46 lines
1.6 KiB
Plaintext
46 lines
1.6 KiB
Plaintext
PERPLEXITY
|
|
|
|
Um Cohen's d in Python zu berechnen, können Sie die folgende Funktion verwenden:
|
|
|
|
```python
|
|
import numpy as np
|
|
|
|
def cohens_d(group1, group2):
|
|
# Berechnung der Mittelwerte der beiden Gruppen
|
|
mean1, mean2 = np.mean(group1), np.mean(group2)
|
|
|
|
# Berechnung der gepoolten Standardabweichung
|
|
n1, n2 = len(group1), len(group2)
|
|
std1, std2 = np.std(group1, ddof=1), np.std(group2, ddof=1)
|
|
pooled_std = np.sqrt(((n1 - 1) * std1**2 + (n2 - 1) * std2**2) / (n1 + n2 - 2))
|
|
|
|
# Berechnung von Cohen's d
|
|
d = (mean1 - mean2) / pooled_std
|
|
return d
|
|
```
|
|
|
|
Diese Funktion nimmt zwei Gruppen als Eingabe und gibt den berechneten Cohen's d-Wert zurück[3]. Sie können die Funktion wie folgt verwenden:
|
|
|
|
```python
|
|
# Beispieldaten für zwei Gruppen
|
|
group1 = np.array([5, 7, 9, 11, 13])
|
|
group2 = np.array([6, 8, 10, 12, 14])
|
|
|
|
# Berechnung von Cohen's d
|
|
effect_size = cohens_d(group1, group2)
|
|
print("Cohen's d:", effect_size)
|
|
```
|
|
|
|
Die Interpretation von Cohen's d ist wie folgt:
|
|
- Kleiner Effekt: Cohen's d ≈ 0,2
|
|
- Mittlerer Effekt: Cohen's d ≈ 0,5
|
|
- Großer Effekt: Cohen's d ≈ 0,8[1]
|
|
|
|
Beachten Sie, dass diese Schwellenwerte als Richtwerte dienen und je nach Forschungsbereich variieren können[1].
|
|
|
|
Citations:
|
|
[1] https://martin-grellmann.de/cohens-d-eine-einfuehrung-in-die-effektstaerke-und-rechner
|
|
[2] https://novustat.com/statistik-blog/cohens-d-effektstaerke-berechnen.html
|
|
[3] https://www.askpython.com/python/examples/cohens-d-python
|
|
[4] https://statistikguru.de/rechner/cohens-d-gepaarter-t-test.html
|
|
[5] https://statistikguru.de/rechner/cohens-d.html |