğrencilerden %50 daha başarılı."
• anlamlılığın belirlenmesinde sadece p değeri kullanılması tartışmalıdır. genelde iyi makaleler p değeri yanında etki büyüklüğünü istemektedirler. yapılan analize göre hesaplaması da değişmektedir. şu videoya göz atabilirsiniz.
• istatistik alaninda ve ozellikle tip istatistiginde kullanilmasi zorunlu olmasi gereken olcu birimi. en buyuk sebebi ise p-hacking dedigimiz kavram. hepimiz haberlerde gormusuzdur, kahve kansere neden oluyor gibi basliklari. bu tarz arastirmalarin cok onemli bir eksigi effect size ya hic belirtmemeleri ya da arkaplana atmalaridir. tip alaninda effect size cut-off noktalarini bilmiyorum ancak diger alanlarda 0.01'lik bir effect size cok kucuk olarak degerlendirilir.
  
  kahve-kanser arastirmasina donecek olursak effect size 0.01 diyelim. yani gayet negligible bir etki var aslinda. ancak bu arastirmayi yapanlar p-hacking uygualadiklari icin --yani ellerinde kucuk effect size olmasina ragmen sirf anlamli bir sonuc ciksin diye devasa bir sample size kullandiklarindan-- arastirmanin sonucunda null hipotezi reddetmeyi basarmislardir(istatistiksel olarak anlamli bir sonuc bulmuslardir) ve bunun sonucunda bastiklari makale ile kahve kanser neden oluyor demislerdir. ancak sadece effect size'a bakildigi durumda arastirmanin cok da iyi bir sonuca ulasmadigini soyleyebiliriz.
  
  sirf bunu onlemek icin effect size kullanilmasi gerekir. linear regresyin yapanlar buna r degerinden asinadir. ozellikle sosyal bilimcilerin asina oldugu 'anlamli ancak zayif' iliskide effect size'in bir ornegidir. mesela p degeriniz 0.00001 ciksin eger r degeriniz 0.001 falan cikarsa guclu bir iliskiden soz edemyiz. bunu da zayif bir iliski olarak yorumlariz.