効果量とは？意味や求め方をわかりやすく解説！（統計：目安：心理学：解釈など）

効果量とは？意味や求め方をわかりやすく解説！（統計：目安：心理学：解釈など）

統計分析の結果を読むとき、p値だけでは「どの程度の違いがあるのか」まで判断しにくい場面があります。

そこで重要になる指標が効果量です。

効果量は、実験群と対照群の差、変数どうしの関連、施策による改善の大きさを数値で示す考え方であり、心理学、教育学、医療、マーケティング、品質管理など幅広い分野で利用されています。

本記事では、効果量の意味、代表的な種類、求め方、目安、心理学研究での読み方、報告時の注意点までを順序立てて解説します。

効果量の意味と統計結果の読み方

それではまず効果量の基本的な意味と、統計結果における役割について解説していきます。

差や関連の大きさを表す指標

効果量とは、比較した二つのグループにどれほどの差があるか、あるいは二つの変数にどれほどの関連があるかを表す数値です。

たとえば、ある学習法を使った生徒と従来の学習法を使った生徒でテスト得点を比較するとします。

平均点に差があったとしても、その差が実生活や教育現場で意味のある大きさなのかは、平均値だけでは判断しきれません。

そこで差をばらつきも含めて標準化した数値として、効果量を確認します。

効果量が大きいほど、両群の分布が離れている可能性が高くなります。

一方、効果量が小さければ、統計的に有意な差が出ていても、実務上の影響は限定的かもしれません。

p値との違いと併用の必要性

p値は、観測された差やそれ以上の差が、偶然に生じる確率をもとに検定するための値です。

一般にはp値が小さい場合、帰無仮説を棄却し、統計的に有意な差や関連があると判断します。

ただし、p値はサンプルサイズの影響を強く受けます。

参加者数が非常に多い研究では、わずかな差でも有意になりやすい傾向があります。

反対に、参加者数が少ない研究では、比較的大きな差があっても有意差を確認できないことがあります。

このため、p値だけで結果の価値を決めることは適切ではありません。

効果量と信頼区間を合わせて示すことで、差の方向、大きさ、不確実性をより立体的に把握できます。

標準化によって比較できる範囲

効果量の多くは、単位の違うデータを比較しやすくするために標準化されています。

たとえば、テスト得点が100点満点の研究と、心理尺度が50点満点の研究では、平均点の差をそのまま比べても意味が通りません。

標準偏差を使って差を表すCohenのdなら、尺度の単位に左右されにくくなります。

そのため、複数の研究結果を統合するメタ分析でも活用されます。

ただし、標準化されているからといって、すべての研究で完全に同じ意味になるわけではありません。

対象者の特徴、測定方法、研究デザイン、ばらつきの大きさを確認したうえで、その研究の文脈に沿って効果量を解釈する姿勢が求められます。

代表的な効果量の種類

続いては、分析方法ごとに使われる代表的な効果量を確認していきます。

CohenのdとHedgesのg

二つのグループの平均値を比較するときによく用いられるのが、Cohenのdです。

Cohenのdは、二群の平均値の差を標準偏差で割って求めます。

たとえば、研修を受けた群の平均得点が80点、受けていない群が70点で、標準偏差が20点なら、差は標準偏差の半分に相当します。

この場合、効果量はおおむね0.5となります。

Hedgesのgは、Cohenのdを小標本向けに補正した指標です。

参加者数が少ない研究では、Cohenのdがやや大きく見積もられることがあります。

その補正を加えたHedgesのgは、心理学や医学のメタ分析でよく採用されます。

小規模な実験や先行研究の統合ではHedgesのgも確認すると、解釈の安定性を高めやすいでしょう。

相関係数rと決定係数

二つの変数の関連の強さを表す代表例が、相関係数rです。

相関係数はマイナス1からプラス1までの範囲で示され、プラスなら一方が増えるほどもう一方も増える傾向、マイナスなら逆方向の傾向を表します。

0に近いほど線形の関連は弱く、絶対値が1に近いほど強い直線的な関連があると考えられます。

たとえば、学習時間とテスト得点の相関がr＝0.40なら、中程度の正の関連が見られると読むことがあります。

ただし、相関があることは因果関係を意味しません。

学習意欲、家庭環境、授業の質など、第三の要因が両方に関係している可能性もあります。

また、rを二乗した決定係数は、説明できる割合を考える際の手がかりになります。

η二乗とオッズ比

分散分析で使われる代表的な効果量には、η二乗があります。

η二乗は、全体のばらつきのうち、群の違いや要因によって説明できる割合を示す考え方です。

複数の条件を比較する実験では、平均との差だけでは把握しにくい影響の大きさを確認できます。

一方、結果が成功か失敗か、購入したかしなかったかのように二値で表される場合には、オッズ比やリスク比が用いられます。

オッズ比は、ある条件で起きるオッズが、別の条件と比べて何倍かを示します。

数値が1なら差がない状態であり、1より大きければ対象となる出来事が起きやすい方向、1より小さければ起きにくい方向を意味します。

分析手法に応じて指標を選ぶことが、誤解の少ない結果報告につながります。

主な場面	代表的な効果量	読み方の中心
二群の平均比較	Cohenのd	標準偏差何個分の差か
小標本の平均比較	Hedgesのg	補正後の標準化平均差
二変数の関連	相関係数r	関連の方向と強さ
分散分析	η二乗	要因が説明するばらつきの割合
二値アウトカム	オッズ比	出来事の起こりやすさの比

効果量の求め方と計算手順

続いては、代表的な効果量を計算するときの手順を確認していきます。

二群比較におけるCohenのdの計算

Cohenのdを求めるには、まず比較する二群の平均値を確認します。

次に、各群の標準偏差とサンプルサイズから、両群に共通するばらつきの大きさを求めます。

標本数が同程度なら、二つの標準偏差をもとにしたプールされた標準偏差を利用する方法が一般的です。

その後、平均値の差をプールされた標準偏差で割ります。

計算式は一見単純ですが、対応のあるデータか独立したデータかによって、使用する標準偏差の扱いが変わります。

同じ参加者の研修前後を比較する場合は、個人差を考慮した対応ありの効果量を使う必要があります。

分析ソフトの出力を使う場合でも、研究デザインに合った計算式かどうかを確認してください。

相関係数から効果量を読む手順

相関分析では、計算されたrの符号と絶対値を分けて読みます。

符号は関連の方向を示し、絶対値は関連の強さを示します。

たとえばr＝－0.35なら、二つの変数は逆方向に関連しており、その強さは小から中程度と捉えられることがあります。

ただし、外れ値が少数含まれるだけで、相関係数が大きく変わることもあります。

散布図を確認し、直線関係が妥当か、極端なデータが結果を左右していないかを点検することが重要です。

順序尺度や非正規分布のデータでは、Pearsonの相関係数ではなくSpearmanの順位相関係数を選ぶ場合もあります。

数値だけを追わず、データの分布まで見る姿勢が欠かせません。

分析ソフトを使う際の確認項目

R、SPSS、Excel、統計解析サービスなどを使えば、効果量の計算自体は比較的短時間で行えます。

しかし、入力値や設定を誤ると、見かけ上もっともらしい数値が出ても信頼できません。

特に確認したいのは、欠損値の扱い、群の並び順、標準偏差の種類、対応の有無、片側検定か両側検定かという点です。

平均差の符号は、どちらの群を先に置いたかで反転します。

そのため、効果量がマイナスになった場合も、必ずしも悪い結果を示すわけではありません。

どちらを基準群にしたかを明記し、方向が何を意味するのかを説明すると親切です。

計算結果の再現性を確保するため、元データと計算条件を記録することも実務では大切になります。

効果量の目安と解釈の基準

続いては、効果量の数値をどのような目安で解釈するかを確認していきます。

Cohenの基準と基本的な目安

Cohenのdには、0.2を小、0.5を中、0.8を大とする目安が広く知られています。

相関係数rでは、0.1を小、0.3を中、0.5を大とする見方が紹介されることがあります。

これらは便利な出発点ですが、すべての領域にそのまま当てはめるための絶対的な基準ではありません。

たとえば、医療の安全性に関わる小さな改善は、効果量が小さくても重大な価値を持つ場合があります。

反対に、広告のクリック率がわずかに上がっても、導入費用が大きければ事業上の価値は限られるでしょう。

指標	小さい目安	中程度の目安	大きい目安
Cohenのd	0.2前後	0.5前後	0.8前後
相関係数r	0.1前後	0.3前後	0.5前後
η二乗	0.01前後	0.06前後	0.14前後

表の数値は、あくまで一般的な参考値です。

先行研究の分布や現場で許容できる変化量を踏まえた解釈が、実用的な判断につながります。

実務上の重要性を判断する視点

効果量を解釈するときは、統計上の分類だけでなく、実際に何が変わるのかを考える必要があります。

たとえば、顧客満足度が標準偏差の0.2程度改善した場合でも、解約率が下がり、長期収益に大きな影響が出るなら重要な成果といえます。

教育現場なら、標準テストの差だけでなく、学習の継続率、授業参加、自己効力感なども参考になります。

効果量を現実の言葉へ置き換えるには、平均値の差、対象人数、費用、リスク、継続可能性を組み合わせて見ることが有効です。

数値の大きさだけで優劣を決めず、目的に対する価値として読むことが求められます。

信頼区間を併記する意味

効果量は推定値であり、調査対象が変われば数値も多少変動します。

その不確実性を示すために使われるのが信頼区間です。

たとえば効果量d＝0.45、95パーセント信頼区間が0.10から0.80と報告されている場合、真の効果の範囲には幅があります。

推定値は中程度に近く見えても、小さい効果から大きい効果まで含む可能性があるため、断定は控える必要があります。

信頼区間が狭いほど、推定の精度は高いと考えられます。

サンプルサイズを増やすと、一般に信頼区間は狭まりやすくなります。

効果量の一点だけでなく、区間の広さまで見ることで、研究結果への理解が深まります。

心理学研究における効果量の活用

続いては、心理学で効果量がどのように扱われるかを確認していきます。

心理尺度と個人差の扱い

心理学では、不安、抑うつ、幸福感、自己肯定感、ストレス、記憶成績など、直接目で見えにくい概念を尺度で測定します。

こうした測定値には、個人差や測定誤差が含まれます。

平均値の差が数点あったとしても、尺度全体のばらつきが大きければ、個々人の分布はかなり重なっているかもしれません。

Cohenのdを使うと、平均差が個人差の大きさに対してどの程度かを把握しやすくなります。

臨床心理学では、症状尺度の変化が統計的に有意かだけでなく、本人の生活が改善したといえる水準かを考えることも重要です。

そのため、効果量と臨床的意義を区別しながら評価する視点が役立ちます。

介入研究と事前事後比較

心理教育、カウンセリング、認知行動的なプログラムなどの効果を検討するとき、事前事後比較が行われます。

この場合、同じ参加者を複数回測定するため、独立した二群比較とは異なる扱いが必要です。

参加者ごとの変化量を使う方法や、事前得点と事後得点の相関を考慮する方法があります。

また、対照群がない事前事後比較では、時間経過、期待効果、測定への慣れなどの影響を受ける可能性があります。

数値が改善していても、介入だけが原因と断定できるとは限りません。

可能であれば比較群を設け、ランダム化、追跡調査、脱落者の確認を行うことが望まれます。

効果量は研究デザインの弱点を補う魔法の数値ではないため、設計全体と合わせて評価してください。

メタ分析における標準化平均差

心理学では、同じテーマについて複数の研究結果を集め、全体としての傾向を調べるメタ分析が行われます。

研究ごとに使う尺度や参加者の属性が異なるため、標準化平均差であるCohenのdやHedgesのgが有用です。

各研究の効果量を統合することで、単独研究では不安定だった結果をより広い視点から検討できます。

ただし、研究間に大きな違いがある場合、単純な平均値だけでは十分ではありません。

対象年齢、介入期間、測定時点、出版の有無などによって、効果量が変化する可能性があります。

質の低い研究だけを集めても、信頼できる結論には近づきにくいでしょう。

メタ分析では、効果量の大きさに加え、異質性、バイアス、研究の質を確認することが欠かせません。

効果量を報告するときの注意点

続いては、効果量をレポートや論文、社内資料で伝える際の注意点を確認していきます。

指標名と計算方法の明記

効果量を報告するときは、数値だけを示すのではなく、何の指標を使ったかを明記します。

たとえばCohenのd、Hedgesのg、Pearsonのr、η二乗、オッズ比では、数値が持つ意味も比較の方法も異なります。

特にdについては、どの標準偏差を使ったか、独立群か対応ありか、補正を行ったかによって結果が変わります。

読者が検討や再計算をできるよう、対象者数、平均値、標準偏差、分析手法をあわせて示すとよいでしょう。

研究報告では、効果量と95パーセント信頼区間を記載する形が広く推奨されています。

透明性のある報告は、結果の信頼性を支える要素になります。

過度な一般化を避ける姿勢

ある研究で大きな効果量が得られたとしても、それがすべての人、すべての状況で同じように再現されるとは限りません。

対象者が大学生に限られている場合、子ども、高齢者、異なる文化圏の人々にも同様に当てはまるかは別途検討が必要です。

また、効果量が大きく見えても、測定尺度の信頼性が低い、比較条件が不適切、外れ値の影響が大きいといった問題があれば、解釈は慎重に行うべきです。

結果を伝える際は、何が分かったかだけでなく、何がまだ分からないかも示します。

効果量を根拠として使うほど、対象範囲と限界の説明が重要になります。

わかりやすい文章への置き換え

統計に詳しくない読者へ伝える場合、効果量の記号だけでは内容が伝わりにくいことがあります。

たとえばd＝0.50と書くだけで終わらせず、二群の平均差はばらつきの約半分に相当したと補足すると理解しやすくなります。

相関係数r＝0.30なら、弱すぎる関連ではないものの、個人の結果を一つの要因だけで予測できるほど強い関係ではないと説明できます。

図表や平均値、人数、信頼区間を併用すると、数値の印象が一人歩きしにくくなります。

ただし、効果量を単純に成功率や改善率へ変換する際には注意が必要です。

指標ごとに意味が異なるため、変換できない場合は無理に身近な表現へ置き換えず、前提を添えて説明するほうが安全でしょう。

効果量の理解と活用のまとめ

効果量は、統計分析で見つかった差や関連が、どの程度の大きさなのかを示す重要な指標です。

p値が偶然による結果かを検討する役割を持つのに対し、効果量は実質的な影響の大きさを考える手がかりになります。

二群の平均比較ではCohenのdやHedgesのg、変数間の関連では相関係数r、分散分析ではη二乗、二値の結果ではオッズ比など、分析目的に合う指標を選びます。

数値を読む際には、小中大の一般的な目安を参考にしつつ、研究分野、対象者、費用、リスク、現場で求められる変化量を踏まえることが大切です。

効果量、信頼区間、研究デザイン、実務上の意味を一緒に確認することで、統計結果をより正確に活用できるでしょう。