效果量是衡量自变量对因变量影响强度的统计指标，其核心特点和作用如下：

一、定义与核心作用

定义

效果量（Effect Size）指自变量变化对因变量产生的实际影响程度，不依赖于样本大小。它反映了变量间关联的强度和实验效应的真实性。

核心作用

评估实验或研究的实际效果，避免仅依赖统计显著性（如p值）判断；

量化自变量变化对因变量的影响大小，便于不同研究结果比较；

提高研究结果的可重复性和推广性。

二、常用效果量指标

Cohen's d

计算公式：$d = frac{bar{X}_1 - bar{X}_2}{s_p}$

说明：$bar{X}_1$和$bar{X}_2$分别为实验组和对照组的均值，$s_p$为合并标准差。d值范围从-1到1，绝对值越大表示效应越显著。

相关系数（r）

衡量变量间线性关联强度，取值范围为-1到1。r²（决定系数）可转化为效果量指标，例如：

$$r^2 = frac{SS{回}}{SS{总}}$$

其中$SS{回}$为回归平方和，$SS{总}$为总平方和。

标准化路径系数（SPC）

在路径分析中，通过标准化处理后的路径系数衡量自变量对因变量的直接影响强度。

三、效果量与统计显著性的区别

统计显著性（如p值） ：仅判断结果是否显著（如p<0.05），但不反映效应大小；

效果量 ：直接表示效应大小（如Cohen's d = 0.5表示中等效应）。

四、应用示例

假设某药物实验中，实验组血压平均降低5mmHg（标准差10），对照组无变化。计算Cohen's d：

$$d = frac{5}{10} = 0.5$$

根据Cohen的划分标准，d=0.5属于中等效应。

五、注意事项

不同研究领域可能采用特定效果量指标，需根据研究设计选择合适指标（如教育研究中常用r²）；

效果量需结合实际背景解释，例如Cohen认为d=0.2为小效应，0.5-0.8为中效应，0.8以上为大效应。

通过合理使用效果量，研究者可更科学地评估干预效果，避免因样本量不足导致的误判。