paired t test คือ: คืออะไร อธิบายให้เข้าใจง่ายพร้อมตัวอย่าง

หากคุณกำลังมองหาวิธีวิเคราะห์ข้อมูลที่ ‘จับคู่’ กัน ไม่ว่าจะเป็นการวัดผลก่อนและหลัง หรือการเปรียบเทียบสองสภาวะในกลุ่มตัวอย่างเดียวกัน Paired t-test คือ เครื่องมือที่คุณกำลังตามหา

ในโลกของการวิจัยและวิเคราะห์ข้อมูล เรามักพบสถานการณ์ที่ต้องการเปรียบเทียบค่าเฉลี่ยของสองกลุ่มที่ไม่ได้เป็นอิสระจากกัน แต่มีความสัมพันธ์กันอย่างใกล้ชิด เช่น การวัดผลลัพธ์ของสิ่งเดียวกันซ้ำสองครั้ง (ก่อนและหลังการทดลอง) หรือการเปรียบเทียบข้อมูลจากคู่แฝดที่ได้รับการปฏิบัติที่แตกต่างกัน การใช้สถิติที่ไม่เหมาะสมในกรณีเหล่านี้อาจนำไปสู่ข้อสรุปที่คลาดเคลื่อนและบิดเบือนผลการศึกษาได้

บทความนี้จาก EducaNow จะพาคุณเจาะลึกว่า Paired t-test คือ อะไร มีหลักการทำงานอย่างไร แตกต่างจาก t-test ประเภทอื่นอย่างไร พร้อมอธิบายขั้นตอนการทำอย่างละเอียดด้วยตัวอย่างที่เข้าใจง่าย เพื่อให้คุณสามารถนำไปประยุกต์ใช้ในการวิเคราะห์ข้อมูลของคุณได้อย่างมั่นใจและแม่นยำ

สำหรับภาพรวมที่สมบูรณ์ของสถิติและการวิเคราะห์ข้อมูล คุณสามารถศึกษาเพิ่มเติมได้ที่ คู่มือสถิติและการวิเคราะห์ข้อมูล ฉบับสมบูรณ์ ของเรา

Paired t-test คืออะไร? ทำไมต้องใช้?

Paired t-test หรือที่เรียกว่า Dependent t-test หรือ t-test สำหรับกลุ่มตัวอย่างที่สัมพันธ์กัน คือการทดสอบสมมติฐานทางสถิติที่ใช้เพื่อเปรียบเทียบค่าเฉลี่ยของสองกลุ่มตัวอย่างที่มีความสัมพันธ์กัน หรือ “จับคู่” กัน (paired samples) เพื่อดูว่าความแตกต่างระหว่างค่าเฉลี่ยทั้งสองนั้นมีนัยสำคัญทางสถิติหรือไม่

หัวใจสำคัญของ Paired t-test คือการวิเคราะห์ “ความแตกต่าง” ของแต่ละคู่ข้อมูล แทนที่จะวิเคราะห์ข้อมูลแต่ละชุดแยกกัน การทำเช่นนี้ช่วยลดความแปรปรวนที่เกิดจากความแตกต่างระหว่างบุคคล ทำให้การทดสอบมีความแม่นยำและมีอำนาจการทดสอบ (statistical power) สูงขึ้นในการตรวจจับความแตกต่างที่แท้จริง

สถานการณ์ที่เหมาะสมกับการใช้ Paired t-test

• การวัดผลก่อนและหลัง: เช่น คะแนนสอบก่อนและหลังการเรียนการสอน, น้ำหนักก่อนและหลังการลดความอ้วน, ระดับความดันโลหิตก่อนและหลังการใช้ยา
• การเปรียบเทียบสองสภาวะในบุคคลเดียวกัน: เช่น ประสิทธิภาพการทำงานภายใต้สภาวะแสงที่แตกต่างกัน (แสงน้อย vs. แสงมาก) ในพนักงานคนเดียวกัน
• การจับคู่ตามลักษณะ: เช่น การเปรียบเทียบผลลัพธ์ระหว่างคู่แฝดที่ได้รับการทดลองต่างกัน หรือการจับคู่ผู้ป่วยกับกลุ่มควบคุมที่มีลักษณะใกล้เคียงกัน

เป้าหมายหลักคือการตอบคำถามว่า “ค่าเฉลี่ยของข้อมูลที่ถูกจับคู่กันทั้งสองชุดนั้นแตกต่างกันอย่างมีนัยสำคัญหรือไม่?”

Paired t-test แตกต่างจาก Independent t-test อย่างไร?

ความสับสนระหว่าง Paired t-test และ Independent t-test เป็นข้อผิดพลาดที่พบบ่อยในการวิเคราะห์ข้อมูล การทำความเข้าใจความแตกต่างของทั้งสองจะช่วยให้คุณเลือกใช้สถิติได้อย่างถูกต้อง

Independent t-test (หรือ Two-sample t-test)

ใช้เพื่อเปรียบเทียบค่าเฉลี่ยของสองกลุ่มตัวอย่างที่เป็น อิสระจากกันอย่างสมบูรณ์ ไม่มีความสัมพันธ์หรือการจับคู่ใด ๆ ระหว่างสมาชิกในกลุ่มหนึ่งกับสมาชิกในอีกกลุ่มหนึ่ง

• ตัวอย่าง: เปรียบเทียบค่าเฉลี่ยคะแนนสอบของนักเรียนชายกับนักเรียนหญิง, เปรียบเทียบประสิทธิภาพของยา A กับยา B ในผู้ป่วยสองกลุ่มที่แตกต่างกันโดยสิ้นเชิง

Paired t-test (หรือ Dependent t-test)

ใช้เพื่อเปรียบเทียบค่าเฉลี่ยของสองกลุ่มตัวอย่างที่มี ความสัมพันธ์กันหรือจับคู่กัน สมาชิกแต่ละคนในกลุ่มหนึ่งมีความเชื่อมโยงโดยตรงกับสมาชิกในอีกกลุ่มหนึ่ง

• ตัวอย่าง: เปรียบเทียบค่าเฉลี่ยคะแนนสอบของนักเรียนคนเดียวกันก่อนและหลังการเรียน, เปรียบเทียบค่าเฉลี่ยความดันโลหิตของกลุ่มผู้ป่วยกลุ่มเดียวกันก่อนและหลังการรักษา

ข้อผิดพลาดที่พบบ่อย: การนำ Independent t-test ไปใช้กับข้อมูลที่เป็น Paired t-test จะทำให้การวิเคราะห์ไม่ถูกต้อง เพราะ Independent t-test ไม่ได้คำนึงถึงความสัมพันธ์ภายในคู่ข้อมูล ทำให้สูญเสียอำนาจการทดสอบในการตรวจจับความแตกต่างที่แท้จริง และอาจนำไปสู่การสรุปผลที่ผิดพลาดได้ การเลือกใช้สถิติที่เหมาะสมเป็นสิ่งสำคัญ เช่นเดียวกับการทำความเข้าใจว่า f test คือ อะไร และใช้เมื่อใดในการวิเคราะห์ความแปรปรวน

หลักการทำงานของ Paired t-test: การหาค่าความแตกต่าง

หลักการเบื้องหลัง Paired t-test นั้นเรียบง่ายแต่ทรงพลัง แทนที่จะเปรียบเทียบค่าเฉลี่ยของสองชุดข้อมูลโดยตรง Paired t-test จะมุ่งเน้นไปที่ “ความแตกต่าง” ของแต่ละคู่ข้อมูล

ขั้นตอนหลัก

1. คำนวณค่าความแตกต่าง (Difference, D): สำหรับแต่ละคู่ข้อมูล (เช่น คะแนนหลัง – คะแนนก่อน) เราจะหาค่าความแตกต่าง D
2. สร้างชุดข้อมูลใหม่: ค่า D ที่ได้จากแต่ละคู่จะกลายเป็นชุดข้อมูลใหม่
3. ทดสอบค่าเฉลี่ยของ D: จากนั้น Paired t-test จะทำการทดสอบว่าค่าเฉลี่ยของชุดข้อมูล D นี้แตกต่างจากศูนย์อย่างมีนัยสำคัญทางสถิติหรือไม่

หากค่าเฉลี่ยของ D แตกต่างจากศูนย์อย่างมีนัยสำคัญ ก็หมายความว่าค่าเฉลี่ยของข้อมูลสองชุดแรก (เช่น ก่อนและหลัง) มีความแตกต่างกันอย่างมีนัยสำคัญนั่นเอง

สมมติฐานเบื้องต้นของ Paired t-test

เพื่อให้ผลการทดสอบ Paired t-test มีความน่าเชื่อถือ ข้อมูลของคุณควรเป็นไปตามสมมติฐานดังต่อไปนี้:

1. ข้อมูลเป็นแบบ Interval หรือ Ratio: ตัวแปรตาม (dependent variable) ที่คุณกำลังวัดควรเป็นข้อมูลเชิงปริมาณที่สามารถคำนวณหาค่าเฉลี่ยได้
2. ข้อมูลที่จับคู่กันมีความเป็นอิสระต่อกัน: แต่ละคู่ข้อมูล (เช่น พนักงานแต่ละคน) ต้องเป็นอิสระจากคู่ข้อมูลอื่น ๆ
3. ความแตกต่าง (D) มีการแจกแจงแบบปกติ: ค่าความแตกต่าง (D) ที่คำนวณได้ ควรมีการแจกแจงแบบปกติในประชากร หรือหากขนาดตัวอย่าง (n) มีขนาดใหญ่พอ (โดยทั่วไป > 30) ทฤษฎี Central Limit Theorem จะช่วยให้เราสามารถอนุมานได้ว่าค่าเฉลี่ยของความแตกต่างจะมีการแจกแจงแบบปกติได้

ขั้นตอนการทำ Paired t-test พร้อมตัวอย่าง

มาดูตัวอย่างการทำ Paired t-test ทีละขั้นตอน เพื่อให้เห็นภาพการประยุกต์ใช้จริง

ตัวอย่างสถานการณ์: ประสิทธิภาพการอบรม

บริษัท EducaNow จัดอบรม “เทคนิคการนำเสนอข้อมูล” ให้พนักงาน 10 คน และต้องการทราบว่าคะแนนการนำเสนอของพนักงานดีขึ้นหลังอบรมหรือไม่ โดยมีการให้คะแนนก่อนและหลังการอบรม

ข้อมูลคะแนนการนำเสนอ (เต็ม 100 คะแนน):

พนักงาน	คะแนนก่อนอบรม (X1)	คะแนนหลังอบรม (X2)	ความแตกต่าง (D = X2 – X1)
1	60	65	5
2	70	72	2
3	55	60	5
4	62	68	6
5	75	78	3
6	68	75	7
7	58	63	5
8	72	75	3
9	65	70	5
10	63	67	4

ขั้นตอนการวิเคราะห์

1. ตั้งสมมติฐาน (Hypotheses)

   เราต้องการทดสอบว่าคะแนนหลังอบรมสูงกว่าก่อนอบรมหรือไม่ (การทดสอบแบบ One-tailed)

   • สมมติฐานว่าง (H0): คะแนนเฉลี่ยหลังอบรมไม่แตกต่างจากก่อนอบรม หรือคะแนนเฉลี่ยหลังอบรมไม่สูงกว่าก่อนอบรม (μ_D ≤ 0)
   • สมมติฐานทางเลือก (H1): คะแนนเฉลี่ยหลังอบรมสูงกว่าก่อนอบรม (μ_D > 0)

2. กำหนดระดับนัยสำคัญ (Significance Level, α)

   โดยทั่วไปนิยมใช้ α = 0.05 หมายความว่าเรายอมรับโอกาสที่จะปฏิเสธ H0 ผิดพลาดได้ไม่เกิน 5%

3. คำนวณค่าสถิติ t (t-statistic)

   จากตารางข้างต้น เราได้ค่าความแตกต่าง (D) สำหรับพนักงานแต่ละคน

   • คำนวณค่าเฉลี่ยของความแตกต่าง (Mean_D): (5+2+5+6+3+7+5+3+5+4) / 10 = 45 / 10 = 4.5
   • คำนวณส่วนเบี่ยงเบนมาตรฐานของความแตกต่าง (SD_D): (ใช้สูตรการคำนวณส่วนเบี่ยงเบนมาตรฐานของกลุ่มตัวอย่าง)

     จากข้อมูล D = [5, 2, 5, 6, 3, 7, 5, 3, 5, 4]

     ผลรวมกำลังสองของความแตกต่างจากค่าเฉลี่ย: (5-4.5)^2 + (2-4.5)^2 + (5-4.5)^2 + (6-4.5)^2 + (3-4.5)^2 + (7-4.5)^2 + (5-4.5)^2 + (3-4.5)^2 + (5-4.5)^2 + (4-4.5)^2 = 0.25 + 6.25 + 0.25 + 2.25 + 2.25 + 6.25 + 0.25 + 2.25 + 0.25 + 0.25 = 20.5

     Variance (s^2) = 20.5 / (10-1) = 20.5 / 9 = 2.2778

     SD_D = sqrt(2.2778) ≈ 1.509

   • คำนวณค่า t-statistic:

     สูตร: t = Mean_D / (SD_D / sqrt(n))

     t = 4.5 / (1.509 / sqrt(10))

     t = 4.5 / (1.509 / 3.162)

     t = 4.5 / 0.477

     t ≈ 9.43

4. หาค่า p-value หรือเปรียบเทียบกับค่าวิกฤต (Critical Value)

   สำหรับตัวอย่างนี้ n = 10 ดังนั้น Degree of Freedom (df) = n – 1 = 10 – 1 = 9

   เมื่อใช้โปรแกรมสถิติหรือตาราง t-distribution สำหรับ df = 9 และ t = 9.43 (สำหรับการทดสอบแบบ One-tailed) เราจะพบว่าค่า p-value มีค่าน้อยกว่า 0.001 อย่างมาก

5. ตัดสินใจทางสถิติและสรุปผล

   เนื่องจาก p-value (< 0.001) มีค่าน้อยกว่าระดับนัยสำคัญที่เรากำหนดไว้ (α = 0.05) เราจึง ปฏิเสธสมมติฐานว่าง (H0)

   สรุปผล: มีหลักฐานเพียงพอที่จะสรุปได้ว่าคะแนนการนำเสนอของพนักงาน สูงขึ้นอย่างมีนัยสำคัญทางสถิติ หลังจากการเข้ารับการอบรม “เทคนิคการนำเสนอข้อมูล” (t(9) = 9.43, p < 0.001)

การแปลผล Paired t-test และข้อควรระวัง

การวิเคราะห์ Paired t-test ไม่ได้จบลงแค่การได้ค่า p-value แต่ยังรวมถึงการแปลผลที่ถูกต้องและรอบด้าน

การแปลผล p-value

ค่า p-value คือความน่าจะเป็นที่จะได้ผลลัพธ์ที่สังเกตได้ (หรือรุนแรงกว่านั้น) หากสมมติฐานว่าง (H0) เป็นจริง หาก p-value น้อยกว่าระดับนัยสำคัญ (α) ที่กำหนดไว้ (เช่น 0.05) เราจะปฏิเสธ H0 และสรุปว่ามีความแตกต่างอย่างมีนัยสำคัญทางสถิติ

การทำความเข้าใจ นัยสำคัญทางสถิติที่ระดับ .05 คือ อะไรอย่างแท้จริง จะช่วยให้คุณตีความผลลัพธ์ได้อย่างถูกต้องและไม่ผิดพลาด

นัยสำคัญทางสถิติ vs. นัยสำคัญเชิงปฏิบัติ (Practical Significance)

แม้ว่าผลลัพธ์จะมีนัยสำคัญทางสถิติ แต่ไม่ได้หมายความว่าความแตกต่างนั้นมีขนาดใหญ่หรือมีความสำคัญในทางปฏิบัติเสมอไป ตัวอย่างเช่น คะแนนที่เพิ่มขึ้น 1 คะแนนอาจมีนัยสำคัญทางสถิติ แต่ในทางปฏิบัติอาจไม่ถือว่าเป็นการเปลี่ยนแปลงที่สำคัญ

Effect Size

เพื่อประเมินขนาดของผลกระทบ ควรรายงานค่า Effect Size (เช่น Cohen’s d) ซึ่งจะบอกว่าความแตกต่างนั้นมีขนาดใหญ่เพียงใด โดยไม่ขึ้นกับขนาดตัวอย่าง

• Cohen’s d: d = Mean_D / SD_D (ของความแตกต่าง)
• จากตัวอย่าง: d = 4.5 / 1.509 ≈ 2.98
• การตีความ Cohen’s d โดยทั่วไป: 0.2 = เล็ก, 0.5 = ปานกลาง, 0.8 = ใหญ่
• ในกรณีนี้ d = 2.98 ถือเป็น Effect Size ที่ใหญ่มาก แสดงว่าการอบรมมีผลกระทบอย่างมากต่อคะแนนการนำเสนอ

การตรวจสอบสมมติฐาน

อย่าละเลยการตรวจสอบสมมติฐาน โดยเฉพาะอย่างยิ่งสมมติฐานเรื่องการแจกแจงแบบปกติของค่าความแตกต่าง (D) คุณสามารถใช้กราฟ (เช่น Q-Q plot, Histogram) หรือการทดสอบทางสถิติ (เช่น Shapiro-Wilk test) หากข้อมูล D ไม่เป็นปกติและขนาดตัวอย่างมีขนาดเล็กมาก อาจต้องพิจารณาใช้การทดสอบที่ไม่ใช้พารามิเตอร์ (non-parametric test) เช่น Wilcoxon Signed-Rank Test แทน

นอกจากนี้ การประเมินความน่าเชื่อถือของการวัดผล เช่น irr คือ อะไร (Inter-Rater Reliability) ก็เป็นสิ่งสำคัญในการวิจัยที่ต้องอาศัยการประเมินจากหลายบุคคล เพื่อให้มั่นใจว่าข้อมูลที่นำมาวิเคราะห์มีความสอดคล้องและน่าเชื่อถือ

ข้อผิดพลาดที่พบบ่อยในการใช้ Paired t-test

เพื่อให้การวิเคราะห์ของคุณถูกต้องและน่าเชื่อถือ ควรหลีกเลี่ยงข้อผิดพลาดเหล่านี้:

• ใช้ผิดประเภท: ใช้ Paired t-test กับข้อมูลที่ไม่มีความสัมพันธ์กัน หรือใช้ Independent t-test กับข้อมูลที่มีความสัมพันธ์กัน
• ไม่ตรวจสอบสมมติฐาน: โดยเฉพาะสมมติฐานเรื่องการแจกแจงแบบปกติของค่าความแตกต่าง (D) หากละเลย อาจทำให้ผลการทดสอบไม่ถูกต้อง
• ตีความ p-value ผิด: คิดว่า p-value คือโอกาสที่สมมติฐานว่าง (H0) เป็นจริง หรือคิดว่า p-value ที่น้อยหมายถึงผลกระทบที่ยิ่งใหญ่เสมอไป
• ละเลย Effect Size: การรายงานเพียง p-value โดยไม่มี Effect Size ทำให้ขาดข้อมูลสำคัญเกี่ยวกับขนาดและความสำคัญเชิงปฏิบัติของผลลัพธ์
• สรุปเกินจริง: ผลทางสถิติที่พบจากการทดสอบไม่ได้หมายถึงความสัมพันธ์เชิงสาเหตุและผลลัพธ์โดยตรงเสมอไป ต้องพิจารณาบริบทของการวิจัยและปัจจัยอื่น ๆ ร่วมด้วย
• จัดการ Outliers ไม่ถูกต้อง: ข้อมูลผิดปกติ (outliers) ในชุดข้อมูลความแตกต่าง (D) สามารถส่งผลกระทบอย่างมากต่อค่าเฉลี่ยและส่วนเบี่ยงเบนมาตรฐาน ซึ่งอาจทำให้ผลการทดสอบคลาดเคลื่อนได้ ควรตรวจสอบและจัดการ outliers อย่างเหมาะสม

สรุปและคำแนะนำเพิ่มเติม

Paired t-test เป็นเครื่องมือทางสถิติที่มีประสิทธิภาพและเหมาะสมอย่างยิ่งสำหรับการวิเคราะห์ข้อมูลที่มีลักษณะ ‘จับคู่’ หรือ ‘สัมพันธ์กัน’ การทำความเข้าใจหลักการทำงาน ขั้นตอนการวิเคราะห์ และการแปลผลอย่างถูกต้อง จะช่วยให้คุณสามารถดึงข้อมูลเชิงลึกจากชุดข้อมูลของคุณได้อย่างแม่นยำและน่าเชื่อถือ

การเลือกใช้สถิติที่เหมาะสมเป็นหัวใจสำคัญของการวิจัยที่ดี และ Paired t-test ก็เป็นหนึ่งในเครื่องมือพื้นฐานที่นักวิจัยและนักวิเคราะห์ข้อมูลควรทำความเข้าใจอย่างถ่องแท้

หากคุณต้องการความเข้าใจที่ลึกซึ้งยิ่งขึ้นหรือคำแนะนำเฉพาะทางในการวิเคราะห์ข้อมูล EducaNow ยินดีให้บริการปรึกษาด้านสถิติและการวิเคราะห์ข้อมูล เราเน้นการสอนและให้คำแนะนำอย่างโปร่งใส เพื่อให้คุณสามารถดำเนินการวิจัยได้อย่างมีจริยธรรมและมั่นใจในผลลัพธ์ด้วยตนเอง การเลือกผู้ช่วยหรือที่ปรึกษาควรพิจารณาจากความเชี่ยวชาญ ประสบการณ์ และความโปร่งใสในการทำงาน เพื่อให้มั่นใจว่าคุณจะได้รับความรู้และทักษะที่จำเป็นในการวิเคราะห์ข้อมูลด้วยตนเอง ไม่ใช่เพียงแค่ผลลัพธ์สำเร็จรูป

คำถามที่พบบ่อย

Paired t-test ใช้กับข้อมูลประเภทใด?

Paired t-test ใช้กับข้อมูลเชิงปริมาณ (Interval หรือ Ratio Scale) ที่มีการจับคู่กัน เช่น การวัดผลก่อนและหลังการทดลอง, การเปรียบเทียบสองสภาวะในบุคคลเดียวกัน, หรือข้อมูลจากคู่แฝดที่ได้รับการปฏิบัติแตกต่างกัน

ถ้าข้อมูลความแตกต่าง (D) ไม่มีการแจกแจงแบบปกติ ควรทำอย่างไร?

หากข้อมูลความแตกต่าง (D) ไม่มีการแจกแจงแบบปกติและขนาดตัวอย่างมีขนาดเล็ก (โดยทั่วไปน้อยกว่า 30) คุณควรพิจารณาใช้การทดสอบที่ไม่ใช้พารามิเตอร์ (non-parametric test) ที่เทียบเท่ากัน เช่น Wilcoxon Signed-Rank Test ซึ่งเป็นการทดสอบที่ไม่ได้อาศัยสมมติฐานเรื่องการแจกแจงแบบปกติ

Paired t-test ใช้กับกลุ่มตัวอย่างขนาดเล็กได้หรือไม่?

Paired t-test สามารถใช้กับกลุ่มตัวอย่างขนาดเล็กได้ ตราบใดที่สมมติฐานเรื่องการแจกแจงแบบปกติของค่าความแตกต่าง (D) ยังคงเป็นจริง อย่างไรก็ตาม การมีกลุ่มตัวอย่างขนาดเล็กอาจส่งผลให้อำนาจการทดสอบ (statistical power) ต่ำลง ทำให้ยากที่จะตรวจจับความแตกต่างที่มีนัยสำคัญทางสถิติหากความแตกต่างนั้นมีขนาดเล็ก

มีโปรแกรมสถิติใดบ้างที่ใช้ทำ Paired t-test ได้?

โปรแกรมสถิติยอดนิยมหลายโปรแกรมสามารถทำ Paired t-test ได้อย่างง่ายดาย เช่น SPSS, R, Python (ด้วยไลบรารี SciPy), Excel (ผ่าน Data Analysis ToolPak), Stata และ SAS ซึ่งแต่ละโปรแกรมก็มีคำสั่งหรือฟังก์ชันเฉพาะสำหรับการวิเคราะห์นี้

Paired t-test กับ ANOVA แบบ Repeated Measures ต่างกันอย่างไร?

Paired t-test ใช้เปรียบเทียบค่าเฉลี่ยของสองกลุ่มที่สัมพันธ์กันเท่านั้น ในขณะที่ ANOVA แบบ Repeated Measures (หรือ Repeated Measures ANOVA) ใช้เปรียบเทียบค่าเฉลี่ยของสามกลุ่มขึ้นไปที่สัมพันธ์กัน (เช่น การวัดผลสามครั้งหรือมากกว่านั้นในกลุ่มตัวอย่างเดียวกัน) โดย Repeated Measures ANOVA มีความยืดหยุ่นกว่าในการจัดการกับการวัดผลหลายครั้ง

ค่า Effect Size คืออะไร และสำคัญอย่างไร?

Effect Size คือค่าที่ใช้วัดขนาดของผลกระทบหรือขนาดของความแตกต่างที่สังเกตได้จากการทดสอบทางสถิติ เช่น Cohen’s d สำหรับ t-test ค่านี้สำคัญเพราะช่วยให้เราเข้าใจว่าความแตกต่างที่พบนั้นมีขนาดใหญ่เพียงใดในทางปฏิบัติ ไม่ใช่แค่มีนัยสำคัญทางสถิติหรือไม่ ซึ่งเป็นข้อมูลที่เติมเต็มการตีความผลลัพธ์จาก p-value