456. Macierz korelacji – jak ją czytać?

Macierz korelacji jest tabelą, która w zwartej formie pokazuje związki między wieloma zmiennymi jednocześnie. Zamiast analizować osobno każdą parę zmiennych, badacz może jednym rzutem oka ocenić kierunek i względną siłę zależności. W badaniach medycznych może to być na przykład związek między wiekiem, ciśnieniem tętniczym, stężeniem glukozy, masą ciała i wynikiem kwestionariusza jakości życia. W psychologii macierz może obejmować wyniki kilku skal, a w zdrowiu publicznym – wskaźniki zachowań zdrowotnych i stanu zdrowia.

Sama obecność macierzy w artykule nie oznacza jednak, że wszystkie widoczne wartości są równie ważne ani że można je interpretować bez sprawdzenia wykresów, rodzaju współczynnika i jakości pomiaru. Celem tej lekcji jest nauczenie się systematycznego odczytywania macierzy korelacji, a nie tylko wyszukiwania największej liczby w tabeli. Jest to naturalne rozwinięcie wcześniejszych lekcji kursu metodologii i statystyki dostępnego na statystyk.edu.pl.

Czym jest macierz korelacji?

Macierz korelacji to kwadratowa tabela, w której wiersze i kolumny odpowiadają tym samym zmiennym, a każda komórka zawiera współczynnik korelacji dla określonej pary zmiennych. Jeżeli analizujemy cztery zmienne, na przykład wiek, BMI, skurczowe ciśnienie tętnicze i poziom lęku, otrzymamy macierz o wymiarach 4 × 4.

Najczęściej stosuje się współczynnik korelacji Pearsona, oznaczany symbolem r, gdy interesuje nas liniowa zależność między dwiema zmiennymi ilościowymi. Współczynnik Spearmana, oznaczany zwykle jako ρ albo r_s, opisuje zależność monotoniczną i bywa właściwszy dla danych porządkowych, silnie skośnych lub zawierających obserwacje odstające (Schober, Boer i Schwarte, 2018; Mukaka, 2012).

Współczynnik korelacji przyjmuje wartości od −1 do +1:

• wartość dodatnia oznacza, że większym wartościom jednej zmiennej zwykle towarzyszą większe wartości drugiej;
• wartość ujemna oznacza, że większym wartościom jednej zmiennej zwykle towarzyszą mniejsze wartości drugiej;
• wartość bliska zeru wskazuje na brak wyraźnej zależności liniowej, ale nie wyklucza zależności nieliniowej;
• wartość bliska −1 lub +1 wskazuje na silną zależność odpowiednio ujemną lub dodatnią.

Ważne jest słowo „zwykle”. Korelacja opisuje współzmienność, a nie determinizm. Nie oznacza, że każda osoba z wyższym wynikiem jednej zmiennej musi mieć wyższy lub niższy wynik drugiej.

Jak zbudowana jest macierz?

Nazwy zmiennych w wierszach i kolumnach

Pierwszym krokiem jest sprawdzenie, jakie zmienne umieszczono w tabeli i czy ich kolejność jest taka sama w wierszach oraz kolumnach. Zazwyczaj macierz ma nagłówki takie jak: Age, BMI, SBP, Stress. Skróty powinny być wyjaśnione w podpisie tabeli lub w części metodycznej artykułu.

Nie wolno interpretować liczby bez znajomości sposobu pomiaru. Na przykład wynik „stress” może oznaczać sumę punktów w kwestionariuszu, a „adherence” – odsetek przyjętych dawek leku. Te zmienne mogą mieć odmienne zakresy i znaczenie kliniczne.

Przekątna macierzy

Na głównej przekątnej znajdują się korelacje zmiennej z samą sobą. Dla każdej zmiennej wynoszą one 1,00, ponieważ zmienna jest doskonale skorelowana sama ze sobą. W macierzy Spearmana również otrzymamy wartości 1,00 na przekątnej.

Wartości te nie są wynikiem interesującej hipotezy badawczej. Nie należy więc pisać, że „wiek wykazywał doskonałą korelację z wiekiem”. Przekątna jest konsekwencją konstrukcji macierzy i służy między innymi jako punkt orientacyjny.

Symetria macierzy

Macierz korelacji jest symetryczna. Korelacja między wiekiem i BMI jest taka sama jak korelacja między BMI i wiekiem. Formalnie:

r(X,Y) = r(Y,X)

W praktyce oznacza to, że często prezentuje się tylko dolny albo górny trójkąt macierzy. Drugi trójkąt zawiera te same informacje. Jeżeli w tabeli widzimy puste komórki po jednej stronie przekątnej, nie musi to oznaczać brakujących danych; może to być celowy sposób oszczędnego przedstawienia wyników.

Wzór współczynnika korelacji 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:

• X_i – wartość zmiennej X u osoby lub jednostki o numerze i;
• Y_i – wartość zmiennej Y u tej samej osoby lub jednostki;
• X̄ – średnia arytmetyczna zmiennej X;
• Ȳ – średnia arytmetyczna zmiennej Y;
• Σ – sumowanie po wszystkich obserwacjach;
• √ – pierwiastek kwadratowy.

Licznik pokazuje, czy odchylenia obu zmiennych od ich średnich mają zwykle ten sam znak. Jeżeli osoba ma wynik X powyżej średniej i jednocześnie wynik Y powyżej średniej, iloczyn odchyleń jest dodatni. Jeżeli jedna wartość jest powyżej średniej, a druga poniżej, iloczyn jest ujemny. Mianownik skaluje wynik tak, aby korelacja mieściła się w przedziale od −1 do +1.

Jak czytać pojedynczą komórkę?

Każdą komórkę należy odczytać według tego samego schematu:

1. ustal, jakie dwie zmienne porównujesz;
2. sprawdź, jaki współczynnik zastosowano;
3. odczytaj znak korelacji;
4. oceń bezwzględną wartość współczynnika;
5. sprawdź przedział ufności, liczebność próby i ewentualne p-value;
6. zastanów się, czy zależność ma znaczenie naukowe lub praktyczne.

Przykładowo, wartość r = −0,62 między nasileniem aktywności fizycznej a wynikiem skali objawów depresyjnych oznacza umiarkowanie silną ujemną zależność liniową w analizowanej próbie. Nie oznacza natomiast, że zwiększenie aktywności fizycznej na pewno spowoduje zmniejszenie objawów. W badaniu obserwacyjnym możliwe są między innymi odwrotna zależność przyczynowa, zmienne zakłócające oraz błąd pomiaru.

Nie należy stosować sztywnych progów bez kontekstu. Wartość r = 0,30 może być istotna dla narzędzia o umiarkowanej rzetelności lub dla wczesnego markera ryzyka, ale niewystarczająca do zastosowania klinicznego. Schober, Boer i Schwarte (2018) podkreślają, że kategoryzowanie korelacji jako „słabej”, „umiarkowanej” lub „silnej” zależy od dziedziny, pomiaru i pytania badawczego.

Przykład 1: macierz w badaniu pacjentów z nadciśnieniem

Załóżmy, że w badaniu 180 pacjentów oceniono wiek, BMI, skurczowe ciśnienie tętnicze, aktywność fizyczną i jakość snu. Otrzymano uproszczoną macierz korelacji Pearsona:

Zmienna	Wiek	BMI	SBP	Aktywność	Sen
Wiek	1,00	0,18	0,46	−0,31	−0,12
BMI	0,18	1,00	0,39	−0,28	−0,22
SBP	0,46	0,39	1,00	−0,25	−0,16
Aktywność	−0,31	−0,28	−0,25	1,00	0,34
Sen	−0,12	−0,22	−0,16	0,34	1,00

Najpierw zauważamy, że wiek i SBP mają korelację 0,46. W tej próbie starszy wiek wiąże się przeciętnie z wyższym skurczowym ciśnieniem. Korelacja między aktywnością i jakością snu wynosi 0,34, czyli osoby bardziej aktywne mają tendencję do uzyskiwania wyższych wyników jakości snu. Nie można jednak z tej tabeli wywnioskować, że aktywność poprawia sen.

Korelacja wieku z aktywnością wynosi −0,31. Może to odzwierciedlać rzeczywistą zależność, ale również różnice w stanie zdrowia, ograniczenia funkcjonalne lub sposób rekrutacji pacjentów. Warto także zwrócić uwagę, że wiek i BMI są tylko słabo dodatnio skorelowane, mimo że obie zmienne mogą być związane z ciśnieniem. To pokazuje, dlaczego analiza wielu zmiennych jednocześnie wymaga ostrożności: korelacje par zmiennych nie wyczerpują problemu zmiennych zakłócających.

Przykład 2: macierz w badaniu psychologicznym

W badaniu studentów zmierzono stres, lęk, satysfakcję z życia i średnią ocen. Jeżeli korelacja stresu z lękiem wynosi r = 0,71, a korelacja stresu z satysfakcją z życia r = −0,48, można opisać odpowiednio silną dodatnią oraz umiarkowaną ujemną zależność liniową.

Nie należy jednak automatycznie traktować wysokiej korelacji stresu i lęku jako dowodu, że są to dokładnie ten sam konstrukt. Wysoka korelacja może wynikać z podobieństwa treści pozycji kwestionariuszy, wspólnego źródła pomiaru albo nakładania się definicji. W psychometrii macierz korelacji bywa punktem wyjścia do analizy rzetelności, trafności zbieżnej, analizy czynnikowej lub modeli równań strukturalnych, ale sama nie rozstrzyga tych kwestii.

Macierz korelacji a p-value i przedziały ufności

W tabelach często obok współczynnika umieszcza się gwiazdki, na przykład r = 0,39^* albo r = 0,52^**. Legenda może wskazywać, że gwiazdki odpowiadają określonym wartościom p. P-value dotyczy testu określonej hipotezy, zazwyczaj hipotezy zerowej o braku korelacji w populacji. Nie jest prawdopodobieństwem prawdziwości hipotezy zerowej ani prawdopodobieństwem, że wynik powstał „przez przypadek”.

W dużej próbie nawet niewielka korelacja może mieć małe p-value. W małej próbie relatywnie duża korelacja może nie osiągnąć konwencjonalnego poziomu istotności. Dlatego należy analizować jednocześnie wartość współczynnika, przedział ufności, liczebność próby i sens praktyczny wyniku. Standardy raportowania APA zalecają przejrzyste przedstawianie metod, analiz i niepewności oszacowań, zamiast ograniczania opisu do samych oznaczeń istotności (Appelbaum i in., 2018).

Jeżeli macierz zawiera wiele zmiennych, liczba porównań szybko rośnie. Dla 10 zmiennych istnieje 45 unikatowych par korelacji. Przy takiej liczbie testów część małych wartości p może pojawić się przypadkowo. Należy wcześniej określić główne hipotezy, rozważyć korektę na wielokrotne testowanie i nie przedstawiać pojedynczej „najciekawszej” korelacji bez kontekstu całej macierzy.

Macierz korelacji jako narzędzie diagnostyczne

Macierz może pomóc wykryć problem współliniowości przed zastosowaniem regresji lub innego modelu wielozmiennowego. Jeżeli dwie zmienne niezależne są bardzo silnie skorelowane, ich oddzielne efekty w modelu mogą być trudne do oszacowania. Nie istnieje jednak jedna uniwersalna granica, po której przekroczeniu współliniowość jest „na pewno” problemem. Oprócz korelacji par należy ocenić między innymi tolerancję, VIF, strukturę modelu i uzasadnienie teoretyczne.

Macierz nie zastępuje również wykresów rozrzutu. Dwie zmienne mogą mieć korelację bliską zeru mimo wyraźnej zależności krzywoliniowej. Wartość współczynnika może być także silnie zmieniona przez obserwację odstającą lub ograniczony zakres wyników. Dlatego korelacja powinna być interpretowana razem z diagnostyką graficzną (Schober, Boer i Schwarte, 2018; van Diepen i in., 2021).

Najczęstsze błędy

• Interpretowanie przekątnej jako wyniku badania. Wartości 1,00 na przekątnej są oczywiste matematycznie.
• Odczytywanie korelacji z niewłaściwej komórki. Trzeba sprawdzić zarówno nagłówek wiersza, jak i nagłówek kolumny.
• Mylenie korelacji z przyczynowością. Macierz nie pokazuje, która zmienna powoduje zmianę drugiej.
• Pomijanie znaku. Korelacja −0,70 i +0,70 mają podobną siłę bezwzględną, ale przeciwny kierunek.
• Traktowanie korelacji równej zero jako braku jakiejkolwiek zależności. Może istnieć zależność nieliniowa lub niemonotoniczna.
• Używanie Pearsona bez sprawdzenia danych. Warto ocenić liniowość, obserwacje odstające i rozkład danych.
• Traktowanie korelacji jako miary zgodności. Dwie metody mogą być silnie skorelowane, ale systematycznie różnić się wynikami. Do zgodności metod służą inne podejścia, między innymi analiza Bland–Altmana (Bland i Altman, 1986).
• Wybieranie największej korelacji bez planu analizy. Przy wielu zmiennych trzeba uwzględnić problem wielokrotnych porównań.
• Pomijanie niepewności oszacowania. Samo r nie informuje, jak precyzyjnie oszacowano zależność.

Przykład praktyczny: jak napisać wynik?

Załóżmy, że w badaniu 120 pielęgniarek oceniono obciążenie pracą i nasilenie objawów wypalenia zawodowego. Otrzymano korelację Spearmana ρ = 0,44, 95% CI [0,27; 0,58], p < 0,001.

Poprawny opis może brzmieć: „W analizowanej próbie stwierdzono umiarkowaną dodatnią zależność monotoniczną między obciążeniem pracą a nasileniem objawów wypalenia zawodowego, ρ = 0,44, 95% CI [0,27; 0,58], p < 0,001. Wynik wskazuje, że wyższe obciążenie pracą wiązało się przeciętnie z większym nasileniem objawów wypalenia; nie stanowi jednak dowodu zależności przyczynowej”.

Ten sposób raportowania jest lepszy niż zdanie „obciążenie pracą powoduje wypalenie, ponieważ korelacja była istotna”. Informuje o rodzaju współczynnika, kierunku, sile, niepewności i ograniczeniach wnioskowania. W badaniu obserwacyjnym szczególne znaczenie mogą mieć między innymi staż pracy, liczba dyżurów, wsparcie społeczne i stan zdrowia.

Co warto zapamiętać?

• Macierz korelacji zawiera współczynniki dla wszystkich par zmiennych.
• Przekątna macierzy zawiera wartości 1,00, a pozostała część jest symetryczna.
• Znak mówi o kierunku zależności, a wartość bezwzględna – o jej względnej sile.
• Wartość p nie jest prawdopodobieństwem prawdziwości hipotezy zerowej.
• Istotność statystyczna, wielkość korelacji i znaczenie praktyczne to trzy różne kwestie.
• Korelacja nie dowodzi przyczynowości i nie zastępuje analizy projektu badania.
• Przed interpretacją trzeba sprawdzić wykresy, odstające obserwacje, zakres danych i właściwość użytego współczynnika.
• Silna korelacja nie jest tym samym co zgodność dwóch metod pomiaru.
• Przy wielu zmiennych należy uważać na wielokrotne testowanie i współliniowość.

Dobrze odczytana macierz korelacji jest przede wszystkim mapą zależności, a nie gotową odpowiedzią na pytanie badawcze. Pokazuje, które zmienne warto dalej analizować, jakie hipotezy wymagają weryfikacji i gdzie mogą występować problemy z pomiarem lub konstrukcją modelu.

Źródła i dalsza lektura

1. Patrick Schober; Christa Boer; Lothar A. Schwarte (2018). Correlation Coefficients: Appropriate Use and Interpretation. Anesthesia & Analgesia, 126(5), 1763–1768. DOI: 10.1213/ANE.0000000000002864.
2. M. M. Mukaka (2012). Statistics corner: A guide to appropriate use of correlation coefficient in medical research. Malawi Medical Journal, 24(3), 69–71. Pełny opis źródła.
3. Merel van Diepen; others (2021). Conducting correlation analysis: important limitations and pitfalls. Clinical Kidney Journal, 14(11), 2332–2337. DOI: 10.1093/ckj/sfab085.
4. Lisa G. Appelbaum; Harris Cooper; Richard J. Kline; Abraham M. Mayo-Wilson; Arthur M. Nezu; Stephen M. Rao (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.
5. J. Martin Bland; Douglas G. Altman (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.
6. American Psychological Association (2024). Journal Article Reporting Standards (JARS). American Psychological Association. Źródło.