Wie berechnet man Effektstärken in R?

Warum Effektstärken unverzichtbar sind

Effektstärken lassen sich in R mit wenigen Zeilen Code berechnen – am einfachsten über das Paket effectsize, das Maße wie Cohen’s d, Eta-Quadrat und Cramér’s V direkt aus bestehenden Testobjekten ableitet. Der p-Wert allein sagt Ihnen nur, ob ein Effekt statistisch signifikant ist. Die Effektstärke sagt Ihnen, wie groß dieser Effekt ist – und das ist für jede empirische Abschlussarbeit die entscheidendere Frage.

Ein statistisch signifikantes Ergebnis bei sehr großer Stichprobe kann praktisch bedeutungslos sein, während ein mittlerer Effekt bei kleiner Stichprobe hoch relevant sein kann. In der Fachliteratur wird zunehmend erwartet, dass Effektstärken neben dem p-Wert standardmäßig berichtet werden – sowohl in Journals als auch in Abschlussarbeiten.

Dieser Artikel zeigt Ihnen, wie Sie die gängigsten Effektstärkemaße in R konkret berechnen, interpretieren und korrekt berichten.

Das Paket effectsize: Überblick und Installation

Das wichtigste Werkzeug für Effektstärken in R ist das Paket effectsize. Es gehört zur easystats-Familie und unterstützt eine breite Vielfalt von Modellen und Hypothesentests, darunter t-Tests, ANOVAs, Kontingenztabellen und Regressionsmodelle.

Das Paket berechnet nicht nur Punktschätzer, sondern liefert auch Konfidenzintervalle – ein klarer Vorteil gegenüber manuellen Formeln. Die Installation ist unkompliziert:

# Installation (einmalig)
install.packages("effectsize")

# Laden
library(effectsize)

Falls Sie noch keine R-Umgebung eingerichtet haben, finden Sie in unserem Beitrag zur Installation von R und RStudio eine Schritt-für-Schritt-Anleitung. Für einen Überblick über weitere nützliche Pakete empfiehlt sich außerdem der Artikel zu den wichtigsten R-Paketen für die statistische Auswertung.

Cohen’s d für Gruppenvergleiche (t-Test)

Wenn Sie einen t-Test in R durchgeführt haben, ist Cohen’s d das passende Effektstärkemaß. Es gibt an, um wie viele Standardabweichungen sich die Mittelwerte zweier Gruppen unterscheiden.

Die Formel

Dabei ist die gepoolte Standardabweichung beider Gruppen. effectsize übernimmt diese Berechnung automatisch.

Berechnung in R

library(effectsize)

# Beispiel: Testwerte zweier Gruppen
gruppe_a <- c(78, 82, 75, 88, 91, 70, 85)
gruppe_b <- c(65, 70, 68, 72, 66, 74, 71)

# Cohen's d
cohens_d(gruppe_a, gruppe_b)

# Alternativ: direkt aus einem t.test-Objekt
t_ergebnis <- t.test(gruppe_a, gruppe_b)
cohens_d(gruppe_a, gruppe_b, pooled_sd = TRUE)

Die Ausgabe liefert den d-Wert sowie ein 95 %-Konfidenzintervall. Neben cohens_d() stellt das Paket auch Hedges' g (hedges_g()) und Glass' Delta (glass_delta()) bereit. Hedges' g ist besonders dann zu bevorzugen, wenn die Stichprobengrößen stark ungleich sind – es korrigiert den d-Wert um eine Verzerrung bei kleinen Stichproben.

Orientierungswerte für Cohen's d

Diese Richtwerte sind Konventionen, keine Naturgesetze. In der klinischen Forschung kann ein d von 0,30 bereits praktisch bedeutsam sein; in der Grundlagenforschung werden manchmal größere Effekte erwartet. Passen Sie die Interpretation immer an Ihren Fachkontext an.

Eta-Quadrat für ANOVAs

Für Varianzanalysen ist Eta-Quadrat () das gebräuchlichste Effektstärkemaß. Es gibt an, welcher Anteil der Gesamtvarianz durch den jeweiligen Faktor erklärt wird. Wer eine ANOVA in R durchführt, sollte Eta-Quadrat immer ergänzend berichten.

Berechnung mit eta_squared()

library(effectsize)

# Einfaktorielle ANOVA
modell <- aov(Gewicht ~ Diaet, data = meine_daten)
eta_squared(modell)

# Mehrfaktorielle ANOVA mit Messwiederholung
modell_mw <- aov(Gewicht ~ Diaet * Zeit + Error(Tier / Zeit), data = meine_daten)
eta_squared(modell_mw, partial = TRUE)

Das Argument partial = TRUE berechnet das partielle Eta-Quadrat – es berücksichtigt nur die Varianz, die nicht durch andere Faktoren erklärt wird, und eignet sich besonders bei mehrfaktoriellen Designs. Die Ausgabe enthält für jeden Faktor einen Effektstärkewert mit Konfidenzintervall, zum Beispiel für Haupteffekte und Wechselwirkungen – was eine direkte Vorlage für Ihren Ergebnisbericht liefert.

Orientierungswerte für Eta-Quadrat

Neben dem klassischen und partiellen Eta-Quadrat bietet effectsize auch das generalisierte Eta-Quadrat (eta_squared(..., generalized = TRUE)), das beim Vergleich von Effekten über verschiedene Studien hinweg bevorzugt wird.

Effektstärken für Kontingenztabellen

Wenn Sie nominale oder kategoriale Variablen mit einem Chi-Quadrat-Test analysieren, brauchen Sie andere Effektstärkemaße. Die gängigsten sind Phi (φ) für 2×2-Tabellen und Cramér's V für größere Kontingenztabellen.

library(effectsize)

# Beispiel: Kreuztabelle Geschlecht × Studienabschluss
tabelle <- table(meine_daten$geschlecht, meine_daten$abschluss)

# Phi (für 2x2-Tabellen)
phi(tabelle)

# Cramér's V (für größere Tabellen)
cramers_v(tabelle)

Cramér's V liegt immer zwischen 0 und 1, wobei Werte nahe 0 keinen Zusammenhang und Werte nahe 1 einen starken Zusammenhang anzeigen. Als grobe Orientierung gelten Werte um 0,10 als klein, 0,30 als mittel und 0,50 als groß – wobei diese Richtwerte von der Tabellenstruktur abhängen.

Standardisierte Koeffizienten in der Regression

Bei Regressionsmodellen ist die Frage nach der Effektstärke etwas differenzierter. Für die Gesamtgüte des Modells wird häufig nach Cohen verwendet. Für einzelne Prädiktoren empfehlen sich standardisierte Regressionskoeffizienten (Beta-Gewichte), die Ihnen erlauben, die relative Bedeutung der Prädiktoren zu vergleichen.

library(effectsize)

# Regressionsmodell
modell_reg <- lm(einkommen ~ alter + bildung + erfahrung, data = meine_daten)

# Standardisierte Beta-Koeffizienten
standardize_parameters(modell_reg)

# Cohens f² aus R²
r_quadrat <- summary(modell_reg)$r.squared
cohens_f2 <- r_quadrat / (1 - r_quadrat)
cohens_f2

Die Funktion standardize_parameters() gibt für jeden Prädiktor einen standardisierten Koeffizienten aus – vergleichbar mit dem Beta-Gewicht aus SPSS. Eine ausführliche Erläuterung, wie Sie den vollständigen R-Output einer Regression lesen und interpretieren, finden Sie im Artikel zum Interpretieren des R-Outputs einer Regressionsanalyse.

Als Orientierung für Cohen's f²: Werte ab 0,02 gelten als kleiner, ab 0,15 als mittlerer und ab 0,35 als großer Effekt.

Konfidenzintervalle und Interpretation

Ein wesentlicher Vorteil von effectsize ist, dass alle Funktionen standardmäßig Konfidenzintervalle ausgeben. Das ist methodisch sauber, denn ein Punktschätzer ohne Unsicherheitsangabe sagt wenig über die Präzision der Schätzung aus.

Standardmäßig werden 95 %-Konfidenzintervalle berechnet. Sie können das Niveau mit dem Argument ci anpassen:

library(effectsize)

# Cohen's d mit 90%-KI (häufig in der Poweranalyse verwendet)
cohens_d(gruppe_a, gruppe_b, ci = 0.90)

# Eta-Quadrat mit 95%-KI (Standard)
eta_squared(modell, ci = 0.95)

Schließt das Konfidenzintervall den Wert 0 ein, ist der Effekt statistisch nicht gesichert – unabhängig davon, ob der p-Wert unter 0,05 liegt. Breite Konfidenzintervalle signalisieren außerdem eine geringe Präzision, oft bedingt durch kleine Stichproben. Das ist in der Praxis einer der häufigsten Befunde, wenn Studierende ihre Ergebnisse kritisch reflektieren.

Effektstärken korrekt berichten und zitieren

Effektstärken gehören in Abschlussarbeiten immer direkt neben den Teststatistiken in den Ergebnisabschnitt. Die APA-Richtlinien sehen vor, Effektstärke und Konfidenzintervall stets gemeinsam anzugeben.

Berichtsformat nach APA (Beispiele)

• t-Test: t(48) = 3.21, p = .002, d = 0.89, 95 % CI [0.37, 1.40]
• ANOVA: F(2, 87) = 8.45, p < .001, η²_p = .16, 95 % CI [0.05, 0.28]
• Chi-Quadrat: χ²(1, N = 120) = 5.32, p = .021, V = .21, 95 % CI [0.04, 0.38]

Das Paket effectsize korrekt zitieren

Da effectsize eine begutachtete Softwarepublikation ist, können Sie es als vollwertige wissenschaftliche Quelle angeben. Die korrekte APA-Referenz lautet:

Ben-Shachar, M. S., Lüdecke, D., & Makowski, D. (2020). effectsize: Estimation of Effect Size Indices and Standardized Parameters. Journal of Open Source Software, 5(56), 2815. https://doi.org/10.21105/joss.02815

Alternativ gibt Ihnen R die Zitierempfehlung direkt aus:

citation("effectsize")

Gerade in Methoden- und Ergebniskapiteln einer Dissertation oder Masterarbeit ist es gute Praxis, nicht nur den Paketnamen zu nennen, sondern die zugrunde liegende Publikation zu zitieren. Das signalisiert methodische Sorgfalt.

Unterstützung bei der Auswertung

Wenn Sie unsicher sind, welches Effektstärkemaß für Ihr konkretes Design passt, oder wenn die Interpretation der Ergebnisse Fragen aufwirft, bietet QuantExpert methodische Begleitung für genau diese Situationen. Auf unserer Seite zur Statistikberatung mit R erfahren Sie, wie eine individuelle Unterstützung aussehen kann – von der Auswahl des richtigen Verfahrens bis zur Ergebnisdarstellung für Ihre Abschlussarbeit.