统计百科 · 2026-06-24

Cohen's d 与 Hedges' g 怎么选？效应量小样本校正全解 — d vs g、Glass Δ、APA报告

统计百科：深度拆解 Cohen's d 与 Hedges' g 的核心差异——小样本偏差从哪来、校正因子 J 怎么算、Glass Δ 何时替换、效应量阈值判读、以及可直接套用进论文的 APA 7th 完整报告句式。

审稿人批注"效应量计算不当"、导师质疑"小样本直接用 d 会高估效应"……这两句话背后指向同一个知识点：Cohen's d 在小样本条件下存在上偏（overestimation），而 Hedges' g 正是为此设计的校正版本。本文从偏差来源出发，逐步讲清楚三种标准化均值差（Cohen's d、Hedges' g、Glass Δ）的适用边界，附 APA 7th 可直接抄用的报告句式，以及在 ChatSRS 一句话完成全流程计算的指令模板。

你的论文效应量报告有这些问题吗？

在两组比较中，以下错误每天在成千上万篇论文草稿里出现：

"小样本（每组 n < 20）直接报告 Cohen's d，没有做小样本校正"
"Glass Δ 和 Cohen's d 混用，两组方差不齐时仍用合并标准差"
"效应量大小（小/中/大）没有引用 Cohen（1988）标准，审稿人要求补引"
"报告了 d = 0.52，但没说用的是哪种公式（独立样本？配对样本？）"
"Hedges' g 的校正因子 J 没有报告，读者无法验证"

这些问题集中指向一个核心：Cohen's d、Hedges' g 和 Glass Δ 不是同一个东西，且在样本量不同、方差齐性不同、研究设计不同时，选择不同指标会导致显著的数值差异。

一、标准化均值差家族：三个指标的共同起点

为什么需要标准化均值差

两组比较时，原始均值差（M1 - M2）的大小取决于测量单位——用厘米还是毫米量身高，得到的"差值"差 100 倍，但效应完全相同。标准化均值差把均值差除以某种标准差，消除单位影响，得到一个可以跨研究比较的无量纲效应量：

$\text{标准化均值差} = \frac{M_1 - M_2}{S_{\text{某种标准差}}}$

三种指标的区别，全在分母用什么标准差：

指标	分母	适用条件
Cohen's d	合并标准差（假设两组方差相等）	大样本、方差齐性
Hedges' g	合并标准差 + 小样本校正因子 J	小样本（每组 n < 20~50）
Glass Δ	仅用对照组（控制组）标准差	方差不齐、有明确对照组

二、Cohen's d：公式、适用范围与小样本偏差

公式

独立样本（等 n）最简形式：

$d = \frac{M_1 - M_2}{S_p}$

其中合并标准差：

$S_p = \sqrt{\frac{(n_1-1)S_1^2 + (n_2-1)S_2^2}{n_1 + n_2 - 2}}$

配对样本（前后测）版本分母改用差值的标准差：

$d_{paired} = \frac{M_{diff}}{S_{diff}}$

效应量阈值（Cohen，1988）

效应大小	Cohen's d / Hedges' g
小效应	0.20
中效应	0.50
大效应	0.80

注意：Cohen 本人在 1988 年的著作中强调，这些阈值是"大拇指规则"，不应机械套用，需结合领域惯例和研究背景判读。

小样本上偏问题

Cohen's d 使用样本标准差 $S_p$ 作为总体标准差 $\sigma$ 的估计量。当样本量较小时，$S_p$ 往往低估总体标准差（方差估计本身是无偏的，但标准差是方差的非线性变换，开方后引入小样本偏差），导致计算出的 d 值系统性偏大。

数学上，$d$ 的期望值为：

$E[d] = \delta \cdot \sqrt{\frac{N-2}{2}} \cdot \frac{\Gamma\left(\frac{N-3}{2}\right)}{\Gamma\left(\frac{N-2}{2}\right)} \approx \delta \cdot \left(1 + \frac{3}{4(N-2)-1}\right)$

其中 $\delta$ 是总体真值，$N = n_1 + n_2$。偏差量约为 $3 / [4(N-2)-1]$——样本越小，偏差越大。

直观感受：每组 n=5（总 N=10）时，d 平均高估约 11%；每组 n=10 时约高估 5%；每组 n=50 时约高估 1%，此时偏差可忽略。

三、Hedges' g：小样本校正因子 J

公式

Hedges（1981）提出用校正因子 $J$ 消除上偏：

$g = J \cdot d$

校正因子 $J$ 的精确公式：

$J = \frac{\Gamma\left(\frac{N-2}{2}\right)}{\sqrt{\frac{N-2}{2}} \cdot \Gamma\left(\frac{N-3}{2}\right)}$

实践中常用近似公式（误差极小）：

$J \approx 1 - \frac{3}{4(N-2) - 1}$

其中 $N = n_1 + n_2$（独立样本），配对样本时 $N = n$（差值对数）。

$J$ 始终小于 1，因此 $g < d$——g 是 d 经过下调之后的无偏估计量。

何时用 g 而非 d

实践标准（综合 Hedges & Olkin，1985；Field，2013 推荐）：

每组 n	偏差程度	建议
< 10	> 10%，不可忽略	必须报告 g
10-20	5%-10%	强烈建议报告 g
20-50	2%-5%	建议报告 g，或同时报告 d 与 g
> 50	< 2%	d 与 g 差异微小，两者均可接受

**元分析（meta-analysis）**几乎统一要求报告 Hedges' g，因为荟萃来自不同 n 的研究，必须使用无偏估计才能公平合并。

四、Glass Δ：方差不齐时的替代方案

公式

$\Delta = \frac{M_1 - M_2}{S_2}$

分母只用对照组（control group）的标准差，不合并两组。

使用场景

Cohen's d 和 Hedges' g 都假设两组总体方差相等（$\sigma_1 = \sigma_2$），当这一假设不成立时，合并标准差 $S_p$ 本身就是有问题的，效应量估计失去意义。Glass Δ 绕开这个问题：

干预研究：实验组经过处理，方差可能随均值变化（Levene 检验显著）
对照组是"基准"：研究者认为对照组的 SD 代表总体基线变异，实验组的变化不应影响分母
Levene's F 检验显著（p < .05）且有明确对照组

Glass Δ 同样适用 Cohen（1988）的大小阈值（0.2/0.5/0.8），但方向性解读需注意：$\Delta$ 表达的是"干预效果相当于基线标准差的多少倍"。

五、三种指标的选用决策树

有两组均值比较需要效应量
        |
        v
方差不齐（Levene p < .05）且有明确对照组？
    |            |
   否            是
    |            +---> 考虑 Glass Δ
    v
每组 n < 50？
    |       |
   是       否
    |       +---> Cohen's d（偏差 < 2%，可接受）
    v
每组 n < 20？
    |        |
   是        否（20-50）
    |        +---> Hedges' g（推荐）或报告 d + g 两者
    v
Hedges' g（必须，偏差 > 5%）

元分析或荟萃文献综述 --> 统一用 Hedges' g

六、APA 7th 报告句式（可直接抄入论文）

独立样本 t 检验 + Cohen's d（大样本）

独立样本 t 检验结果显示，实验组（M = XX, SD = XX）与
对照组（M = XX, SD = XX）的[因变量]差异显著，
t([df]) = X.XX, p [= .XXX / < .001], Cohen's d = X.XX，
为[小/中/大]效应（Cohen，1988）。

填入数值的示例：

独立样本 t 检验结果显示，干预组（M = 78.4，SD = 9.2）的前测-后测增益显著高于对照组（M = 71.1，SD = 8.8），t(148) = 4.72，p < .001，Cohen's d = 0.81，为大效应（Cohen，1988）。

独立样本 t 检验 + Hedges' g（小样本）

独立样本 t 检验结果显示，两组[因变量]差异显著，
t([df]) = X.XX, p [= .XXX / < .001]。
鉴于每组样本量较小（n1 = XX, n2 = XX），
报告经小样本校正的 Hedges' g = X.XX（校正因子 J = X.XXX），
为[小/中/大]效应（Cohen，1988；Hedges & Olkin，1985）。

填入数值的示例：

独立样本 t 检验结果显示，实验组（M = 42.3，SD = 7.6，n = 12）与对照组（M = 36.8，SD = 8.1，n = 11）在焦虑量表得分上的差异显著，t(21) = 2.14，p = .044。鉴于每组样本量较小（n < 20），报告经小样本校正的 Hedges' g = 0.68（校正因子 J = 0.964），为中效应（Cohen，1988；Hedges & Olkin，1985）。

配对样本 t 检验 + Hedges' g（前后测）

配对样本 t 检验结果显示，前测（M = XX, SD = XX）与
后测（M = XX, SD = XX）差异显著，
t([n-1]) = X.XX, p [值], Hedges' g = X.XX（校正因子 J = X.XXX），
为[大小]效应（Cohen，1988）。

Glass Δ（方差不齐时）

Levene 方差齐性检验显著，F([df1], [df2]) = X.XX, p = .XXX，
两组方差存在显著差异，采用 Glass Δ 作为效应量指标，
以对照组标准差（SD_control = XX）为分母。
结果显示，Glass Δ = X.XX，为[大小]效应（Cohen，1988）。

七、方法章节怎么说明效应量选择

说清楚为什么选这个指标，是高质量方法章节的标志：

大样本场景（每组 n > 50）：

两组差异的效应量采用 Cohen's d（Cohen，1988）；
两组样本量均 > 50，小样本偏差（< 2%）可忽略不计。
效应量大小参照 Cohen（1988）标准：d = 0.20 为小效应，
0.50 为中效应，0.80 为大效应。

小样本场景（每组 n < 20）：

鉴于每组样本量较小（n < 20），效应量采用经小样本校正的
Hedges' g（Hedges & Olkin，1985），以减少 Cohen's d 在
小样本条件下对真实效应量的系统性高估。
校正因子 J 通过精确公式计算，并在结果部分一并报告。

方差不齐场景：

Levene 检验结果显示两组方差存在显著差异（p < .05），
违反 Cohen's d 合并标准差的等方差假设，
因此采用 Glass Δ（Glass，McGaw & Smith，1981）——
以对照组标准差为分母——作为效应量指标。

八、在 ChatSRS 一句话获得完整效应量报告

打开 chatsrs.com，上传包含两组数据的文件（Excel/CSV/SPSS sav 均可）后输入：

"对实验组和对照组的[因变量]做独立样本 t 检验，先做 Levene 方差齐性检验；样本量较小（每组 n < 20），报告经小样本校正的 Hedges' g 和校正因子 J，同时给出 Cohen's d 作对比；输出 APA 7th 格式的完整报告段落，包含各组 M、SD、t 值、自由度、p 值、效应量及效应大小描述。"

ChatSRS 输出段落即可直接复制进论文方法与结果章节，数值自动从你上传的数据中计算。如需 Glass Δ，在指令末尾补充"若 Levene 检验显著，改用 Glass Δ 并说明理由"。

常见 FAQ

Q：Hedges' g 和 Cohen's d 在大样本（每组 n = 200）时差多少？

A：差异极小，可忽略。当每组 n = 200 时，校正因子 J ≈ 1 - 3/(4×398-1) ≈ 0.9981，g = d × 0.9981，两者相差不到 0.2%。大样本时报告 d 或 g 均符合 APA 7th 规范，选哪个取决于目标期刊惯例。若不确定，同时报告"Cohen's d = 0.52，经小样本校正 Hedges' g = 0.52，差异可忽略"是最保险的做法。

Q：元分析为什么必须用 Hedges' g 而不能用 Cohen's d？

A：元分析要把来自不同研究的效应量合并为加权平均值。各研究样本量差异悬殊，有的每组 n = 8，有的每组 n = 300。小样本研究的 d 值系统性偏大，若直接合并，大效应会被小样本研究"拉高"，产生虚假的汇总效应。Hedges' g 消除了这种偏差，使每个研究贡献的效应量估计均无偏，合并后的汇总 g 才是对真实总体效应的公正估计。这也是 Cochrane 系统综述和大多数心理学 meta-analysis 手册的统一要求。

Q：Glass Δ 和 Hedges' g 能同时出现在一篇论文里吗？

A：能，且有时是推荐做法。当方差不齐时，报告 Glass Δ 为主要效应量，同时报告 Hedges' g 作为参照（并注明"由于方差不齐，g 的解释需谨慎"），让读者看到两种计算方式下的效应量范围，透明度更高。方法章节要明确说明选择 Δ 为主指标的理由（Levene 检验结果）。

Q：效应量 d = 0.45，算中效应还是小效应？

A：按 Cohen（1988）的阈值严格来说是"小效应"（< 0.50）。但实践中，0.45 已经非常接近中效应阈值，描述时可以说"接近中等效应"（approaching medium effect）或"小至中等效应"（small-to-medium effect），避免给读者留下"效应微不足道"的误导。更重要的是：效应量大小的解读要结合领域惯例——临床心理学中 d = 0.45 的干预效果相当不错，而某些认知实验中 d = 0.45 可能属于预期内的小效应。APA 7th 本身也建议"不要将统计显著性阈值机械套用于效应量大小判断"。

快速参考：三种效应量速查卡

[独立样本，方差齐性，每组 n > 50]
Cohen's d = (M1 - M2) / Sp
Sp = sqrt([(n1-1)S1^2 + (n2-1)S2^2] / [n1+n2-2])
效应大小: 小=0.20, 中=0.50, 大=0.80

[独立样本，小样本（每组 n < 20~50）]
Hedges' g = J * d
J ≈ 1 - 3 / (4*(n1+n2-2) - 1)
报告格式: g = X.XX（J = X.XXX）

[独立样本，方差不齐（Levene p < .05）+ 有明确对照组]
Glass Delta = (M_exp - M_ctrl) / SD_ctrl
分母只用对照组（control）标准差

[配对样本 / 前后测]
d_paired = M_diff / SD_diff
g_paired = J * d_paired，J 中 N 换成 n（差值对数）

[元分析]
统一使用 Hedges' g（无偏估计，跨研究可比）