¿Cómo puedo calcular el intervalo de confianza del 95% de un tamaño del efecto si tengo la puntuación media de la diferencia, el IC de esa puntuación de la diferencia

Question

Diferencia media: 3,7 CI(1,4-6,0) d de Cohen=0,4 ¿cómo puedo calcular el IC del 95% de este tamaño del efecto?

Answer 1

Si conoce los tamaños de los dos grupos, puede utilizar la función 'tes' del paquete 'compute.es' en R, utilizando lo siguiente library(compute.es) tes(t=??, n.1=??, n.2=??)

Si tienes n1 y n2, puedes encontrar t de la siguiente manera:

t = d*sqrt((n1*n2)/(n1+n2))

A continuación, puede introducirlo en tes() y le dará un IC del 95% para d=0,4.

Por ejemplo, si tiene n1=99 y n2 = 99, entonces t = 2,81

La parte superior de la función tes() le dará el IC del 95% para d como:

Diferencias medias ES:

d [ 95 %CI] = 0.4 [ 0.12 , 0.68 ] 

Puede encontrar una explicación completa de los intervalos de confianza para los tamaños del efecto aquí:

Cumming, G. & Finch, S. (2001) Un manual sobre la comprensión, el uso y el cálculo de los intervalos de confianza basados en distribuciones centrales y no centrales. Educational and Psychological Measurement, 61, 633-649.

O, alternativamente, hay un buen recorrido aquí: http://www.uvm.edu/~dhowell/methods7/Supplements/Confidence%20Intervals%20on%20Effect%20Size.pdf

Espero que eso ayude.

Answer 2

Respuesta actualizada (septiembre de 2018): Ahora existe una función en R llamada cohen.d.ci en el psych paquete.

Así, por ejemplo, se pueden obtener intervalos de confianza sobre d utilizando la siguiente función:

psych::cohen.d.ci(d = .1, n1 = 100, n2 = 100)

Esto devolvería lo siguiente:

           lower effect     upper
 [1,] -0.1777814    0.1 0.3772792

También se puede utilizar cuando se tiene un vector de tamaños de efecto d y tamaños de muestra. Por ejemplo, podría estar haciendo un meta-análisis. O puede tener una tabla grande en la que esté informando de muchos tamaños de muestra:

data <- data.frame(d = rep(0.5, 5), n1 = seq(100, 500, 100), n2 = seq(100, 500, 100))
ds <- psych::cohen.d.ci(data$d, data$n1, data$n2)
cbind(data, ds)

Esto da como resultado la siguiente matriz:

    d  n1  n2     lower effect     upper
1 0.5 100 100 0.1005884    0.5 0.8969416
2 0.5 200 200 0.2178744    0.5 0.7809048
3 0.5 300 300 0.2697461    0.5 0.7294395
4 0.5 400 400 0.3006463    0.5 0.6987449
5 0.5 500 500 0.3217247    0.5 0.6777884

Respuesta original (Dic 2016): La respuesta de Jordan me pareció útil, así que la envolví en una función de R:

cohensd.ci <- function(d, n1, n2, ci = 0.95) {
    library(compute.es)
    t <- d * sqrt((n1 * n2)/(n1 + n2))
    capture.output(
        fit <- compute.es::tes(t = t, n.1 = n1, n.2 = n2, level = 100 * ci),
        file = "NUL"
    )
    c(lower.ci = fit$l.d, upper.ci = fit$u.d)
}

Así, por ejemplo, una d de Cohen de 0,5 con tamaños de muestra de 100 en cada grupo sería:

cohensd.ci(d = 0.5, n1 = 100, n2 = 100)    

lo que resulta en:

lower.ci upper.ci 
    0.22     0.78