459. Jak raportować korelację w tekście i tabeli?

Wynik korelacji może zostać obliczony poprawnie, a mimo to przedstawiony w sposób niepełny lub mylący. Sam zapis r = 0,42; p < 0,05 nie mówi jeszcze, jakie zmienne analizowano, ilu uczestników uwzględniono, jaki był kierunek zależności ani czy obserwowany efekt ma znaczenie praktyczne. W tej lekcji pokazano, jak raportować korelację w tekście i tabeli tak, aby czytelnik mógł ocenić zarówno wynik statystyczny, jak i jego znaczenie naukowe. Zagadnienie rozwija wcześniejsze lekcje modułu 23, dostępne również w ramach podręcznika do szkolenia na statysty.edu.pl.

1. Co właściwie raportujemy?

Korelacja opisuje współzmienność dwóch zmiennych. W najczęściej stosowanym przypadku współczynnik r Pearsona informuje o kierunku i sile liniowej zależności między zmiennymi ilościowymi. Współczynnik przyjmuje wartości od −1 do 1:

• wartość dodatnia oznacza, że wyższym wartościom jednej zmiennej przeciętnie towarzyszą wyższe wartości drugiej;
• wartość ujemna oznacza, że wyższym wartościom jednej zmiennej przeciętnie towarzyszą niższe wartości drugiej;
• wartość bliska zeru wskazuje na brak lub niewielką liniową zależność, ale nie wyklucza zależności nieliniowej;
• wartość bezwzględna współczynnika, czyli |r|, opisuje siłę liniowego związku w badanej próbie.

Nie należy jednak utożsamiać korelacji z przyczynowością. W badaniu obserwacyjnym korelacja pokazuje współwystępowanie zmiennych, a nie dowodzi, że jedna zmienna wywołuje zmianę drugiej. Przy interpretacji trzeba także uwzględnić dobór próby, zakres wartości zmiennych, obserwacje odstające, sposób pomiaru oraz możliwe zmienne zakłócające (Altman i Bland, 1995; von Elm i in., 2007).

Minimalny zestaw informacji

Kompletny raport korelacji powinien zwykle zawierać:

1. nazwy obu analizowanych zmiennych;
2. rodzaj współczynnika, na przykład r Pearsona albo ρ Spearmana;
3. liczebność obserwacji wykorzystanych w konkretnej korelacji;
4. wartość współczynnika, najlepiej z dwiema cyframi po przecinku;
5. przedział ufności, jeśli jest dostępny i uzasadniony;
6. wartość p albo dokładną informację o jej poziomie;
7. krótką, ostrożną interpretację kierunku i wielkości związku;
8. informację o istotnych ograniczeniach analizy.

Standardy raportowania ilościowego APA podkreślają, że wynik statystyczny powinien być osadzony w kontekście pytania badawczego, sposobu pomiaru i planu analizy, a nie przedstawiany jako oderwana liczba (American Psychological Association, 2020; Appelbaum i in., 2018).

2. Jak zapisać korelację w tekście?

Najlepszy opis ma zwykle trzy elementy: wynik liczbowy, informację o niepewności oraz interpretację. Przykładowa konstrukcja brzmi:

W badanej grupie wyższy poziom aktywności fizycznej wiązał się z niższym skwantyfikowanym nasileniem objawów depresyjnych, r = −0,36, 95% PU [−0,51; −0,18], p < 0,001, n = 184.

Taki zapis mówi więcej niż samo „stwierdzono istotną korelację”. Czytelnik wie, jaki był kierunek związku, jak duży był współczynnik, jaka była precyzja oszacowania, ilu uczestników uwzględniono i czy wynik był zgodny z przyjętym kryterium wnioskowania.

Współczynnik Pearsona i Spearmana

Symbol powinien odpowiadać rzeczywiście zastosowanej metodzie:

• r — najczęściej współczynnik korelacji Pearsona;
• ρ lub r_s — korelacja rang Spearmana;
• τ — współczynnik tau Kendalla, jeżeli wykorzystano tę metodę.

Nie należy wpisywać automatycznie r dla każdej korelacji. Wybór metody powinien wynikać z charakteru danych i założeń analizy. Korelacja Spearmana może być właściwa na przykład przy danych porządkowych albo przy monotonicznej zależności, która nie jest dobrze opisana przez prostą. W raporcie warto podać także powód wyboru metody, zwłaszcza gdy nie zastosowano Pearsona.

Przedział ufności

Przedział ufności dla współczynnika korelacji przedstawia zakres wartości zgodnych z danymi i przyjętym poziomem ufności. Nie oznacza on, że prawdziwa wartość ma określone prawdopodobieństwo znajdowania się w konkretnym przedziale po zakończeniu badania. W praktyce 95-procentowy przedział ufności pomaga ocenić precyzję wyniku: wąski przedział zwykle wskazuje na większą precyzję, a szeroki na większą niepewność.

Przy małych próbach nawet umiarkowana korelacja może mieć bardzo szeroki przedział ufności. W takiej sytuacji ograniczenie się do wartości p jest szczególnie niewystarczające. Z kolei duża próba może dać małą wartość p dla związku o niewielkiej sile. Dlatego istotność statystyczna, wielkość efektu i znaczenie praktyczne powinny być raportowane oraz interpretowane oddzielnie (Schober, Bossers i Schwarte, 2018).

Jak podawać wartość p?

Jeżeli oprogramowanie wyświetla dokładną wartość, można zapisać na przykład p = 0,032. Gdy wynik jest bardzo mały, dopuszczalny jest zapis p < 0,001. Nie należy pisać p = 0,000, ponieważ wartość p nie jest równa zeru. Nie należy też formułować zdania „p jest prawdopodobieństwem, że hipoteza zerowa jest prawdziwa”. Wartość p opisuje zgodność danych z określonym modelem i hipotezą zerową przy założeniach analizy; nie jest bezpośrednim prawdopodobieństwem prawdziwości H0.

Jeżeli korelacja była częścią wielu testów, trzeba uwzględnić strategię kontroli wielokrotnego testowania. W tabeli lub tekście należy wskazać, czy wartości p są surowe, czy skorygowane, na przykład metodą Holma. Bez tej informacji czytelnik może błędnie ocenić siłę dowodów.

3. Wzór współczynnika Pearsona

Współczynnik korelacji Pearsona można zapisać następująco:

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

Oznaczenia mają następujące znaczenie:

• xᵢ — wartość pierwszej zmiennej u osoby lub obserwacji i;
• yᵢ — wartość drugiej zmiennej u tej samej osoby lub obserwacji;
• x̄ — średnia pierwszej zmiennej;
• ȳ — średnia drugiej zmiennej;
• Σ — sumowanie po wszystkich analizowanych obserwacjach;
• n — liczba kompletnych par obserwacji wykorzystanych do obliczenia r.

Licznik pokazuje, czy odchylenia obu zmiennych od ich średnich mają zwykle ten sam kierunek, czy przeciwny. Mianownik skaluje wynik, dzięki czemu współczynnik mieści się w przedziale od −1 do 1. W praktyce badacz nie musi ręcznie liczyć wzoru, ale powinien rozumieć, że korelacja jest obliczana z par obserwacji, a nie z dwóch niezależnych list wartości.

4. Jak budować tabelę korelacji?

Tabela powinna umożliwiać szybkie porównanie wyników bez konieczności odszukiwania szczegółów w tekście. Dla kilku zmiennych stosuje się często macierz korelacji. Zwykle podaje się w niej jeden trójkąt macierzy, ponieważ korelacja między zmienną A i B jest taka sama jak między B i A.

Zmienna	1	2	3	n
1. Aktywność fizyczna	—	−0,36***	0,28***	184
2. Objawy depresyjne		—	−0,22**	184
3. Jakość snu			—	181

Uwaga. Wartości przedstawiono jako współczynniki r Pearsona. ** p < 0,01; *** p < 0,001. Liczebność może różnić się między parami zmiennych z powodu braków danych.

W bardziej rozbudowanej tabeli można dodać przedziały ufności w nawiasach albo osobne kolumny z p. Należy jednak unikać przeładowania tabeli. Jeżeli głównym celem jest prezentacja wielkości efektów, lepiej pokazać współczynniki i przedziały ufności, a wartości p podać w przypisie lub w dodatkowej kolumnie.

Co powinien zawierać tytuł i przypis?

Tytuł tabeli powinien wskazywać populację, najważniejsze zmienne i rodzaj współczynnika, na przykład: „Korelacje między aktywnością fizyczną, nasileniem objawów depresyjnych i jakością snu wśród studentów pielęgniarstwa”. W przypisie trzeba wyjaśnić skróty, rodzaj korelacji, poziomy istotności, sposób postępowania z brakami danych i ewentualne korekty za wielokrotne testowanie.

Nie należy stosować gwiazdek bez legendy. Czytelnik powinien wiedzieć, czy jedna gwiazdka oznacza p < 0,05, czy na przykład 95-procentowy przedział ufności nie obejmuje zera. Warto również konsekwentnie stosować zaokrąglenia. Dwie cyfry po przecinku są zazwyczaj wystarczające, chyba że bardzo małe różnice mają szczególne znaczenie metodyczne (Altman i Bland, 1996).

5. Przykład 1: zdrowie publiczne

Załóżmy, że w badaniu przekrojowym oceniono 184 studentów. Zebrano dane o tygodniowej aktywności fizycznej w minutach oraz wyniku kwestionariusza objawów depresyjnych. Otrzymano r = −0,36, 95% PU [−0,51; −0,18], p < 0,001.

Poprawny opis może brzmieć:

Większa tygodniowa aktywność fizyczna była związana z niższym nasileniem objawów depresyjnych, r = −0,36, 95% PU [−0,51; −0,18], p < 0,001, n = 184. Zależność miała umiarkowaną wielkość w tej próbie, jednak ze względu na przekrojowy charakter badania nie można na tej podstawie wnioskować, że aktywność fizyczna powoduje zmniejszenie objawów depresyjnych.

W tym przykładzie znak minus nie oznacza „złej” korelacji. Wskazuje kierunek: wraz ze wzrostem aktywności wynik objawów przeciętnie malał. Nie wolno też powiedzieć, że aktywność „wyjaśnia 36% depresji”. Dla korelacji Pearsona można rozważyć kwadrat współczynnika, r² = 0,13, ale jego interpretacja jako proporcji wyjaśnionej zmienności wymaga odpowiedniego modelu i ostrożności. W badaniu przekrojowym nie jest to dowód mechanizmu przyczynowego.

6. Przykład 2: pielęgniarstwo i pomiar kliniczny

W badaniu pielęgniarek porównano wynik skali obciążenia pracą z liczbą godzin snu. Uzyskano korelację Spearmana ρ = −0,29, 95% PU [−0,43; −0,14], p < 0,001, n = 210.

Odpowiedni zapis:

Wyższe obciążenie pracą wiązało się z mniejszą liczbą godzin snu, ρ = −0,29, 95% PU [−0,43; −0,14], p < 0,001, n = 210. Związek był ujemny i niewielki do umiarkowanego; jego znaczenie praktyczne należy oceniać w kontekście norm czasu pracy, klinicznie istotnej różnicy w długości snu oraz możliwych czynników zakłócających, takich jak praca zmianowa i opieka nad dziećmi.

Jeśli skala obciążenia była porządkowa albo rozkład wyników był silnie asymetryczny, symbol ρ informuje, że nie raportujemy Pearsona. Samo stwierdzenie „istnieje silna zależność” byłoby zbyt uproszczone. Wartość 0,29 nie powinna być automatycznie nazywana „silną” tylko dlatego, że p jest małe. Progi interpretacyjne mają charakter pomocniczy i muszą być odnoszone do dziedziny, jakości pomiaru oraz celu badania (Schober, Mascha i Vetter, 2021).

7. Najczęstsze błędy

• Raportowanie wyłącznie wartości p. Zdanie „korelacja była istotna statystycznie” nie informuje o jej kierunku ani wielkości.
• Brak liczebności. W macierzy korelacji każda para zmiennych może mieć inną liczbę kompletnych obserwacji.
• Mylenie korelacji z przyczynowością. W badaniu obserwacyjnym należy pisać „wiązała się z”, „współwystępowała z” albo „obserwowano zależność”, a nie „spowodowała”.
• Użycie niewłaściwego symbolu. Nie należy oznaczać korelacji Spearmana symbolem r, jeśli w analizie zastosowano ρ.
• Brak informacji o brakach danych. Czytelnik powinien wiedzieć, czy wykorzystano analizę kompletnych przypadków, imputację lub inną procedurę.
• Przesadne kategoryzowanie siły efektu. Etykiety „słaba”, „umiarkowana” i „silna” nie zastępują interpretacji kontekstowej.
• Zaokrąglanie do trzech lub czterech zer. Większa liczba cyfr nie oznacza większej dokładności naukowej.
• Ukrywanie wielu testów. Przy dużej macierzy korelacji część małych wartości p może pojawić się przypadkowo.
• Brak sprawdzenia wykresu rozrzutu. Jedna wartość współczynnika może być myląca przy obserwacjach odstających, klastrach lub zależności nieliniowej.
• Wnioskowanie o zgodności pomiarów na podstawie korelacji. Wysoka korelacja nie jest tym samym co dobra zgodność dwóch metod pomiarowych.

8. Przykład praktyczny: od analizy do tabeli

Badacz analizuje związek między czasem oczekiwania na pomoc ratowniczą a satysfakcją pacjentów z kontaktu z zespołem ratownictwa medycznego. Wstępny wykres wskazuje na zależność monotoniczną, ale wyniki satysfakcji są skośne. Zastosowano korelację Spearmana. Po wykluczeniu jednej obserwacji z powodu błędu wprowadzenia danych analizę przeprowadzono dla 96 osób.

Wynik wyniósł ρ = −0,41, 95% PU [−0,57; −0,23], p < 0,001. W tekście wynik można przedstawić następująco:

Dłuższy czas oczekiwania na pomoc wiązał się z niższą satysfakcją pacjentów, ρ = −0,41, 95% PU [−0,57; −0,23], p < 0,001, n = 96. Wynik wskazuje na umiarkowaną ujemną zależność w analizowanej próbie, lecz nie rozstrzyga, czy skrócenie czasu oczekiwania samo w sobie zwiększyłoby satysfakcję, ponieważ na oba pomiary mogły wpływać inne czynniki, takie jak ciężkość stanu pacjenta, komunikacja personelu i warunki transportu.

W tabeli można umieścić nazwę zmiennej, współczynnik, 95% przedział ufności, wartość p i n. Taki układ jest szczególnie użyteczny, gdy raport zawiera kilka korelacji. W tekście należy natomiast zaakcentować wynik główny, a nie przepisywać całą tabelę.

9. Jak połączyć tabelę z interpretacją?

Dobra tabela nie powinna być powtórzona w całości w akapicie. Tekst ma wskazywać najważniejsze wzorce: najsilniejszą zależność, kierunek korelacji, wyniki zgodne lub niezgodne z hipotezą oraz ewentualne różnice między podgrupami. Można napisać:

Jak przedstawiono w tabeli 2, wszystkie trzy wskaźniki obciążenia pracą były ujemnie związane z długością snu. Najsilniejszą zależność obserwowano dla liczby nocnych dyżurów, ρ = −0,34, 95% PU [−0,46; −0,21].

Nie należy natomiast pisać „Tabela 2 pokazuje, że hipoteza została udowodniona”. Korelacja dostarcza danych wspierających określoną interpretację, ale nie stanowi samodzielnego dowodu przyczynowości ani nie potwierdza teorii w sensie absolutnym.

10. Co warto zapamiętać?

• Raportuj nie tylko p, lecz także współczynnik, jego kierunek, liczebność i — gdy to możliwe — przedział ufności.
• Podaj, czy zastosowano Pearsona, Spearmana czy inną miarę korelacji.
• W tabeli wyjaśnij skróty, gwiazdki, poziomy istotności oraz sposób postępowania z brakami danych.
• Interpretuj wielkość efektu oddzielnie od istotności statystycznej.
• Nie przedstawiaj korelacji jako dowodu przyczynowości, szczególnie w badaniach przekrojowych i innych badaniach obserwacyjnych.
• Przed raportowaniem sprawdź wykres rozrzutu, obserwacje odstające, nieliniowość i zakres zmienności.
• W macierzy korelacji podawaj liczebności dla poszczególnych par zmiennych, jeśli nie są identyczne.
• Traktuj progi typu „słaba” lub „silna” jako orientacyjne, a nie jako uniwersalne prawa.

Najbardziej użyteczny raport korelacji odpowiada na cztery pytania: co skorelowano, jak silny i w jakim kierunku był związek, jak precyzyjnie go oszacowano oraz co wolno na tej podstawie wnioskować. Tak skonstruowany opis jest przejrzysty dla czytelnika, zgodny z dobrymi praktykami raportowania i odporniejszy na nadinterpretację.

Źródła i dalsza lektura

1. Altman, D. G., & Bland, J. M. (1996). Statistics notes: Presentation of numerical data. BMJ, 312(7030), 572. DOI: 10.1136/bmj.312.7030.572.
2. Altman, D. G., & Bland, J. M. (1995). Statistics notes: The normal distribution. BMJ, 310(6977), 298. DOI: 10.1136/bmj.310.6977.298.
3. Schober, P., Bossers, S. M., & Schwarte, L. A. (2018). Statistical significance versus clinical importance of observed effect sizes: What do P values and confidence intervals really represent?. Anesthesia & Analgesia, 126(3), 1068–1072. DOI: 10.1213/ANE.0000000000002799.
4. Schober, P., Mascha, E. J., & Vetter, T. R. (2021). Statistics From A (Agreement) to Z (z Score): A Guide to Interpreting Common Measures of Association, Agreement, Diagnostic Accuracy, Effect Size, Heterogeneity, and Reliability in Medical Research. Anesthesia & Analgesia, 133(6), 1633–1641. DOI: 10.1213/ANE.0000000000005773.
5. von Elm, E., Altman, D. G., Egger, M., Pocock, S. J., Gøtzsche, P. C., & Vandenbroucke, J. P.; 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.
6. Appelbaum, M., Cooper, H., Kline, R. B., Mayo-Wilson, E., Nezug, R., & Rao, S. M. (2018). Journal Article Reporting Standards for Quantitative Research in Psychology: The APA Publications and Communications Board Task Force Report. American Psychologist, 73(1), 3–25. DOI: 10.1037/amp0000191.
7. American Psychological Association (2020). Publication Manual of the American Psychological Association. American Psychological Association. Źródło.

Więcej kolejnych lekcji publicznego szkolenia znajdziesz na statystyk.edu.pl.