Cohen's d（コーエンのd）徹底解説：p値を超えて「効果の真価」を測る

統計学を用いて研究を行う際、多くの人が「p値（有意確率）」に一喜一憂します。しかし、p値には「サンプルサイズが大きければ、どんなに微細な差でも『有意』になってしまう」という性質があります。そこで重要になるのが、グループ間の差の純粋な大きさを表す指標「効果量（Effect Size）」です。その中でも最も代表的なのが、Jacob Cohen（ジェイコブ・コーエン）によって提唱された「Cohen's d」です。

1,000文字以上の本解説では、Cohen's dの数学的定義から、プールされた標準偏差の意味、判断基準（0.2 / 0.5 / 0.8）の解釈、そしてなぜ現代の研究においてp値と並んで必須の報告事項となっているのかを詳しく解説します。

1. Cohen's dとは何か？ 標準化の魔法

Cohen's dは、「2つのグループの平均値の差を、標準偏差で割ったもの」です。これにより、データの単位（身長のcmやテスト点数など）に依存せず、すべての研究結果を「標準偏差いくつ分の差があるか」という共通の目盛りで比較できるようになります。

$d = \frac{M_1 - M_2}{SD_{pooled}}$

ここで重要なのが「プールされた標準偏差（$SD_{pooled}$）」です。これは、2つのグループのバラつきを、それぞれのサンプルサイズに応じて重み付けして平均したものです。これを用いることで、グループ間の平均値の差が、全体のバラつきに対してどの程度のインパクトを持っているかを評価できます。

2. 解釈のベンチマーク：どのくらいの値なら「大きい」のか？

コーエンは、自身の著書の中で便宜上の判断基準として以下の数値を提示しました。これは現在でも多くの学術論文で準拠されています。

• Small (小) : 0.2 ―― 目視では分かりにくいが、統計的には存在する程度の差。
• Medium (中) : 0.5 ―― 注意深く観察すれば分かる程度の、実質的な意味を持つ差。
• Large (大) : 0.8 ―― 一目見て明らかに差があることが分かる程度の、非常に強力な効果。

ただし、コーエン自身も述べている通り、これらはあくまで「指針」です。物理現象の測定であれば0.8は当たり前かもしれませんが、心理学や教育学のようなバラつきの大きい分野では、0.3でも大きな社会的インパクトを持つことがあります。分野ごとの慣例を考慮することが不可欠です。

3. p値とCohen's dの決定的な違い

p値は「その差が偶然に起きた可能性（確率）」を測るものであり、Cohen's dは「その差がどれほど大きいか（強度）」を測るものです。

例えば、1万人の大規模調査を行えば、平均値がわずか0.1ポイント違うだけでも「p < 0.05」となり、有意な結果が得られます。しかし、Cohen's dを計算すると「0.01（ほぼゼロ）」となり、実務的には「意味のない差」であることが判明します。逆に、サンプルサイズが小さいために「p> 0.05（有意でない）」となった研究でも、Cohen's dが1.0を超えていれば、「データ数は少ないが、効果自体は非常に強力である」という洞察が得られ、次なる本格調査への足がかりとなります。

4. 実務での活用シーン：メタ分析と検定力

メタ分析（整合的な評価）

異なる時期、異なる場所で行われた複数の研究結果を統合して結論を出す「メタ分析」において、Cohen's dは必須です。単位がバラバラな複数の論文を統合する唯一の共通言語となるからです。

検定力分析（事前計算）

新しい実験を計画する際、「何人の被験者を集めれば良いか」を決めるために効果量を予測します。「中程度の効果（d=0.5）を検出したい」と設定することで、必要なサンプルサイズを数学的に導き出すことができます。

5. まとめとツールの使い方

当「Cohen's d 計算機」は、平均、標準偏差、サンプルサイズを入力するだけで、$SD_{pooled}$ の複雑な計算を代行し、瞬時に効果量を算出します。結果にはコーエンの基準に基づいた解釈コメントも表示されます。論文の執筆、学会発表の準備、あるいは自身の実験データの予備分析として、p値の向こう側にある「真の効果」を可視化するためにぜひお役立てください。