在閱讀陳振宇的《整合分析》時，我重新思考了效應量（effect size）對研究分析的重要性。 對於許多初學者來說，「有顯著差異」似乎已經是研究成敗的唯一標準；然而，《整合分析》讓我明白，只有「統計顯著」是不夠的，還要看「效應量」才能真正理解研究結果的意義。
什麼是效應量？簡單來說，每一個研究假設都會產生一個研究結果，也就是我們所謂的「效果」。這個效果通常是透過兩個群體的比較而得出來的，並且必須是有方向性的預測，也就是說要明確指出「A 大於 B」或「B 大於 A」，而不是單純地說「A 不等於 B」。
要將不同研究的結果進行整合與比較，我們就需要一個共通的標準來衡量這些差異，而「效應量」就是這樣的統一指標。效應量（effect size，簡稱 ES）能夠幫助我們量化兩個群體之間的差異程度，讓來自不同研究的結果可以被比較、彙整，進而進行更高階的分析。
效應量所呈現的，其實是一種「差異有多大」的量尺。舉例來說，它可以讓我們知道實驗組和控制組之間的平均表現差了幾個標準差。這種差異不只是統計意義上的差別，更是幫助我們了解研究結果是否具有「實驗意義」或「實務價值」。
有時候，我們在統計上看到一個顯著結果（例如 p < .05），但實際的效應量卻非常小，這表示雖然兩個群體的差異在統計上成立，但它可能對真實世界的應用影響極小。相反地，如果效應量大，就意味著這個差異不僅成立，而且「值得重視」。
效應量的應用，不只是在單一研究中有意義。在「整合研究（meta-analysis）」中，我們會蒐集大量針對相同問題的研究，將這些研究的結果進行整合。此時，每一個研究的效應量就變成了新的分析單位，也就是我們的反應變項（dependent variable）。
換句話說，如果一個實驗以學生學習成效為變項，在整合研究中，這個研究本身的「效應量」才是我們分析的核心。我們會透過彙整多個研究的效應量，來探討這個教育介入在不同情境下的整體效果，這也是 meta-analysis 最強大的功能之一。
總結來說，效應量讓我們看見統計分析中最容易被忽略的「真實差異」— 它不僅回答「是否有差異」，更進一步回答「差異有多大」以及「值不值得關注」。理解效應量，是進入進階研究分析的必修課。
📚 推薦書籍：陳振宇（2009）。《整合分析》。臺北：五南。