A p-érték (p-value) a statisztikában annak a valószínűségét méri, hogy a megfigyelt eredmény — vagy annál szélsőségesebb eredmény — előfordulhatna pusztán véletlen miatt, ha a nullhipotézis igaz.

############################

Nullhipotézis (H₀): nincs hatás / nincs különbség
(pl. egy gyógyszer nem hat jobban a placebónál)

Alternatív hipotézis (H₁): van hatás / van különbség

p-érték: annak esélye, hogy a kapott adat véletlen ingadozásból jött létre H₀ mellett

############################

Az effect size (hatásméret) a statisztikában azt mutatja meg, hogy mekkora a valódi hatás vagy különbség, nem csak azt, hogy létezik-e.

👉 Röviden:
a p-érték azt mondja meg, VAN-E hatás,
az effect size azt, hogy MEKKORA a hatás.

############################

Gyakori effect size mutatók

Cohen-féle d (leggyakoribb)

Korreláció (r)

η² (éta-négyzet), variancia mekkora részét magyarázza a hatás.

✅ nagy mintában apró különbség is szignifikáns lehet
✅ kis mintában nagy hatás sem biztos, hogy szignifikáns

############################
A szignifikáns kutatási eredmény azt jelenti, hogy a kapott eredmény statisztikailag valószínűtlen lenne pusztán véletlen hatására, ezért van okunk feltételezni, hogy valódi hatás vagy különbség létezik.

############################

A konfidenciaintervallum (confidence interval, CI) egy olyan tartomány, amely megmutatja, hogy egy becsült érték valódi (populációs) értéke nagy valószínűséggel hol helyezkedik el.

############################

interaktív statisztikai eszköz

https://rpsychologist.com/d3/nhst
https://rpsychologist.com/correlation
https://rpsychologist.com/d3/equivalence
https://rpsychologist.com/cohend/

A guide on regression error metrics (MSE, RMSE, MAE, MAPE, sMAPE, MPE) with Python code

How the Population Distribution Influences the Confidence Interval

https://seaborn.pydata.org/tutorial/distributions.html
https://www.scribbr.com/statistics/t-distribution