Függelék A — Mutatók értelmezése, kritériumszintjei szerzők szerint

A.1 Cohen-d jellegű mutatók értelmezésének lehetőségei

A mutató nagyságát előjelfüggetlenül, abszolútértékben kell értelmezni.

A hatásnagyságérték interpretációja a Cohen-d mutatóra vonatkozóan Cohen (1988) alapján:

• d < 0,2 elhanyagolható
• 0,2 ≤ d < 0,5 kicsi
• 0,5 ≤ d < 0,8 közepes
• d ≥ 0,8 nagy

A hatásnagyságérték interpretációja a Cohen-d mutatóra vonatkozóan Lovakov és Agadullina (2021) alapján:

• d < 0,15 elhanyagolható
• 0,15 ≤ d < 0,35 kicsi
• 0,36 ≤ d < 0,65 közepes
• d ≥ 0,65 nagy

A hatásnagyságérték interpretációja a Cohen-d mutatóra vonatkozóan Sawilowsky (2009) alapján:

• d < 0,1 elhanyagolható
• 0,1 ≤ d < 0,2 nagyon kicsi
• 0,2 ≤ d < 0,5 kicsi
• 0,5 ≤ d < 0,8 közepes
• 0,8 ≤ d < 1,2 nagy
• 1,2 ≤ d < 2 nagyon nagy
• d ≥ 2 óriási

A.2 Korrelációs koefficiens értelmezésének lehetőségei

Az együttható nagyságát előjelfüggetlenül, abszolútértékben kell értelmezni.

A hatásnagyságérték interpretációja a korrelációs koefficiensre (r) vonatkozóan Cohen (1988) alapján:

• r < 0,1 elhanyagolható
• 0,1 ≤ r < 0,3 kicsi
• 0,3 ≤ r < 0,5 közepes
• r ≥ 0,5 nagy

A hatásnagyságérték interpretációja a korrelációs koefficiensre (r) vonatkozóan Lovakov és Agadullina (2021) alapján:

• d < 0,12 elhanyagolható
• 0,12 ≤ d < 0,24 kicsi
• 0,24 ≤ d < 0,41 közepes
• d ≥ 0,41 nagy

Összefoglaló táblázat egyes r koefficiens értelmezésekhez:

Forrás	Gyenge/kicsi	Közepes	Erős/nagy	Nagyon nagy
Cohen (1988)	0,10-0,29	0,30-0,49	0,50	-
Evans (1996)	0,20-0,39	0,40-0,59	0,60-0,79	> 0,80
Hemphill (2003)	< 0,20	0,20-0,30	> 0,30	-
Gignac és Szodorai (2016)	0,10	0,20	0,30	-
Funder és Ozer (2019)	0,10	0,20	0,30	> 0,40
Lovakov és Agadullina (2021)	0,12	0,24	0,41	-

A.3 Kaiser-Meyer-Olkin mutató és MSA mutató értelmezési lehetőségei

A KMO/MSA értelmezése Kaiser (1974) alapján: - 0,90+ ideális (marvelous) - 0,80-0,89 dicséretes (meritorious) - 0,70-0,79 átlagos (middling) - 0,60-0,69 középszerű (mediocre) - 0,50-0,59 siralmas (miserable) - < 0,50 elfogadhatatlan (unacceptable)

Értelmezésük Hair és mtsai. (2019) alapján: - 0,8 fölött ideális - 0,7-től jó - 0,5-0,7 középszerű - < 0,50 alatt elfogadhatatlan

A.4 Faktortöltések minőségi besorolásai

Minőségi besorolás Comrey és Lee (2013) alapján: - 0,71- : kitűnő - 0,63-0,70: nagyon jó - 0,55-0,62: jó - 0,45-0,54: közepes - 0,32-0,44: gyenge - < 0,32: nem értelmezhető

A.5 RMSEA mutató

Szerző	RMSEA elfogadhatóság
Browne és Cudeck (1992)	< 0,05 szoros illeszkedés, < 0,08 elfogadható hibaközelítés, > 0,10 nem elogadható
MacCallum és mtsai. (1996)	< 0,01 kiváló
Hu és Bentler (1999)	≤ 0,06
Steiger (2007)	< 0,03 ideális, < 0,07 elfogadható
Byrne és Byrne (2013)	< 0,05

A.6 SRMR

Hu és Bentler (1999): ≤ 0,08 Schermelleh-Engel és mtsai. (2003): 0-0,05 jó illeszkedés, 0,05-0,10 elfogadható

Browne, M. W., és Cudeck, R. (1992). Alternative Ways of Assessing Model Fit. Sociological Methods & Research, 21(2), 230–258. https://doi.org/10.1177/0049124192021002005

Byrne, B. M., és Byrne, B. M. (2013). Structural Equation Modeling With EQS (0. kiad.). Routledge. https://doi.org/10.4324/9780203726532

Cohen, J. (1988). Statistical Power Analysis for the Behavioral Sciences (2. kiad.). Academic Press.

Comrey, A. L., és Lee, H. B. (2013). A First Course in Factor Analysis. Psychology Press. https://doi.org/10.4324/9781315827506

Evans, J. D. (1996). Straightforward statistics for the behavioral sciences. Thomson Brooks/Cole Publishing.

Funder, D. C., és Ozer, D. J. (2019). Evaluating Effect Size in Psychological Research: Sense and Nonsense. Advances in Methods and Practices in Psychological Science, 2(2), 156–168. https://doi.org/10.1177/2515245919847202

Gignac, G. E., és Szodorai, E. T. (2016). Effect size guidelines for individual differences researchers. Personality and Individual Differences, 102, 74–78. https://doi.org/https://doi.org/10.1016/j.paid.2016.06.069

Hair, J. F., Black, W. C., Babin, B. J., és Anderson, R. E. (2019). Multivariate Data Analysis (8. kiad.). Cengage.

Hemphill, J. F. (2003). Interpreting the Magnitudes of Correlation Coefficients. American Psychologist, 58(1), 78–79. https://doi.org/10.1037/0003-066X.58.1.78

Hu, L., és Bentler, P. M. (1999). Cutoff Criteria for Fit Indexes in Covariance Structure Analysis: Conventional Criteria versus New Alternatives. Structural Equation Modeling: A Multidisciplinary Journal, 6(1), 1–55. https://doi.org/10.1080/10705519909540118

Kaiser, H. F. (1974). An Index of Factorial Simplicity. Psychometrika, 39(1), 31–36. https://doi.org/10.1007/BF02291575

Lovakov, A., és Agadullina, E. R. (2021). Empirically Derived Guidelines for Effect Size Interpretation in Social Psychology. European Journal of Social Psychology, 51(3), 485–504. https://doi.org/10.1002/ejsp.2752

MacCallum, R. C., Browne, M. W., és Sugawara, H. M. (1996). Power Analysis and Determination of Sample Size for Covariance Structure Modeling. Psychological Methods, 1(2), 130–149. https://doi.org/10.1037/1082-989X.1.2.130

Sawilowsky, S. S. (2009). New Effect Size Rules of Thumb. Journal of Modern Applied Statistical Methods, 8(2), 597–599. https://doi.org/10.22237/jmasm/1257035100

Schermelleh-Engel, K., Moosbrugger, H., és Müller, H. (2003). Evaluating the Fit of Structural Equation Models: Tests of Significance and Descriptive Goodness-of-Fit Measures. Methods of Psychological Research Online, 8(2), 23–74.

Steiger, J. H. (2007). Understanding the Limitations of Global Fit Assessment in Structural Equation Modeling. Personality and Individual Differences, 42(5), 893–898. https://doi.org/10.1016/j.paid.2006.09.017