Korelacja – co to jest i jak ją interpretować?

Data publikacji: 2026-07-10

Korelacja to statystyczna miara siły i kierunku związku między dwiema zmiennymi. Pokazuje, czy ich wartości współwystępują, ale nie dowodzi, że jedna zmienna powoduje zmianę drugiej.

Czym jest korelacja?

Korelacja opisuje współzależność, czyli sposób, w jaki zmiany jednej zmiennej wiążą się ze zmianami drugiej. Przykładem może być związek między liczbą godzin nauki a wynikiem egzaminu albo między wzrostem a masą ciała.

Trzeba jednak oddzielić korelację od przyczynowości. Wzrost sprzedaży lodów może współwystępować ze wzrostem liczby utonięć, ale lody nie powodują utonięć. Obie zmienne wiążą się z trzecią zmienną – wysoką temperaturą, która sprzyja zarówno zakupom lodów, jak i kąpielom w akwenach. Taki przypadek nazywa się korelacją pozorną.

Podobnie wynik korelacji między stresem a problemami ze zdrowiem psychicznym nie rozstrzyga, czy stres prowadzi do tych problemów, czy trudne warunki życia wpływają jednocześnie na obie zmienne. Do wnioskowania o przyczynowości potrzebne są dodatkowe przesłanki, między innymi właściwa kolejność zdarzeń i wykluczenie alternatywnych wyjaśnień.

Jak interpretować współczynnik korelacji?

Współczynnik korelacji, najczęściej oznaczany symbolem r, przyjmuje wartości od -1 do 1. Znak wskazuje kierunek związku, a wartość bezwzględna, czyli |r|, informuje o jego sile.

Wartość dodatnia oznacza, że wzrost jednej zmiennej wiąże się zwykle ze wzrostem drugiej.
Wartość ujemna oznacza, że wzrost jednej zmiennej wiąże się zwykle ze spadkiem drugiej.
Wartość bliska zeru wskazuje na brak związku liniowego, ale nie musi oznaczać całkowitego braku zależności.
Wartości bliskie -1 lub 1 oznaczają silny związek, choć nie przesądzają o przyczynowości.

Przykładowo, korelacja r = 0,80 jest równie silna jak r = -0,80. Różnica dotyczy wyłącznie kierunku. Przy pierwszym wyniku obie zmienne rosną razem, a przy drugim wzrost jednej wiąże się ze spadkiem drugiej.

Siłę związku można opisywać za pomocą umownych skal. Ich granice nie są uniwersalnym prawem i powinny być dopasowane do dziedziny badania. W polskich pracach często przywołuje się między innymi skalę Guilforda oraz skalę Stanisza.

Wartość \|r\|	Opis siły związku	Przykładowa interpretacja
0,00–0,20	bardzo słaba	Związek jest niewielki lub praktycznie nieznaczący.
0,20–0,40	słaba	Zależność jest zauważalna, ale ma ograniczoną siłę.
0,40–0,70	umiarkowana	Zmienne wykazują wyraźny współzwiązek.
0,70–0,90	silna	Wartości układają się blisko zależności liniowej.
0,90–1,00	bardzo silna	Związek jest bliski idealnej zależności liniowej.

Ta sama wartość może otrzymać inną etykietę w zależności od przyjętej skali. Dlatego w pracy dyplomowej należy wskazać, czy korzysta się ze skali Guilforda, Stanisza lub innego uzasadnionego źródła, a następnie stosować tę klasyfikację konsekwentnie.

Jaki współczynnik korelacji wybrać?

Wybór współczynnika zależy przede wszystkim od skali pomiarowej zmiennych, rozkładu danych, liniowości związku oraz liczby rang wiązanych. Pearson, Spearman i Kendall nie są konkurencyjnymi wersjami tego samego testu. Każdy służy do nieco innej sytuacji.

Typ danych lub sytuacja	Zalecany współczynnik	Co mierzy?
Dwie zmienne ilościowe, związek liniowy, dane bez silnych odstających obserwacji	Pearsona r	Liniową zależność między surowymi wartościami.
Zmienne porządkowe lub wyraźne odstępstwa od normalności	Spearmana ρ	Monotoniczną zależność na podstawie rang.
Mała próba lub wiele rang wiązanych	Kendalla τ	Zgodność uporządkowania par obserwacji.
Dwie zmienne nominalne, każda z dwiema kategoriami	Phi φ	Siłę związku w tabeli 2 × 2.
Zmienne nominalne z większą liczbą kategorii	V Cramera	Siłę zależności między kategoriami.

Pearson jest właściwy dla dwóch zmiennych ilościowych, gdy zależność ma charakter liniowy, a dane nie zawierają silnych wartości odstających. W praktyce nie należy przyjmować, że jest automatycznie najlepszym wyborem.

Spearman porządkuje obserwacje według rang, dlatego sprawdza się przy zmiennych porządkowych, takich jak odpowiedzi na skali Likerta, oraz przy rozkładach odbiegających od normalnego. Jest szczególnie użyteczny wtedy, gdy interesuje nas zależność monotoniczna, nawet jeśli nie tworzy ona idealnej linii prostej.

Kendall bywa korzystniejszy przy małych próbach i dużej liczbie powtarzających się rang. W przypadku zmiennych nominalnych nie stosuje się zwykłego współczynnika korelacji, lecz miary zależności oparte na tabelach kontyngencji, takie jak phi lub V Cramera.

Jak przygotować dane do analizy?

Pierwszym krokiem powinno być obejrzenie danych na wykresie rozrzutu. Sama wartość współczynnika może ukryć ważne problemy, na przykład zależność w kształcie litery U, pojedynczą obserwację odstającą albo dwie odrębne grupy punktów. Wynik bliski zeru oznacza przede wszystkim brak zależności liniowej, a nie brak jakiegokolwiek związku.

Przed obliczeniem korelacji Pearsona sprawdź najważniejsze założenia:

Obie zmienne są ilościowe i mierzone na porównywalnym poziomie pomiaru.
Zależność między nimi jest w przybliżeniu liniowa.
Rozkłady zmiennych nie odbiegają rażąco od normalności.
W danych nie ma silnych obserwacji odstających, które mogłyby zniekształcić wynik.

Jeżeli założenia Pearsona nie są spełnione, rozważ Spearmana albo Kendalla, zależnie od typu danych i liczby rang wiązanych. Nie oznacza to, że współczynnik nieparametryczny jest gorszy. Odpowiada on na pytanie dopasowane do innego rodzaju danych.

Warto też odróżnić korelację od kowariancji. Kowariancja jest niewystandaryzowaną miarą wspólnej zmienności i zależy od jednostek pomiaru, dlatego może przyjmować dowolne wartości. Korelacja jest standaryzowana do przedziału od -1 do 1, co ułatwia porównywanie siły związków.

Jak opisać wynik korelacji w pracy dyplomowej?

Opis powinien zawierać co najmniej współczynnik korelacji, jego kierunek i siłę, wartość p oraz liczebność próby. Sama informacja, że wynik jest istotny statystycznie, nie mówi jeszcze, czy związek jest silny ani czy ma znaczenie praktyczne.

Przykładowy zapis w stylu APA może wyglądać tak:

Stwierdzono umiarkowaną, dodatnią korelację między poziomem wsparcia społecznego a satysfakcją z pracy, r(78) = 0,46, p < 0,001. Oznacza to, że wyższy poziom wsparcia współwystępował z wyższą satysfakcją. Współczynnik determinacji r² = 0,21 wskazuje, że zmienne dzieli około 21% wspólnej zmienności.

W zapisie r(78) liczba w nawiasie oznacza stopnie swobody, zwykle równe N − 2. Wartość p informuje o istotności statystycznej w danej próbie. Nie jest miarą siły związku i nie należy przedstawiać jej jako prawdopodobieństwa, że hipoteza jest prawdziwa albo że wynik na pewno nie jest przypadkowy.

Współczynnik determinacji r² otrzymuje się przez podniesienie r do kwadratu. Dla r = 0,46 wynosi on około 0,21. Nie oznacza to, że korelacja dowodzi wpływu jednej zmiennej na drugą. Wskazuje jedynie, jaka część wspólnej zmienności jest opisana przez liniową zależność w analizowanej próbie.

Na jakie błędy uważać?

Przed oddaniem analizy sprawdź, czy nie pojawiły się podstawowe błędy interpretacyjne:

Nie zamieniaj słowa „związek” na „wpływ”, jeśli analiza korelacji nie uzasadnia wniosku przyczynowego.
Nie wybieraj Pearsona bez sprawdzenia skali pomiarowej, rozkładu, liniowości i obserwacji odstających.
Nie pomijaj wykresu rozrzutu, ponieważ r może nie ujawnić zależności nieliniowej ani efektu dwóch grup.
Nie traktuj wartości p jako miary siły związku. O sile informuje wartość bezwzględna współczynnika.
Nie interpretuj ujemnego znaku jako słabej korelacji. r = -0,80 opisuje związek silny, lecz przeciwnokierunkowy.
Nie używaj kilku różnych skal interpretacyjnych w jednej pracy bez wyjaśnienia, skąd wynikają różnice.

Najbezpieczniejsza kolejność pracy wygląda tak: najpierw określ typ zmiennych, potem obejrzyj ich rozkład i wykres rozrzutu, wybierz współczynnik, sprawdź istotność oraz opisz jednocześnie siłę, kierunek i ograniczenia wyniku.