454. Korelacja cząstkowa – co oznacza kontrolowanie zmiennej?

Lekcja 454 z 560. Korelacja cząstkowa jest narzędziem pozwalającym ocenić związek między dwiema zmiennymi po uwzględnieniu dodatkowej zmiennej lub zestawu zmiennych. Jej sens można ująć następująco: pytamy, czy to, co pozostaje z pierwszej zmiennej po usunięciu liniowej części wyjaśnianej przez zmienną kontrolną, wiąże się z analogicznie oczyszczoną drugą zmienną. W tej lekcji wyjaśnimy, co dokładnie oznacza „kontrolowanie”, jak odróżnić korelację cząstkową od półcząstkowej oraz jak ostrożnie interpretować wynik w badaniach medycznych, psychologicznych i społecznych.

1. Po co kontrolować dodatkową zmienną?

Załóżmy, że badacz obserwuje dodatnią korelację między poziomem aktywności fizycznej a dobrostanem psychicznym. Taki wynik może oznaczać, że osoby bardziej aktywne rzeczywiście częściej deklarują lepsze samopoczucie. Może jednak również wynikać z tego, że aktywność fizyczna jest związana z wiekiem, dochodem, stanem zdrowia lub kontaktami społecznymi. Jeżeli wiek wpływa zarówno na aktywność, jak i na dobrostan, zwykła korelacja między tymi zmiennymi miesza kilka źródeł współzmienności.

Korelacja cząstkowa pozwala zadać bardziej precyzyjne pytanie: jaki jest związek aktywności fizycznej z dobrostanem po uwzględnieniu wieku? Nie jest to jednak pytanie o to, czy aktywność fizyczna powoduje poprawę dobrostanu. „Kontrolowanie” jest operacją statystyczną, a nie eksperymentalnym odizolowaniem mechanizmu przyczynowego. W badaniu obserwacyjnym wynik nadal opisuje zależność warunkową, nie zaś dowód przyczynowości.

2. Definicja korelacji cząstkowej

Najprostsza korelacja cząstkowa dotyczy trzech zmiennych:

• X – pierwsza zmienna, na przykład liczba godzin aktywności fizycznej tygodniowo;
• Y – druga zmienna, na przykład wynik skali dobrostanu;
• Z – zmienna kontrolna, na przykład wiek.

Współczynnik korelacji cząstkowej między X i Y przy kontroli Z oznacza się często jako rXY·Z. Jest to korelacja liniowa między tą częścią X, której nie wyjaśnia liniowo Z, a tą częścią Y, której również nie wyjaśnia liniowo Z.

Można więc myśleć o procedurze w dwóch etapach:

1. Przewidujemy X na podstawie Z i zachowujemy reszty, czyli różnice między rzeczywistymi a przewidywanymi wartościami X.
2. Przewidujemy Y na podstawie Z i zachowujemy analogiczne reszty.

Następnie obliczamy zwykłą korelację Pearsona między obiema seriami reszt. To właśnie ta korelacja jest korelacją cząstkową. Takie ujęcie łączy korelację cząstkową z regresją liniową i pokazuje, że „kontrola” polega na usunięciu określonej, liniowo przewidywalnej części zmienności, a nie na usunięciu zmiennej z danych w sensie dosłownym (Field, 2018).

3. Wzór dla jednej zmiennej kontrolnej

Dla trzech zmiennych korelację cząstkową można obliczyć ze wzoru:

rXY·Z = (rXY − rXZrYZ) / √[(1 − rXZ2)(1 − rYZ2)]

Oznaczenia są następujące:

• rXY – zwykła korelacja między X i Y;
• rXZ – korelacja między X i zmienną kontrolną Z;
• rYZ – korelacja między Y i Z;
• rXY·Z – korelacja między X i Y po kontroli Z;
• √ – pierwiastek kwadratowy.

Przykładowo, jeżeli rXY = 0,60, rXZ = 0,50, a rYZ = 0,40, to:

rXY·Z = (0,60 − 0,50 × 0,40) / √[(1 − 0,502)(1 − 0,402)] ≈ 0,49

Po uwzględnieniu Z korelacja zmniejszyła się z 0,60 do około 0,49, ale nie zniknęła. Oznacza to, że część początkowej współzmienności X i Y była związana z Z, natomiast pozostała część nadal wykazuje liniową zależność. Samo zmniejszenie wartości nie dowodzi jednak, że Z jest „prawdziwym czynnikiem zakłócającym”; taką rolę trzeba uzasadnić teoretycznie i projektowo.

4. Co naprawdę znaczy „kontrolowanie”?

W języku statystycznym kontrolowanie zmiennej oznacza warunkowanie analizy na jej wartościach albo usunięcie z X i Y tej części zmienności, którą można liniowo przewidywać na podstawie zmiennej kontrolnej. Nie oznacza to:

• że zmienna kontrolna została zmierzona bez błędu;
• że jej wpływ został poznany przyczynowo;
• że wszystkie inne możliwe czynniki zostały automatycznie wyeliminowane;
• że porównujemy osoby identyczne pod każdym względem;
• że wynik można interpretować jako efekt interwencji.

Termin „kontrola” bywa mylący, ponieważ sugeruje panowanie nad procesem. W analizie obserwacyjnej lepiej mówić o uwzględnieniu, adjustacji lub warunkowaniu na zmiennej. Trafność korelacji cząstkowej zależy od tego, czy model liniowy jest rozsądny, czy zmienna kontrolna została dobrze zmierzona oraz czy wybór zmiennych był uzasadniony przed analizą.

5. Przykład z medycyny: aktywność fizyczna i ciśnienie tętnicze

W badaniu przekrojowym z udziałem dorosłych pacjentów można zbadać związek między tygodniową aktywnością fizyczną a skurczowym ciśnieniem tętniczym. Zwykła korelacja może być ujemna: osoby bardziej aktywne mają przeciętnie niższe ciśnienie. Badacz uwzględnia następnie wiek, ponieważ starsi uczestnicy mogą być mniej aktywni i jednocześnie częściej mieć podwyższone ciśnienie.

Jeżeli korelacja wynosi r = −0,32, a korelacja cząstkowa po kontroli wieku wynosi rpartial = −0,18, ostrożny opis brzmi: po uwzględnieniu wieku zaobserwowano słabą ujemną zależność liniową między aktywnością fizyczną a skurczowym ciśnieniem tętniczym. Nie należy pisać, że aktywność „obniża ciśnienie”, jeżeli dane pochodzą z badania przekrojowego i nie ma randomizacji ani pomiarów czasowych.

Warto sprawdzić także, czy zależność jest podobna w różnych grupach. Na przykład działanie aktywności może zależeć od leczenia farmakologicznego. Wtedy prosty model bez interakcji może być niewystarczający. Korelacja cząstkowa nie zastępuje analizy moderacji, regresji z interakcją ani dokładnego modelu klinicznego.

6. Przykład z psychologii: stres, sen i objawy lękowe

Psycholog może badać związek między nasileniem stresu a liczbą objawów lękowych, kontrolując jakość snu. Jeżeli osoby z gorszym snem zgłaszają jednocześnie większy stres i więcej objawów lękowych, część korelacji stres–lęk może wynikać ze snu.

Załóżmy, że:

• korelacja stresu z objawami lękowymi wynosi r = 0,58;
• po kontroli jakości snu korelacja cząstkowa wynosi rpartial = 0,41.

Wynik sugeruje, że związek między stresem a objawami lękowymi nie sprowadza się całkowicie do różnic w jakości snu. Jednocześnie nie wiadomo, czy sen jest mediatorem, konfunderem, konsekwencją stresu, czy zmienną powiązaną z kilkoma procesami. Rozstrzygnięcie tych możliwości wymaga modelu teoretycznego, odpowiedniego porządku czasowego i – jeżeli celem jest wnioskowanie przyczynowe – silniejszego schematu badania.

7. Korelacja cząstkowa a korelacja półcząstkowa

Te dwa pojęcia są często mylone. W korelacji cząstkowej wpływ Z usuwa się zarówno z X, jak i z Y. W korelacji półcząstkowej, nazywanej także korelacją częściową w niektórych polskich opracowaniach, wpływ Z usuwa się tylko z jednej zmiennej, najczęściej z X.

Różnica ma znaczenie interpretacyjne:

• korelacja cząstkowa opisuje związek między „oczyszczonymi” X i Y;
• korelacja półcząstkowa informuje, jaki jest unikalny związek jednej zmiennej z drugą przy zachowaniu pełnej zmienności drugiej.

W regresji wielorakiej korelacja półcząstkowa jest szczególnie użyteczna do opisu unikalnego wkładu predyktora w zmienność wyniku. Jeżeli celem jest opis zależności warunkowej między dwiema resztami, właściwa będzie korelacja cząstkowa. Różnicę tę omawiają m.in. Aloe i Thompson (2013) oraz Kim (2015).

8. Założenia i diagnostyka

Korelacja cząstkowa oparta na korelacjach Pearsona zakłada przede wszystkim ilościowy charakter zmiennych, sensowność liniowego opisu zależności, brak skrajnie wpływowych obserwacji oraz odpowiednią jakość pomiaru. Nie wymaga, aby każda zmienna miała rozkład idealnie normalny, ale silna asymetria, obserwacje odstające i nieliniowość mogą zniekształcić wynik.

Przed analizą warto:

1. obejrzeć wykresy rozrzutu X–Y, X–Z i Y–Z;
2. sprawdzić, czy zależności są w przybliżeniu liniowe;
3. ocenić obserwacje odstające i ich wpływ na reszty;
4. opisać sposób postępowania z brakami danych;
5. uzasadnić, dlaczego wybrano właśnie określone zmienne kontrolne;
6. rozważyć, czy zmienna kontrolna nie jest konsekwencją ekspozycji albo częścią ścieżki przyczynowej.

Gdy zależności są monotoniczne, lecz wyraźnie nieliniowe, można rozważyć korelację rangową, ale nie należy mechanicznie nazywać jej korelacją cząstkową Pearsona. Przy większej liczbie zmiennych kontrolnych analiza staje się szczególnym przypadkiem regresji liniowej i wymaga oceny współliniowości, specyfikacji modelu oraz stabilności oszacowań.

9. Przykład praktyczny: analiza wyników

Załóżmy, że w badaniu 120 studentów pielęgniarstwa oceniono stres przedegzaminacyjny, jakość snu oraz wynik testu wiedzy. Badacz chce sprawdzić, czy stres wiąże się z wynikiem testu po uwzględnieniu jakości snu.

Wyniki są następujące: korelacja stresu z wynikiem testu wynosi r = −0,29, natomiast korelacja cząstkowa po kontroli snu wynosi rpartial = −0,21, z 95-procentowym przedziałem ufności od −0,38 do −0,03. Odpowiedni raport może brzmieć: Po uwzględnieniu jakości snu stres był słabo ujemnie związany z wynikiem testu, r_partial(117) = −0,21, 95% CI [−0,38; −0,03].

W tym zapisie liczba stopni swobody wynika z liczebności próby i liczby kontrolowanych zmiennych; dokładny sposób raportowania należy dostosować do zastosowanego testu i programu. Przedział nie obejmuje zera, co jest zgodne z odrzuceniem hipotezy o zerowej korelacji w przyjętym modelu. Nie oznacza to prawdopodobieństwa, że hipoteza zerowa jest prawdziwa lub fałszywa. Wielkość −0,21 powinna być omówiona jako miara siły zależności, a jej znaczenie praktyczne wymaga odniesienia do skali wyniku testu, kontekstu edukacyjnego i konsekwencji dla studentów.

10. Najczęstsze błędy

• Traktowanie kontroli jako dowodu przyczynowości. Korelacja cząstkowa nie tworzy randomizacji i nie usuwa wszystkich zakłóceń.
• Automatyczne dodawanie wszystkich dostępnych zmiennych. Nadmierna adjustacja może zwiększać wariancję, pogarszać interpretację i kontrolować zmienne będące mediatorami.
• Kontrolowanie zmiennej będącej skutkiem ekspozycji. Może to prowadzić do zniekształcenia związku, zwłaszcza gdy model przyczynowy jest nieprzemyślany.
• Mylenie korelacji cząstkowej z półcząstkową. W pierwszej procedurze reszty tworzy się dla obu zmiennych.
• Pomijanie wykresów. Jedna liczba może ukrywać nieliniowość, skupienia obserwacji lub pojedynczy punkt o dużym wpływie.
• Koncentrowanie się wyłącznie na wartości p. Należy podać co najmniej współczynnik, kierunek, przedział ufności, liczebność i sposób kontroli.
• Używanie słowa „wpływ” w badaniu obserwacyjnym. Bez odpowiedniego projektu bezpieczniejsze są określenia „związek”, „zależność” lub „współzmienność”.

11. Jak raportować wynik?

Przejrzysty raport powinien określać: badane zmienne, zmienne kontrolne, liczebność próby, rodzaj współczynnika, sposób obliczenia, wartość korelacji cząstkowej, przedział ufności oraz – jeżeli jest raportowana – wartość p. Dobrze jest także wyjaśnić, czy wybór zmiennych wynikał z hipotezy sformułowanej przed analizą, czy był eksploracyjny.

Przykładowe zdanie: W analizie przekrojowej oceniono korelację Pearsona między czasem aktywności fizycznej a dobrostanem psychicznym, kontrolując wiek i płeć. Po adjustacji zaobserwowano dodatnią korelację cząstkową o umiarkowanej wielkości, r_partial = 0,31, 95% CI [0,18; 0,43]. Wynik opisuje zależność warunkową i nie stanowi dowodu, że aktywność fizyczna powoduje wzrost dobrostanu.

Takie raportowanie jest zgodne z ogólną zasadą przejrzystości zalecaną w standardach APA JARS: czytelnik powinien wiedzieć, jakie analizy wykonano, jakie zmienne uwzględniono i jak ograniczenia projektu wpływają na interpretację (APA, 2024).

12. Co warto zapamiętać?

• Korelacja cząstkowa mierzy liniową zależność między dwiema zmiennymi po uwzględnieniu jednej lub kilku innych zmiennych.
• „Kontrolowanie” oznacza statystyczne usunięcie określonej części zmienności, zwykle tej przewidywalnej liniowo na podstawie zmiennej kontrolnej.
• Najbardziej intuicyjna definicja opiera się na korelacji między resztami z dwóch modeli regresji.
• Kontrola zmiennej nie jest równoznaczna z kontrolą eksperymentalną ani z wykazaniem przyczynowości.
• Korelacja cząstkowa różni się od półcząstkowej tym, że w pierwszej usuwa się wpływ zmiennej kontrolnej z obu analizowanych zmiennych.
• Interpretacja wymaga oceny liniowości, obserwacji odstających, braków danych, jakości pomiaru i uzasadnienia doboru zmiennych.
• Wynik należy opisywać razem z wielkością efektu, przedziałem ufności, liczebnością i ograniczeniami, a nie przez samą wartość p.

W ramach publicznego szkolenia na statystyk.edu.pl korelacja cząstkowa stanowi pomost między klasyczną analizą korelacji a regresją wieloraką. Jej największą wartością nie jest samo „oczyszczanie” współczynnika, lecz zmuszenie badacza do jasnego określenia, jakie pytanie stawia, jakie zmienne uwzględnia i jakie wnioski rzeczywiście pozwala uzasadnić zastosowany schemat badania.

Źródła i dalsza lektura

1. Andy Field (2018). Discovering Statistics Using IBM SPSS Statistics. 5th edition. SAGE Publications Ltd.. Informacja wydawcy / źródło.
2. Jingmei Jiang (2022). Applied Medical Statistics. Wiley. Informacja wydawcy / źródło.
3. Ariel M. Aloe; Christopher G. Thompson (2013). The Synthesis of Partial Effect Sizes. Journal of the Society for Social Work and Research, 4(4), 390–405. DOI: 10.5243/jsswr.2013.24.
4. Seongho Kim (2015). ppcor: An R Package for a Fast Calculation to Semi-partial Correlation Coefficients. Communications for Statistical Applications and Methods, 22(6), 665–674. DOI: 10.5351/CSAM.2015.22.6.665.
5. Gina M. D’Angelo; Jingqin Luo; Chengjie Xiong (2012). Missing Data Methods for Partial Correlations. Journal of Biometrics & Biostatistics, 3(8), 155. DOI: 10.4172/2155-6180.1000155.
6. American Psychological Association (2024). APA Style Journal Article Reporting Standards (JARS). American Psychological Association. Źródło.