開場：一杯咖啡引發的爭論
上個月在台北一間咖啡廳，我帶的一位業餘登山車手阿凱把手機推到我面前，螢幕上是一篇轉貼的文章，標題斗大地寫著「研究證實：某補劑能顯著提升運動表現」。他眼睛發亮地問我：「教練，我是不是該吃這個？它說有『顯著』效果耶！」
我沒有馬上回答，反而先問他一個問題：「你知道那個『顯著』，可能只代表『快了 0.3 秒』嗎？而且是在 300 位受試者、控制到滴水不漏的實驗室裡量出來的 0.3 秒。」他愣住了。
這就是我這十五年帶各級選手與一般運動族群，最常要花力氣去拆解的一件事：「有沒有效」和「效果有多大、對你有沒有意義」，是兩個完全不同的問題。 前者是統計上的 p 值在講話，後者才是你在武嶺爬坡、在河濱練間歇時，真正會感受到的東西。
這篇文章，我想帶你走進「效果量（effect size）」與「最小重要差異」的世界。它們聽起來像是象牙塔裡的統計名詞，但我保證，一旦你看懂了，你以後看任何一篇運動科學研究、任何一則裝備或補劑的宣傳，眼睛都會變得不一樣。你會從一個被數字牽著走的人，變成一個能反過來質問數字的人。
觀念基礎：p 值的迷思，與效果量的登場
p 值只回答一個很窄的問題
先講一個殘酷的事實：大多數人（包括不少寫報導的人）都誤會了 p 值。
p 值（通常我們看到 p < 0.05 就開心地說「有顯著差異」）其實只在回答一個非常狹窄的問題：「假設兩組其實沒有差別，那我觀察到現在這個結果、或更極端結果的機率有多低？」機率夠低（低於 5%），我們就說「這差異不太可能是純運氣造成的」。
注意，它從頭到尾都沒有告訴你差異有多大。
這裡藏著一個很多人不知道的陷阱：只要樣本數夠大，幾乎任何微小的差異都能變成「統計顯著」。 如果我找 5000 個人來測某訓練法，就算它平均只讓 FTP（功能性閾值功率）提升了 1 瓦，都可能跑出 p < 0.001 這種漂亮數字。但你我都知道，1 瓦對一個 250 瓦的車手來說，根本感覺不到，連量測誤差都蓋過它了。
效果量：把「差多少」量化出來
效果量就是為了補上這個缺口而生的。它不管樣本多大，直接回答：「這個差異，換算成標準化的尺度，到底有多大?」
最常見的效果量指標是 Cohen’s d，它的邏輯很直覺：把兩組的平均值差距，除以資料的變異程度（標準差）。換句話說，它問的是「這個差異相對於個體之間本來就有的差異，算大還是算小」。
根據 Jacob Cohen 當年提出的經驗性慣例（注意，是慣例，不是鐵律），一般這樣解讀：
| Cohen’s d 數值 | 慣例解讀 | 白話翻譯 |
|---|---|---|
| 約 0.2 | 小效果 | 存在，但要很仔細才看得出來 |
| 約 0.5 | 中效果 | 肉眼可辨、實務上開始有感 |
| 約 0.8 | 大效果 | 明顯、通常值得認真看待 |
但我要在這裡加一個非常重要的提醒：這些門檻是跨領域的粗略參考，Cohen 本人也強調要看情境。在菁英運動的世界裡，遊戲規則完全不同——奧運場上金牌與第四名的差距，換算成效果量可能只有 0.1 到 0.2，小到不行，但對選手而言那是登不登上凸台、有沒有國光獎金的天壤之別。所以**「小效果」不等於「不重要」，「大效果」也不保證「對你重要」。** 這正是我們接下來要談的重點。
（Cohen’s d 的門檻與解讀，可參考文末列出的 Simply Psychology 與 LibreTexts 統計教材連結。）
核心概念：最小重要差異（MID / MCID）
從「統計顯著」到「值得你在意」
如果說效果量是把差異標準化，那麼最小重要差異（Minimal Important Difference, MID；在臨床上常稱 Minimal Clinically Important Difference, MCID） 就是把問題拉回到真實世界：
這個改變，要大到什麼程度，你這個「人」才會真正感受到、覺得有意義？
MCID 原本是從臨床醫學來的概念——例如一種止痛療法，疼痛評分平均降了多少，病人才會覺得「我真的比較不痛了」，而不只是問卷數字動一動。運動科學借用了這個思維：一項訓練或介入，要讓你的表現進步到超過某個門檻，才值得你付出時間、金錢與恢復成本去做。
這裡有個殘酷但實用的觀點，我很喜歡引用：MCID 其實是一個「很低的門檻」。它代表的是「勉強有感」，而不是「效果很好」。一個介入即使跨過了 MCID，也只是說明它「值得考慮」，離「強烈推薦」還很遠。（這點在文末 ScienceDirect 那篇「MCID Is a Low Bar」講得很直白。）
三個一定要一起看的數字
我常跟學員說，看研究時腦中要同時擺三個問題，缺一不可：
| 你該問的問題 | 對應的統計概念 | 如果忽略會怎樣 |
|---|---|---|
| 「這差異是真的，還是運氣？」 | p 值 / 信賴區間 | 被雜訊當成訊號 |
| 「這差異有多大？」 | 效果量（Cohen’s d 等） | 把 1 瓦當成 30 瓦在慶祝 |
| 「這差異大到我有感嗎？」 | 最小重要差異（MCID） | 花大錢買一個你根本感覺不到的東西 |
只看第一個，你會變成阿凱那樣，看到「顯著」就想掏錢。三個一起看，你才有能力做出成本效益合理的訓練決策。
（MCID 的定義與「它是一個低門檻」的討論，可參考文末 PubMed 綜述與 ScienceDirect 連結。）
用一個對照表看懂「四種情況」
把「統計顯著與否」和「效果大小是否有實務意義」兩個維度交叉，你會得到四種截然不同的情況。這張表我常畫在白板上給學員看，因為它一次點破了最多的誤解：
| 效果量大、有實務意義 | 效果量小、無實務意義 | |
|---|---|---|
| 統計顯著 | 理想：真的有效又有感，值得採用 | 陷阱：樣本大到把「幾乎沒差」也變顯著，最容易被誤導 |
| 不顯著 | 可惜：可能真有效但樣本太小沒測出來，值得後續研究 | 明確：既沒把握、效果又小，直接略過 |
最危險的格子是右上角——統計顯著、但效果小到沒意義。這正是大樣本研究最容易製造、也最常被行銷拿來斷章取義的地方。你以後看到「大規模研究證實顯著有效」，反而要更小心地追問效果到底多大。而左下角則提醒我們：「沒測到顯著」不等於「證明無效」，很可能只是樣本不夠、還沒看清楚而已。
實務方法：把研究翻譯成訓練決策
理論講完了，我知道你真正想要的是「所以我到底該怎麼用」。以下是我實際帶學員時，教他們的一套翻譯流程。
步驟一：先問「這個效果，換算到我身上是多少？」
研究常用百分比或標準化數字報告結果。你要做的第一件事，是把它換算成你自己的絕對數字。
舉個實例（數字為情境舉例，非引用特定研究）：假設一篇研究說某間歇訓練法讓受試者的最大攝氧量相關指標「平均提升約 3%」。聽起來好像不多？我們來換算。假設你現在爬一段熟悉的坡（例如新竹的十八尖山或風櫃嘴）大約騎 20 分鐘：
| 你的基準 | 提升 3% 後的估算 | 實務意義 |
|---|---|---|
| 20:00 的爬坡 | 約快 30 至 40 秒 | 有感，週末揪團不會被拉爆 |
| 250 瓦的 FTP | 約提升 7 至 8 瓦 | 通常超過量測誤差，值得追求 |
| 40 分鐘的 10 公里跑 | 約快 60 至 70 秒 | 對業餘跑者是明顯進步 |
看到沒？同樣一個「3%」，換算成你熟悉的場景，突然就變得具體、可以判斷了。這一步是把抽象研究接地氣的關鍵。
步驟二：對照「量測誤差」與「日常波動」
這是最多人漏掉的一步。任何量測都有誤差，你的身體每天狀態也在波動。如果一個宣稱的效果，比你自己平常的日常波動還小，那它在現實中根本沒意義。
我通常會請學員先做「自我變異度」的功課：連續幾週在相同條件下（同一段路、同樣睡飽、類似氣溫）記錄同一項表現，看它自然上下擺動多少。
| 指標 | 常見的日常自然波動範圍（個體差異大，僅供概念參考） | 判讀原則 |
|---|---|---|
| 晨起心率 | 上下數個 bpm | 單日高幾下別緊張，看趨勢 |
| 同段爬坡時間 | 數十秒等級 | 小於此就別當成進步或退步 |
| 功率計讀值 | 通常有數個百分比誤差 | 換車、換錶前後不能直接比 |
原則很簡單：如果一個介入的效果，淹沒在你自己的日常噪音裡，那不管研究說得多漂亮，對你都不算數。
步驟三：估算「投入產出比」
就算效果真的超過噪音、也超過 MCID，你還得問最後一個問題：代價值不值得？
我帶過一位準備參加台灣 KOM（登山王挑戰）業餘組的學員小林。他一度想同時嘗試好幾種據說「有效」的作法。我請他做了一張很土法煉鋼、但超級好用的表：
| 介入方式 | 估算效果量級 | 需要付出的成本 | 我的建議 |
|---|---|---|---|
| 規律結構化訓練（週期化） | 大 | 時間、紀律 | 第一優先，效果最扎實 |
| 睡眠與恢復管理 | 中至大 | 生活作息調整 | 高投報，很多人低估 |
| 減去多餘體重（在健康範圍內） | 中至大（爬坡尤甚） | 飲食紀律 | 對爬坡型賽事極有效 |
| 某些邊際小補劑 | 小 | 金錢、麻煩 | 前三項做好再考慮 |
這張表點醒了他：他一直想在「小效果、卻要花錢花心力」的東西上打轉，卻忽略了「大效果、只要肯做」的睡眠和週期化訓練。排序決策，永遠先吃效果量最大、成本最低的果實。
步驟四：在自己身上做「小規模驗證」
研究給你的是群體平均，但真正的答案要在你自己身上找。我教學員一套很土、但很有效的自我驗證法，我稱它為「一人試驗」：
- 先固定基準。 選一個你能穩定重複的測試——例如同一段坡、同樣的暖身、盡量相近的氣溫與睡眠。連續量幾次，抓出你「不做任何改變」時的自然範圍。
- 一次只改一件事。 想驗證某個介入，就只動那一項，其他全部維持不變。同時改三件事，你永遠不知道是哪一件在起作用（或互相抵消）。
- 給它足夠時間。 很多生理適應要數週才顯現，別做兩天沒感覺就放棄，也別做兩天有感覺就當真（那可能只是狀態好）。
- 和你的基準波動比，不是和昨天比。 只有當改變超出你原本的自然波動範圍，才算數。
這套方法的精神，就是把「效果量」和「日常噪音」的概念，直接搬到你自己身上跑一遍。它不完美（沒有對照組、有安慰劑效應），但對一般運動族群來說，已經比盲信廣告可靠太多了。
一個具體換算示範：咖啡因與計時賽
再舉一個大家常問的例子來走一遍流程（數字為概念示範，非引用特定研究）。假設有人告訴你「咖啡因能提升耐力表現約 2%」。
| 判讀步驟 | 套用到你身上 |
|---|---|
| 換算絕對值 | 40 分鐘的計時賽，2% 約等於快 40 多秒 |
| 對照日常波動 | 若你同條件下自然波動約 20 至 30 秒，那 40 秒「可能」浮出水面 |
| 超過 MCID 嗎 | 對在意名次的你，40 秒有感;對純休閒騎，也許無所謂 |
| 成本與風險 | 便宜、方便，但要注意心悸、腸胃、睡眠、個人耐受度差異 |
| 個體反應 | 有人反應大、有人幾乎沒感覺，甚至有人不適 |
結論不會是「一定要用」或「絕對別用」，而是：「這是一個效果量級中等、成本低、但因人而異的選項，值得你自己小規模試一次再決定。」 這就是成熟的判讀該有的樣子——不武斷、有依據、能行動。
常見錯誤與修正
帶學員這麼多年，我看過太多人在「解讀數字」這件事上跌倒。以下幾個是最常見的，我一併把修正方式寫給你。
錯誤一：把「顯著」當成「效果很大」
這是頭號通病。前面說過，「統計顯著」只代表「大概不是運氣」，跟「效果大不大」是兩回事。
修正： 每次看到「顯著提升」，立刻在心裡追問一句——「提升了多少?換算到我身上是幾秒、幾瓦、幾公斤?」對方答不出具體數字，或那個數字小到可笑，你就知道該打折看待。
錯誤二：只看平均值，忽略個體差異
研究報告的是「平均效果」，但你不是平均人。同一個介入，有人反應很大、有人幾乎沒反應，這叫「反應者變異」。平均進步 3%，可能是一半人進步 6%、一半人完全沒動的結果。
修正： 把研究當成「值得一試的假設」，而不是「保證的承諾」。真正的驗證，是在你自己身上做小規模、有紀錄的試驗（下面會教）。
錯誤三：拿實驗室的完美條件套用到真實生活
研究常在高度控制的環境進行——受試者睡飽、禁咖啡因、標準化飲食。你在台灣的真實生活呢?加班、外食一個排骨便當、下班還要騎河濱、夏天悶熱到爆汗。實驗室量到的效果，在你混亂的日常裡往往會縮水。
修正： 對研究效果自動打個折扣心理準備，尤其是那些依賴「完美執行」的介入。能在真實混亂中還撐得住的效果，才是好效果。
錯誤四：被「相對數字」放大情緒
「風險降低 50%!」聽起來很嚇人，但如果原本的絕對風險是 0.002%，降一半也只是 0.001%，實務上幾乎沒差。運動宣傳也常用相對數字（提升 30%!）來放大感受，卻不告訴你基準是多少。
修正： 永遠找「絕對數字」。相對百分比沒有基準值，就是耍流氓。
錯誤五：忽略信賴區間的寬度
一個效果量的「點估計」旁邊，通常有個信賴區間。如果那個區間很寬（例如從「幾乎沒效」跨到「效果很大」都涵蓋），代表這個結果很不確定，尤其常見於小樣本研究。
修正： 看到小樣本、又沒報告信賴區間，或區間寬得誇張的研究，把結論的確定性再往下調。
錯誤六：忽略「對象是誰」的可遷移性
很多研究的受試者，跟你根本不是同一群人。用未受過訓練的新手做出來的效果，套到已經訓練多年的老手身上，往往會大幅縮水——因為老手的「進步空間」本來就小得多（這在運動科學裡叫「訓練狀態」的影響）。反過來，用職業選手做的研究，也未必適用於你我這種業餘上班族。
修正： 看研究時多問一句「受試者是誰?他們像我嗎?」如果對象和你的訓練程度、年齡、性別、生活型態差很多，效果的可遷移性就要打折。台灣常見的情境是：一堆宣傳引用的是國外年輕運動員的數據，但你是四十多歲、每天外食、週末才騎車的族群，直接套用只會失望。
台灣在地情境：把概念落地
談了這麼多，我想特別把幾個台灣讀者最容易踩到的實務點拉出來講，因為我們的生活條件跟實驗室差很遠。
悶熱氣候會吃掉你的效果量
台灣夏天又濕又熱，這對耐力表現的影響非常大。很多國外研究是在涼爽環境測出來的漂亮效果，你在七、八月的午後河濱一騎，光是熱壓力就足以蓋過那個介入的效果。判讀時要把環境變數放進去——同樣的訓練，冬天和盛夏的表現差異，可能遠大於任何小補劑的效果。這也是為什麼夏天更該重視補水、電解質與時段選擇（清晨或傍晚），這些「大效果」的基本功。
外食族的營養現實
研究裡受試者常吃標準化飲食，但你我可能中午是排骨便當、晚上是滷肉飯加珍奶。當一個介入的效果，建立在「飲食控制良好」的前提上，套到外食族身上就會縮水。與其糾結某個邊際補劑，不如先把「每餐有沒有足夠蛋白質、有沒有吃夠碳水支撐訓練」這些效果量更大的基本盤顧好。
就醫方便是你的優勢
台灣健保可近性高、就醫方便，這其實是我們判讀健康資訊時的一大優勢。當你對某個補劑安全性、某個身體警訊、或某項介入是否適合自己有疑慮時，掛個號問醫師、物理治療師或營養師的成本很低。別用網路上的統計數字，去取代一次專業的個別評估。 尤其若你本身有慢性疾病（如糖尿病、高血壓、心臟相關問題），任何訓練或營養調整都應該先和你的主治醫師討論，用語我在這裡也刻意保守——這些狀況一定要個別化、要就醫，不是靠讀文章就能自己決定的。
給不同程度讀者的行動建議
看懂概念是一回事，用出來是另一回事。我把建議分成三種程度，你對號入座。
如果你是剛入門的運動新手
你現在不需要去啃論文、算 Cohen’s d。你要做的，是先建立正確的「優先順序直覺」：
- 先把大石頭放進罐子裡。 規律運動、睡眠、基本營養、循序漸進，這些「效果量最大」的基本功，遠比任何小撇步重要。別在還沒打好地基時，就被各種補劑和裝備廣告分心。
- 看到「顯著」「證實有效」的宣傳，先深呼吸。 問一句：「效果具體是多少?值多少錢?」答不出來就先放著。
- 記錄你自己的基準。 就算只是手機備忘錄記下每次騎車的時間和感受，三個月後回頭看，你自己的數據比任何研究都更貼近你。
如果你是有經驗的進階運動者
你已經有訓練基礎，接下來是提升「解讀力」：
- 學會把研究結果換算成自己的絕對數字（回頭看實務方法步驟一）。這是進階者最該練的翻譯能力。
- 建立你的「個人 MCID」概念。 想清楚：對你這個階段的目標，表現要進步多少才值得你去追?例如你若在意破 PB，先算出破 PB 需要的秒數，再回頭評估哪些介入的效果量搆得上。
- 善用信賴區間與樣本數當濾網。 小樣本、寬區間的研究，當成「有趣的線索」就好，別急著改整套訓練。
如果你是教練或帶隊者
你的每個建議都會影響一群人，責任更重：
- 對選手溝通時，用他們聽得懂的絕對數字，而不是丟一堆 p 值和 d 值。「這個做法大概能幫你在那段坡快 20 秒」遠比「效果量 0.4」更能激勵人。
- 管理期待值。 提醒選手研究報的是平均，個體反應有差；把新方法當「值得試的假設」，並用小規模試驗去驗證誰是反應者。
- 做決策排序時，永遠先問效果量與成本。 資源有限，把它投在效果量最大、最扎實的地方（訓練結構、恢復、基礎營養），而不是追逐一堆邊際小玩意。
一個完整的個案：把整套思維走一遍
讓我用阿凱的故事收尾，把前面所有概念串起來。
那天咖啡廳之後，我沒有直接叫他別買那個補劑，而是帶他跑了一遍完整流程。
第一步，翻譯效果。 我們找出那篇宣傳背後大致的數字，換算到他身上，估出來的效果大約是在他常騎的那段河濱計時路段「可能快個幾秒」。
第二步，對照噪音。 我請他翻出過去兩個月同一段路的紀錄，發現他自己的自然波動就有數十秒——遠大於那個補劑宣稱能帶來的幾秒。結論很清楚：那點效果，直接淹沒在他的日常波動裡。
第三步，算投報。 那個補劑一個月要花不少錢，還要每天記得吃。而我們一起檢視他的生活後發現，他長期睡不到六小時、賽前一週還常熬夜追劇。
我跟他說：「你與其花錢買一個你根本感覺不到的幾秒，不如先把睡眠從六小時拉到七個半小時。那個效果量，我保證你在坡上有感。」
三個月後，他沒吃任何新補劑，只調整了睡眠和訓練結構，那段河濱 PB 進步了將近一分鐘。他回來跟我說的第一句話是：「教練，我以後看到『顯著』兩個字，都會先想:那到底幾秒?」
那一刻，我知道他真的懂了。這才是我寫這篇文章最想給你的東西——不是某個特定結論，而是一套能陪你一輩子的思考方式。
常見問答（FAQ）
Q：效果量的門檻（0.2 / 0.5 / 0.8）是絕對標準嗎?
A：不是。那是 Cohen 提出的跨領域粗略慣例，他本人也強調要看情境。在菁英運動裡，很小的效果量都可能決定勝負；在大眾健身裡，可能要更大的效果才值得你改變習慣。門檻是參考，不是聖經。
Q：那我以後是不是要自己算 Cohen’s d?
A：完全不用。你要學的是「思維」而非「計算」——看到結論就追問「換算到我身上是多少、超過我的日常波動嗎、值不值得這個成本」。這三問，比任何公式都實用。
Q：研究說有效，但我試了沒感覺，是我有問題嗎?
A：很可能不是。研究報的是平均，個體反應差異很大，你完全可能是「低反應者」。這也是為什麼在自己身上做小規模驗證這麼重要。別因為一篇論文就懷疑自己的身體。
Q：那我乾脆都別信研究，靠感覺就好?
A：也不對，這會走到另一個極端。研究是很有價值的「群體層級證據」，能幫你篩掉一堆沒根據的偏方。正確做法是：用研究當方向，用自己身上的紀錄當驗證，兩者互補。
Q：健康或傷害相關的介入，也能這樣自己判斷嗎?
A：概念可以用來幫你理解資訊，但涉及疾病、傷害、用藥或補劑安全時，一定要找專業人員個別評估。統計思維幫你看懂數字，但它不能取代醫療判斷。台灣就醫方便、健保可近性高，有疑慮時，掛號請教醫師、物理治療師或營養師，永遠是最穩妥的做法。
Q：效果量和「相關係數」是同一回事嗎?
A：不完全是，但相關係數（如 r）也是一種效果量的指標，用來描述兩件事關聯的強弱。重點一樣：別只看「有沒有關聯」，要看「關聯有多強、對實務有沒有意義」。而且關聯不等於因果——兩件事一起變動，不代表其中一個造成另一個，這是另一個常被誤用的大坑。
Q：為什麼有些研究效果很大，卻沒被廣泛採用?
A：可能原因很多：樣本太小、無法在別的研究重複出來、實驗設計有瑕疵、或效果只在很特定的條件下才成立。單一研究再漂亮，也只是「一個證據點」。真正可靠的結論，通常需要多個獨立研究、在不同族群上都看到一致方向，才站得住腳。看到「某單一研究震撼發現」，先保守看待。
Q：那麼多要注意的，我一般人記不住怎麼辦?
A：不用全記。你只要養成一個反射動作就夠了——每次看到「有效」，就在心裡問三句：「效果多大（換成我的秒數瓦數）?超過我的日常波動嗎?值不值這個成本?」這三句話，就濃縮了整篇文章九成的價值。
結語：成為能質問數字的人
我們活在一個被數字轟炸的時代。打開手機，滿滿都是「研究證實」「顯著提升」「效果驚人」。這些字眼有一種魔力，會讓人不假思索地相信。
但讀完這篇，我希望你已經有了一層免疫力。你知道「顯著」不等於「效果大」，你知道要把研究翻譯成自己的絕對數字，你知道要對照日常噪音和 MCID，你知道要算投入產出比。
最厲害的運動者，不是讀最多研究的人，而是最會問問題的人。 下次再有人拿著一篇「證實有效」的文章來找你，你不會再像從前的阿凱那樣眼睛發亮，而是會微笑著問一句：
「所以，效果具體是多少?對我，真的有意義嗎?」
這一問，就是你從被數字牽著走，變成駕馭數字的分水嶺。
我最後想再叮嚀一件事：培養這套思維，不是為了讓你變得憤世嫉俗、什麼都不信。恰恰相反，它是為了讓你把有限的時間、金錢和恢復量，投在真正划算的地方。當你不再被一堆邊際小效果分心，你反而能更專注、更堅定地把那幾件效果量最大的事（規律訓練、充足睡眠、扎實營養、循序漸進）做好、做久。這才是長期進步的真正引擎。
數字是工具，不是主人。看懂它、質問它、然後把它為你所用——這，就是一個成熟運動者該有的姿態。
祝你在台灣的每一段坡、每一條河濱、每一場賽事上，都騎得比昨天更明白、更聰明。我們路上見。
本文為教育性內容，不能取代醫師、物理治療師或營養師的個別診斷與治療建議。涉及疾病（如糖尿病、高血壓、心臟病等）、傷害或補劑安全時，請務必尋求專業醫療人員的個別化評估與協助。
參考資料
- Simply Psychology — What Does Effect Size Tell You?: https://www.simplypsychology.org/effect-size.html
- Statistics LibreTexts — Cohen’s Standards for Small, Medium, and Large Effect Sizes: https://stats.libretexts.org/Bookshelves/Applied_Statistics/Business_Statistics_(OpenStax)/10%3A_Hypothesis_Testing_with_Two_Samples/10.02%3A_Cohen’s_Standards_for_Small_Medium_and_Large_Effect_Sizes
- PubMed — The Minimal Clinically Important Difference: A Review of Clinical Significance: https://pubmed.ncbi.nlm.nih.gov/34854345/
- ScienceDirect — Minimally Clinically Important Difference (MCID) Is a Low Bar: https://www.sciencedirect.com/science/article/abs/pii/S0749806322007010
- Wikipedia — Minimal important difference: https://en.wikipedia.org/wiki/Minimal_important_difference