Hoe interpreteer je effect size (partial eta squared) bij een repeated measures design?

Question

Bij vraag 3.1.10 staat een zin over de interpretatie van partial eta squared (effectgrootte) die ik niet begrijp. Ik denk vanwege de repeated measures design. Er staat namelijk: 

Conform de hypothese was er een significant hoofdeffect voor sportverandering, F(1.8, 194.5) = 33.07, p < .001, partial η2 = .24. Zo'n 24% van de totale spreiding op het gebruik van de sportzaal kon verklaard worden door het meetmoment. 

Wat betekent dit nou eigenlijk? En kun je niet 'gewoon' zeggen dat 24% van de toename van gebruik van de sportschool verklaard kan worden door het model (type voorlichting)?

Answer 1

Hetzelfde als bij ieder ander design.

Formeel klopt je interpretatie, maar niet-wiskundigen kunnen 'verklaren door' nog wel eens te ruimhartig vertalen. Hier wordt met verklaren van variantie alleen gedacht in termen van het model. Dus: in een populatie waar alle variabelen onbekend zijn, behalve de variabelen in het model, verklaren deze variabelen...

Een intuitievere interpretatie is dan 'van alle spreiding op de [afhankelijke variabele]...' of 'van alle verschillen in verandering over tijd...' gevolgd door '...zijn 24% van deze verschillen verklaard door [variabele in kwestie.

Dus: wat je schrijft klopt aardig, en als je twijfelt dan hoop ik dat mijn alternatieve formuleringen helpen de twijfel weg te nemen