Mikä on vaikutuksen koko? | Tilastot

Efektikoko on tapa mitata kahden muuttujan välisen tilastollisen suhteen voimakkuutta. Se on standardoitu mittari, jota käytetään ilmaisemaan intervention tai hoidon vaikutuksen suuruusluokkaa. Toisin sanoen, kuinka suuri vaikutus on.

Suuret vs. pienet vaikutuskoot

Fysioterapiassa vaikutuskokoja voidaan käyttää eri hoitomuotojen tehokkuuden määrittämiseen esimerkiksi epäspesifisen kroonisen alaselkäkivun tai polven nivelrikon kaltaisissa sairauksissa. Jos esimerkiksi selkäkivun hoitoon tarkoitetun harjoitusohjelman vaikutus on suuri, se tarkoittaa, että hoidolla on voimakas positiivinen vaikutus kivun vähentämiseen. Toisaalta, jos vaikutuksen koko on pieni, hoidolla on minimaalinen vaikutus kivun vähentämiseen.

Vaikutuskoko on riippumaton otoskoon suuruudesta, joten pieni otoskoko ei välttämättä tarkoita pientä vaikutuskokoa. Pienillä näytteillä voi olla suuri vaikutus ja päinvastoin.

Eri tutkimusten vertailu

Efektikoot voivat olla erityisen hyödyllisiä lääketieteellisessä tutkimuksessa, koska niiden avulla voidaan vertailla hoidon vaikutuksia eri tutkimuksissa, väestöissä ja tulosmittareissa. Esimerkiksi kahdessa tutkimuksessa voidaan todeta, että hoidolla on tilastollisesti merkitsevä tulos. Yksi tutkimus voi kuitenkin osoittaa toista tutkimusta suurempaa vaikutuskokoa, mikä osoittaa, että hoito voi olla tehokkaampaa tietyissä yhteyksissä tai tietyissä väestöryhmissä.

Vaikutuskoko on riippumaton otoskoon suuruudesta, joten pieni otoskoko ei välttämättä tarkoita pientä vaikutuskokoa. Pienillä näytteillä voi olla suuri vaikutus ja päinvastoin.

Cohenin d

Fysioterapiatutkimuksissa käytetty yleinen vaikutuksen kokoa kuvaava tilasto on Cohenin d, jossa verrataan tuloksen (esim. kipupisteiden) keskimääräistä muutosta kahden ryhmän (esim. hoito- ja kontrolliryhmä) välillä ja ilmaistaan se keskihajontana. Tutkimuksesta riippuen voidaan käyttää myös muita vaikutuksen kokoa kuvaavia tilastoja, kuten Hedgen g:tä tai r:ää.

Pieni p-arvo ≠ suuri vaikutuksen koko

Lisäksi vaikutuskoot voivat auttaa poistamaan p-arvojen rajoitukset, joita käytetään usein lääketieteellisten tutkimusten tilastollisen merkitsevyyden määrittämiseen. P-arvot kertovat vain, onko havaittu vaikutus tilastollisesti merkitsevä, mutta ne eivät anna tietoa vaikutuksen suuruudesta. Sen sijaan vaikutusten koot mittaavat vaikutuksen käytännön tai kliinistä merkitystä, mikä voi olla tärkeämpää lääketieteellisten päätösten tekemisen kannalta.

On tärkeää ymmärtää, että p-arvo ei kerro vaikutuksen suuruutta. Jotkut lukijat ajattelevat, että kun tietty p-arvo on alhainen, se tarkoittaa, että vaikutus on suuri. Tämä ei ole totta. Valtava otos, jossa ryhmien välillä on vain pieni ero, voi tuottaa pienen p-arvon.

Helppo laskenta

Jotkin tutkijat eivät ilmoita vaikutusten kokoja julkaisuissaan. Vaikutuksen suuruuden saat selville laskemalla kirjekuoren taaksepäin:

Cohenin d-kaava:

(M1 - M2)/SDpooled

M1: keskiarvo 1

M2: keskiarvo 2

SDpooled: yhdistetty keskihajonta

On tärkeää huomata, että tämä kaava toimii parhaiten otoksille, jotka ovat suurempia kuin n = 50 ja joiden ryhmäkoko on yhtä suuri. Pienemmissä ryhmissä vaikutukset näyttävät suuremmilta kuin ne todellisuudessa ovat. Tämä johtuu tietojen kohinasta.

Viite

Kamper S. J. (2019). Tulosten tulkinta 2-tilastollinen merkitys ja kliininen mielekkyys: Todisteiden yhdistäminen käytäntöön. The Journal of orthopaedic and sports physical therapy, 49(7), 559-560.

Nuzzo R. (2014). Tieteellinen menetelmä: tilastolliset virheet. Nature, 506(7487), 150-152.