Während p-Werte anzeigen, wie wahrscheinlich ein beobachteter Unterschied unter der Annahme der Nullhypothese ist, beschreibt die Effektstärke die tatsächliche Größe eines Effekts oder Einflusses. In der empirischen Forschung ist sie zentral, da sie die Ausprägung eines Effekts quantifiziert und die Grundlage für die Planung zukünftiger Studien liefert – etwa zur Bestimmung der notwendigen Stichprobengröße.

In Studien mit großen Stichproben ist es wahrscheinlicher, dass die Nullhypothese (H0) abgelehnt wird und ein Ergebnis statistisch signifikant erscheint. Je früher dies der Fall ist, desto größer ist die Power (auch Teststärke oder seltener Trennschärfe) eines Tests. Eine hohe Power bedeutet, dass auch kleine Effekte erkannt werden können – allerdings kann dies dazu führen, dass selbst statistisch signifikante Ergebnisse ohne praktische Bedeutung sind.

Viele Statistiker betonen deshalb, dass neben p-Werten verstärkt auch Effektstärken berücksichtigt werden sollten. Nur so lässt sich die praktische Relevanz eines Ergebnisses realistisch einschätzen – insbesondere bei großen Stichproben, wo selbst kleinste Mittelwertsunterschiede als signifikant gelten können. Eine vertiefende Diskussion zu diesem Thema bietet z. B. Sedlmeier (2009).

Das ist die grundlegende Annahme der Effektstärke. Es ist ein wichtiges Maß, allerdings ist es der Idee entwachsen einer Faustformel.

Die Effektstärke ist die unterschätze Schwester des P-Value.

Mister Asker


Bewertung der Effektstärk

Referenzwerte zur Interpreation der der Effektstärke (BETA VERSION)

Hypothesenart Testart Effektstärkemaß Info Klein Mittel Groß
Zusammenhangshypothese
Zusammenhang Bravais-Pearson r −1 bis 1 0.10 0.30 0.50
Spearman ρ (rho) −1 bis 1 0.10 0.30 0.50
Cramérs V V 0 – 1 0.10–0.30 0.40–0.50 > 0.50
Unterschiedshypothese
t-Test Unabhängig Cohen d gleich große Gruppen 0.20 0.50 0.80
Abhängig r √(t²/(t²+df)) 0.10 0.30 0.50
Hedges g – 0.20 0.50 0.80
Mann-Whitney r r = Z / √n 0.10 0.30 0.50
Wilcoxon r / w √(χ² / n) 0.10 0.30 0.50
Kruskal-Wallis r / w √(χ² / n) 0.10 0.30 0.50
Einfaktorielle ANOVA η²partial η² partielles Eta² 0.01 0.06 0.14
Cohen f f Cohen 1988 0.10 0.25 0.40
Omega² ω² – 0.01 0.06 0.14
Mehrfaktorielle ANOVA η² / f / ω² partiell 0.01 0.06 0.14
Friedman w √(χ² / n) 0.10 0.30 0.50