Speaker
Description
L’Indice di Overlapping (η) stima l’area condivisa tra due densità empiriche tra 0 a 1 (0 - nessuna sovrapposizione, 1 - sovrapposizione completa). In contesti sperimentali, dove le distribuzioni empiriche sono frequentemente asimmetriche, e.g. tempi di reazione e accuratezza, η offre una misura dell’effetto meno distorta rispetto agli indici tradizionali. Questo studio indaga le proprietà statistiche di η rispetto agli indici di Effect Size tradizionali comunemente utilizzati in psicologia, tra cui il d di Cohen, il g di Hedges, l’U3 di Cohen e il Common Language Effect Size (CLES). Utilizzando distribuzioni skew-normal, abbiamo simulato dataset in condizioni variabili di differenza media, variabilità, asimmetria e dimensione campionaria, ottenendo un disegno di simulazione con 625 condizioni sperimentali. I dati indicano che η fornisce stime più robuste sotto condizioni di asimmetria e varianze eterogenee, criticità comuni nei dati sperimentali delle scienze cognitive e comportamentali. Pertanto η si propone come utile misura per la valutazione degli Effect Size nella ricerca psicologica in alternativa o come complemento agli indici tradizionali.
