Współczynnik korelacji Pearsona mierzy siłę i kierunek liniowego związku między dwiema zmiennymi ilościowymi, przyjmując wartości od -1 (idealna korelacja ujemna) przez 0 (brak liniowej zależności) do +1 (idealna korelacja dodatnia), i oblicza się go jako iloraz kowariancji dwóch zmiennych oraz iloczynu ich odchyleń standardowych.
Wzór na współczynnik korelacji Pearsona
Wzór wygląda następująco:
r = kowariancja(X, Y) / (odchylenie standardowe X × odchylenie standardowe Y)
W praktyce oznacza to sumowanie iloczynów odchyleń każdej pary obserwacji od ich odpowiednich średnich, podzielone przez pierwiastek z iloczynu sum kwadratów odchyleń dla każdej zmiennej osobno. Wynik r zawsze mieści się w przedziale od -1 do 1, niezależnie od jednostek, w jakich wyrażone są zmienne wejściowe.
Jak interpretować wartość współczynnika korelacji
- |r| bliskie 0 (0-0,1) — brak lub znikoma korelacja liniowa między zmiennymi.
- |r| 0,1-0,3 — słaba korelacja.
- |r| 0,3-0,5 — umiarkowana korelacja.
- |r| 0,5-0,7 — silna korelacja.
- |r| powyżej 0,7 — bardzo silna korelacja.
Znak współczynnika (dodatni lub ujemny) wskazuje kierunek zależności — dodatni oznacza, że wzrost jednej zmiennej wiąże się ze wzrostem drugiej, a ujemny, że wzrost jednej zmiennej wiąże się ze spadkiem drugiej.
Przykład liczbowy
Dla pięciu miesięcy zebrano dane: wydatki na reklamę (w tys. zł): 2, 4, 6, 8, 10 oraz przychody ze sprzedaży (w tys. zł): 20, 35, 45, 60, 70. Po obliczeniu średnich (odpowiednio 6 i 46), odchyleń, ich iloczynów oraz sum kwadratów, współczynnik korelacji Pearsona wynosi w tym przypadku r ≈ 0,995, co wskazuje na niemal idealną, dodatnią, liniową zależność między wydatkami na reklamę a przychodami ze sprzedaży w analizowanym okresie.
Korelacja a przyczynowość — częsty błąd interpretacyjny
Silna korelacja między dwiema zmiennymi nie oznacza automatycznie, że jedna z nich powoduje zmiany drugiej. Możliwe jest istnienie trzeciej, ukrytej zmiennej wpływającej na obie badane cechy (tzw. zmienna zakłócająca), albo zależność może być czysto przypadkowa, szczególnie przy małych próbach lub danych czasowych o wspólnym trendzie. Dlatego korelację warto traktować jako punkt wyjścia do dalszej analizy, a nie dowód związku przyczynowo-skutkowego.
Aby szybko obliczyć współczynnik korelacji dla własnych par danych, skorzystaj z gotowego narzędzia: Kalkulator korelacji →
Najczęstsze pytania o korelację Pearsona
Jak interpretować wartość współczynnika korelacji Pearsona?
Wartość bliska 0 oznacza brak liniowego związku, wartość bliska 1 silną korelację dodatnią (obie zmienne rosną razem), a wartość bliska -1 silną korelację ujemną (jedna zmienna rośnie, gdy druga maleje).
Czy silna korelacja oznacza związek przyczynowo-skutkowy?
Nie, korelacja pokazuje jedynie statystyczny związek liniowy między zmiennymi, a nie że jedna zmienna powoduje zmiany drugiej — mogą na to wpływać ukryte zmienne trzecie lub przypadek.
Jaki zakres wartości przyjmuje współczynnik korelacji Pearsona?
Współczynnik korelacji Pearsona zawsze mieści się w przedziale od -1 do 1, niezależnie od jednostek, w jakich wyrażone są analizowane zmienne.
Czym różni się korelacja Pearsona od korelacji Spearmana?
Korelacja Pearsona mierzy zależność liniową i wymaga danych ilościowych zbliżonych do rozkładu normalnego, natomiast korelacja Spearmana mierzy zależność monotoniczną na podstawie rang i lepiej radzi sobie z danymi nieliniowymi lub porządkowymi.
Czy korelacja Pearsona wykrywa zależności nieliniowe?
Nie, korelacja Pearsona może pokazać wartość bliską zeru nawet przy silnej, ale nieliniowej (np. krzywoliniowej) zależności między zmiennymi, dlatego warto uzupełnić ją wykresem punktowym (scatter plot).
Jak duża próba jest potrzebna do wiarygodnego obliczenia korelacji?
Im większa próba, tym bardziej stabilne i wiarygodne oszacowanie współczynnika korelacji — przy bardzo małych próbach (kilka obserwacji) pojedyncze wartości odstające mogą znacząco zniekształcić wynik.
Co to jest współczynnik determinacji R-kwadrat?
R-kwadrat to kwadrat współczynnika korelacji Pearsona, który wyraża, jaki procent zmienności jednej zmiennej można wyjaśnić liniową zależnością od drugiej zmiennej.
Czy wartości odstające wpływają na współczynnik korelacji?
Tak, pojedyncze wartości odstające (skrajnie różne od pozostałych obserwacji) mogą znacząco zawyżyć lub zaniżyć współczynnik korelacji Pearsona, dlatego warto sprawdzić dane pod kątem takich obserwacji przed interpretacją wyniku.
Jak sprawdzić, czy korelacja jest istotna statystycznie?
Istotność statystyczną korelacji sprawdza się zwykle za pomocą testu t dla współczynnika korelacji, który uwzględnia zarówno wartość r, jak i liczebność próby, dając wartość p do porównania z przyjętym progiem istotności.
Czy korelacja równa zero oznacza całkowity brak związku między zmiennymi?
Niekoniecznie — korelacja Pearsona bliska zeru wskazuje na brak zależności liniowej, ale zmienne mogą być powiązane w sposób nieliniowy, którego ten współczynnik nie wykrywa.