1 概要と目的
コーエンのdは、二つの集団の平均の差を標準偏差で割って表す効果量である。単位の異なる測定値どうしでも比較しやすく、差の大きさを共通の尺度に置き換える役割を持つ。統計的検定で差の有無を確かめるだけでなく、その差がどの程度大きいかを把握するために用いられる。
1.1 効果量としての位置づけ
この指標は、p値のように「差があるか」を示すものではなく、「差がどれほどか」を示す。したがって、研究結果の意味づけや、複数研究の比較に向いた指標として扱われる。平均差を単位に依存しない形へ変換する点に、実用上の価値がある。
1.2 仮説検定との関係
仮説検定は、観測された差が偶然に生じた可能性を評価する。一方、コーエンのdは、差の実質的な大きさを要約する。両者は補完的であり、どちらか一方だけでは研究結果の全体像を捉えにくい。小さな差でも標本が大きければ有意になりうるため、効果量の確認が重要になる。
1.3 研究分野での利用
心理学、教育学、医療研究、社会調査などで広く使われる。介入前後の比較や、群間比較の結果を整理する際に便利である。分野をまたいだ文献比較やメタ分析でも、共通の尺度として機能する。
2 定義
コーエンのdは、二群の平均値の差を、そのばらつきを代表する標準偏差で割った標準化平均差である。値が大きいほど群間差は相対的に大きく、0に近いほど差は小さいと解釈される。
2.1 二群の平均値差
まず、比較対象となる二つの集団の平均を求め、その差を取る。ここでの差は、どちらの群を引くかによって符号が変わる。したがって、どの群を基準にしたかを明示することが求められる。
2.2 標準偏差による標準化
平均差をそのまま示すと、測定単位や尺度の広がりに左右される。標準偏差で割ることで、差を無次元化し、尺度の違いを超えて比較できるようになる。ばらつきが大きいデータでは同じ平均差でもdは小さくなり、逆に散らばりが小さい場合は大きくなりやすい。
2.2.1 標準偏差の種類
実務では、二群の標本標準偏差を組み合わせたプールした標準偏差がよく用いられる。ただし、分散が大きく異なる場合は、別の標準化法を選ぶこともある。使用する標準偏差の定義によって、dの値は変わりうる。
2.2.2 標準化の意義
標準化は、異なる尺度の結果を同じ土俵で比較できるようにする。たとえば、得点、時間、重量のように単位が異なっていても、効果の相対的大きさを整理しやすい。これにより、研究間の比較や累積的な知見の統合が容易になる。
2.3 数式による表現
一般には、二群の平均をそれぞれ M1、M2、プールした標準偏差を Sp とすると、d = (M1 − M2) / Sp と表される。式の形は単純だが、標準偏差の求め方や補正の有無によって細部は変わる。報告時には、算出手順を併記することが望ましい。
3 解釈
dの値は、差の方向と大きさを同時に示す。数値そのものに加え、研究領域の慣例や測定内容を踏まえて読む必要がある。一般的な目安はあるものの、普遍的な境界値ではない。
3.1 効果の大きさの基準
しばしば、小さい、中程度、大きいといった区分が参照されるが、これらは便宜的な目安にすぎない。ある分野では小さなdでも重要な意味を持つ一方、別の分野では大きな数値でも実務上の影響が限られることがある。したがって、機械的な判定よりも文脈に即した評価が必要である。
3.2 正負の符号の意味
正の値か負の値かは、どちらの群の平均が高いかを表す。符号は方向性の情報であり、効果の強さそのものではない。報告では、比較順序を明確にしておくと誤解を避けやすい。
3.3 実質的有意性との関係
統計的に有意でも、効果量が小さければ実際的な意味は限定的である。逆に、有意差が得られなくてもdが一定以上なら、今後の研究で検証すべき可能性がある。コーエンのdは、結果の実用性や理論的意義を考える際の手がかりとなる。
4 推定と計算
実際の研究では、母集団の真値ではなく標本からdを推定する。計算方法は見かけほど単純ではなく、標本サイズ、群の分散、補正の必要性を考慮する。再現性を高めるため、算出式を明示する慣行が重要である。
4.1 標本からの算出
観測データから各群の平均と標準偏差を求め、差を標準偏差で割って算出する。群の人数が同じとは限らないため、状況に応じて平均の扱いや標準偏差の重みづけに注意する。欠測値がある場合は、集計対象をそろえる必要がある。
4.2 プールした標準偏差
二群の散らばりが近いとみなせるとき、両群の分散を統合したプールした標準偏差が使われる。これは、標本数を考慮して代表値を作る方法である。分散が大きく異なる場合は、この前提が弱まるため、解釈に注意がいる。
4.3 母集団推定値としての扱い
標本から得たdは、あくまで母集団における効果の近似値である。偶然変動の影響を受けるため、単一の数値だけで断定しないほうがよい。通常は信頼区間を併記し、不確実性も含めて示す。
4.4 小標本での補正
標本が小さいと、dはやや過大に見積もられやすい。そのため、補正を施した指標が利用されることがある。これは、有限標本による偏りを抑えるための工夫である。
4.4.1 補正係数
小標本補正では、標本サイズに応じた係数を用いて過大評価を和らげる。代表的な補正は、dに係数を掛けて調整する形を取る。補正の有無は、比較対象の研究間でそろえる必要がある。
4.4.2 補正後の指標
補正後の値は、しばしば別名で呼ばれる。通常のdと完全に同一ではないため、文献を参照する際は定義を確認することが大切である。特にメタ分析では、どの版の指標を採用したかが結果に影響する。
5 応用
コーエンのdは、群間差を簡潔に要約できるため、多くの実証研究で使われる。単独の研究だけでなく、複数研究の統合にも向いている。数値の解釈が比較的しやすい点が、広い普及を支えている。
5.1 心理学研究
心理学では、実験条件の違いが行動や認知に与える影響を示すために使われる。たとえば、介入の有無による得点差を評価する場面で有用である。仮説の妥当性を検討する際、p値と併読されることが多い。
5.2 教育研究
教育評価では、授業法や教材の違いが学習成果に与える効果を示す。テスト得点の平均差を標準化して比べられるため、科目や尺度が異なる研究でも扱いやすい。実践上の改善効果を整理するうえで役立つ。
5.3 医療・社会調査
医療研究では、治療群と対照群の差を表す指標として利用される。社会調査では、属性や政策条件の違いによる回答差を比較する際に用いられる。どちらの分野でも、結果の大きさを直感的に把握する補助線となる。
5.4 メタ分析
メタ分析では、複数の研究を共通尺度で統合するために不可欠な指標の一つである。研究ごとに異なる尺度をまとめる際、標準化された効果量が必要になる。dは、知見の蓄積を体系化するうえで基盤的な役割を担う。
6 解釈上の注意
便利な指標である一方、dには前提条件や弱点がある。単純な数値比較だけで結論を出すと、誤解を招くことがある。算出方法とデータの性質を同時に確認する姿勢が重要である。
6.1 分布の仮定
この指標は、平均と標準偏差でデータを要約するため、極端に歪んだ分布では代表性が損なわれやすい。正規分布に近い場合には扱いやすいが、そうでない場合は慎重な補助解釈が必要になる。分布の形状によっては、別の効果量のほうが適することもある。
6.2 外れ値の影響
外れ値は平均と標準偏差の両方を動かすため、dの値を大きく変えることがある。少数の極端な観測が全体像を歪める可能性があるため、事前の点検が望ましい。頑健な統計手法と併用すると、評価の安定性が増す。
6.3 異なる測定尺度間の比較
dは標準化されているため比較しやすいが、測定内容が完全に同じとは限らない。異なる尺度で得られた値を並べる際は、構成概念が対応しているかを確認する必要がある。数値が似ていても、意味が同一とは限らない。
6.4 他の効果量との併用
状況によっては、相関係数や比率型の効果量、信頼区間などと合わせて見るほうが理解しやすい。単一の指標に依存すると、情報が不足しやすい。複数の統計量を組み合わせることで、結果の安定性と解釈の幅が増す。
7 関連する指標
コーエンのdには、用途や前提に応じた近縁の指標がいくつかある。研究目的に適したものを選ぶことで、より妥当な比較が可能になる。報告の一貫性も、その選択に左右される。
7.1 他の標準化平均差
標準化平均差には、d以外にも修正版や別の母数に基づく指標がある。群の分散が等しいとは限らない場合や、標本設計が特殊な場合には、別形式が適している。名称が似ていても、計算の前提は異なることがある。
7.2 相関係数との対応
dは相関係数と一定の対応関係を持つことがあり、研究間での比較や変換に用いられることがある。ただし、両者は同じ情報を表すわけではない。関係式を使う際には、設計条件や分布の前提を確認する必要がある。
7.3 信頼区間と不確実性
効果量の点推定だけでは、推定の精度が分からない。信頼区間を示すことで、値の揺れ幅や推定の安定性を把握できる。区間が広い場合は、解釈を控えめにするのが一般的である。
8 歴史
コーエンのdは、効果量を重視する研究文化の中で広まった。検定中心の報告だけでは不十分だという認識が強まるにつれ、その重要性が増した。現在では、多くの分野で基本的な指標として定着している。
8.1 提案の背景
この指標は、統計的有意性だけに依存しない評価を可能にするために注目された。研究の実質的意味を数量化し、結果の比較可能性を高めることが目的であった。とくに、異なる尺度をまたぐ研究の整理に適していた。
8.2 普及と発展
その後、心理学を中心に、教育や医療の領域へと広がった。メタ分析の発展とともに、標準化された効果量の必要性が一段と高まった。現在では、報告ガイドラインや再現性の議論の中でも、基本要素の一つとして扱われている。