Eta kwadrat (η²) – to jedna z najczęściej stosowanych miar wielkości efektu w analizie wariancji. Przyjmuje wartości od 0 do 1 i informuje, jaka część całkowitej zmienności zmiennej zależnej jest związana z analizowanym czynnikiem.  Przykładowo, eta równa 0,15 oznacza, że analizowany czynnik odpowiada za 15% całkowitej wariancji zmiennej zależnej w danym modelu. 

W praktyce należy odróżnić eta kwadrat (η²) od cząstkowego eta kwadrat (partial η², ηp²). W wielu procedurach ANOVA, m.in. w IBM SPSS Statistics, domyślnie raportowane jest właśnie cząstkowe η².  Cząstkowe eta odnosi efekt danego czynnika do wariancji tego efektu i odpowiadającego mu błędu, a nie do całkowitej wariancji w modelu. 

Ma to szczególne znaczenie w wieloczynnikowej ANOVA. Jeżeli analizujemy przykładowo wpływ ilości opadów i temperatury powietrza na słodycz truskawek, dla każdego czynnika możemy otrzymać osobną miarę wielkości efektu. Jeśli cząstkowe eta dla opadów wynosi 0,15, a dla temperatury 0,33, oznacza to, że efekt temperatury jest w tym modelu większy.

Nie należy jednak interpretować cząstkowego η² jako dosłownego „33% całkowitej zmienności słodyczy truskawek”, ponieważ jego mianownik nie obejmuje wszystkich źródeł wariancji jednocześnie.  Wartości cząstkowego eta dla różnych czynników nie sumują się do 1 i nie powinny być traktowane jak prosty podział całkowitej wariancji między predyktory. 

W jednoczynnikowej ANOVA zwykłe i cząstkowe η² są sobie równe. W takich analizach często raportuje się również omega kwadrat (ω²), która jest mniej obciążonym estymatorem wielkości efektu w populacji, szczególnie przy mniejszych próbach. Wynik ANOVA warto więc raportować łącznie ze statystyką F, wartością p oraz odpowiednią miarą wielkości efektu, ponieważ sama istotność statystyczna nie informuje o praktycznej wielkości obserwowanych różnic.