Korelacja — jak czytać współczynnik i czego nie wolno z niego wnioskować

Korelacja to jedno z tych pojęć, które każdy mniej więcej rozumie i prawie każdy gdzieś nadużywa. Sama idea jest prosta: dwie rzeczy zmieniają się razem. Kłopoty zaczynają się przy tym, co z tej obserwacji wolno wyciągnąć — a wolno znacznie mniej, niż się zwykle wyciąga.

Co to jest

Korelacja opisuje, na ile dwie zmienne zmieniają się wspólnie. Ujmuje to jedną liczbą — współczynnikiem korelacji — która biegnie od -1 do 1.

• Bliska 1 — silny związek dodatni: gdy jedna zmienna rośnie, druga zwykle też.
• Bliska -1 — silny związek ujemny: gdy jedna rośnie, druga zwykle maleje.
• Bliska 0 — brak związku liniowego: wartości jednej zmiennej nic nie mówią o drugiej.

Znak mówi o kierunku, wartość bezwzględna o sile. Korelacja 0,8 i -0,8 są równie silne, różnią się tylko zwrotem.

Pearson czy Spearman

Najczęściej spotyka się dwa współczynniki, i nie są wymienne.

Pearsona mierzy siłę związku liniowego między zmiennymi ilościowymi. Pyta wprost: jak dobrze punkty układają się wzdłuż prostej. Jest czuły na wartości odstające i zakłada, że jeśli związek istnieje, to ma charakter liniowy.

Spearmana opiera się na rangach, nie na surowych wartościach. Wychwytuje każdy związek monotoniczny — taki, w którym jedna zmienna konsekwentnie rośnie wraz z drugą, niekoniecznie po linii prostej. Sięga się po niego przy danych porządkowych, przy wartościach odstających i tam, gdzie zależność jest, ale nie jest prosto liniowa.

Wybór nie jest kosmetyczny. Silny związek krzywoliniowy potrafi dać niską korelację Pearsona i zupełnie przyzwoitą Spearmana — a ktoś, kto patrzy tylko na pierwszą liczbę, wyciągnie wniosek „związku brak”, choć jest wyraźny.

Korelacja a przyczynowość

To najważniejsze zdanie na tej stronie: korelacja to nie przyczynowość. Fakt, że dwie zmienne idą w parze, nie znaczy, że jedna wywołuje drugą.

Możliwości jest co najmniej kilka. Może rzeczywiście A wpływa na B. Ale równie dobrze to B wpływa na A. Albo oba są skutkiem trzeciego, niezmierzonego czynnika — klasyczny przypadek pozornej korelacji, gdzie sprzedaż lodów „koreluje” z utonięciami, bo za jednym i drugim stoi upał. Albo to po prostu przypadek, zwłaszcza gdy przeszukano wiele zmiennych naraz.

Z samego współczynnika nie da się tych scenariuszy rozróżnić. Żeby orzec o przyczynie, potrzeba czegoś więcej: eksperymentu z manipulacją, kontroli zmiennych zakłócających, uporządkowania zdarzeń w czasie. Współczynnik korelacji tego nie da i nigdy nie obiecywał.

Rola w ocenie trafności

W psychometrii korelacja jest jednak codziennym, niezastąpionym narzędziem — pod warunkiem, że pamięta się o jej granicach. To na korelacjach opiera się znaczna część dowodów na trafność.

Sprawdzasz, czy wynik testu wiąże się z zewnętrznym kryterium, które ma przewidywać — to robi się korelacją. Sprawdzasz, czy dwa narzędzia mierzące to samo dają zbieżne wyniki — znów korelacja. Sprawdzasz, czy test nie miesza się z czymś, z czym nie powinien — tu korelacja powinna być niska. Cała ta sieć związków buduje argument, że test mierzy to, co ma mierzyć.

Jedno zastrzeżenie na koniec: silna korelacja bywa zupełnie nieprzydatna, gdy próba jest mała, a słaba potrafi być istotna na wielkiej próbie. Dlatego współczynnik czyta się razem z wielkością efektu i kontekstem, nie jako samotną liczbę.

Pracujesz z danymi i chcesz mieć pewność, że twoje korelacje znaczą to, co im przypisujesz — a nie coś, czego nie uprawniają? Odezwij się, przejdę z tobą przez interpretację.