Jak interpretować współczynnik korelacji - siła, kierunek, r² i opis w pracy

Interpretacja współczynnika korelacji polega na odczytaniu czterech rzeczy: kierunku związku (znak), jego siły (wartość bezwzględna), pewności oszacowania (p i przedział ufności) oraz tego, jaką część zmienności dwie zmienne mają wspólną (r²). Sama liczba „r = 0,31” nic jeszcze nie mówi, dopóki nie opiszesz jej w tych czterech wymiarach i nie odniesiesz do pytania badawczego. W tym wpisie zobaczysz, skąd biorą się progi siły korelacji i dlaczego różne podręczniki podają różne, co naprawdę znaczy r = 0,3, jak wielkość próby wpływa na istotność, co potrafi zniekształcić korelację i jak opisać wynik w pracy zgodnie z APA 7.

Wpis dotyczy przede wszystkim r Pearsona, ale zasady odczytu znaku, siły i istotności obowiązują też dla rho Spearmana. Jeśli jeszcze wybierasz współczynnik, zacznij od tekstu korelacja Pearsona a Spearmana.

Kierunek korelacji: znak plus albo minus

Współczynnik korelacji przyjmuje wartości od -1 do 1. Znak dodatni oznacza, że wyższym wartościom jednej zmiennej towarzyszą zwykle wyższe wartości drugiej. Znak ujemny oznacza, że wyższym wartościom jednej towarzyszą niższe wartości drugiej. Zero oznacza brak związku liniowego, co nie jest tym samym co brak jakiegokolwiek związku.

Kierunek zawsze czytaj razem ze sposobem kodowania skal. Jeśli w kwestionariuszu jakości snu wyższy wynik oznacza gorszy sen, to dodatnia korelacja z poziomem stresu znaczy, że bardziej zestresowani śpią gorzej. Najczęstszy błąd interpretacyjny w pracach dyplomowych to opis odwrotny do rzeczywistego, bo autor zapomniał, że jedna ze skal jest „odwrócona”.

Siła korelacji: progi i skąd się biorą

O sile mówi wartość bezwzględna współczynnika: r = -0,40 i r = 0,40 to związki tak samo silne, tylko o przeciwnym kierunku. Problem w tym, że nie istnieje jedna obowiązująca skala opisowa. Najczęściej spotkasz trzy:

Cohen zaproponował progi 0,10, 0,30 i 0,50 jako punkty orientacyjne dla nauk o zachowaniu, zastrzegając, że to konwencja na wypadek braku lepszego odniesienia. Gignac i Szodorai przeanalizowali 708 korelacji z metaanaliz z psychologii różnic indywidualnych i stwierdzili, że 25., 50. i 75. centyl wypadają przy r = 0,11, 0,19 i 0,29. Wartość 0,50 osiągało mniej niż 3% korelacji. Zaproponowali więc progi 0,10, 0,20 i 0,30. Skala z polskich skryptów jest wyraźnie surowsza: ten sam wynik, który Cohen nazwałby średnim, nazywa słabym. Przy danych z kwestionariuszy psychologicznych czy społecznych bywa przez to zbyt surowa.

Co z tego wynika dla Twojej pracy? Wybierz jedną skalę, napisz w rozdziale metodologicznym, czyją, i stosuj ją konsekwentnie. Jeśli Twój promotor ma swoją ulubioną, użyj jej. Lepiej też porównać wynik z korelacjami z wcześniejszych badań na ten sam temat niż polegać wyłącznie na etykiecie.

Co znaczy korelacja r = 0,3

To pytanie pada najczęściej, bo r = 0,3 wypada dokładnie na granicy kategorii. Według Cohena to związek średni (umiarkowany), według Gignaca i Szodorai relatywnie duży jak na psychologię, a według polskiej skali słaby. Wszystkie trzy opisy są „poprawne”, dlatego zawsze podawaj źródło progów.

Konkretniej: przy r = 0,30 dwie zmienne mają wspólne 9% zmienności (r² = 0,09). Inny sposób spojrzenia proponują Rosenthal i Rubin (1982) w prezentacji BESD (binomial effect size display). Przekłada ona r na różnicę odsetków „sukcesów” w dwóch grupach według reguły 50% ± r/2. Korelacja 0,30 odpowiada więc sytuacji, w której w jednej grupie poprawę ma 65% osób, a w drugiej 35%. Różnica 30 punktów procentowych przestaje wyglądać na drobiazg, choć r² wynosi tylko 0,09.

Współczynnik determinacji r²

Kwadrat korelacji to współczynnik determinacji. Mówi, jaką część zmienności jednej zmiennej można przewidzieć liniowo na podstawie drugiej. W regresji z jednym predyktorem R² jest dokładnie równe r².

Tabela pokazuje, dlaczego r² łatwo zaniża wrażenie. Korelacja 0,50, uznawana za dużą, oznacza „tylko” 25% wspólnej wariancji. Funder i Ozer (2019) przestrzegają przed opisywaniem wyników wyłącznie przez r², bo zachowania ludzi zależą od wielu czynników naraz i pojedynczy czynnik rzadko wyjaśnia więcej. Podawaj r² jako uzupełnienie, a interpretuj przede wszystkim samo r. Sam współczynnik korelacji jest miarą wielkości efektu, więc to on, a nie jego kwadrat, powinien być podstawą słownego opisu.

Istotność a siła: rola liczebności próby

Wartość p odpowiada na inne pytanie niż r. Mówi, czy przy tej liczebności można odrzucić hipotezę, że w populacji korelacja wynosi zero. Ta sama korelacja 0,30 bywa nieistotna albo „wysoce istotna” zależnie tylko od liczby osób:

Przy 30 osobach korelacja 0,30 nie jest istotna, a przedział ufności obejmuje zarówno zero, jak i związek bardzo silny. Przy 300 osobach jest wysoce istotna, a przedział jest wąski. Odwrotnie: przy 1000 osób istotna jest już korelacja 0,07, praktycznie bez znaczenia. Dlatego nieistotna korelacja w małej próbie nie dowodzi braku związku, a istotna w dużej próbie nie dowodzi, że związek jest ważny. Szerzej wyjaśniamy to we wpisie o przedziale ufności. Jeśli dopiero planujesz badanie, liczbę osób potrzebną do wykrycia korelacji określonej wielkości policzysz kalkulatorem wielkości próby w darmowych narzędziach.

Czy dwie korelacje różnią się od siebie

Częsta pułapka w pracach porównujących grupy: w jednej grupie korelacja jest istotna, w drugiej nie, więc autor pisze, że „związek występuje tylko u kobiet”. Tymczasem różnicę dwóch korelacji trzeba sprawdzić osobnym testem (porównanie po transformacji z Fishera). Przykładowo r = 0,31 w grupie 85 osób i r = 0,10 w grupie 90 osób różnią się nieistotnie: z = 1,43, p = 0,153. Pierwsza korelacja jest istotna, druga nie, ale dane nie pozwalają stwierdzić, że związek w grupach jest różny.

Interpretacja współczynnika korelacji: przykład krok po kroku

Przykładowe dane: 85 studentów podało, ile godzin tygodniowo uczy się poza zajęciami (M = 10,25, SD = 3,87), oraz swoją średnią ocen z ostatniego semestru (M = 4,01, SD = 0,39). Wykres rozrzutu nie pokazuje krzywoliniowości ani wyraźnych obserwacji odstających, więc liczymy r Pearsona.

1. Wynik: r = 0,31, p = 0,004, 95% CI [0,11; 0,49].
2. Kierunek: dodatni. Osoby, które uczą się dłużej, mają przeciętnie wyższą średnią.
3. Siła: według Cohena umiarkowana, według Gignaca i Szodorai relatywnie duża. Przedział ufności jest jednak szeroki: dane są zgodne zarówno ze związkiem słabym (0,11), jak i dość silnym (0,49).
4. Wspólna wariancja: r² = 0,10, czyli czas nauki wiąże się z około 10% zróżnicowania średnich ocen. Pozostałe 90% zależy od innych czynników.
5. Istotność: p < 0,05, więc odrzucamy hipotezę o braku związku w populacji, z której pochodzi próba.

Dla porównania rho Spearmana na tych samych danych wynosi 0,27 (p = 0,013). Wnioski są te same, a niewielka różnica wartości jest typowa dla dwóch różnych współczynników.

Co może zniekształcić współczynnik korelacji

Zanim zinterpretujesz r, obejrzyj wykres rozrzutu. Trzy sytuacje z tych samych przykładowych danych pokazują, jak bardzo liczba potrafi wprowadzić w błąd:

• Jedna obserwacja odstająca. Po dopisaniu do 85 studentów jednej osoby, która uczy się 40 godzin tygodniowo i ma średnią 3,0, korelacja spada z 0,31 do 0,06 (p = 0,609). Jak wykrywać takie przypadki, opisujemy w tekście o wartościach odstających.
• Zawężony zakres. Gdy analizujesz tylko 46 osób uczących się co najmniej medianę godzin, korelacja spada do 0,24 i przestaje być istotna (p = 0,107). Badania na grupach wyselekcjonowanych (np. tylko najlepsi studenci) zaniżają korelacje.
• Związek krzywoliniowy. Dla danych w kształcie odwróconego U (wyniki najlepsze przy średnim poziomie stresu, gorsze przy niskim i wysokim) korelacja wychodzi bliska zeru (w danych przykładowych r = 0,08, p = 0,425), choć związek jest wyraźny. r mierzy tylko związek liniowy.

Czwarta pułapka to mieszanie grup. Jeśli w próbie są dwie podgrupy o różnych średnich (np. studenci dzienni i zaoczni), korelacja w całej próbie może być inna niż w każdej z grup osobno.

Korelacja a przyczynowość

Korelacja mówi, że dwie zmienne współwystępują. Nie mówi, która wpływa na którą ani czy w ogóle któraś wpływa. W przykładzie dłuższa nauka może podnosić oceny, ale dobre oceny mogą też motywować do nauki, a obie zmienne mogą zależeć od trzeciej, np. od zainteresowania kierunkiem. Jeśli zmierzyłeś taką trzecią zmienną, możesz sprawdzić, ile ze związku zostaje po jej kontroli, licząc korelację cząstkową.

W badaniu korelacyjnym (sondaż, pomiar jednorazowy) używaj słów „wiąże się”, „współwystępuje”, „osoby z wyższym X miały wyższe Y”. Unikaj „wpływa”, „powoduje”, „determinuje”, „przekłada się”. Promotorzy i recenzenci wyłapują to bardzo szybko.

Co odpowiedzieć promotorowi, gdy pyta, czy korelacja jest silna

Odpowiedź w trzech zdaniach zwykle wystarcza. Po pierwsze, wskaż skalę: „według kryteriów Cohena (1988) r = 0,31 to związek umiarkowany”. Po drugie, odnieś wynik do literatury: jeśli wcześniejsze badania tego związku raportowały korelacje rzędu 0,20-0,35, Twój wynik się w nie wpisuje. Po trzecie, pokaż precyzję: przedział ufności mówi, jak duży lub mały może być związek w populacji. Gdy promotor preferuje inną skalę, nie ma sensu się spierać; zmień opis słowny, liczby zostają te same.

Te same zasady stosuje się do rho Spearmana: w praktyce opisuje się je tymi samymi progami co r Pearsona. Wyjątkiem jest tau Kendalla, które ma liczbowo niższe wartości przy tym samym związku i nie powinno być oceniane progami dla r.

Jak opisać korelację w pracy (APA 7)

W zdaniu podaj kierunek i siłę słowami, a w nawiasie lub po przecinku statystykę: r ze stopniami swobody (N - 2), p i najlepiej przedział ufności. Przykład:

Czas samodzielnej nauki był umiarkowanie dodatnio związany ze średnią ocen, r(83) = 0,31, p = 0,004, 95% CI [0,11; 0,49]. Studenci, którzy uczyli się dłużej, uzyskiwali przeciętnie wyższe oceny. Siłę związku oceniono według kryteriów Cohena (1988).

W oryginalnym, angielskim APA współczynnik korelacji i p zapisuje się bez zera przed kropką (r = .31), bo nie mogą przekroczyć 1. W polskich pracach zwykle pisze się z zerem i przecinkiem; trzymaj się wytycznych swojej uczelni. Gdy korelacji jest kilka, zamiast wyliczanki w tekście zrób macierz korelacji w tabeli i opisz w tekście tylko te, które dotyczą hipotez.

Który współczynnik korelacji do jakich danych

Typowe błędy

• Ocena siły bez podania, czyją skalą się posłużono.
• Pisanie „korelacja istotna, więc silna”. Istotność zależy od N, siła od r.
• Pisanie „brak korelacji” przy nieistotnym wyniku w małej próbie.
• Pomijanie wykresu rozrzutu i liczenie r dla związku krzywoliniowego.
• Opis kierunku bez sprawdzenia, czy któraś skala nie jest odwrócona.
• Język przyczynowy („wpływa”, „powoduje”) w badaniu korelacyjnym.

Analiza korelacji Pearsona i Spearmana z tabelą i opisem w standardzie APA wchodzi w zakres wyliczenia automatycznego, które zamówisz w kreatorze wyceny; tekst interpretacji do pracy piszesz jednak samodzielnie, korzystając z tych zasad.

Najczęstsze pytania

Jak interpretować współczynnik korelacji?

Odczytaj znak (kierunek: dodatni lub ujemny), wartość bezwzględną (siłę według wybranej skali, np. Cohena), p i przedział ufności (czy związek różni się od zera i jak precyzyjnie go oszacowano) oraz r² (jaka część zmienności jest wspólna). Na końcu odnieś wynik do hipotezy i wcześniejszych badań.

Czy korelacja 0,3 jest słaba czy umiarkowana?

Według Cohena (1988) r = 0,3 to związek średni, czyli umiarkowany. Według progów Gignaca i Szodorai to korelacja relatywnie duża jak na psychologię, a w części polskich skryptów nazywa się ją słabą. Napisz w pracy, którą skalą się posługujesz.

Co oznacza r²?

To współczynnik determinacji: część zmienności jednej zmiennej, którą można liniowo przewidzieć na podstawie drugiej. Przy r = 0,3 wynosi 0,09, czyli 9%. Traktuj go jako uzupełnienie, bo zaniża intuicyjne wrażenie siły związku.

Czy istotna korelacja oznacza silny związek?

Nie. Istotność zależy od liczebności próby. Przy 1000 osobach istotna jest nawet korelacja 0,07, a przy 30 osobach korelacja 0,30 bywa nieistotna. O sile decyduje wartość r, nie p.

Czy korelacja dowodzi związku przyczynowego?

Nie. Związek może działać w obie strony albo wynikać z trzeciej zmiennej. W badaniu korelacyjnym pisz, że zmienne „wiążą się” lub „współwystępują”, a nie że jedna „wpływa” na drugą.