ω²

ω² (Omega Squared) — 无偏效应量指标

ω² (Omega Squared)，中文常译为欧米茄平方或omega平方，是方差分析（ANOVA）框架中用于量化效应量的重要指标。与Eta-squared (η²)|η²相比，ω²的核心优势在于它是一个无偏估计量——它从总变异中去除了随机误差的贡献，从而更准确地反映自变量在总体中所解释的变异比例。ω²由Hays于1963年系统提出，在行为科学、心理学和社会科学的元分析研究中被广泛推荐使用，尤其适合关注总体效应而非仅样本描述的研究。

定义与公式

在单因素方差分析（One-Way ANOVA）中，ω²的样本估计公式为：

\hat{\omega}^2 = \frac{SS_{\text{between}} - (k-1) \cdot MS_{\text{within}}}{SS_{\text{total}} + MS_{\text{within}}}

其中 $SS_{\text{between}}$ 为组间平方和， $k$ 为组数， $MS_{\text{within}}$ 为组内均方（即误差均方）， $SS_{\text{total}}$ 为总平方和。当分子出现负值时，通常约定取 $\hat{\omega}^2 = 0$ ，表明该因素无法解释任何总体变异。

更一般的表达式适用于任意ANOVA设计中的单个效应：

\hat{\omega}^2_{\text{effect}} = \frac{SS_{\text{effect}} - df_{\text{effect}} \cdot MS_{\text{error}}}{SS_{\text{total}} + MS_{\text{error}}}

其中 $df_{\text{effect}}$ 为该效应的自由度， $MS_{\text{error}}$ 为误差均方。在多因素方差分析（Factorial ANOVA）中，还可定义偏ω²（Partial ω²），其公式为：

\hat{\omega}^2_{\text{partial}} = \frac{SS_{\text{effect}} - df_{\text{effect}} \cdot MS_{\text{error}}}{SS_{\text{effect}} + (N - df_{\text{effect}}) \cdot MS_{\text{error}}}

偏ω²衡量的是剔除其他效应和误差后，该效应独自解释的变异比例，适用于交互效应和主效应之间相互独立的多因素设计。

与η²的区别及优势

ω²与η²的根本区别在于对抽样误差的处理方式不同。η²直接采用 $SS_{\text{effect}}/SS_{\text{total}}$ ，该表达式在有限样本中总是高估真实的总体效应量——即使自变量在总体中完全无效，样本中的组间平方和也不会精确为零，η²的正向偏误由此产生。ω²通过在分子中扣除 $df_{\text{effect}} \cdot MS_{\text{error}}$ （即误差自由度的期望值），对偏误进行了校正。这一校正使得ω²成为总体效应量的无偏估计量，而η²更像是一个描述性指标（描述样本中的方差分解）。正因如此，元分析（Meta-Analysis）领域强烈建议使用ω²（或更稳健的Cohen's f）作为合并效应量的输入指标，而非η²。

Cohen (1988) 给出了ω²的经验解释标准：小效应约为 0.01，中等效应约为 0.06，大效应约为 0.14。这些阈值与η²的解读基准一致，但需注意ω²的数值通常略低于η²（因为分子中的校正项被扣除），尤其在小样本中差异更为明显。

应用与局限性

ω²广泛应用于心理学、教育学和临床医学的实验研究中，特别是当研究报告要求同时汇报p值与效应量的学术评估标准下。期刊编辑和审稿人越来越倾向于优先采纳ω²而非η²，因为ω²提供的效应估计更保守、更可重复。在SPSS、R（通过\texttt{effectsize}包）和JASP等统计软件中，ω²被作为标准输出之一。

然而ω²也有其局限性。首先，当样本量极小时，校正可能过度导致ω²为负——虽然惯例将其截断为0，但这意味着该效应在总体中接近于不存在。其次，在非平衡设计（各组样本量不等）中，ω²的估计精确度可能下降，此时Glass's Δ或Hedges' g等替代指标可能更为合适。最后，ω²本质上是一个点估计，建议同时报告其置信区间（可通过Bootstrap或非中心F分布构造）以量化估计的不确定性，例如 $\hat{\omega}^2 = 0.08$ ， $95\%\ \text{CI}: [0.02, 0.16]$ 。总体而言，ω²是方差分析效应量报告中的黄金标准指标之一。

返回百科索引