効果量dとは？計算方法や求め方も解説！（Cohenのd：目安：統計：t検定など）

効果量dとは？計算方法や求め方も解説！（Cohenのd：目安：統計：t検定など）

統計解析では、p値だけを見て「差があった」と判断すると、実際にはどの程度の違いなのかが分かりにくい場合があります。

そこで役立つ指標が効果量dです。

効果量dは、平均値の差をばらつきの大きさで標準化して表すため、異なる単位のデータでも比較しやすくなります。

t検定の結果を読み解く場面や、研究結果を論文・レポートで伝える場面でも重要な考え方でしょう。

効果量dの意味と基本的な役割

それではまず効果量dの意味と、統計における役割について解説していきます。

平均値の差を標準化する指標

効果量dは、主に2つの平均値の差がどれほど大きいかを表す指標です。

単純な平均差だけでは、測定単位やデータの散らばり方が異なる集団を比べにくいという課題があります。

たとえばテスト得点で5点差があっても、得点のばらつきが2点程度なら大きな差と考えられます。

一方で、ばらつきが30点もあるなら、5点差は相対的に小さく見えるでしょう。

効果量dでは平均値の差を標準偏差で割るため、差を共通の尺度で読み取れます。

この考え方は、教育、医療、心理学、マーケティング、製造現場の改善など、幅広い分野で活用されています。

Cohenのdと呼ばれる理由

一般に効果量dという場合、多くは心理学者ジェイコブ・コーエンが提案したCohenのdを指します。

コーエンは統計的有意性だけに頼らず、研究結果の実質的な重要性を評価する必要があると考えました。

サンプル数が非常に多い研究では、わずかな差でもp値が小さくなり、有意差が出ることがあります。

反対に、サンプル数が少なければ、一定の差があっても有意差を検出できないことがあります。

このようなp値の性質を補うために、効果量を併記する意義があります。

効果量dは、統計的に差があるかという問いだけでなく、その差に意味があるかを考える材料になります。

p値と効果量の違い

p値は、帰無仮説が正しいと仮定したときに、観測された結果以上の差が偶然に生じる確率を示す値です。

p値が小さいからといって、差そのものが大きいとは限りません。

対して効果量dは、差の大きさに焦点を当てる指標です。

有意差があったという報告だけで終わらせず、効果量と信頼区間も確認する姿勢が重要でしょう。

Cohenのdの計算方法と求め方

続いてはCohenのdの計算方法と、実際の求め方を確認していきます。

独立した2群を比較する基本式

独立した2群の平均値を比較する場合、Cohenのdは平均値の差をプールした標準偏差で割って求めます。

群Aの平均値が80点、群Bの平均値が70点、プールした標準偏差が20点なら、dは0.50になります。

この場合、平均値の差は標準偏差の半分に相当するという意味です。

符号は群の並べ方で変わりますが、差の大きさだけを見る場合は絶対値で扱うこともあります。

ただし、どちらの群を基準に引いたかは、報告時に明確にしておくと誤解を防げます。

プールした標準偏差の考え方

プールした標準偏差は、2群の標準偏差を単純平均するものではありません。

各群の人数を反映させて、全体として適切なばらつきを作る必要があります。

nAとnBは各群のサンプル数、sAとsBは各群の標準偏差を表します。

両群の分散が概ね等しいと考えられる場合に、この方法がよく用いられます。

標準偏差に大きな差がある場合は、等分散を前提にした計算が適切かどうかを慎重に検討しましょう。

分析ソフトを利用すると計算は容易ですが、どの標準偏差を分母に使ったかは確認すべきポイントです。

対応のあるデータでの算出

同じ参加者に対して施策前後の得点を測る場合などは、対応のあるt検定を使うことがあります。

この場合は、2時点の得点差の標準偏差を利用して効果量を求める方法が代表的です。

前後比較では、同じ人のデータが対になっているため、独立した2群と同じ式をそのまま当てはめることはできません。

相関関係を考慮した別の効果量が報告されることもあります。

論文やレポートでは、対応ありの設計なのか、独立群の設計なのかを先に示すと、dの意味が伝わりやすくなります。

効果量dの目安と解釈の基準

続いては効果量dの目安と、数値を解釈する際の基準を確認していきます。

Cohenが示した代表的な目安

Cohenのdには広く知られた目安があります。

ただし、これはすべての分野に当てはまる絶対的な基準ではなく、解釈を始めるための参考値です。

効果量dの絶対値	一般的な目安	解釈のイメージ
0.20程度	小さい効果	差はあるものの、日常的な観察では目立ちにくい場合があります。
0.50程度	中程度の効果	比較対象との違いをある程度実感しやすい規模です。
0.80程度	大きい効果	両群の分布に明確な違いが見られる可能性があります。

0.2、0.5、0.8という区分は便利ですが、機械的に評価するだけでは不十分です。

研究分野の慣行、介入コスト、実務上の許容範囲を踏まえて判断する必要があります。

分野によって異なる実用的な大きさ

医療の研究では、dが小さくても症状の改善や副作用の低減につながるなら重要な結果になり得ます。

一方で、企業研修の成果や広告施策の効果を評価する場合は、実施コストに見合う改善幅かどうかが焦点になるでしょう。

教育分野では、dが0.20程度でも多数の学習者に長期間影響する施策なら、十分に価値があると判断されることがあります。

反対にdが0.80であっても、対象人数が少ない、再現性が低い、実装が難しいといった事情があれば、すぐに導入を決めるのは早計です。

統計上の大きさと実務上の重要性は同じではありません。

数値の背景を読み取る視点が求められます。

効果量の符号と比較方向

dが正か負かは、平均値を引く順番によって決まります。

たとえば新しい学習法の平均点から従来法の平均点を引けば、新しい学習法が高い場合には正の値になります。

逆の順序で計算すれば、同じ差でも負の値です。

大きさの評価を行うときは絶対値を見ることが多いものの、どちらの群が高かったかを示すには符号も大切です。

t検定と効果量dの関係

続いてはt検定と効果量dの関係を確認していきます。

有意差検定だけでは不足する理由

t検定は、2群の平均値の差が偶然によるものかを検討する代表的な手法です。

しかし、t検定で有意差が出たという事実だけでは、差がどれほど大きいかを十分に伝えられません。

サンプル数が増えるほど標準誤差は小さくなり、非常に小さい差でも有意になりやすくなります。

そのため、p値が0.05未満という結果を見たら、効果量dも同時に確認する習慣が大切です。

有意差なしという結果でも、効果量と信頼区間を見ることで、データが示す可能性をより丁寧に検討できます。

t値からdを概算する方法

独立した2群でサンプル数が分かっている場合、t値から効果量dを概算できることがあります。

この式は、等分散を仮定した独立2群のt検定と整合する形で使われます。

各群の平均値や標準偏差が手元にないとき、論文中にt値とサンプル数だけが記載されている場合に便利でしょう。

ただし、複雑な分析、共変量を含む分析、対応のあるデザインでは別の扱いが必要になります。

計算式を利用する前に、元の研究デザインを確認してください。

信頼区間を併記する意義

効果量dは標本から求めた推定値であり、真の効果を完全に表す値ではありません。

そこで、効果量の信頼区間を示すと、推定の不確かさを読者に伝えられます。

たとえばdが0.45でも、信頼区間が0.10から0.80まで広ければ、実際の効果の大きさには幅があります。

サンプル数が少ない研究では、点推定だけが大きく見えることもあります。

効果量は単一の数字ではなく、推定の幅とともに読むことが望ましい姿勢です。

再現研究やメタ分析では、複数の研究の効果量を統合して、より安定した結論を目指します。

効果量dを報告するときの注意点

続いては効果量dを報告するときの注意点を確認していきます。

Hedgesのgとの使い分け

Cohenのdは分かりやすい指標ですが、サンプル数が小さい場合には効果をやや大きく見積もる傾向があります。

この小標本バイアスを補正した効果量がHedgesのgです。

少人数の実験や複数研究を統合するメタ分析では、Hedgesのgが用いられることも少なくありません。

大きなサンプルではdとgの差は小さくなる傾向があります。

重要なのは、採用した効果量の種類と計算方法を明示することです。

同じ効果量という言葉でも、分母に何を使ったかによって値が変わるためです。

標準偏差ゼロと外れ値への対応

標準偏差がゼロの場合、分母がゼロになるため、通常の効果量dは計算できません。

実務データではまれですが、測定値がすべて同じ場合や、丸め処理が強すぎる場合に起こり得ます。

また、極端な外れ値が標準偏差を大きくすると、平均差が同じでもdが小さく見えることがあります。

データ入力の誤り、測定ミス、対象者の特殊事情がないかを確認することが先決です。

外れ値を恣意的に削除するのではなく、事前に定めた基準や感度分析を用いて透明性を確保しましょう。

相関と因果関係の混同

効果量dが大きくても、それだけで施策が原因だったと断定できるわけではありません。

観察研究では、年齢、経験、元々の能力、季節要因などの交絡因子が平均差に影響する可能性があります。

ランダム化比較試験のように群分けの方法を工夫すると、因果関係を検討しやすくなります。

効果量の数値だけを独立して見るのではなく、研究全体の条件を確認する姿勢が信頼性につながります。

効果量dの活用場面とまとめ

最後に効果量dの活用場面と、記事全体の要点を整理します。

効果量dは、2群の平均値の差を標準偏差で標準化し、差の規模を把握するための指標です。

t検定のp値だけでは見えにくい実質的な違いを補えるため、研究報告やデータに基づく意思決定で役立ちます。

Cohenの目安では0.20程度が小、0.50程度が中、0.80程度が大とされますが、これはあくまで出発点です。

分野の特性、施策のコスト、対象者への影響、信頼区間まで踏まえて解釈することが重要でしょう。

有意差の有無と効果の大きさは別の情報であるため、可能なら両方を報告してください。

独立した2群か対応のある比較かによって計算方法を選び、標準偏差の扱いと比較方向も明確にします。

小標本ではHedgesのgも検討し、外れ値や研究デザインにも注意を向けると、より信頼できる分析になります。

効果量dを正しく理解すれば、数字の差を単なる有意・非有意で終わらせず、現実にどの程度の価値がある結果なのかを考えやすくなるはずです。