📊Cohen's d Effect Size
କ'ଣ Cohen's d Effect Size?
▾
କୋହେନଙ୍କ d ହେଉଛି ଏକ ମାନକ ପ୍ରଭାବ ଆକାର ଯାହା ବର୍ଣ୍ଣନା କରେ ଯେ ଦୁଇ ଗୋଷ୍ଠୀର ଅର୍ଥ ଷ୍ଟାଣ୍ଡାର୍ଡ ବିଚ୍ୟୁତି ୟୁନିଟରେ କେତେ ଦୂର ଅଟେ | ଏହା ଗୁରୁତ୍ because ପୂର୍ଣ କାରଣ ପରିସଂଖ୍ୟାନିକ ମହତ୍ତ୍ alone କେବଳ ଆପଣଙ୍କୁ କହି ନଥାଏ ଯେ ପ୍ରକୃତରେ ଏକ ପାର୍ଥକ୍ୟ କେତେ ବଡ଼ କିମ୍ବା ଅର୍ଥପୂର୍ଣ୍ଣ | ଏକ ଅଧ୍ୟୟନ ଅତି ଛୋଟ p- ମୂଲ୍ୟ ଉତ୍ପାଦନ କରିପାରିବ କାରଣ ନମୁନାଟି ବଡ଼, ଯେତେବେଳେ କି ଗୋଷ୍ଠୀ ମଧ୍ୟରେ ବ୍ୟବହାରିକ ପାର୍ଥକ୍ୟ ସାମାନ୍ୟ ହୋଇପାରେ | କୋହେନଙ୍କ d ଏକ ଭିନ୍ନ ପ୍ରଶ୍ନର ଉତ୍ତର ଦେବାକୁ ସାହାଯ୍ୟ କରେ: ତଥ୍ୟର ପରିବର୍ତ୍ତନଶୀଳତା ସହିତ ବ୍ୟବଧାନ କେତେ ବଡ଼? ଅନୁସନ୍ଧାନକାରୀ, ଛାତ୍ର, ଏବଂ ବିଶ୍ଳେଷକମାନେ ଚିକିତ୍ସା ଏବଂ ନିୟନ୍ତ୍ରଣ ଗୋଷ୍ଠୀ, ପୂର୍ବ-ପରେ ହସ୍ତକ୍ଷେପ, ଶିକ୍ଷାଗତ ଫଳାଫଳ ଏବଂ ଅନ୍ୟାନ୍ୟ ଦୁଇ-ଗୋଷ୍ଠୀ ତୁଳନା ତୁଳନାରେ ଏହାକୁ ବ୍ୟବହାର କରନ୍ତି | ଏକ କାଲକୁଲେଟର ଉପଯୋଗୀ କାରଣ ପାର୍ଥକ୍ୟ ମାନକ ହେବା ପୂର୍ବରୁ ସୂତ୍ର ଗୋଷ୍ଠୀ ଅର୍ଥ ଏବଂ ମାନକ ବିଚ୍ୟୁତିକୁ ଏକ ପୁଲଡ୍ ଷ୍ଟାଣ୍ଡାର୍ଡ ବିଚ୍ୟୁତରେ ମିଶ୍ରଣ କରିବା ଆବଶ୍ୟକ କରେ | ଗୋଟିଏ ବ୍ୟାୟାମ ପାଇଁ ତାହା ହାତରେ ପରିଚାଳିତ, କିନ୍ତୁ ଅନେକ ବିଶ୍ଳେଷଣରେ କ୍ଲାନ୍ତ | ଫଳାଫଳ ସାଧାରଣତ rough ଛୋଟ, ମଧ୍ୟମ ଏବଂ ବୃହତ ପରି କଠିନ ବେଞ୍ଚମାର୍କ ରେଞ୍ଜ ସହିତ ବ୍ୟାଖ୍ୟା କରାଯାଇଥାଏ, ଯଦିଓ ସେହି ଲେବଲଗୁଡ଼ିକ ସର୍ବଦା କଠିନ ସର୍ବଭାରତୀୟ ସତ୍ୟ ଅପେକ୍ଷା ସମ୍ମିଳନୀ ହେବା ପାଇଁ ଉଦ୍ଦିଷ୍ଟ ଥିଲା | ପ୍ରସଙ୍ଗ ପ୍ରସଙ୍ଗ | ଗୋଟିଏ କ୍ଷେତ୍ରରେ, ଏକ ସାମାନ୍ୟ ପ୍ରଭାବ ତଥାପି ଅତ୍ୟନ୍ତ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ହୋଇପାରେ, ଅନ୍ୟ କ୍ଷେତ୍ରରେ, ଅଭ୍ୟାସରେ ଗୁରୁତ୍ୱ ଦେବା ପାଇଁ ଏକ ବଡ଼ ପ୍ରଭାବ ଆବଶ୍ୟକ ହୋଇପାରେ | ଆତ୍ମବିଶ୍ୱାସର ବ୍ୟବଧାନ, ଅଧ୍ୟୟନର ଡିଜାଇନ୍, ଏବଂ ଡୋମେନ୍ ଜ୍ଞାନ ସେମାନଙ୍କ ପାଇଁ ବଦଳାଇବା ପରିବର୍ତ୍ତେ ବ୍ୟବହୃତ ହେଲେ କାଲକୁଲେଟର ଅଧିକ ସାହାଯ୍ୟକାରୀ | ଏହା କଞ୍ଚା ଗୋଷ୍ଠୀ ପାର୍ଥକ୍ୟକୁ ଏକ ସାଧାରଣ ମାପରେ ପରିଣତ କରେ ଯାହା ଅଧ୍ୟୟନ ଏବଂ ଫଳାଫଳ ମଧ୍ୟରେ ତୁଳନା କରିବା ସହଜ ଅଟେ |
PrimeCalcPro provides professional-grade tools trusted by businesses and academics.
ସୂତ୍ର
▾
କୋହେନଙ୍କ d = (ଅର୍ଥ_1 - ଅର୍ଥ_2) / ମାନକ ବିଘ୍ନ | ସମାନ ଗୋଷ୍ଠୀ ଆକାର ପାଇଁ ଏକ ସାଧାରଣ ପୁଲଡ୍ ଷ୍ଟାଣ୍ଡାର୍ଡ ବିଚ୍ଛିନ୍ନତା ଫର୍ମ ହେଉଛି sqrt ((sd_1 ^ 2 + sd_2 ^ 2) / 2) | କାର୍ଯ୍ୟର ଉଦାହରଣ: ଯଦି ଅର୍ଥ_1 = 50, ଅର୍ଥ_2 = 44, ଏବଂ ଉଭୟ ମାନକ ବିଘ୍ନ 10, ତେବେ d = (50 - 44) / 10 = 0.6 |ଚଳ ବ୍ୟାଖ୍ୟା
▾
| ସଙ୍କେତ | ନାମ | ଏକକ | Description |
|---|---|---|---|
| s d | ଗଣନା କରାଯାଇଛି | | — | ହିସାବ କରାଯାଏ (ଅର୍ଥ_1 - ଅର୍ଥ_2) / ପୁଲଡ୍ ଷ୍ଟାଣ୍ଡାର୍ଡ ବିଚ୍ୟୁତି, ଯାହା କୋହେନ୍ସ d ଗଣନାରେ ଏକ ପ୍ରମୁଖ ପାରାମିଟର ଯାହା ଚୂଡ଼ାନ୍ତ ଗଣିତ ଫଳାଫଳକୁ ସିଧାସଳଖ ପ୍ରଭାବିତ କରେ | |
| d | ଦୂରତା | | — | ଦୂରତା, ଅବନତି, କିମ୍ବା ରିହାତି କାରକ, ଯାହା କୋହେନ୍ସ d ଗଣନାରେ ଏକ ପ୍ରମୁଖ ପାରାମିଟର ଯାହା ଚୂଡ଼ାନ୍ତ ଗଣିତ ଫଳାଫଳକୁ ସିଧାସଳଖ ପ୍ରଭାବିତ କରେ | |
| A | ସମୁଦାୟ ଜମା ହୋଇଥିବା ପରିମାଣ | | — | ସମୁଦାୟ ଜମା ହୋଇଥିବା ପରିମାଣ କିମ୍ବା ବାର୍ଷିକ ମୂଲ୍ୟ, ଯାହା କୋହେନ୍ସ d ଗଣନାରେ ଏକ ପ୍ରମୁଖ ପାରାମିଟର ଯାହା ଚୂଡ଼ାନ୍ତ ଗଣିତ ଫଳାଫଳକୁ ସିଧାସଳଖ ପ୍ରଭାବିତ କରେ | |
କିପରି Cohen's d Effect Size
▾
- 1ଯଦି ତୁମର ସୂତ୍ରର ସଂସ୍କରଣ ଆବଶ୍ୟକ କରେ ତେବେ ନମୁନା ଆକାର ସହିତ ଦୁଇଟି ଗୋଷ୍ଠୀ ଅର୍ଥ ଏବଂ ସେମାନଙ୍କର ମାନକ ବିଚ୍ୟୁତି ପ୍ରବେଶ କର |
- 2ପୁଲଡ୍ ଷ୍ଟାଣ୍ଡାର୍ଡ ବିଚ୍ୟୁତିକୁ ଗଣନା କରନ୍ତୁ କିମ୍ବା ଉପଯୁକ୍ତ ହେଲେ ସରଳୀକୃତ ସମାନ-ଭିନ୍ନତା ଫର୍ମ ବ୍ୟବହାର କରନ୍ତୁ |
- 3କଞ୍ଚା ଅର୍ଥର ପାର୍ଥକ୍ୟ ଖୋଜିବା ପାଇଁ ଗୋଟିଏ ଗୋଷ୍ଠୀ ଅର୍ଥ ଅନ୍ୟ ଗୋଷ୍ଠୀରୁ ବାହାର କରନ୍ତୁ |
- 4କୋହେନଙ୍କ ଡି ପାଇବା ପାଇଁ ଏକତ୍ରିତ ମାନକ ବିଘ୍ନ ଦ୍ୱାରା ହାରାହାରି ପାର୍ଥକ୍ୟକୁ ଭାଗ କରନ୍ତୁ |
- 5କେବଳ ଜେନେରିକ୍ ଛୋଟ, ମଧ୍ୟମ ଏବଂ ବଡ଼ ଲେବଲ୍ ଉପରେ ନିର୍ଭର କରିବା ପରିବର୍ତ୍ତେ ଫଳାଫଳକୁ ପ୍ରସଙ୍ଗରେ ବ୍ୟାଖ୍ୟା କରନ୍ତୁ |
ସମାଧାନ ହୋଇଥିବା ଉଦାହରଣ
▾
ପାରମ୍ପାରିକ ମାନଦଣ୍ଡ ଦ୍ୱାରା ଏହା ପ୍ରାୟତ a ଏକ ମଧ୍ୟମ ପ୍ରଭାବ ଭାବରେ ବର୍ଣ୍ଣନା କରାଯାଇଥାଏ |
ହାରାହାରି ପାର୍ଥକ୍ୟ 6 ଏବଂ ପୁଲଡ୍ ଷ୍ଟାଣ୍ଡାର୍ଡ ବିଚ୍ୟୁତି 10 ଅଟେ, ତେଣୁ 6 କୁ 10 କୁ ବିଭାଜନ କରିବା 0.6 ଦେଇଥାଏ | ଫଳାଫଳ କହୁଛି ଗୋଷ୍ଠୀ ଅର୍ଥ ହେଉଛି ଏକ ମାନକ ବିଘ୍ନର ଛଅ ଦଶମାଂଶ ଦ୍ୱାରା ପୃଥକ |
ଏକ ପରିସଂଖ୍ୟାନିକ ବାସ୍ତବ ପାର୍ଥକ୍ୟ ତଥାପି ପ୍ରାକ୍ଟିକାଲ୍ ସାମାନ୍ୟ ହୋଇପାରେ |
ଯଦିଓ ଏକ ବୃହତ ନମୁନାରେ ଫଳାଫଳ ପରିସଂଖ୍ୟାନିକ ମହତ୍ .ପୂର୍ଣ, 0.25 ର d ସୂଚିତ କରେ ଯେ ଗୋଷ୍ଠୀଗୁଡ଼ିକ ଏକ ମାନକ ବିଚ୍ୟୁତର ଏକ ଚତୁର୍ଥାଂଶ | କ୍ଷେତ୍ର ଉପରେ ନିର୍ଭର କରି ତାହା ଅଧିକ ହୋଇପାରେ କିମ୍ବା ହୋଇନପାରେ |
ଗୋଷ୍ଠୀଗୁଡ଼ିକ ସମ୍ପୂର୍ଣ୍ଣ ମାନକ ବିଘ୍ନ ଦ୍ୱାରା ଭିନ୍ନ |
1.0 ର d ସାଧାରଣତ groups ଗୋଷ୍ଠୀ ମଧ୍ୟରେ ଏକ ବୃହତ ପୃଥକତାକୁ ସୂଚିତ କରେ | ବ୍ୟବହାରିକ ଅର୍ଥ ତଥାପି ଅଧ୍ୟୟନ ପ୍ରସଙ୍ଗ, ଫଳାଫଳ ଏବଂ ମାପ ମାପ ଉପରେ ନିର୍ଭର କରେ |
ସଙ୍କେତ ଦିଗ ଦେଖାଏ, ଆକାର ଗୁଣ ନୁହେଁ |
ଏକ ନକାରାତ୍ମକ ମୂଲ୍ୟ କେବଳ ସୂଚାଇଥାଏ ଯେ ମନୋନୀତ ବିତରଣ କ୍ରମରେ ପ୍ରଥମ ଗୋଷ୍ଠୀର ଅର୍ଥ ଦ୍ୱିତୀୟ ଗୋଷ୍ଠୀର ଅର୍ଥଠାରୁ କମ୍ ଅଟେ | 0.5। 0.5 ର ତୀବ୍ରତା ହେଉଛି ପ୍ରଭାବର ଆକାର ପ୍ରତିଫଳିତ କରେ |
ବ୍ୟାବହାରିକ ପ୍ରୟୋଗ
▾
ଚିକିତ୍ସା ଏବଂ ନିୟନ୍ତ୍ରଣ ଗୋଷ୍ଠୀ ପରିମାଣ ତୁଳନା କରିବା - ଏହି ପ୍ରୟୋଗ ସାଧାରଣତ professionals ବୃତ୍ତିଗତମାନଙ୍କ ଦ୍ used ାରା ବ୍ୟବହୃତ ହୁଏ, ଯେଉଁମାନେ ନିଜ ନିଜ କ୍ଷେତ୍ରରେ ନିଷ୍ପତ୍ତି ନେବା, ବଜେଟ୍ ଏବଂ ରଣନୀତିକ ଯୋଜନାକୁ ସମର୍ଥନ କରିବାକୁ ସଠିକ୍ ପରିମାଣିକ ବିଶ୍ଳେଷଣ ଆବଶ୍ୟକ କରନ୍ତି |
ଅଧ୍ୟୟନଗୁଡିକରେ ପ୍ରଭାବ ଆକାରକୁ ସଂକ୍ଷିପ୍ତ କରିବା - ଶିଳ୍ପ ଅଭ୍ୟାସକାରୀମାନେ ଏହି ଗଣନା ଉପରେ ନିର୍ଭର କରନ୍ତି, କାର୍ଯ୍ୟଦକ୍ଷତା ତୁଳନା କରନ୍ତି, ବିକଳ୍ପଗୁଡିକ ତୁଳନା କରନ୍ତି, ଏବଂ ସ୍ଥାପିତ ମାନକ ଏବଂ ନିୟାମକ ଆବଶ୍ୟକତାଗୁଡ଼ିକର ଅନୁପାଳନକୁ ନିଶ୍ଚିତ କରନ୍ତି, ବିଶ୍ଳେଷକମାନଙ୍କୁ ସଠିକ୍ ଫଳାଫଳ ଉତ୍ପାଦନ କରିବାରେ ସାହାଯ୍ୟ କରନ୍ତି ଯାହା ରଣନୀତିକ ଯୋଜନା, ଉତ୍ସ ଆବଣ୍ଟନ, ଏବଂ କାର୍ଯ୍ୟଦକ୍ଷତା ମାନଦଣ୍ଡକୁ ସମର୍ଥନ କରେ |
ମହତ୍ତ୍ testing ପରୀକ୍ଷଣରେ ବ୍ୟବହାରିକ ସ୍କେଲ୍ ଯୋଡିବା - ଏକାଡେମିକ୍ ଅନୁସନ୍ଧାନକାରୀ ଏବଂ ଛାତ୍ରମାନେ ଏହି ଗଣନାକୁ ତତ୍ତ୍ୱିକ ମଡେଲଗୁଡିକୁ ବ valid ଧ କରିବା, ପାଠ୍ୟକ୍ରମ କାର୍ଯ୍ୟ ସମାପ୍ତ କରିବା ଏବଂ ଅନ୍ତର୍ନିହିତ ଗାଣିତିକ ନୀତିଗୁଡିକର ଗଭୀର ବୁ understanding ାମଣା ବିକାଶ ପାଇଁ ବ୍ୟବହାର କରନ୍ତି |
ଅନୁସନ୍ଧାନକାରୀମାନେ ପରୀକ୍ଷାମୂଳକ ତଥ୍ୟ ପ୍ରକ୍ରିୟାକରଣ, ତତ୍ତ୍ୱିକ ମଡେଲଗୁଡିକୁ ବ valid ଧ କରିବା ଏବଂ ସାଥି-ସମୀକ୍ଷା-ଅଧ୍ୟୟନରେ ପ୍ରକାଶନ ପାଇଁ ପରିମାଣିକ ଫଳାଫଳ ସୃଷ୍ଟି କରିବା, ତଥ୍ୟ ଚାଳିତ ମୂଲ୍ୟାଙ୍କନ ପ୍ରକ୍ରିୟାକୁ ସମର୍ଥନ କରିବା ପାଇଁ କୋହେନ୍ସ d ଗଣନା ବ୍ୟବହାର କରନ୍ତି ଯେଉଁଠାରେ ସାଂଖ୍ୟିକ ସଠିକତା ଅନୁପାଳନ, ରିପୋର୍ଟ ଏବଂ ଅପ୍ଟିମାଇଜେସନ୍ ଉଦ୍ଦେଶ୍ୟ ପାଇଁ ଜରୁରୀ ଅଟେ |
ବିଶେଷ ଘଟଣା
▾
ଅସମାନ ଭିନ୍ନତା ସତର୍କତା |
title 'ଟାଇଟଲ୍': 'ଅସମାନ ଭିନ୍ନତା ସତର୍କତା', 'ଶରୀର': 'ଯଦି ଗୋଷ୍ଠୀର ବହୁତ ଭିନ୍ନ ସ୍ପ୍ରେଡ୍ କିମ୍ବା ନମୁନା ଆକାର ଥାଏ, ତେବେ ଷ୍ଟାଣ୍ଡାର୍ଡ ପୁଲ୍ଡ୍ ପଦ୍ଧତି ଅତିରିକ୍ତ ଯତ୍ନ ଆବଶ୍ୟକ କରିପାରନ୍ତି ଏବଂ ଏକ ଉପଯୁକ୍ତ ପ୍ରଭାବ-ଆକାର ପ୍ରକାର ଅଧିକ ପସନ୍ଦ ହୋଇପାରେ | ବାହ୍ୟ ପରିସରର ଇନପୁଟଗୁଡିକ ଗାଣିତିକ ଭାବରେ ବ valid ଧ କିନ୍ତୁ ପ୍ରାକ୍ଟିକାଲ୍ ଅର୍ଥହୀନ ଫଳାଫଳକୁ ନେଇପାରେ ଯାହା ବାସ୍ତବ ଦୁନିଆର ସ୍ଥିତିକୁ ପ୍ରତିଫଳିତ କରେ ନାହିଁ |
ଯୋଡି ଡିଜାଇନ୍ ଇସୁ |
title 'ଟାଇଟଲ୍': 'ଯୋଡି ହୋଇଥିବା ଡିଜାଇନ୍ ଇସୁ', 'ଶରୀର': "ଯୋଡି ହୋଇଥିବା କିମ୍ବା ବାରମ୍ବାର-ମାପ ତଥ୍ୟ ପାଇଁ, ଏକ ସରଳ ସ୍ independent ାଧୀନ-ଗୋଷ୍ଠୀ କୋହେନଙ୍କ d ସଠିକ୍ ପ୍ରଭାବ-ଆକାର ସୂତ୍ର ହୋଇନପାରେ କାରଣ ବିଷୟ ଭିତ୍ତିକ ନିର୍ଭରଶୀଳତା ଗଣନାକୁ ପରିବର୍ତ୍ତନ କରିଥାଏ | ଯେତେବେଳେ ଏହି ପରିସ୍ଥିତି ଘଟେ ସେତେବେଳେ ଅଭ୍ୟାସକାରୀମାନେ ଡକ୍ୟୁମେଣ୍ଟ୍ କରିବା ଉଚିତ ଏବଂ ସେମାନଙ୍କର ନିର୍ଦ୍ଦିଷ୍ଟ ବ୍ୟବହାର ମାମଲା ପାଇଁ ବିକଳ୍ପ ଗଣନା ପଦ୍ଧତି କିମ୍ବା ଆଡଜଷ୍ଟମେଣ୍ଟ୍ ଫ୍ୟାକ୍ଟର୍ ଅଧିକ ଉପଯୁକ୍ତ କି ନୁହେଁ ତାହା ବିଚାର କରିବା ଉଚିତ୍ |
ଡୋମେନ୍ ପ୍ରସଙ୍ଗ ଉପରେ ନିର୍ଭର କରି କୋହେନ୍ସ d ପାଇଁ ନକାରାତ୍ମକ ଇନପୁଟ୍ ମୂଲ୍ୟ ବ valid ଧ ହୋଇପାରେ |
କେତେକ ସୂତ୍ର ନକାରାତ୍ମକ ସଂଖ୍ୟା ଗ୍ରହଣ କରନ୍ତି (ଯଥା, ତାପମାତ୍ରା, ପରିବର୍ତ୍ତନ ହାର), ଏବଂ ଅନ୍ୟମାନେ କଠୋର ସକରାତ୍ମକ ଇନପୁଟ୍ ଆବଶ୍ୟକ କରନ୍ତି | ଉପଭୋକ୍ତାମାନେ ଯାଞ୍ଚ କରିବା ଉଚିତ ଯେ ସେମାନଙ୍କର ନିର୍ଦ୍ଦିଷ୍ଟ ଦୃଶ୍ୟ ଆଉଟପୁଟ୍ ଉପରେ ନିର୍ଭର କରିବା ପୂର୍ବରୁ ନକାରାତ୍ମକ ମୂଲ୍ୟକୁ ଅନୁମତି ଦିଏ କି? କୋହେନ୍ସ d ସହିତ କାର୍ଯ୍ୟ କରୁଥିବା ବୃତ୍ତିଗତମାନେ ଏହି ଦୃଶ୍ୟ ପ୍ରତି ବିଶେଷ ଧ୍ୟାନ ଦେବା ଉଚିତ କାରଣ ସଠିକ୍ ଭାବରେ ପରିଚାଳିତ ନହେଲେ ଏହା ବିଭ୍ରାନ୍ତିକର ଫଳାଫଳ ଆଣିପାରେ | ସର୍ବଦା ସୀମା ଅବସ୍ଥା ଯାଞ୍ଚ କରନ୍ତୁ ଏବଂ ଯେତେବେଳେ ଏହି ମାମଲା ଅଭ୍ୟାସରେ ଉପୁଜେ ସେତେବେଳେ ସ୍ independent ାଧୀନ ପଦ୍ଧତି ସହିତ କ୍ରସ୍-ଚେକ୍ କରନ୍ତୁ |
ପାରମ୍ପାରିକ କୋହେନଙ୍କ d ମାନଦଣ୍ଡ |
▾
| ସଂପୂର୍ଣ୍ଣ d ମୂଲ୍ୟ | ସାଧାରଣ ଲେବଲ୍ | | ବ୍ୟାଖ୍ୟା ଟିପ୍ପଣୀ | |
|---|---|---|
| ପାଖାପାଖି 0.2 | ଛୋଟ | ଉଲ୍ଲେଖନୀୟ କିନ୍ତୁ ସୀମିତ ପୃଥକତା | |
| ପାଖାପାଖି 0.5। 0.5 | | ମଧ୍ୟମ | ମଧ୍ୟମ ପାର୍ଥକ୍ୟ | |
| ପାଖାପାଖି 0.8 | ବଡ଼ | ମହତ୍ତ୍ୱପୂର୍ଣ୍ଣ ପାର୍ଥକ୍ୟ | |
| 1.0 କିମ୍ବା ଅଧିକ | ବହୁତ ବଡ | | ଗୋଷ୍ଠୀଗୁଡିକ ବହୁଳ ଭାବରେ ପୃଥକ ଅଟନ୍ତି | |
ବାରମ୍ବାର ଜିଜ୍ଞାସା
▾
କୋହେନଙ୍କ ଡି କ’ଣ?
କୋହେନଙ୍କ d ହେଉଛି ଏକ ମାନକ ପ୍ରଭାବ ଆକାର ଯାହା ମାନକ ବିଘ୍ନ ୟୁନିଟ୍ ଗୁଡିକରେ ଦୁଇଟି ମାଧ୍ୟମ ମଧ୍ୟରେ ପାର୍ଥକ୍ୟକୁ ଦର୍ଶାଏ | ପରିସଂଖ୍ୟାନ ଦୃଷ୍ଟିରୁ ଏକ ପାର୍ଥକ୍ୟ ଚିହ୍ନଟ ହୋଇପାରିବ କି ନାହିଁ ତାହା ନୁହେଁ, ଏହା ବଡ଼ତା ଦେଖାଇବାରେ ସାହାଯ୍ୟ କରେ | ଅଭ୍ୟାସରେ, ଏହି ଧାରଣା cohens d ପାଇଁ କେନ୍ଦ୍ରୀୟ ଅଟେ କାରଣ ଏହା ଇନପୁଟ୍ ଭେରିଏବଲ୍ ମଧ୍ୟରେ ମୂଳ ସମ୍ପର୍କ ନିର୍ଣ୍ଣୟ କରେ | ଏହାକୁ ବୁ users ିବା ଉପଭୋକ୍ତାମାନଙ୍କୁ ଫଳାଫଳକୁ ଅଧିକ ସଠିକ୍ ଭାବରେ ବ୍ୟାଖ୍ୟା କରିବାରେ ସାହାଯ୍ୟ କରେ ଏବଂ ସେମାନଙ୍କୁ ନିର୍ଦ୍ଦିଷ୍ଟ ପ୍ରସଙ୍ଗରେ ବାସ୍ତବ-ବିଶ୍ୱ ପରିସ୍ଥିତିରେ ପ୍ରୟୋଗ କରେ |
ଆପଣ କୋହେନଙ୍କ d କୁ କିପରି ଗଣନା କରିବେ?
ଗୋଟିଏ ଗୋଷ୍ଠୀକୁ ଅନ୍ୟ ଗୋଷ୍ଠୀରୁ ବାହାର କରନ୍ତୁ ଏବଂ ଏକ ପୁଲଡ୍ ଷ୍ଟାଣ୍ଡାର୍ଡ ବିଚ୍ୟୁତି ଦ୍ୱାରା ଭାଗ କରନ୍ତୁ | ଡିଜାଇନ୍ ଏବଂ ଅନୁମାନ ଉପରେ ନିର୍ଭର କରି ସଠିକ୍ ପୁଲ୍ଡ ଫର୍ମୁଲା ଭିନ୍ନ ହୋଇପାରେ | ଏହି ପ୍ରକ୍ରିୟା ଅନ୍ତର୍ନିହିତ ସୂତ୍ରକୁ ବ୍ୟବସ୍ଥିତ ଭାବରେ ପ୍ରଦତ୍ତ ଇନପୁଟଗୁଡିକରେ ପ୍ରୟୋଗ କରେ | ଗଣନାରେ ପ୍ରତ୍ୟେକ ଭେରିଏବଲ୍ ଚୂଡ଼ାନ୍ତ ଫଳାଫଳରେ ସହାୟକ ହୁଏ, ଏବଂ ସେମାନଙ୍କର ବ୍ୟକ୍ତିଗତ ଭୂମିକା ବୁ understanding ିବା ସଠିକ୍ ପ୍ରୟୋଗ ନିଶ୍ଚିତ କରିବାରେ ସାହାଯ୍ୟ କରେ | କ୍ଷେତ୍ରର ଅଧିକାଂଶ ବୃତ୍ତିଗତମାନେ ଚୂଡ଼ାନ୍ତ ଉତ୍ତରରେ ପହଞ୍ଚିବା ପୂର୍ବରୁ ମଧ୍ୟବର୍ତ୍ତୀ ଫଳାଫଳ ଯାଞ୍ଚ କରି ଏକ ପର୍ଯ୍ୟାୟ ପଦକ୍ଷେପ ଅନୁସରଣ କରନ୍ତି |
ଏକ ନକାରାତ୍ମକ କୋହେନର d ର ଅର୍ଥ କ’ଣ?
ଏହାର ଅର୍ଥ ହେଉଛି ଆପଣ ବ୍ୟବହାର କରିଥିବା ବିତରଣ କ୍ରମ ଅନୁଯାୟୀ ପ୍ରଥମ ଗୋଷ୍ଠୀର ଅର୍ଥ ଦ୍ୱିତୀୟଠାରୁ କମ୍ ଥିଲା | ସଙ୍କେତ ଦିଗ ଦେଖାଏ, ଯେତେବେଳେ ସଂପୂର୍ଣ୍ଣ ମୂଲ୍ୟ ପରିମାଣ ଦେଖାଏ | ଅଭ୍ୟାସରେ, ଏହି ଧାରଣା cohens d ପାଇଁ କେନ୍ଦ୍ରୀୟ ଅଟେ କାରଣ ଏହା ଇନପୁଟ୍ ଭେରିଏବଲ୍ ମଧ୍ୟରେ ମୂଳ ସମ୍ପର୍କ ନିର୍ଣ୍ଣୟ କରେ | ଏହାକୁ ବୁ users ିବା ଉପଭୋକ୍ତାମାନଙ୍କୁ ଫଳାଫଳକୁ ଅଧିକ ସଠିକ୍ ଭାବରେ ବ୍ୟାଖ୍ୟା କରିବାରେ ସାହାଯ୍ୟ କରେ ଏବଂ ସେମାନଙ୍କୁ ନିର୍ଦ୍ଦିଷ୍ଟ ପ୍ରସଙ୍ଗରେ ବାସ୍ତବ-ବିଶ୍ୱ ପରିସ୍ଥିତିରେ ପ୍ରୟୋଗ କରେ |
କୋହେନଙ୍କ d ପାଇଁ ସାଧାରଣ ମାନଦଣ୍ଡ ମୂଲ୍ୟଗୁଡ଼ିକ କ’ଣ?
ଏକ ସାଧାରଣ ସମ୍ମିଳନୀରେ ପ୍ରାୟ 0.2। Small ଛୋଟ, 0.5। Medium ମଧ୍ୟମ ଏବଂ .8..8 ବଡ଼ | ଏଗୁଡ଼ିକ କଠୋର ନିର୍ଦ୍ଦେଶାବଳୀ ଏବଂ ପ୍ରସଙ୍ଗ-ନିର୍ଦ୍ଦିଷ୍ଟ ବିଚାରକୁ ବଦଳାଇବା ଉଚିତ୍ ନୁହେଁ | ବ୍ୟବହାରିକ ପ୍ରୟୋଗରେ cohens d ଗଣନା ସହିତ କାର୍ଯ୍ୟ କରିବାବେଳେ ଏହା ଏକ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ବିଚାର | ନିର୍ଦ୍ଦିଷ୍ଟ ଇନପୁଟ୍ ମୂଲ୍ୟ ଏବଂ ଗଣନା ପ୍ରୟୋଗ କରାଯାଉଥିବା ପ୍ରସଙ୍ଗ ଉପରେ ଉତ୍ତର ନିର୍ଭର କରେ | ସର୍ବୋତ୍ତମ ଫଳାଫଳ ପାଇଁ, ଉପଭୋକ୍ତାମାନେ ସେମାନଙ୍କର ନିର୍ଦ୍ଦିଷ୍ଟ ଆବଶ୍ୟକତାକୁ ବିଚାର କରିବା ଉଚିତ ଏବଂ ଜଣାଶୁଣା ମାନଦଣ୍ଡ କିମ୍ବା ବୃତ୍ତିଗତ ମାନକ ବିରୁଦ୍ଧରେ ଆଉଟପୁଟ୍ ବ valid ଧ କରିବା ଉଚିତ୍ |
କେବଳ p- ଭାଲ୍ୟୁ ବଦଳରେ କୋହେନର d କୁ କାହିଁକି ବ୍ୟବହାର କର?
ପି-ମୂଲ୍ୟଗୁଡ଼ିକ ମୁଖ୍ୟତ address ଏକ ମଡେଲ ଅନ୍ତର୍ଗତ ଏକ ନଲ୍ ହାଇପୋଟେସିସ୍ ସହିତ ତଥ୍ୟ ଅସଙ୍ଗତ କି ନୁହେଁ, ଯେତେବେଳେ କୋହେନଙ୍କ d ବର୍ଣ୍ଣନା କରାଯାଇଛି ଯେ ଦେଖାଯାଇଥିବା ପାର୍ଥକ୍ୟ କେତେ ବଡ଼ | ଉଭୟ ସୂଚନା ଖଣ୍ଡ ପ୍ରାୟତ together ଏକତ୍ର ଉପଯୋଗୀ | ଏହା ଗୁରୁତ୍ because ପୂର୍ଣ କାରଣ ସଠିକ୍ କୋହେନ୍ସ d ଗଣନା ବୃତ୍ତିଗତ ଏବଂ ବ୍ୟକ୍ତିଗତ ପ୍ରସଙ୍ଗରେ ନିଷ୍ପତ୍ତି ନେବାକୁ ସିଧାସଳଖ ପ୍ରଭାବିତ କରେ | ଉପଯୁକ୍ତ ଗଣନା ବିନା, ଉପଭୋକ୍ତାମାନେ ଅସମ୍ପୂର୍ଣ୍ଣ କିମ୍ବା ଭୁଲ ପରିମାଣିକ ବିଶ୍ଳେଷଣ ଉପରେ ଆଧାର କରି ନିଷ୍ପତ୍ତି ନେବାକୁ ବିପଦ କରନ୍ତି |
କୋହେନଙ୍କ d କେତେଥର ପୁନ al ଗଣନା କରାଯିବା ଉଚିତ୍?
ଯେତେବେଳେ ଗ୍ରୁପ୍ ଅର୍ଥ, ମାନାଙ୍କ ବିଚ୍ୟୁତି, ନମୁନା ସଂଜ୍ଞା, କିମ୍ବା ବିଶ୍ଳେଷଣ ପସନ୍ଦ ପରିବର୍ତ୍ତନ ହୁଏ, ପୁନ al ଗଣନା କର | ବିସ୍ତାରରେ ମଧ୍ୟମ ପରିବର୍ତ୍ତନ ମଧ୍ୟ ମାନକ ପ୍ରଭାବକୁ ଅର୍ଥପୂର୍ଣ୍ଣ ଭାବରେ ପରିବର୍ତ୍ତନ କରିପାରିବ | ଏହି ପ୍ରକ୍ରିୟା ଅନ୍ତର୍ନିହିତ ସୂତ୍ରକୁ ବ୍ୟବସ୍ଥିତ ଭାବରେ ପ୍ରଦତ୍ତ ଇନପୁଟଗୁଡିକରେ ପ୍ରୟୋଗ କରେ | ଗଣନାରେ ପ୍ରତ୍ୟେକ ଭେରିଏବଲ୍ ଚୂଡ଼ାନ୍ତ ଫଳାଫଳରେ ସହାୟକ ହୁଏ, ଏବଂ ସେମାନଙ୍କର ବ୍ୟକ୍ତିଗତ ଭୂମିକା ବୁ understanding ିବା ସଠିକ୍ ପ୍ରୟୋଗ ନିଶ୍ଚିତ କରିବାରେ ସାହାଯ୍ୟ କରେ | କ୍ଷେତ୍ରର ଅଧିକାଂଶ ବୃତ୍ତିଗତମାନେ ଚୂଡ଼ାନ୍ତ ଉତ୍ତରରେ ପହଞ୍ଚିବା ପୂର୍ବରୁ ମଧ୍ୟବର୍ତ୍ତୀ ଫଳାଫଳ ଯାଞ୍ଚ କରି ଏକ ପର୍ଯ୍ୟାୟ ପଦକ୍ଷେପ ଅନୁସରଣ କରନ୍ତି |
କୋହେନଙ୍କ d କୁ ବ୍ୟାଖ୍ୟା କରିବାବେଳେ ସବୁଠାରୁ ବଡ ଭୁଲ କ’ଣ?
ଏକ ସାଧାରଣ ଭୁଲ ହେଉଛି ବେଞ୍ଚମାର୍କ ଲେବଲ୍ ଯେପରିକି ଛୋଟ କିମ୍ବା ବଡ଼ ସର୍ବଭାରତୀୟ ସତ୍ୟ ପରି ବ୍ୟବହାର କରିବା | Medicine ଷଧ, ଶିକ୍ଷା, ମନୋବିଜ୍ଞାନ କିମ୍ବା ଇଞ୍ଜିନିୟରିଂରେ ସମାନ ପ୍ରଭାବ ଆକାର ବହୁତ ଭିନ୍ନ ହୋଇପାରେ | ଅଭ୍ୟାସରେ, ଏହି ଧାରଣା cohens d ପାଇଁ କେନ୍ଦ୍ରୀୟ ଅଟେ କାରଣ ଏହା ଇନପୁଟ୍ ଭେରିଏବଲ୍ ମଧ୍ୟରେ ମୂଳ ସମ୍ପର୍କ ନିର୍ଣ୍ଣୟ କରେ | ଏହାକୁ ବୁ users ିବା ଉପଭୋକ୍ତାମାନଙ୍କୁ ଫଳାଫଳକୁ ଅଧିକ ସଠିକ୍ ଭାବରେ ବ୍ୟାଖ୍ୟା କରିବାରେ ସାହାଯ୍ୟ କରେ ଏବଂ ସେମାନଙ୍କୁ ନିର୍ଦ୍ଦିଷ୍ଟ ପ୍ରସଙ୍ଗରେ ବାସ୍ତବ-ବିଶ୍ୱ ପରିସ୍ଥିତିରେ ପ୍ରୟୋଗ କରେ |
ଏଡ଼ାଇବା ଯୋଗ୍ୟ ସାଧାରଣ ଭୁଲ
▾
- !ଇନପୁଟ୍ ମୂଲ୍ୟ ପାଇଁ ଭୁଲ କିମ୍ବା ମେଳ ଖାଉଥିବା ୟୁନିଟ୍ ବ୍ୟବହାର କରିବା |
- !ଧାର ମାମଲା କିମ୍ବା ସୀମା ଅବସ୍ଥା ପାଇଁ ହିସାବ ଦେବାକୁ ଭୁଲିଯାଆନ୍ତି |
- !ଗଣନାରେ ବହୁତ ଶୀଘ୍ର ମଧ୍ୟବର୍ତ୍ତୀ ମୂଲ୍ୟଗୁଡିକ ଗୋଲାକାର |
- !ଯାଞ୍ଚ କରୁନାହିଁ ଯେ ଇନପୁଟ୍ ମୂଲ୍ୟଗୁଡ଼ିକ କୋହେନ୍ସ ପାଇଁ ବ valid ଧ ପରିସର ମଧ୍ୟରେ ଅଛି |
ବିଶେଷ ଟିପ
ଗଣନା କରିବା ପୂର୍ବରୁ ସର୍ବଦା ଆପଣଙ୍କର ଇନପୁଟ୍ ମୂଲ୍ୟ ଯାଞ୍ଚ କରନ୍ତୁ | କୋହେନ୍ସ d ପାଇଁ, ଛୋଟ ଇନପୁଟ୍ ତ୍ରୁଟିଗୁଡ଼ିକ ଯ ound ଗିକ ହୋଇପାରେ ଏବଂ ଅନ୍ତିମ ଫଳାଫଳକୁ ଯଥେଷ୍ଟ ପ୍ରଭାବିତ କରିଥାଏ |
ଆପଣ ଜାଣନ୍ତି କି?
କୋହେନ ନିଜେ ଚେତାବନୀ ଦେଇଛନ୍ତି ଯେ ପରିଚିତ ଛୋଟ, ମଧ୍ୟମ ଏବଂ ବୃହତ କଟଅଫ୍ ହେଉଛି ସମ୍ମିଳନୀ, ସର୍ବଭାରତୀୟ ନିୟମ ନୁହେଁ ଯାହା ବିଷୟ ବିଚାରକୁ ଅତିକ୍ରମ କରିବ |
Regional Guides
▾
🇺🇸 US▾
🇬🇧 UK▾
🇪🇺 EU▾
ସନ୍ଦର୍ଭ
Read the full guide on how to use this calculator effectively
ଆଉ ପଢ଼ନ୍ତୁ →ସାପ୍ତାହିକ ଗଣିତ ଟିପ୍ସ ପାଆନ୍ତୁ |
12,000 + ଗ୍ରାହକମାନଙ୍କ ସହିତ ଯୋଗ ଦିଅନ୍ତୁ ଯେଉଁମାନେ ପ୍ରତି ସପ୍ତାହରେ କାଲକୁଲେଟର ଟିପ୍ସ ପାଆନ୍ତି |