Effektgröße
Quantifiziert die Stärke eines Unterschieds oder Zusammenhangs – unabhängig von der Stichprobengröße, im Gegensatz zum p-Wert.
Effektgröße misst WIE STARK ein Effekt ist (nicht nur ob er existiert) – das fehlende Stück neben dem p-Wert für echte Business-Entscheidungen.
Erklärung
Gängige Maße: Cohen's d (Mittelwert-Differenz in Standardabweichungen), r² (erklärte Varianz), Odds Ratio, Relative Risk. Faustregel (Cohen): d=0.2 klein, d=0.5 mittel, d=0.8 groß.
Relevanz für Marketing
p-Wert sagt nur "signifikant oder nicht"; Effektgröße sagt "lohnt es sich?" – kritisch für Business-Entscheidungen in Marketing und Produkt.
Häufige Fallstricke
Cohen's Faustregeln sind kontextabhängig. Kleine Effekte können bei großen Populationen business-relevant sein. Effektgröße ≠ Kausalität.
Entstehung & Geschichte
Jacob Cohen veröffentlichte "Statistical Power Analysis" 1969 und standardisierte Effektgrößen-Maße. Die APA empfiehlt seit 2001 immer Effektgrößen zu berichten. Die Replication Crisis machte sie noch wichtiger.
Abgrenzung & Vergleiche
Effektgröße vs. p-Value
p-Wert hängt von Stichprobengröße ab (großer N = fast immer signifikant); Effektgröße ist stichprobenunabhängig und zeigt praktische Relevanz.
Effektgröße vs. Confidence Interval
Konfidenzintervalle zeigen Unsicherheit um einen Schätzer; Effektgröße standardisiert den Schätzer für Vergleichbarkeit.