Cohen's D 计算器 Cohen's D 计算器 计算器 标准化接口 多渠道路由
浏览次数：2次
试用次数：2次
集成次数：0次
更新时间：2025.10.24
单价：N/A 获取套餐优惠
在线使用
API 接入
MCP 接入

多渠道并发试用，API选型无忧

免费在线Cohen's D计算器，专业测量两数据集间标准化效应大小。提供详细计算方法与实例解析，支持效应大小解释与负值分析，适用于统计分析、学术研究等场景。

Cohen's D 计算器验证工具

数据集A
数据集B

更快的集成到应用程序及MCP客户端

提供标准化API接口与MCP协议双重集成方式，一键接入各类应用。RESTful API支持多语言调用；MCP服务专为AI客户端优化，实现分钟级快速构建智能应用，无缝处理复杂数据流，助您高效实现AI创新与落地。 MCP客户端→

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
async function calculatorCohensD() {
    
    
    let url = 'https://openapi.explinks.com/您的username/v1/calculator_cohens_d/saf2025102438782503ab43';
    
    const options = {
        method: 'POST',
        headers: {
            'Content-Type': 'application/json',
            'x-mce-signature': 'AppCode/{您的Apikey}'
            // AppCode是常量,不用修改； Apikey在‘控制台 -->API KEYs --> 选择’API应用场景‘，复制API key
        },
        body: {"datasetA":[0],"datasetB":[0]}
    };
    
    try {
        const response = await fetch(url, options);
        const data = await response.json();
        
        console.log('状态码:', response.status);
        console.log('响应数据:', data);
        
        return data;
    } catch (error) {
        console.error('请求失败:', error);
        throw error;
    }
}

// 使用示例
calculatorCohensD()
    .then(result => console.log('成功:', result))
    .catch(error => console.error('错误:', error));
Cursor MCP 配置
设置指南
  • 1打开 Claude Desktop 应用
  • 2点击菜单栏中的 “Claude” → “Settings” → “Developer”
  • 3点击 “Edit Config” 打开配置目录
  • 4编辑 claude_desktop_config.json 文件
  • 5API 现在将在您的对话中可供 AI 代理使用
<
产品介绍
>
📊

Cohen's D 计算器

通过这个 Cohen's D 计算器，我们帮助您衡量两个数据集之间的标准化效应量。我们编写了这篇文章来帮助您理解什么是 Cohen's D 以及如何计算 Cohen's D 的效应量。我们还将演示一些实际例子来帮助您理解这个概念。

Cohen's D 是一个标准化的效应量度量，表示两组均值之间的差异，以标准差单位表示。它通过将两组均值之间的差异除以合并标准差来计算。正的 Cohen's D 表示一组的均值大于另一组的均值，而负的 Cohen's D 值表示相反的情况。

🧮

如何计算 Cohen's D？

为了理解 Cohen's D 效应量的计算，让我们以以下数据集为例：

数据集 A = [5, 9, 3, 45, 8]

数据集 B = [8, 9, 12, 15, 7]

您可以通过四个步骤计算 Cohen's D：

  1. 计算数据集的均值 - 第一步是计算两个数据集的均值 A̅ 和 B̅。这可以通过将数据集的总和除以数据集中的数据点数量来计算。
  2. 计算数据集的标准差 - 现在，计算两个采样数据集 A 和 B 的标准差 sA 和 sB。
  3. 计算合并标准差 - 接下来，使用公式计算合并标准差 (sp)。
  4. 计算 Cohen's D - 最后一步是使用 Cohen's D 公式计算 Cohen's D。

其中 nA 和 nB 分别是 A 和 B 的长度。对于我们的例子，均值是 A̅=14 和 B̅=10.2。

📝

Cohen's D 公式

Cohen's D 主公式：
d = (mean₁ - mean₂) / pooled_standard_deviation
合并标准差公式：
sp = √[((n₁-1)×s₁² + (n₂-1)×s₂²) / (n₁ + n₂ - 2)]
标准差公式：
s = √[Σ(xi - x̅)² / (n-1)]

其中 d 是 Cohen's D 值，mean₁ 和 mean₂ 是两组数据的均值，sp 是合并标准差，n₁ 和 n₂ 是样本大小，s₁ 和 s₂ 是各组的标准差。

🌰

Cohen's D 计算示例

让我们使用上面提到的数据集来演示完整的计算过程：

步骤 1：计算均值

数据集 A 的均值：A̅ = (5+9+3+45+8)/5 = 14

数据集 B 的均值：B̅ = (8+9+12+15+7)/5 = 10.2

步骤 2：计算标准差

数据集 A 的标准差：sA = 17.4929

数据集 B 的标准差：sB = 3.2711

步骤 3：计算合并标准差

合并标准差：sp = 12.5837

步骤 4：计算 Cohen's D

Cohen's D：d = (14 - 10.2) / 12.5837 = 0.3020

因此，我们的例子中 Cohen's D = 0.3020，这表示小到中等的效应量。

🌍

如何解释 Cohen's D？

这就是您如何解释 Cohen's D。Cohen's D 为 0.2、0.5 和 0.8 或更高分别被认为是小、中等和大效应量。Cohen's D 越大，组间差异的实际意义越大。

效应量解释标准：

  • |d| ≈ 0.2：小效应 - 差异存在但不显著
  • |d| ≈ 0.5：中等效应 - 差异具有一定的实际意义
  • |d| ≥ 0.8：大效应 - 差异非常显著，有很强的实际意义

Cohen's D 的符号意义：

  • 正值：表示第一组的均值大于第二组的均值
  • 负值：表示第二组的均值大于第一组的均值
  • 零值：表示两组均值完全相等
📚

Cohen's D 的应用场景

Cohen's D 在统计学和研究中有广泛的应用，特别是在需要比较两组数据差异的实际意义时。它提供了一个标准化的度量，使得不同研究和不同领域的结果可以进行比较。

主要应用领域：

  • 教育研究：比较不同教学方法的效果
  • 心理学研究：评估干预措施的效果
  • 医学研究：比较治疗方案的疗效
  • 商业分析：A/B 测试结果评估

与仅仅比较均值不同，Cohen's D 考虑了数据的变异性，提供了更全面的比较视角。这使得研究者能够更好地理解观察到的差异是否具有实际意义，而不仅仅是统计显著性。

Cohen's D 也是元分析（meta-analysis）中常用的效应量指标，允许研究者综合多个研究的结果，得出更可靠的结论。

❓

常见问题

具有相同均值的数据集的 Cohen's D 是多少？

Cohen's D 将为 0。您可以使用 Cohen's D 公式计算：(均值1 - 均值2) / 合并标准差。当两个均值相等时，分子为零，因此 Cohen's D 为零。

如何计算两个数据集的 Cohen's D？

您可以通过四个步骤计算 Cohen's D：1. 计算两个数据集的均值；2. 计算数据集的标准差；3. 计算合并标准差；4. 应用 Cohen's D 公式：(均值1 - 均值2) / 合并标准差。

Cohen's D 可以是负数吗？

是的，Cohen's D 可以是负数。当 A 组的均值小于 B 组的均值时，公式中的分子将为负数。负的 Cohen's D 表示效应量的方向与预测或预期的相反。

API接口列表
Cohen's D 计算器
Cohen's D 计算器
1.1 简要描述
Cohen's D 计算器
1.2 请求URL
/[[username]]/v1/calculator_cohens_d/[[function-no]]
1.3 请求方式
POST
1.4 入参
参数名 参数类型 默认值 是否必传 描述
datasetA array [5,9,3,45,8] 否 第一组数据，至少包含2个数值
datasetB array [8,9,12,15,7] 否 第二组数据，至少包含2个数值
1.5 出参
参数名 参数类型 默认值 描述
standardDeviationA number 第一组数据的标准差
meanB number 第二组数据的平均值
standardDeviationB number 第二组数据的标准差
pooledStandardDeviation number 两组数据的合并标准差
meanA number 第一组数据的平均值
interpretation string 对Cohen's D值的详细解释说明
effectSize string 效应量的解释：小效应(0.2)、中等效应(0.5)、大效应(0.8+)
cohensD number 计算得出的Cohen's D效应量值
1.6 错误码
错误码 错误信息 描述
FP00000 成功
FP03333 失败
1.7 示例 
参考上方对接示例