📊Cohen's d Effect Size
কী Cohen's d Effect Size?
▾
কোহেনের d হল একটি প্রমিত প্রভাবের আকার যা বর্ণনা করে যে দুটি গোষ্ঠীর মানে আদর্শ বিচ্যুতি ইউনিটে কত দূরত্বে রয়েছে। এটি গুরুত্বপূর্ণ কারণ শুধুমাত্র পরিসংখ্যানগত তাত্পর্যই আপনাকে বলে না যে একটি পার্থক্য আসলে কতটা বড় বা অর্থপূর্ণ। একটি অধ্যয়ন একটি খুব ছোট পি-মান তৈরি করতে পারে কারণ নমুনাটি বড়, যখন গ্রুপগুলির মধ্যে ব্যবহারিক পার্থক্য এখনও ছোট হতে পারে। কোহেনের ডি একটি ভিন্ন প্রশ্নের উত্তর দিতে সাহায্য করে: ডেটার পরিবর্তনশীলতার সাথে আপেক্ষিক ব্যবধানটি কত বড়? গবেষক, ছাত্র এবং বিশ্লেষকরা চিকিত্সা এবং নিয়ন্ত্রণ গোষ্ঠী, হস্তক্ষেপের আগে-পরে, শিক্ষাগত ফলাফল এবং অন্যান্য অনেক দ্বি-গোষ্ঠী তুলনা করার সময় এটি ব্যবহার করেন। একটি ক্যালকুলেটর দরকারী কারণ পার্থক্যটি প্রমিত হওয়ার আগে সূত্রটির জন্য একটি পুলড স্ট্যান্ডার্ড বিচ্যুতিতে গ্রুপ উপায় এবং স্ট্যান্ডার্ড বিচ্যুতিগুলিকে একত্রিত করা প্রয়োজন। এটি একটি ব্যায়ামের জন্য হাতে পরিচালনা করা যায়, তবে অনেক বিশ্লেষণে ক্লান্তিকর। ফলাফলটি সাধারণত ছোট, মাঝারি এবং বড়ের মতো রুক্ষ বেঞ্চমার্ক রেঞ্জ দিয়ে ব্যাখ্যা করা হয়, যদিও সেই লেবেলগুলি সর্বদা অনমনীয় সার্বজনীন সত্যের পরিবর্তে নিয়ম হিসাবে বোঝানো হয়েছিল। প্রসঙ্গ গুরুত্বপূর্ণ। একটি ক্ষেত্রে, একটি শালীন প্রভাব এখনও অত্যন্ত গুরুত্বপূর্ণ হতে পারে, যখন অন্য ক্ষেত্রে, একটি বৃহত্তর প্রভাব অনুশীলনে গুরুত্বপূর্ণ হতে পারে। ক্যালকুলেটর সবচেয়ে সহায়ক যখন আত্মবিশ্বাসের ব্যবধান, অধ্যয়নের নকশা এবং ডোমেন জ্ঞানের সাথে তাদের প্রতিস্থাপনের পরিবর্তে ব্যবহার করা হয়। এটি কাঁচা গোষ্ঠীর পার্থক্যগুলিকে একটি সাধারণ স্কেলে পরিণত করে যা অধ্যয়ন এবং ফলাফল জুড়ে তুলনা করা সহজ।
PrimeCalcPro provides professional-grade tools trusted by businesses and academics.
সূত্র
▾
Cohen's d = (mean_1 - mean_2) / পুল স্ট্যান্ডার্ড বিচ্যুতি। অনুরূপ গ্রুপ আকারের জন্য একটি সাধারণ পুল করা স্ট্যান্ডার্ড বিচ্যুতি ফর্ম হল sqrt((sd_1^2 + sd_2^2)/2)। কাজের উদাহরণ: যদি গড়_1 = 50, গড়_2 = 44, এবং উভয় আদর্শ বিচ্যুতি 10 হয়, তাহলে d = (50 - 44) / 10 = 0.6।চলক বর্ণনা
▾
| প্রতীক | নাম | একক | বিবরণ |
|---|---|---|---|
| s d | গণনা করা হয়েছে | — | (mean_1 - mean_2) / পুল স্ট্যান্ডার্ড বিচ্যুতি হিসাবে গণনা করা হয়, যা cohens d গণনার একটি মূল প্যারামিটার যা চূড়ান্ত গণনা করা ফলাফলকে সরাসরি প্রভাবিত করে |
| d | দূরত্ব | — | দূরত্ব, অবমূল্যায়ন বা ডিসকাউন্ট ফ্যাক্টর, যা কোহেনস ডি গণনার একটি মূল প্যারামিটার যা চূড়ান্ত গণনা করা ফলাফলকে সরাসরি প্রভাবিত করে |
| A | মোট সঞ্চিত পরিমাণ | — | মোট জমাকৃত পরিমাণ বা বার্ষিক মূল্য, যা cohens d গণনার একটি মূল প্যারামিটার যা চূড়ান্ত গণনা করা ফলাফলকে সরাসরি প্রভাবিত করে |
কীভাবে Cohen's d Effect Size
▾
- 1আপনার সূত্রের সংস্করণের প্রয়োজন হলে নমুনা আকার সহ দুটি গোষ্ঠীর অর্থ এবং তাদের মানক বিচ্যুতি লিখুন।
- 2পুল করা স্ট্যান্ডার্ড বিচ্যুতি গণনা করুন বা উপযুক্ত হলে সরলীকৃত সমান-প্রকরণ ফর্মটি ব্যবহার করুন।
- 3অপরিশোধিত গড় পার্থক্য খুঁজে পেতে একটি গ্রুপের গড় বিয়োগ করুন।
- 4কোহেনের d পেতে পুল করা মান বিচ্যুতি দ্বারা গড় পার্থক্যকে ভাগ করুন।
- 5শুধুমাত্র জেনেরিক ছোট, মাঝারি এবং বড় লেবেলের উপর নির্ভর না করে প্রসঙ্গে ফলাফলের ব্যাখ্যা করুন।
সমাধান করা উদাহরণ
▾
এটি প্রায়ই প্রচলিত মানদণ্ড দ্বারা একটি মাঝারি প্রভাব হিসাবে বর্ণনা করা হয়।
গড় পার্থক্য হল 6 এবং পুল করা স্ট্যান্ডার্ড বিচ্যুতি হল 10, তাই 6 কে 10 দিয়ে ভাগ করলে 0.6 পাওয়া যায়। ফলাফল বলে যে গ্রুপ মানে একটি আদর্শ বিচ্যুতির ছয়-দশমাংশ দ্বারা বিভক্ত।
একটি পরিসংখ্যানগত বাস্তব পার্থক্য এখনও কার্যত বিনয়ী হতে পারে।
এমনকি যদি ফলাফলটি একটি বড় নমুনায় পরিসংখ্যানগতভাবে তাৎপর্যপূর্ণ হয়, 0.25 এর একটি d প্রস্তাব করে যে গ্রুপগুলি একটি আদর্শ বিচ্যুতির মাত্র এক চতুর্থাংশ। এটা মাঠের উপর নির্ভর করে অনেক কিছু হতে পারে বা নাও হতে পারে।
গোষ্ঠীগুলি সম্পূর্ণ আদর্শ বিচ্যুতি দ্বারা পৃথক হয়।
1.0 এর একটি d সাধারণত গ্রুপগুলির মধ্যে একটি বড় বিচ্ছেদ নির্দেশ করে। ব্যবহারিক অর্থ এখনও অধ্যয়নের প্রেক্ষাপট, ফলাফল এবং পরিমাপের স্কেলের উপর নির্ভর করে।
চিহ্নটি দিক নির্দেশ করে, আকারের গুণমান নয়।
একটি নেতিবাচক মান সহজভাবে নির্দেশ করে যে প্রথম গ্রুপের গড়টি নির্বাচিত বিয়োগ ক্রম অনুসারে দ্বিতীয় গ্রুপের গড় থেকে কম। 0.5 এর মাত্রাই প্রভাবের আকারকে প্রতিফলিত করে।
বাস্তব প্রয়োগ
▾
চিকিত্সা এবং নিয়ন্ত্রণ গোষ্ঠীর মাত্রা তুলনা করা — এই অ্যাপ্লিকেশনটি সাধারণত পেশাদারদের দ্বারা ব্যবহৃত হয় যাদের তাদের নিজ নিজ ক্ষেত্রে সিদ্ধান্ত গ্রহণ, বাজেট এবং কৌশলগত পরিকল্পনা সমর্থন করার জন্য সুনির্দিষ্ট পরিমাণগত বিশ্লেষণের প্রয়োজন।
অধ্যয়ন জুড়ে প্রভাবের আকারের সংক্ষিপ্তকরণ — শিল্প অনুশীলনকারীরা বেঞ্চমার্ক পারফরম্যান্সের জন্য এই গণনার উপর নির্ভর করে, বিকল্পগুলির তুলনা করে এবং প্রতিষ্ঠিত মান এবং নিয়ন্ত্রক প্রয়োজনীয়তাগুলির সাথে সম্মতি নিশ্চিত করে, বিশ্লেষকদের সঠিক ফলাফল তৈরি করতে সহায়তা করে যা কৌশলগত পরিকল্পনা, সংস্থান বরাদ্দকরণ, এবং প্রতিষ্ঠান জুড়ে কর্মক্ষমতা বেঞ্চমার্কিং সমর্থন করে।
তাত্পর্য পরীক্ষায় ব্যবহারিক স্কেল যোগ করা — একাডেমিক গবেষক এবং শিক্ষার্থীরা তাত্ত্বিক মডেল যাচাই করতে, কোর্সওয়ার্ক অ্যাসাইনমেন্ট সম্পূর্ণ করতে এবং অন্তর্নিহিত গাণিতিক নীতিগুলির গভীরতর বোঝার বিকাশের জন্য এই গণনাটি ব্যবহার করে
গবেষকরা পরীক্ষামূলক ডেটা প্রক্রিয়া করতে, তাত্ত্বিক মডেলগুলিকে যাচাই করতে এবং পিয়ার-রিভিউড স্টাডিতে প্রকাশের জন্য পরিমাণগত ফলাফল তৈরি করতে, ডেটা-চালিত মূল্যায়ন প্রক্রিয়াগুলিকে সমর্থন করার জন্য কোহেনস ডি কম্পিউটেশন ব্যবহার করেন যেখানে সম্মতি, রিপোর্টিং এবং অপ্টিমাইজেশন উদ্দেশ্যগুলির জন্য সংখ্যাসূচক নির্ভুলতা অপরিহার্য।
বিশেষ ক্ষেত্র
▾
অসম প্রকরণ সতর্কতা
{'title': 'অসমান বৈকল্পিক সতর্কতা', 'body': 'যদি গোষ্ঠীগুলির স্প্রেড বা নমুনার আকার খুব আলাদা থাকে, তাহলে স্ট্যান্ডার্ড পুলড পদ্ধতির অতিরিক্ত যত্নের প্রয়োজন হতে পারে এবং আরও উপযুক্ত প্রভাব-আকারের বৈকল্পিক অগ্রাধিকারযোগ্য হতে পারে।'} cohens d গণনায় এই পরিস্থিতির মুখোমুখি হওয়ার সময়, ব্যবহারকারীদের যাচাই করা উচিত যে তাদের ইনপুট অর্থের জন্য প্রত্যাশিত ফলাফলের মানের মধ্যে পড়ে। সীমার বাইরের ইনপুটগুলি গাণিতিকভাবে বৈধ কিন্তু কার্যত অর্থহীন আউটপুটগুলির দিকে নিয়ে যেতে পারে যা বাস্তব-বিশ্বের অবস্থাকে প্রতিফলিত করে না।
জোড়া নকশা সমস্যা
{'title': 'জোড়া নকশা সমস্যা', 'body': "জোড়া বা বারবার-পরিমাপের ডেটার জন্য, একটি সাধারণ স্বাধীন-গোষ্ঠী কোহেনের d সঠিক প্রভাব-আকারের সূত্র নাও হতে পারে কারণ বিষয়ের মধ্যে নির্ভরতা গণনাকে পরিবর্তন করে৷ যখন এই পরিস্থিতি ঘটে তখন অনুশীলনকারীদের নথিভুক্ত করা উচিত এবং বিবেচনা করা উচিত যে বিকল্প গণনা পদ্ধতি বা সমন্বয়ের কারণগুলি তাদের নির্দিষ্ট ব্যবহারের ক্ষেত্রে আরও উপযুক্ত কিনা।
নেতিবাচক ইনপুট মান ডোমেন প্রসঙ্গের উপর নির্ভর করে cohens d-এর জন্য বৈধ হতে পারে বা নাও হতে পারে।
কিছু সূত্র নেতিবাচক সংখ্যা গ্রহণ করে (যেমন, তাপমাত্রা, পরিবর্তনের হার), অন্যদের কঠোরভাবে ইতিবাচক ইনপুট প্রয়োজন। ব্যবহারকারীদের আউটপুটের উপর নির্ভর করার আগে তাদের নির্দিষ্ট দৃশ্যপট নেতিবাচক মান অনুমোদন করে কিনা তা পরীক্ষা করা উচিত। cohens d এর সাথে কাজ করা পেশাদারদের এই পরিস্থিতিতে বিশেষভাবে মনোযোগী হওয়া উচিত কারণ এটি সঠিকভাবে পরিচালনা না করলে বিভ্রান্তিকর ফলাফল হতে পারে। সর্বদা সীমানা শর্ত যাচাই করুন এবং স্বাধীন পদ্ধতির সাথে ক্রস-চেক করুন যখন এই কেসটি বাস্তবে দেখা দেয়।
প্রচলিত কোহেনের ডি বেঞ্চমার্ক
▾
| পরম d মান | সাধারণ লেবেল | ব্যাখ্যা নোট |
|---|---|---|
| প্রায় 0.2 | ছোট | লক্ষণীয় কিন্তু সীমিত বিচ্ছেদ |
| প্রায় 0.5 | মাঝারি | মাঝারি পার্থক্য |
| প্রায় 0.8 | বড় | উল্লেখযোগ্য পার্থক্য |
| 1.0 বা তার বেশি | অনেক বড় | গোষ্ঠীগুলি ব্যাপকভাবে বিভক্ত |
সচরাচর জিজ্ঞাসা
▾
কোহেনের ডি কি?
কোহেনের d হল একটি প্রমিত প্রভাবের আকার যা স্ট্যান্ডার্ড ডেভিয়েশন ইউনিটে দুটি মাধ্যমের মধ্যে পার্থক্য প্রকাশ করে। এটি পরিসংখ্যানগতভাবে একটি পার্থক্য সনাক্তযোগ্য কিনা তা নয়, মাত্রা দেখাতে সাহায্য করে। অনুশীলনে, এই ধারণাটি cohens d-এর কেন্দ্রীয় কারণ এটি ইনপুট ভেরিয়েবলের মধ্যে মূল সম্পর্ক নির্ধারণ করে। এটি বোঝা ব্যবহারকারীদের ফলাফলগুলিকে আরও সঠিকভাবে ব্যাখ্যা করতে এবং তাদের নির্দিষ্ট প্রসঙ্গে বাস্তব-বিশ্বের পরিস্থিতিতে প্রয়োগ করতে সহায়তা করে।
আপনি কিভাবে কোহেনের ডি গণনা করবেন?
একটি গ্রুপের গড় অন্য থেকে বিয়োগ করুন এবং একটি পুল করা মানক বিচ্যুতি দ্বারা ভাগ করুন। সঠিক পুল করা সূত্র ডিজাইন এবং অনুমানের উপর নির্ভর করে পরিবর্তিত হতে পারে। প্রদত্ত ইনপুটগুলিতে পদ্ধতিগতভাবে অন্তর্নিহিত সূত্র প্রয়োগ করা প্রক্রিয়াটির অন্তর্ভুক্ত। গণনার প্রতিটি ভেরিয়েবল চূড়ান্ত ফলাফলে অবদান রাখে এবং তাদের পৃথক ভূমিকা বোঝা সঠিক প্রয়োগ নিশ্চিত করতে সহায়তা করে। ক্ষেত্রের বেশিরভাগ পেশাদার একটি ধাপে ধাপে পদ্ধতি অনুসরণ করে, চূড়ান্ত উত্তরে পৌঁছানোর আগে মধ্যবর্তী ফলাফল যাচাই করে।
একটি নেতিবাচক কোহেনের d এর অর্থ কী?
এর অর্থ হল প্রথম গোষ্ঠীর গড়টি আপনার ব্যবহৃত বিয়োগ ক্রম অনুসারে দ্বিতীয়টির চেয়ে কম ছিল। চিহ্নটি দিক নির্দেশ করে, যখন পরম মানটি বিশালতা দেখায়। অনুশীলনে, এই ধারণাটি cohens d-এর কেন্দ্রীয় কারণ এটি ইনপুট ভেরিয়েবলের মধ্যে মূল সম্পর্ক নির্ধারণ করে। এটি বোঝা ব্যবহারকারীদের ফলাফলগুলিকে আরও সঠিকভাবে ব্যাখ্যা করতে এবং তাদের নির্দিষ্ট প্রসঙ্গে বাস্তব-বিশ্বের পরিস্থিতিতে প্রয়োগ করতে সহায়তা করে।
কোহেনের ডি-এর সাধারণ মানদণ্ড কী কী?
একটি সাধারণ কনভেনশন প্রায় 0.2 ছোট, 0.5 মাঝারি এবং 0.8 বড় হিসাবে লেবেল করে। এগুলি মোটামুটি নির্দেশিকা এবং প্রসঙ্গ-নির্দিষ্ট রায় প্রতিস্থাপন করা উচিত নয়৷ ব্যবহারিক অ্যাপ্লিকেশনে cohens d গণনার সাথে কাজ করার সময় এটি একটি গুরুত্বপূর্ণ বিবেচনা। উত্তরটি নির্ভর করে নির্দিষ্ট ইনপুট মান এবং যে প্রেক্ষাপটে গণনাটি প্রয়োগ করা হচ্ছে তার উপর। সর্বোত্তম ফলাফলের জন্য, ব্যবহারকারীদের তাদের নির্দিষ্ট প্রয়োজনীয়তা বিবেচনা করা উচিত এবং পরিচিত বেঞ্চমার্ক বা পেশাদার মানগুলির বিরুদ্ধে আউটপুট যাচাই করা উচিত।
কেন শুধুমাত্র পি-মানগুলির পরিবর্তে কোহেনের ডি ব্যবহার করবেন?
P-মানগুলি প্রধানত একটি মডেলের অধীনে একটি শূন্য অনুমানের সাথে ডেটা অসামঞ্জস্যপূর্ণ কিনা তা সম্বোধন করে, যখন কোহেনের ডি বর্ণনা করে যে পর্যবেক্ষণ করা পার্থক্যটি কত বড়। তথ্য উভয় টুকরা প্রায়ই একসঙ্গে দরকারী. এটি গুরুত্বপূর্ণ কারণ সঠিক কোহেন ডি গণনা সরাসরি পেশাদার এবং ব্যক্তিগত প্রসঙ্গে সিদ্ধান্ত গ্রহণকে প্রভাবিত করে। সঠিক গণনা ছাড়া, ব্যবহারকারীরা অসম্পূর্ণ বা ভুল পরিমাণগত বিশ্লেষণের উপর ভিত্তি করে সিদ্ধান্ত নেওয়ার ঝুঁকি নেয়।
কত ঘন ঘন কোহেনের ডি পুনরায় গণনা করা উচিত?
গোষ্ঠীর অর্থ, মানক বিচ্যুতি, নমুনা সংজ্ঞা, বা বিশ্লেষণ পছন্দ পরিবর্তন হলে পুনরায় গণনা করুন। এমনকি স্প্রেডের মাঝারি পরিবর্তনও মানসম্মত প্রভাবকে অর্থপূর্ণভাবে পরিবর্তন করতে পারে। প্রদত্ত ইনপুটগুলিতে পদ্ধতিগতভাবে অন্তর্নিহিত সূত্র প্রয়োগ করা প্রক্রিয়াটির অন্তর্ভুক্ত। গণনার প্রতিটি ভেরিয়েবল চূড়ান্ত ফলাফলে অবদান রাখে এবং তাদের পৃথক ভূমিকা বোঝা সঠিক প্রয়োগ নিশ্চিত করতে সহায়তা করে। ক্ষেত্রের বেশিরভাগ পেশাদার একটি ধাপে ধাপে পদ্ধতি অনুসরণ করে, চূড়ান্ত উত্তরে পৌঁছানোর আগে মধ্যবর্তী ফলাফল যাচাই করে।
কোহেনের ডি ব্যাখ্যা করার সময় সবচেয়ে বড় ভুল কি?
একটি সাধারণ ভুল হল বেঞ্চমার্ক লেবেল যেমন ছোট বা বড়কে সর্বজনীন সত্য হিসাবে বিবেচনা করা। ওষুধ, শিক্ষা, মনোবিজ্ঞান বা ইঞ্জিনিয়ারিং জুড়ে একই প্রভাবের আকার খুব আলাদাভাবে গুরুত্বপূর্ণ। অনুশীলনে, এই ধারণাটি cohens d-এর কেন্দ্রীয় কারণ এটি ইনপুট ভেরিয়েবলের মধ্যে মূল সম্পর্ক নির্ধারণ করে। এটি বোঝা ব্যবহারকারীদের ফলাফলগুলিকে আরও সঠিকভাবে ব্যাখ্যা করতে এবং তাদের নির্দিষ্ট প্রসঙ্গে বাস্তব-বিশ্বের পরিস্থিতিতে প্রয়োগ করতে সহায়তা করে।
এড়ানোর সাধারণ ভুল
▾
- !ইনপুট মানগুলির জন্য ভুল বা অমিল একক ব্যবহার করা
- !প্রান্ত কেস বা সীমানা অবস্থার জন্য অ্যাকাউন্ট ভুলে যাওয়া
- !বৃত্তাকার মধ্যবর্তী মান গণনার খুব তাড়াতাড়ি
- !ইনপুট মানগুলি cohens d এর জন্য বৈধ ব্যাপ্তির মধ্যে পড়ে তা যাচাই করা হচ্ছে না
প্রো টিপ
গণনা করার আগে সর্বদা আপনার ইনপুট মান যাচাই করুন। cohens d-এর জন্য, ছোট ইনপুট ত্রুটিগুলি যৌগিক হতে পারে এবং চূড়ান্ত ফলাফলকে উল্লেখযোগ্যভাবে প্রভাবিত করতে পারে।
আপনি কি জানেন?
কোহেন নিজেই সতর্ক করেছিলেন যে পরিচিত ছোট, মাঝারি এবং বড় কাটঅফগুলি ছিল কনভেনশন, সার্বজনীন নিয়ম নয় যা বিষয়-বিষয়ের বিচারকে অগ্রাহ্য করতে হবে।
Regional Guides
▾
🇺🇸 US▾
🇬🇧 UK▾
🇪🇺 EU▾
তথ্যসূত্র
Read the full guide on how to use this calculator effectively
আরও পড়ুন →সাপ্তাহিক গণিত টিপস পান
১২,০০০+ সদস্যদের সাথে যোগ দিন যারা প্রতি সপ্তাহে ক্যালকুলেটর টিপস পান।