12.6: Tamaño del Efecto

Última actualización
Guardar como PDF

Page ID: 150727

Foster et al.
University of Missouri-St. Louis, Rice University, & University of Houston, Downtown Campus via University of Missouri’s Affordable and Open Access Educational Resources Initiative

\( \newcommand{\vecs}[1]{\overset { \scriptstyle \rightharpoonup} {\mathbf{#1}} } \) \( \newcommand{\vecd}[1]{\overset{-\!-\!\rightharpoonup}{\vphantom{a}\smash {#1}}} \)\(\newcommand{\id}{\mathrm{id}}\) \( \newcommand{\Span}{\mathrm{span}}\) \( \newcommand{\kernel}{\mathrm{null}\,}\) \( \newcommand{\range}{\mathrm{range}\,}\) \( \newcommand{\RealPart}{\mathrm{Re}}\) \( \newcommand{\ImaginaryPart}{\mathrm{Im}}\) \( \newcommand{\Argument}{\mathrm{Arg}}\) \( \newcommand{\norm}[1]{\| #1 \|}\) \( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\) \( \newcommand{\Span}{\mathrm{span}}\) \(\newcommand{\id}{\mathrm{id}}\) \( \newcommand{\Span}{\mathrm{span}}\) \( \newcommand{\kernel}{\mathrm{null}\,}\) \( \newcommand{\range}{\mathrm{range}\,}\) \( \newcommand{\RealPart}{\mathrm{Re}}\) \( \newcommand{\ImaginaryPart}{\mathrm{Im}}\) \( \newcommand{\Argument}{\mathrm{Arg}}\) \( \newcommand{\norm}[1]{\| #1 \|}\) \( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\) \( \newcommand{\Span}{\mathrm{span}}\)\(\newcommand{\AA}{\unicode[.8,0]{x212B}}\)

Pearson's\(r\) es una estadística increíblemente flexible y útil. No sólo es descriptivo e inferencial, como vimos anteriormente, sino porque está en una métrica estandarizada (siempre entre -1.00 y 1.00), también puede servir como tamaño de efecto propio. En general, usamos\(r\) = 0.10,\(r\) = 0.30, y\(r\) = 0.50 como nuestras pautas para efectos pequeños, medianos y grandes. Al igual que con las de Cohen\(d\), estas pautas no son absolutas, sino que sí sirven como indicadores útiles en la mayoría de las situaciones. Observe también que estos son los mismos lineamientos que usamos anteriormente para interpretar la magnitud de la relación con base en el coeficiente de correlación.

Además de\(r\) ser su propio tamaño de efecto, hay un tamaño de efecto adicional que podemos calcular para nuestros resultados. Este tamaño del efecto es\(r^2\), y es exactamente lo que parece — es el valor cuadrado de nuestro coeficiente de correlación. Al igual que\(η^2\) en ANOVA,\(r^2\) se interpreta como la cantidad de varianza explicada en la varianza de resultado, y las puntuaciones de corte son las mismas: 0.01, 0.09 y 0.25 para pequeñas, medianas y grandes, respectivamente. Observe aquí que estos son los mismos puntos de corte que usamos para los tamaños de\(r\) efectos regulares, pero al cuadrado (0.102 = 0.01, 0.302 = 0.09, 0.502 = 0.25) porque, nuevamente, el tamaño del\(r^2\) efecto es solo la correlación cuadrada, por lo que su interpretación debe ser, y es, la misma. La razón por la que usamos\(r^2\) como tamaño de efecto es porque nuestra capacidad para explicar la varianza suele ser importante para nosotros.

Las similitudes entre\(η^2\) y\(r^2\) en interpretación y magnitud deberían indicarle el hecho de que son análisis similares, aunque no se parezcan en nada. Eso es porque, detrás de escena, ¡en realidad lo son! En el siguiente capítulo, aprenderemos una técnica llamada Regresión Lineal, que vinculará formalmente los dos análisis juntos.