我正在使用compute.esR 中的包从 -test 计算效果大小。检验在时略微显着。
当我运行时，tes(t=2.3563, n.1=4, n.2=4)我得到以下输出（修剪）：
Mean Differences ES:
d [ 95 %CI] = 1.67 [ -0.34 , 3.67 ]
var(d) = 0.67
p-value(d) = 0.09
U3(d) = 95.22 %
CLES(d) = 88.06 %
Cliff's Delta = 0.76
p-value(d) = 0.09我的问题是在这种情况下是什么意思？也就是说，Cohen 的的原假设是什么？如果它与检验中的相同，那么为什么值不同？
Cohen's d 是均值标准化差值的度量。
（意思是（）-意思是 （))/西格玛
因此，原假设检验这个标准化差异是否等于零。这与检验均值的非标准化差值是否等于零的原始零假设不同。
了解如何使用 t 计算 Cohen 的 d 可能会有所帮助。您可以在 compute.es 包文档（http://cran.r-project.org/web/packages/compute.es/compute.es.pdf）中找到详细信息：
t = d平方（*/(+))
重新安排会给你 d。
[以上补充：]
d = 1.67 告诉您两组之间的差异约为标准差的三分之二。原始 p = 0.05657 是针对平均值的非标准化差异计算的。这种差异的 t 统计量遵循“中心 t 分布”——也就是说，它围绕 0 对称。“中心 t 分布”有一个参数：自由度。
与效应大小的区别在于它的 t 统计量是非中心分布的（它不是围绕 0 对称的）。“非中心 t 分布”有两个参数：自由度和“非中心”参数。无需深入了解更多细节，您可以在此处找到简单的介绍：
Cumming, G. & Finch, S. (2001) 基于中心分布和非中心分布的置信区间的理解、使用和计算入门。教育和心理测量，61, 633-649。
他们在第 549-551 页给出了为什么效应大小具有非中心 t 分布的可读说明。
另外：您要求对 p 值进行解释。P 值取决于我在上面提到的检验统计量的分布（详细信息在参考资料中）。希望这会有所帮助！如果您想解释通常的 p 值是什么，那么可能需要另一个帖子，并且可能在其他地方被问过。