460. Jak dobrać rodzaj korelacji do pytania i skali pomiaru?

Wybór współczynnika korelacji nie powinien zaczynać się od rozwinięcia menu w programie statystycznym, lecz od doprecyzowania pytania badawczego. Innego narzędzia wymaga pytanie o liniową współzmienność dwóch pomiarów ilościowych, innego pytanie o zgodność uporządkowania wyników, a jeszcze innego analiza związku między zmienną ciągłą i dychotomiczną. Znaczenie ma także skala pomiaru, obecność wartości odstających, kształt zależności, liczebność próby oraz sposób zebrania danych.

W tej lekcji kursu metodologii badań i statystyki na statystyk.edu.pl uporządkujemy reguły doboru najczęściej stosowanych współczynników. Celem nie jest zapamiętanie jednej tabeli, lecz nauczenie się rozumowania: co dokładnie ma oznaczać miara związku w danym badaniu?

1. Co właściwie mierzy korelacja?

Korelacja opisuje kierunek i siłę określonego rodzaju związku między dwiema zmiennymi. Nie jest ogólną miarą „jak bardzo zmienne są powiązane”, ponieważ każdy współczynnik opiera się na konkretnym sposobie rozumienia związku. Pearson mierzy przede wszystkim liniową współzmienność wartości liczbowych, Spearman ocenia zgodność rang, a Kendall odnosi się do zgodności par uporządkowanych obserwacji.

Współczynnik korelacji zwykle przyjmuje wartości od −1 do +1. Znak wskazuje kierunek zależności: dodatni oznacza, że większym wartościom jednej zmiennej przeciętnie towarzyszą większe wartości drugiej, a ujemny — że większym wartościom jednej zmiennej towarzyszą mniejsze wartości drugiej. Wartość bliska zeru oznacza brak danego rodzaju zależności, ale nie dowodzi braku jakiegokolwiek związku. Zależność może być na przykład nieliniowa albo ukryta przez heterogeniczność grup.

Ważne jest również rozróżnienie trzech kwestii:

• istotność statystyczna informuje, na ile dane są zgodne z hipotezą zerową przy przyjętym modelu;
• wielkość współczynnika opisuje siłę i kierunek oszacowanego związku;
• znaczenie praktyczne zależy od dziedziny, konsekwencji klinicznych lub społecznych oraz precyzji pomiaru.

Wartość p nie jest prawdopodobieństwem prawdziwości hipotezy zerowej. Nie mówi też sama w sobie, czy związek jest ważny klinicznie ani czy ma charakter przyczynowy.

2. Najpierw pytanie badawcze, potem współczynnik

2.1. Czy interesuje nas liniowość, czy tylko uporządkowanie?

Jeśli pytanie brzmi: „Czy wraz ze wzrostem stężenia biomarkera rośnie ciśnienie skurczowe w przybliżeniu liniowo?”, naturalnym kandydatem jest korelacja Pearsona. Jeżeli natomiast pytanie brzmi: „Czy pacjenci z większym nasileniem bólu mają na ogół wyższy poziom lęku?”, a obie zmienne są mierzone skalami porządkowymi lub rozkłady są silnie skośne, bardziej adekwatna może być korelacja rangowa.

Nie należy wybierać Spearmana wyłącznie dlatego, że test normalności dał p < 0,05. Dobór nie powinien opierać się na mechanicznym przełączaniu testu po jednym wyniku. Należy ocenić przede wszystkim rodzaj zmiennych, wykres rozrzutu, obserwacje odstające, monotoniczność oraz cel analizy. W praktyce porównanie wyników Pearsona i Spearmana może być analizą wrażliwości, ale nie powinno zastępować uzasadnienia metodologicznego.

2.2. Czy obserwacje są niezależne?

Klasyczne współczynniki korelacji zakładają, że każda para wartości pochodzi od niezależnej jednostki analizy. Jeżeli jeden pacjent ma pomiar przed leczeniem, po leczeniu i podczas kontroli, nie mamy trzech niezależnych osób. Zwykła korelacja może wtedy zaniżać niepewność oszacowania. W danych powtarzanych należy rozważyć modele dla pomiarów zależnych, korelację wewnątrzosobniczą albo odpowiednie modele mieszane. Sam wybór Spearmana zamiast Pearsona nie rozwiązuje problemu zależności obserwacji.

2.3. Czy chodzi o związek, czy o zgodność pomiarów?

To rozróżnienie ma szczególne znaczenie w medycynie. Dwa urządzenia mogą dawać wyniki silnie skorelowane, ponieważ u osób z wysokimi wartościami oba wskazują wysokie wartości, a u osób z niskimi — niskie. Jedno urządzenie może jednak systematycznie zawyżać wynik o 10 jednostek. Korelacja nie ocenia wtedy zgodności metod. Do oceny zgodności stosuje się między innymi analizę Blanda–Altmana lub współczynnik korelacji wewnątrzklasowej, zależnie od projektu i definicji zgodności (Janse et al., 2021).

3. Skala pomiaru a wybór korelacji

Rodzaj danych i pytania	Typowy wybór	Najważniejsze zastrzeżenie
Dwie zmienne ilościowe, zależność liniowa	Pearson	Wrażliwość na wartości odstające i nieliniowość
Dwie zmienne co najmniej porządkowe, zależność monotoniczna	Spearman lub Kendall	Wynik dotyczy rang, niekoniecznie różnic między wartościami
Dwie zmienne porządkowe, dużo remisów lub mała próba	Kendall, często tau-b	Trzeba uwzględnić remisy i jasno opisać wariant współczynnika
Zmienna ilościowa i zmienna dychotomiczna	Punktowo-dwuseryjna	To szczególny przypadek korelacji Pearsona przy odpowiednim kodowaniu
Dwie zmienne nominalne	Nie klasyczna korelacja; np. phi lub V Craméra	Nominalne kategorie nie mają naturalnego porządku
Dwa pomiary tej samej cechy	ICC lub Bland–Altman	Korelacja może zawyżać wrażenie zgodności

Skala pomiaru jest wskazówką, a nie pełnym algorytmem. Zmienna typu Likerta z pięcioma kategoriami może być analizowana rangowo, lecz suma wielu pozycji kwestionariusza bywa traktowana jako przybliżona zmienna ilościowa, jeżeli uzasadniają to właściwości narzędzia i rozkładu. Decyzję należy opisać, zamiast przedstawiać ją jako uniwersalną regułę.

4. Korelacja Pearsona

Współczynnik korelacji liniowej Pearsona oznacza się zwykle symbolem r. Jego wzór można zapisać następująco:

r = Σ[(xᵢ − x̄)(yᵢ − ȳ)] / √{Σ(xᵢ − x̄)² · Σ(yᵢ − ȳ)²}

W tym wzorze:

• xᵢ i yᵢ oznaczają wartości dwóch zmiennych dla i-tej osoby;
• x̄ i ȳ są średnimi arytmetycznymi obu zmiennych;
• symbol Σ oznacza sumowanie po wszystkich obserwacjach;
• licznik opisuje wspólną zmienność odchyleń od średnich;
• mianownik standaryzuje wynik, dzięki czemu r mieści się w przedziale od −1 do +1.

Pearson jest właściwy, gdy obie zmienne są ilościowe, pary obserwacji są niezależne, a wykres rozrzutu wskazuje zależność w przybliżeniu liniową. Wnioskowanie i przedziały ufności wymagają dodatkowych założeń lub odpornych metod, szczególnie przy małych próbach. Ważniejsze od formalnego testowania normalności jest sprawdzenie wykresu, odstających obserwacji i jednorodności rozrzutu.

Wartość r nie jest tym samym co nachylenie regresji. Nie informuje bezpośrednio, o ile zmieni się wynik Y przy zmianie X o jedną jednostkę. Jeżeli kwadrat korelacji jest interpretowany jako odsetek wyjaśnionej zmienności, trzeba pamiętać, że taka interpretacja dotyczy określonego modelu liniowego i nie oznacza wyjaśnienia mechanizmu przyczynowego.

5. Korelacja Spearmana

Współczynnik Spearmana, oznaczany najczęściej jako r_s lub ρ_s, jest korelacją Pearsona obliczoną po zastąpieniu wartości ich rangami. Dlatego zachowuje informację o kolejności obserwacji, ale nie wykorzystuje bezpośrednio odległości między wartościami. Klasyczny wzór bez remisów ma postać:

rₛ = 1 − [6Σdᵢ²] / [n(n² − 1)]

Oznaczenia są następujące: dᵢ to różnica między rangą i-tej obserwacji w pierwszej i drugiej zmiennej, a n to liczba par obserwacji. W obecności remisów programy statystyczne obliczają współczynnik na podstawie rang średnich; prosty wzór z różnicami rang należy wtedy traktować ostrożnie.

Spearman jest użyteczny dla danych porządkowych, rozkładów skośnych, zależności monotonicznych oraz sytuacji, w których pojedyncze duże wartości mogłyby nadmiernie wpływać na Pearsona. Nie jest jednak automatycznie „bezpieczną wersją” Pearsona. Silna zależność może być niemonotoniczna i wtedy także Spearman może być mały. Ponadto transformacja do rang usuwa informację o rzeczywistych odległościach między pomiarami (de Winter et al., 2016).

6. Korelacja Kendalla

Korelacja Kendalla, zwykle oznaczana symbolem τ, opiera się na parach obserwacji zgodnych i niezgodnych. Dwie pary są zgodne, gdy osoba mająca wyższą rangę w jednej zmiennej ma także wyższą rangę w drugiej. Są niezgodne, gdy porządek jest przeciwny. Wariant tau-b uwzględnia remisy w obu zmiennych.

Intuicyjnie można ją interpretować jako różnicę między prawdopodobieństwem zgodności a prawdopodobieństwem niezgodności, po odpowiednim uwzględnieniu remisów. W porównaniu ze Spearmanem Kendall bywa łatwiejszy do interpretacji w kategoriach porównań par i jest często dobrym wyborem przy małych próbach, wielu remisach oraz zmiennych porządkowych. W badaniach psychiatrycznych porównanie kilku współczynników wskazywało, że tau-b może zachowywać korzystną kontrolę błędu pierwszego rodzaju i dawać użyteczną interpretację (Arndt et al., 1999).

7. Inne sytuacje i inne miary

7.1. Korelacja punktowo-dwuseryjna

Stosuje się ją, gdy jedna zmienna jest ilościowa, a druga ma dwie kategorie, na przykład wystąpienie rehospitalizacji: tak/nie. Przykładem może być pytanie, czy wynik skali ryzyka różni się systematycznie między pacjentami ponownie przyjętymi do szpitala i pozostałymi. Korelacja punktowo-dwuseryjna jest matematycznie związana z korelacją Pearsona, gdy zmienna dychotomiczna zostanie zakodowana liczbowo. Nie należy jednak przedstawiać jej jako dowodu, że skala „powoduje” rehospitalizację.

7.2. Dwie zmienne nominalne

Jeżeli zmienne nie mają porządku, na przykład rodzaj miejsca zamieszkania i typ transportu do szpitala, korelacja rangowa nie jest właściwa. Można analizować tablicę kontyngencji, test niezależności chi-kwadrat, współczynnik phi dla tabel 2 × 2 albo V Craméra dla większych tabel. Są to miary związku dla danych kategorialnych, a nie klasyczne korelacje.

7.3. Korelacja polichoryczna i tetragoryczna

W psychometrii spotyka się korelację polichoryczną dla dwóch zmiennych porządkowych oraz tetragoryczną dla dwóch zmiennych dychotomicznych. Opierają się one na założeniu, że obserwowane kategorie wynikają z kategoryzacji ukrytych zmiennych ciągłych. To założenie może być użyteczne w modelach pomiarowych, ale nie powinno być wprowadzane bez oceny, czy odpowiada konstrukcji narzędzia i projektowi badania.

8. Przykład praktyczny: ból i lęk u pacjentów

Załóżmy, że pielęgniarka bada 80 pacjentów przyjętych na oddział ratunkowy. Każdy pacjent ocenia ból w skali 0–10, a lęk w pięciostopniowej skali porządkowej. Pytanie brzmi: „Czy większe nasilenie bólu wiąże się z większym nasileniem lęku?”.

Najpierw należy określić, że pytanie dotyczy związku, a nie zgodności pomiarów ani przyczynowości. Następnie trzeba sprawdzić wykres rozrzutu lub wykres odpowiedni dla zmiennej porządkowej, rozkład wyników, liczbę remisów i potencjalne obserwacje odstające. Ponieważ lęk ma skalę porządkową, a ból może być skośny i zawierać wiele powtórzeń tych samych wartości, podstawowym wyborem może być korelacja Kendalla tau-b albo Spearmana.

Jeśli uzyskano τ = 0,28, 95% CI 0,10–0,44, p = 0,003, poprawny opis brzmi: „Nasilenie bólu było dodatnio związane z nasileniem lęku; siła związku była mała do umiarkowanej w przyjętym kontekście, a przedział ufności nie obejmował zera”. Nie należy pisać, że ból „spowodował” lęk, ponieważ badanie przekrojowe nie ustala kolejności czasowej ani nie kontroluje wszystkich czynników zakłócających.

9. Przykład medyczny: biomarker i ciśnienie

W badaniu 120 osób mierzono stężenie białka C-reaktywnego oraz skurczowe ciśnienie tętnicze. Obie zmienne są ilościowe, ale CRP ma silnie prawostronnie skośny rozkład. Wykres wskazuje, że zależność jest monotoniczna, lecz nie idealnie liniowa, a kilka osób ma bardzo wysokie wartości CRP.

W takiej sytuacji można zaplanować Spearmana jako analizę główną, ponieważ pytanie dotyczy tego, czy osoby o wyższych wartościach CRP mają na ogół wyższe ciśnienie, a nie precyzyjnej liniowej zmiany ciśnienia na jednostkę CRP. Można dodatkowo przedstawić Pearsona jako analizę wrażliwości, ale trzeba jawnie wyjaśnić, czy różnica wynika z odstających obserwacji, nieliniowości lub transformacji zmiennej. Jeżeli celem jest modelowanie wpływu wieku, płci, leczenia i masy ciała, sama korelacja będzie niewystarczająca; potrzebny może być model regresji.

10. Najczęstsze błędy

• Wybór na podstawie samej normalności. Test normalności nie zastępuje oceny wykresu, skali pomiaru i celu badania.
• Stosowanie Pearsona do kategorii nominalnych. Kodowanie „1 = wieś, 2 = miasto, 3 = duże miasto” nie tworzy prawdziwej skali ilościowej.
• Traktowanie Spearmana jako rozwiązania każdego problemu z odstającymi obserwacjami. Wartości odstające mogą wpływać także na rangi, a przede wszystkim mogą wskazywać na błąd pomiaru lub szczególną podgrupę.
• Mylenie korelacji ze zgodnością. Wysoka korelacja dwóch metod pomiarowych nie dowodzi, że można je stosować zamiennie (Janse et al., 2021).
• Ignorowanie zależności obserwacji. Powtarzane pomiary, pary dopasowane i klastry wymagają metod uwzględniających strukturę danych.
• Raportowanie wyłącznie wartości p. Należy podać współczynnik, przedział ufności, liczebność analizowanych par oraz sposób postępowania z brakami danych.
• Interpretowanie znaku jako wartości moralnej lub klinicznej. Korelacja ujemna nie jest „gorsza” od dodatniej; znaczenie zależy od konstrukcji zmiennych.
• Wnioskowanie przyczynowe z badania obserwacyjnego. Korelacja może być zgodna z wpływem przyczynowym, ale może też wynikać z zakłócenia, odwrotnej przyczynowości albo selekcji.

11. Prosty algorytm decyzyjny

1. Zapisz pytanie w języku merytorycznym: związek liniowy, monotoniczny, zgodność czy zależność kategorialna?
2. Określ skalę każdej zmiennej: ilościowa, porządkowa, nominalna czy dychotomiczna.
3. Sprawdź niezależność obserwacji i sposób pobierania danych.
4. Obejrzyj dane: wykres rozrzutu, remisy, odstające wartości, ograniczony zakres i ewentualną nieliniowość.
5. Wybierz współczynnik, którego interpretacja odpowiada pytaniu.
6. Przedstaw oszacowanie, przedział ufności i — jeśli raportujesz — wartość p, bez utożsamiania jej z wielkością efektu.
7. Dodaj ograniczenia oraz wyjaśnij, dlaczego wybrano właśnie tę miarę.

W raportowaniu badań obserwacyjnych warto również pamiętać o zaleceniach STROBE dotyczących przejrzystego opisu uczestników, zmiennych, metod statystycznych i ograniczeń (von Elm et al., 2007). Dobry opis korelacji zaczyna się nie od samej liczby, lecz od informacji, co ta liczba mierzy.

Co warto zapamiętać?

• Dobór korelacji wynika przede wszystkim z pytania badawczego i skali pomiaru, a dopiero potem z właściwości rozkładu.
• Pearson opisuje przede wszystkim zależność liniową między zmiennymi ilościowymi.
• Spearman wykorzystuje rangi i nadaje się do zależności monotonicznych oraz danych porządkowych.
• Kendall jest użyteczny przy porządkowaniu obserwacji, małych próbach i licznych remisach.
• Dla danych nominalnych potrzebne są miary oparte na tablicach kontyngencji, a dla zgodności metod — inne narzędzia niż zwykła korelacja.
• Żaden współczynnik korelacji nie ustanawia sam przez się przyczynowości.
• Wynik należy interpretować razem z wykresem, przedziałem ufności, jakością pomiaru i znaczeniem praktycznym.

Bibliografia wykorzystana w opracowaniu

Arndt i wsp. (1999) porównali Pearsona, Spearmana i Kendalla w danych psychiatrycznych, wskazując, że wybór współczynnika może wpływać na kontrolę błędu i interpretację. De Winter, Gosling i Potter (2016) pokazali w symulacjach i danych empirycznych, że przewaga Pearsona lub Spearmana zależy między innymi od ciężkości ogonów rozkładu i obecności obserwacji odstających. Janse i wsp. (2021) omówili ograniczenia korelacji, w tym różnicę między związkiem a zgodnością pomiarów. Spearman (1904) przedstawił historyczne podstawy korelacji rang. Von Elm i wsp. (2007) opracowali standard STROBE dla raportowania badań obserwacyjnych.

Źródła i dalsza lektura

1. Arndt, S.; Turvey, C.; Andreasen, N. C. (1999). Correlating and predicting psychiatric symptom ratings: Spearman’s r versus Kendall’s tau correlation. Journal of Psychiatric Research, 33(2), 97–104. DOI: 10.1016/S0022-3956(98)90046-2.
2. de Winter, J. C. F.; Gosling, S. D.; Potter, J. (2016). Comparing the Pearson and Spearman correlation coefficients across distributions and sample sizes: A tutorial using simulations and empirical data. Psychological Methods, 21(3), 273–290. DOI: 10.1037/met0000079.
3. Janse, R. J.; Ho instra, A. H.; van Diepen, M.; et al. (2021). Conducting correlation analysis: Important limitations and pitfalls. Clinical Kidney Journal, 14(11), 2332–2337. DOI: 10.1093/ckj/sfab085.
4. Spearman, C. (1904). The proof and measurement of association between two things. The American Journal of Psychology, 15(1), 72–101. DOI: 10.2307/1412159.
5. von Elm, E.; Altman, D. G.; Egger, M.; Pocock, S. J.; Gøtzsche, P. C.; Vandenbroucke, J. P.; for the STROBE Initiative (2007). The Strengthening the Reporting of Observational Studies in Epidemiology (STROBE) statement: Guidelines for reporting observational studies. PLoS Medicine, 4(10), e296. DOI: 10.1371/journal.pmed.0040296.