445. Kierunek i siła korelacji – jak interpretować bez sztywnych progów?

Współczynnik korelacji jest często przedstawiany jako pojedyncza liczba, na przykład r = 0,62 albo r_s = −0,28. Taki zapis wygląda precyzyjnie, ale sama liczba nie odpowiada jeszcze na wszystkie ważne pytania. Trzeba ustalić, jaki jest kierunek zależności, jak silny jest obserwowany związek, jak dokładnie został oszacowany, czy wynik jest odporny na wartości odstające oraz czy ma znaczenie praktyczne. Dlatego interpretacja korelacji nie powinna polegać na mechanicznym przypisaniu wyniku do sztywnej kategorii „słaba”, „umiarkowana” lub „silna”. W tej lekcji, stanowiącej część publicznego szkolenia na statystyk.edu.pl, uporządkujemy sposób myślenia o kierunku i sile korelacji.

Co właściwie opisuje współczynnik korelacji?

Korelacja opisuje współzmienność dwóch zmiennych. Jeżeli wartości jednej zmiennej mają tendencję do zwiększania się wraz ze wzrostem drugiej, mówimy o zależności dodatniej. Jeżeli wzrost jednej zmiennej wiąże się przeciętnie ze spadkiem drugiej, mówimy o zależności ujemnej. Słowo „wiąże się” jest tu istotne: współczynnik korelacji opisuje zależność, ale sam w sobie nie dowodzi, że jedna zmienna powoduje zmianę drugiej.

W przypadku korelacji Pearsona symbol r opisuje przede wszystkim siłę i kierunek liniowej zależności między dwiema zmiennymi ilościowymi. Korelacja Spearmana, oznaczana zwykle jako r_s albo ρ, opiera się na rangach i służy do oceny zależności monotonicznej. W obu przypadkach współczynnik przyjmuje wartości od −1 do +1. Wartość dodatnia oznacza zgodny kierunek zmian, ujemna – przeciwny, a wartość bliska zeru wskazuje na brak wyraźnej zależności danego typu. Nie oznacza to jednak, że każda zależność nieliniowa zostanie przez korelację wykryta (Mukaka, 2012; Schober, Boer i Schwarte, 2018).

Wzór na korelację Pearsona

Współczynnik korelacji Pearsona można zapisać następująco:

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

W tym wzorze:

• xᵢ oznacza wartość pierwszej zmiennej u osoby lub jednostki o numerze i;
• yᵢ oznacza odpowiadającą jej wartość drugiej zmiennej;
• x̄ jest średnią arytmetyczną zmiennej X;
• ȳ jest średnią arytmetyczną zmiennej Y;
• Σ oznacza sumowanie po wszystkich obserwacjach;
• √ oznacza pierwiastek kwadratowy.

Licznik wzoru odzwierciedla to, czy odchylenia od średnich występują w podobnym kierunku. Gdy osoby z wartościami X powyżej średniej mają zwykle także wartości Y powyżej średniej, iloczyny odchyleń są dodatnie. Gdy wysokim wartościom X towarzyszą niskie wartości Y, iloczyny są zazwyczaj ujemne. Mianownik skaluje wynik, dzięki czemu współczynnik pozostaje w przedziale od −1 do +1.

Jak odczytać kierunek korelacji?

Znak współczynnika informuje o kierunku zależności, ale nie o jej przyczynowości.

• r = 0,70 oznacza dodatnią zależność liniową: większym wartościom jednej zmiennej przeciętnie towarzyszą większe wartości drugiej;
• r = −0,70 oznacza ujemną zależność liniową: większym wartościom jednej zmiennej przeciętnie towarzyszą mniejsze wartości drugiej;
• r = 0,05 wskazuje na bardzo słabą dodatnią zależność liniową, praktycznie bliską zeru;
• r = −0,05 wskazuje na bardzo słabą ujemną zależność liniową.

Wartość −0,80 nie oznacza „słabszej” korelacji niż +0,80. Pod względem siły oba wyniki są równie odległe od zera. Różnią się wyłącznie kierunkiem. Dlatego siłę oceniamy na podstawie wartości bezwzględnej współczynnika, czyli |r|, a kierunek na podstawie jego znaku.

Nie należy jednak wyciągać wniosku, że współczynnik bliski zeru zawsze oznacza brak jakiejkolwiek zależności. Korelacja Pearsona może być bliska zeru przy zależności krzywoliniowej, na przykład w kształcie litery U. Również korelacja Spearmana nie opisze dobrze zależności, która nie jest monotoniczna, mimo że może być silna i systematyczna. Z tego powodu wykres rozrzutu powinien poprzedzać interpretację pojedynczej liczby.

Dlaczego nie warto stosować sztywnych progów?

W literaturze spotyka się reguły, według których na przykład wartości około 0,10, 0,30 i 0,50 oznaczają kolejno małą, umiarkowaną i dużą korelację. Takie konwencje mogą być pomocne dydaktycznie, ale nie są uniwersalnym prawem. To, czy korelacja r = 0,20 jest ważna, zależy od dziedziny, jakości pomiaru, kosztu błędu, celu badania i wcześniejszej wiedzy.

W psychologii zależności między złożonymi konstruktami, mierzonymi z niepełną rzetelnością, mogą być umiarkowane, a mimo to teoretycznie i praktycznie istotne. W epidemiologii nawet niewielka korelacja może mieć znaczenie dla populacji, jeśli dotyczy powszechnego narażenia i częstego zdarzenia. Z kolei w badaniu walidacyjnym urządzenia medycznego korelacja rzędu 0,90 może być niewystarczająca, jeśli celem jest zastąpienie jednej metody inną. Korelacja może być wysoka, ponieważ obie metody reagują na różnice między pacjentami, ale jednocześnie jedna z nich może systematycznie zawyżać wyniki (Bland i Altman, 1986).

Współczesne zalecenia interpretacyjne podkreślają, że progi należy traktować jako orientacyjne, a nie jako automatyczne etykiety. Interpretacja powinna uwzględniać kontekst kliniczny lub naukowy, precyzję oszacowania oraz to, czy wynik odpowiada pytaniu badawczemu (Schober, Mascha i Vetter, 2021).

Cztery pytania zamiast jednego progu

Przed nazwaniem korelacji „słabą” albo „silną” warto zadać cztery pytania:

1. Jaki jest cel analizy? Inne wymagania ma badanie przesiewowe, inne analiza teoretyczna, a jeszcze inne ocena zgodności pomiarów.
2. Jak wiarygodne są pomiary? Niska rzetelność narzędzia może ograniczać możliwą do zaobserwowania korelację.
3. Jak precyzyjny jest wynik? Należy rozważyć przedział ufności, a nie tylko wartość punktową.
4. Jakie mogą być konsekwencje praktyczne? Statystycznie zauważalna zależność nie musi uzasadniać zmiany postępowania klinicznego lub organizacyjnego.

Wielkość korelacji a istotność statystyczna

Istotność statystyczna i siła korelacji to różne informacje. Test hipotezy może sprawdzać hipotezę zerową, na przykład H₀: ρ = 0 w populacji. Mała wartość p oznacza, że dane byłyby mało zgodne z tą hipotezą przy przyjętym modelu i założeniach testu. Nie oznacza ona prawdopodobieństwa, że hipoteza zerowa jest prawdziwa, ani nie informuje bezpośrednio o znaczeniu klinicznym wyniku.

Przy dużej próbie nawet bardzo mała korelacja może uzyskać p < 0,001. Przy małej próbie korelacja o potencjalnie ważnej wielkości może nie osiągnąć konwencjonalnego poziomu istotności. Dlatego należy raportować co najmniej współczynnik korelacji, liczebność próby, przedział ufności, wartość p – jeśli test był planowany i adekwatny – oraz opis zastosowanej metody.

Przedział ufności pokazuje zakres wartości zgodnych z danymi i przyjętym sposobem wnioskowania. Na przykład r = 0,32, 95% CI [0,08; 0,52] wskazuje na dodatnią zależność, ale także na istotną niepewność jej dokładnej wielkości. Taki wynik nie powinien być streszczany jedynie jako „umiarkowana korelacja”. Bardziej informacyjne jest zdanie: „Zaobserwowano dodatnią korelację o wartości 0,32; przedział ufności wskazywał na wartości od 0,08 do 0,52”.

Przykład 1: aktywność fizyczna i nasilenie objawów depresyjnych

Załóżmy, że w badaniu 180 dorosłych osób oceniono tygodniową liczbę minut aktywności fizycznej oraz nasilenie objawów depresyjnych w kwestionariuszu. Otrzymano korelację Spearmana r_s = −0,34, 95% CI [−0,47; −0,20], p < 0,001.

Znak minus oznacza, że większej aktywności towarzyszyły przeciętnie mniejsze wartości wyniku depresji. Wartość bezwzględna 0,34 wskazuje na zależność o niewielkiej lub umiarkowanej sile, ale nie należy traktować tej etykiety jako ostatecznej oceny. Praktyczne znaczenie zależy między innymi od tego, czy różnica w aktywności jest osiągalna, czy kwestionariusz ma ustalone punkty istotnej zmiany oraz czy wynik pozostaje podobny po uwzględnieniu wieku, stanu zdrowia, sytuacji materialnej i leczenia.

Nie wolno napisać, że aktywność fizyczna „zmniejszyła depresję”, jeśli badanie było przekrojowe. Można natomiast napisać, że większa aktywność była związana z mniejszym nasileniem objawów. Możliwe są także zależności odwrotne: osoby z nasilonymi objawami mogą mniej się ruszać. Korelacja nie rozstrzyga kierunku przyczynowego.

Przykład 2: czas oczekiwania w ratownictwie i satysfakcja pacjentów

W badaniu jakości świadczeń ratunkowych oceniono czas od rejestracji do pierwszego kontaktu z personelem oraz satysfakcję pacjentów. Zaobserwowano r = −0,18. Wynik może być statystycznie istotny przy dużej liczbie pacjentów, ale sama wartość wskazuje na słabą zależność liniową.

Nie oznacza to, że czas oczekiwania jest nieistotny dla pacjentów. Satysfakcję mogą jednocześnie kształtować: sposób komunikowania opóźnienia, nasilenie objawów, wynik leczenia, warunki lokalowe i oczekiwania pacjenta. Korelacja na poziomie −0,18 może sygnalizować, że czas oczekiwania jest jednym z wielu czynników, lecz niekoniecznie najważniejszym. W takiej sytuacji rozsądne byłoby uzupełnienie analizy o wykres, modele wielozmiennowe oraz analizę podgrup, a nie wydawanie oceny wyłącznie na podstawie progu.

Siła korelacji zależy także od kształtu danych

Dwie próby mogą mieć taki sam współczynnik r, ale zupełnie inny układ punktów. W jednym przypadku zależność może być względnie równomierna w całym zakresie wartości. W drugim wynik może wynikać z jednej grupy odstających obserwacji albo z połączenia dwóch podgrup. Dlatego przed interpretacją należy obejrzeć wykres rozrzutu.

Szczególnie ważne są wartości odstające. Jedna obserwacja o bardzo wysokiej wartości obu zmiennych może znacznie zwiększyć dodatnią korelację. Z kolei obserwacja odległa od głównego skupiska może ją osłabić lub zmienić znak. Nie należy jednak usuwać punktu tylko dlatego, że pogarsza wynik. Trzeba sprawdzić, czy jest to błąd wprowadzania danych, prawidłowa, lecz rzadka obserwacja, czy osoba należąca do innej populacji.

Warto także rozważyć ograniczenie zakresu zmiennych. Jeżeli badani mają bardzo podobny poziom ciśnienia tętniczego, wieku lub nasilenia objawów, korelacja może być niska mimo silnej zależności w szerszej populacji. Jest to tak zwane ograniczenie zmienności. Niska korelacja nie zawsze świadczy więc o braku związku; czasem odzwierciedla sposób doboru próby.

Przykład praktyczny: jak napisać interpretację?

Załóżmy, że analiza zależności między poziomem stresu zawodowego a liczbą dni absencji chorobowej dała wynik r_s = 0,41, 95% CI [0,24; 0,55], p < 0,001, w próbie 150 pielęgniarek.

Nieprecyzyjna interpretacja brzmiałaby: „Stwierdzono silną i istotną korelację, co oznacza, że stres powoduje absencję”. Zawiera ona kilka problemów: używa nieuzasadnionej etykiety, miesza istotność z siłą i wprowadza wniosek przyczynowy.

Lepsza interpretacja mogłaby brzmieć: „W badanej grupie wyższy poziom stresu zawodowego był związany z większą liczbą dni absencji chorobowej; korelacja Spearmana wyniosła 0,41, a 95% przedział ufności obejmował wartości od 0,24 do 0,55. Wynik wskazuje na dodatnią zależność o umiarkowanej wielkości, jednak nie przesądza o przyczynowości. Znaczenie praktyczne wymaga odniesienia do rozkładu absencji, jakości pomiaru stresu oraz możliwych czynników zakłócających”.

Taki opis informuje o kierunku, wartości, niepewności i ograniczeniach. Nie udaje większej precyzji, niż pozwalają na to dane.

Korelacja nie jest miarą zgodności metod

W praktyce medycznej często porównuje się dwa sposoby pomiaru tej samej cechy, na przykład ciśnieniomierz automatyczny i metodę referencyjną. Wysoka korelacja między pomiarami nie dowodzi, że metody dają takie same wyniki. Jeżeli nowy aparat zawyża każdy pomiar o 15 mmHg, korelacja może nadal być bardzo wysoka, ponieważ pacjenci z wyższymi wartościami według jednej metody będą również mieli wyższe wartości według drugiej.

Do oceny zgodności należy zastosować metody przeznaczone do tego celu, między innymi analizę Bland–Altmana, z oceną średniej różnicy i granic zgodności. Granice akceptowalności powinny wynikać z kryteriów klinicznych, a nie z samej korelacji (Bland i Altman, 1986; Bland i Altman, 1995).

Najczęstsze błędy

• Traktowanie progu jako prawa natury. Kategorie „słaba” i „silna” są orientacyjne. Nie zastępują kontekstu badania.
• Ignorowanie znaku. Korelacja −0,60 i +0,60 mają podobną siłę, lecz przeciwny kierunek.
• Interpretowanie wartości p jako miary siły. O sile informuje przede wszystkim współczynnik i jego przedział ufności, nie sama wartość p.
• Wnioskowanie przyczynowe z badania obserwacyjnego. Korelacja nie rozstrzyga, która zmienna wpływa na drugą.
• Pomijanie wykresu rozrzutu. Liczba może ukrywać nieliniowość, wartości odstające lub podgrupy.
• Porównywanie korelacji bez uwzględnienia niepewności. Różnica między 0,30 a 0,40 nie musi oznaczać rzeczywistej różnicy w populacjach.
• Używanie korelacji do oceny zgodności pomiarów. Do tego celu potrzebne są odpowiednie metody analizy zgodności.
• Automatyczne usuwanie obserwacji odstających. Każde wykluczenie powinno mieć merytoryczne i metodologiczne uzasadnienie.

Jak raportować wynik korelacji?

Minimalny opis powinien zawierać rodzaj współczynnika, jego wartość, liczebność próby, przedział ufności oraz – jeśli uzasadnione – wynik testu. Należy również wskazać, czy analizę poprzedzono oceną wykresu rozrzutu, jak postąpiono z brakami danych i dlaczego wybrano Pearsona lub Spearmana.

Przykładowe zdanie: „Wystąpiła dodatnia zależność między stresem zawodowym a liczbą dni absencji, r_s = 0,41, 95% CI [0,24; 0,55], n = 150, p < 0,001. Wielkość związku należy interpretować jako umiarkowaną w kontekście tego badania, bez wnioskowania o zależności przyczynowej”. Taki sposób raportowania jest zgodny z ogólną zasadą, aby przedstawiać wynik wraz z miarą niepewności i opisem analizy, a nie ograniczać się do decyzji „istotne–nieistotne” (Appelbaum i in., 2018).

Co warto zapamiętać?

• Znak korelacji mówi o kierunku zależności, a wartość bezwzględna – o jej sile.
• Korelacja Pearsona dotyczy przede wszystkim zależności liniowej, a Spearmana – monotonicznej.
• Sztywne progi są tylko pomocniczą konwencją; znaczenie wyniku zależy od celu, dziedziny i jakości pomiaru.
• Wartość p nie jest miarą siły korelacji i nie oznacza prawdopodobieństwa prawdziwości hipotezy zerowej.
• Przedział ufności pokazuje precyzję oszacowania i powinien być interpretowany razem ze współczynnikiem.
• Wykres rozrzutu jest niezbędny do oceny kształtu zależności, wartości odstających i podgrup.
• Korelacja nie dowodzi przyczynowości ani zgodności dwóch metod pomiaru.
• Najlepsza interpretacja łączy wynik liczbowy z pytaniem badawczym, projektem badania i znaczeniem praktycznym.

Źródła i dalsza lektura

1. Schober, P.; Boer, C.; Schwarte, L. A. (2018). Correlation Coefficients: Appropriate Use and Interpretation. Anesthesia & Analgesia, 126(5), 1763–1768. DOI: 10.1213/ANE.0000000000002864.
2. Mukaka, M. M. (2012). A guide to appropriate use of Correlation coefficient in medical research. Malawi Medical Journal, 24(3), 69–71. Pełny opis źródła.
3. 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.
4. Bland, J. M.; Altman, D. G. (1986). Statistical methods for assessing agreement between two methods of clinical measurement. The Lancet, 327(8476), 307–310. DOI: 10.1016/S0140-6736(86)90837-8.
5. Bland, J. M.; Altman, D. G. (1995). Comparing methods of measurement: why plotting difference against standard method is misleading. The Lancet, 346(8982), 1085–1087. DOI: 10.1016/S0140-6736(95)91748-9.
6. Appelbaum, M.; Cooper, H.; Kline, R. B.; Mayo-Wilson, E.; Nezu, A. M.; 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. Cohen, J. (1988). Statistical Power Analysis for the Behavioral Sciences. 2nd ed.. Lawrence Erlbaum Associates. Informacja wydawcy / źródło.