「你的結果 p < .05，但 effect size 呢？」
這是我在回審稿意見時，最常打的一句話。
很多研究生花了大量時間讓 p 值顯著，卻沒想到審稿人還想看一個數字。為什麼？
p 值告訴你「有沒有」，Effect Size 告訴你「有多大」
p 值受樣本數影響極大。樣本夠大，幾乎任何差異都能顯著。
但「顯著」不等於「重要」。一個 0.1 分的差距，樣本大到一定程度，p 也可以 < .001。
Effect size 才是真正告訴你：這個效果，在實際上有多大、有多重要。
最常用的 Effect Size：
適用情境：兩組平均數比較（如實驗組 vs 控制組的後測差異）
公式：
d = (M實驗組 − M控制組) ÷ SD合併
其中 SD合併的算法：
SD合併 = √[(SD實驗組² + SD控制組²) ÷ 2]
📊 舉例：M實驗 = 24，M控制 = 20，SD實驗 = 5，SD控制 = 4
- SD合併 = √[(25 + 16) ÷ 2] = √20.5 ≈ 4.53
- d = (24 − 20) ÷ 4.53 ≈ 0.88
怎麼解讀 d 值？
Cohen（1988）提供的參考標準（教育研究中常用）：
- d = 0.2 → 小效果（small）
- d = 0.5 → 中效果（medium）
- d = 0.8 → 大效果（large）
⚠️ 這只是參考值，不同領域有不同的基準。教育研究中，d = 0.4 就已經算有實務意義了（Hattie, 2009）。
懶人計算工具
不想手動算？這個線上工具直接幫你算：
🔗 Campbell Collaboration Effect Size Calculator
把平均值和標準差輸進去，直接出 d 值，還支援多種計算方式。
其他類型的 Effect Size
Cohen’s d 只是其中一種。依統計方法不同，有不同的 effect size：
- r（相關係數）：r = 0.1 小，r = 0.3 中，r = 0.5 大
- η²（eta squared）：ANOVA 用，說明組間變異佔總變異的比例
- ω²（omega squared）：比 η² 更保守的版本，大樣本推薦
- Odds Ratio：邏輯回歸、勝算比分析常用
meta-analysis 中計算 effect size 的方式更複雜，建議參考 Borenstein et al. (2009) 專書。
如果有問題，歡迎留言。
更新記錄：2026-03 全面改寫，補充解讀標準與工具推薦。