Jak interpretować współczynnik korelacji?
Współczynnik korelacji opisuje siłę i kierunek związku między dwiema zmiennymi, ale nie dowodzi, że jedna z nich powoduje drugą. Aby poprawnie zinterpretować wynik, trzeba sprawdzić znak współczynnika, jego wartość bezwzględną, istotność statystyczną oraz wykres rozrzutu. Znaczenie wyniku zależy też od dziedziny i rodzaju analizowanych danych.
Co oznacza współczynnik korelacji?
Najczęściej stosowany współczynnik Pearsona, oznaczany symbolem r, przyjmuje wartości od -1 do 1. Mierzy liniowy związek między zmiennymi ilościowymi. Wartość dodatnia oznacza, że wraz ze wzrostem jednej zmiennej druga ma tendencję do wzrostu. Wartość ujemna wskazuje, że wzrostowi jednej zmiennej towarzyszy spadek drugiej.
Na przykład wynik r = 0,7 oznacza silną dodatnią zależność liniową według często stosowanej umownej skali. Nie oznacza jednak, że wzrost jednej zmiennej o określoną wartość wywołuje proporcjonalny wzrost drugiej.
Jak czytać znak i siłę korelacji?
Najpierw odczytaj znak, a następnie oceń wartość bezwzględną współczynnika, czyli odległość wyniku od zera. Taki sposób interpretacji pozwala odróżnić kierunek związku od jego siły:
| Wartość |r| | Siła związku | Znaczenie |
|---|---|---|
| 0–0,2 | Brak lub bardzo słaba | Związek liniowy jest niewielki albo niewidoczny |
| 0,2–0,4 | Słaba | Widoczna jest niewielka tendencja |
| 0,4–0,7 | Umiarkowana | Związek jest zauważalny, ale dane nie układają się ściśle wokół jednej linii |
| 0,7–0,9 | Silna | Większość obserwacji podąża w podobnym kierunku |
| 0,9–1 | Bardzo silna | Zależność jest bliska idealnej liniowej |
Przedziały mają charakter orientacyjny. Współczynnik r = -0,8 opisuje związek równie silny jak r = 0,8, lecz o przeciwnym kierunku. Wynik r = 0 nie musi oznaczać całkowitego braku zależności. Może wskazywać na brak związku liniowego, podczas gdy dane tworzą na przykład relację U-kształtną.
Dlaczego kontekst dziedziny ma znaczenie?
Nie istnieje jeden uniwersalny próg, od którego korelację należy nazywać silną. W psychologii i naukach społecznych zmienne często zależą od wielu czynników, dlatego korelacja na poziomie 0,3 może być interesującym i użytecznym wynikiem. W naukach technicznych, fizyce lub części badań medycznych oczekuje się często większej powtarzalności, więc taki sam wynik może zostać oceniony jako słaby.
| Dziedzina | Jak można odczytać r = 0,3? | Jak można odczytać r = 0,7? |
|---|---|---|
| Nauki społeczne i psychologia | Mała lub umiarkowana zależność, potencjalnie istotna badawczo | Silna zależność, wymagająca sprawdzenia kontekstu |
| Nauki techniczne | Zwykle słaba zależność predykcyjna | Wyraźna, często użyteczna zależność |
| Nauki medyczne | Wynik wymagający ostrożnej interpretacji i oceny znaczenia klinicznego | Silna zależność statystyczna, która nadal nie dowodzi przyczynowości |
Znaczenie ma nie tylko dziedzina, lecz także cel analizy. Korelacja wystarczająca do wstępnego wykrycia związku może być zbyt mała, aby na jej podstawie przewidywać indywidualne wyniki albo podejmować decyzje kliniczne czy techniczne.
Jakie błędy pojawiają się przy interpretacji?
Sam wynik liczbowy może prowadzić do błędnych wniosków, jeśli nie sprawdzisz sposobu, w jaki powstał. Najczęstsze problemy to:
- Korelacja pozorna – dwie zmienne zmieniają się razem, ponieważ wpływa na nie trzecia zmienna. Przykładowo sprzedaż lodów i liczba utonięć mogą rosnąć w tym samym czasie. Ukrytą zmienną jest temperatura, która sprzyja zarówno kupowaniu lodów, jak i wypoczynkowi nad wodą.
- Mylenie korelacji z przyczynowością – korelacja pokazuje współwystępowanie, lecz nie wskazuje, która zmienna miałaby powodować zmianę drugiej. Związek stresu ze zdrowiem psychicznym może wynikać z wpływu obu zmiennych na siebie, odwrotnego kierunku albo wspólnych warunków życiowych.
- Ignorowanie wartości odstających – pojedyncza nietypowa obserwacja może znacząco podwyższyć lub obniżyć współczynnik Pearsona.
- Pomijanie nieliniowości – przy zależności U-kształtnej lub innej krzywoliniowej r może być bliskie zeru, mimo że zmienne wyraźnie się ze sobą wiążą.
Współczynnik Pearsona opisuje przede wszystkim zależność liniową. Gdy dane mają charakter rangowy, rozkład jest daleki od normalnego albo zależność jest monotoniczna, lecz niekoniecznie liniowa, można rozważyć współczynnik rho Spearmana. Nie jest on jednak automatycznym rozwiązaniem każdego problemu, dlatego wybór miary powinien wynikać ze skali pomiarowej i struktury danych.
Jak interpretować korelację krok po kroku?
Przed sformułowaniem wniosku przejdź przez następującą sekwencję:
- Sprawdź znak współczynnika – znak dodatni oznacza zgodny kierunek zmian, a ujemny przeciwny.
- Oceń wartość bezwzględną – im bliżej 1, tym silniejsza zależność w przyjętej skali, lecz progi interpretacyjne traktuj jako orientacyjne.
- Sprawdź wartość p – przyjęcie poziomu istotności, na przykład α = 0,05, pozwala ocenić, czy wynik jest zgodny z hipotezą o braku związku. Niska wartość p nie mówi, że korelacja jest silna, ani że ma znaczenie praktyczne.
- Oceń wykres rozrzutu – sprawdź liniowość, wartości odstające, skupiska obserwacji i ewentualną zależność krzywoliniową.
- Rozważ alternatywne wyjaśnienia – zastanów się, czy za związkiem nie stoi zmienna ukryta i czy dane pozwalają mówić o czymś więcej niż współwystępowaniu.
Wykres rozrzutu przed interpretacją liczby
Wykres rozrzutu powinien poprzedzać interpretację współczynnika. Dwie próby mogą mieć podobne wartości r, ale zupełnie inny układ punktów. Wykres pokaże, czy zależność jest liniowa, czy wynik tworzy pojedyncza obserwacja oraz czy w danych występują odrębne grupy.
Dobrym przykładem jest kwartet Anscombe’a. Zbiory danych mogą mieć bardzo podobne podstawowe statystyki, w tym współczynnik korelacji, a jednocześnie wyglądać zupełnie inaczej na wykresie. Sama liczba nie zastępuje więc oglądu danych.
Interpretacja r = 0,7 powinna brzmieć raczej: „między zmiennymi występuje silna dodatnia zależność liniowa w tej próbie, istotna lub nieistotna statystycznie zależnie od wartości p, ale wynik nie dowodzi związku przyczynowego”. Taki opis jest dokładniejszy niż stwierdzenie, że jedna zmienna „wpływa” na drugą.
