312. Przedział ufności dla współczynnika korelacji

Współczynnik korelacji opisuje siłę i kierunek zależności między dwiema zmiennymi, ale sam w sobie jest tylko oszacowaniem uzyskanym w konkretnej próbie. Gdybyśmy wielokrotnie losowali podobne próby z tej samej populacji, otrzymywalibyśmy nieco różne wartości współczynnika. Przedział ufności pozwala pokazać, jak duża może być niepewność tego oszacowania.

W tej lekcji, będącej częścią szkolenia metodologicznego na statystyk.edu.pl, skupimy się przede wszystkim na przedziale ufności dla współczynnika korelacji Pearsona. Omówimy także ograniczenia tej procedury, różnicę między korelacją Pearsona i Spearmana oraz sposób raportowania wyników w badaniach medycznych, psychologicznych i społecznych.

1. Co właściwie estymujemy?

W próbie obliczamy współczynnik korelacji Pearsona oznaczany zwykle symbolem r. Jest on miarą liniowego związku między dwiema zmiennymi ilościowymi. Przyjmuje wartości od −1 do +1:

• r = +1 oznacza idealną dodatnią zależność liniową;
• r = −1 oznacza idealną ujemną zależność liniową;
• r = 0 oznacza brak liniowego związku w próbie.

Interesujący nas parametr populacyjny oznaczamy symbolem ρ (rho). Wartość r jest estymatorem parametru ρ. Przykładowo, jeśli w badaniu 80 pacjentów uzyskano r = 0,42 między czasem siedzącego trybu życia a stężeniem glukozy, to 0,42 opisuje badaną próbę. Nie należy automatycznie traktować tej liczby jako dokładnej wartości korelacji w całej populacji pacjentów.

Przedział ufności dla ρ ma postać:

dolna granica < ρ < górna granica

Na przykład 95% przedział ufności wynoszący od 0,18 do 0,61 wskazuje, że dane są zgodne zarówno z umiarkowanie słabą, jak i umiarkowanie silną dodatnią korelacją populacyjną. Przedział informuje więc nie tylko o kierunku związku, lecz także o precyzji oszacowania.

2. Dlaczego nie wystarczy prosty wzór typu r ± margines błędu?

Dla średniej często konstruujemy przedział przez dodanie i odjęcie od estymatora odpowiedniego mnożnika błędu standardowego. W przypadku korelacji takie proste podejście na skali r jest problematyczne. Rozkład współczynnika korelacji w próbach nie jest zwykle symetryczny, zwłaszcza gdy prawdziwa korelacja jest bliska −1 albo +1 lub gdy próba jest niewielka.

Pojawia się również ograniczenie zakresu: korelacja nie może być mniejsza niż −1 ani większa niż +1. Zwykły przedział symetryczny może więc prowadzić do granic wykraczających poza dopuszczalny zakres albo zbyt słabo odzwierciedlać asymetrię niepewności.

Klasycznym rozwiązaniem jest transformacja Fishera, zaproponowana w kontekście rozkładu współczynnika korelacji już w pracach R. A. Fishera (Fisher, 1921). Transformacja przenosi korelację na inną skalę, na której jej rozkład jest w przybliżeniu bardziej symetryczny i bliższy rozkładowi normalnemu.

3. Transformacja Fishera krok po kroku

3.1. Transformacja wartości z próby

Dla obserwowanej korelacji r obliczamy:

z_r = 0,5 × ln[(1 + r)/(1 − r)]

• z_r – wartość korelacji po transformacji Fishera;
• r – współczynnik korelacji Pearsona obliczony w próbie;
• ln – logarytm naturalny.

Transformacja nie zmienia informacji o kierunku związku, ale zmienia skalę pomiaru. Wartości korelacji bliskie granicom −1 i +1 zostają „rozciągnięte”, co pomaga uzyskać lepsze przybliżenie normalności rozkładu.

3.2. Błąd standardowy na skali z

Przy typowych założeniach błąd standardowy wartości z_r wynosi:

SE_z = 1/√(n − 3)

• SE_z – błąd standardowy transformowanej korelacji;
• n – liczba kompletnych par obserwacji, czyli liczba osób lub jednostek, dla których dostępne są obie wartości;
• √ – pierwiastek kwadratowy.

Warto zauważyć, że w mianowniku występuje n − 3, a nie n ani n − 2. Jest to element przybliżenia związanego z rozkładem korelacji po transformacji Fishera.

3.3. Przedział na skali transformowanej

Dla poziomu ufności 95% przedział na skali z obliczamy następująco:

z_dolna = z_r − 1,96 × SE_z

z_górna = z_r + 1,96 × SE_z

Liczba 1,96 jest przybliżoną wartością 97,5. percentyla standardowego rozkładu normalnego. Stosujemy ją dla dwustronnego 95% przedziału ufności. Dla innych poziomów ufności trzeba zastosować odpowiedni kwantyl, na przykład około 2,576 dla 99% przedziału.

3.4. Odwrotna transformacja

Granice uzyskane na skali z trzeba przeliczyć z powrotem na skalę korelacji. Służy do tego wzór:

r = [exp(2z) − 1]/[exp(2z) + 1]

• z – dolna albo górna granica na skali transformowanej;
• exp – funkcja wykładnicza.

Po odwrotnej transformacji otrzymujemy dolną i górną granicę przedziału dla populacyjnego współczynnika korelacji ρ. W praktyce kalkulatory statystyczne i programy komputerowe wykonują te działania automatycznie, ale znajomość wzoru jest potrzebna do rozumienia metody i kontroli poprawności analizy.

4. Przykład obliczeniowy: stres i jakość snu u studentów

Załóżmy, że w badaniu 40 studentów psychologii zmierzono nasilenie stresu oraz liczbę punktów opisujących problemy ze snem. Wyższy wynik w obu skalach oznacza większe nasilenie problemu. Otrzymano:

n = 40, r = 0,50

Najpierw wykonujemy transformację Fishera:

z_r = 0,5 × ln(1,50/0,50) = 0,5 × ln(3) ≈ 0,549

Następnie obliczamy błąd standardowy:

SE_z = 1/√(40 − 3) = 1/√37 ≈ 0,164

Granice 95% przedziału na skali z wynoszą w przybliżeniu:

dolna: 0,549 − 1,96 × 0,164 ≈ 0,227

górna: 0,549 + 1,96 × 0,164 ≈ 0,871

Po zastosowaniu odwrotnej transformacji otrzymujemy około:

95% CI dla ρ: 0,22–0,70

Interpretacja brzmi: w badanej próbie zaobserwowano dodatnią korelację r = 0,50, a 95% przedział ufności dla populacyjnej korelacji wyniósł około 0,22–0,70. Wynik jest zgodny z dodatnią zależnością od małej do dość silnej. Nie należy jednak twierdzić, że stres powoduje problemy ze snem, ponieważ sam współczynnik korelacji, szczególnie w badaniu obserwacyjnym, nie ustanawia związku przyczynowego.

5. Przykład z medycyny: aktywność fizyczna i ciśnienie tętnicze

W badaniu przekrojowym 25 osób z nadciśnieniem oceniono tygodniową liczbę minut umiarkowanej aktywności fizycznej oraz skurczowe ciśnienie tętnicze. Zaobserwowano korelację:

r = −0,36, n = 25

Ujemny znak sugeruje, że większej aktywności towarzyszyło przeciętnie niższe ciśnienie skurczowe. Jednak przy małej próbie przedział ufności może być szeroki. Przybliżone obliczenia z użyciem transformacji Fishera dają 95% przedział ufności około:

−0,66 do 0,04

To ważny wynik interpretacyjny. Punktowe oszacowanie jest ujemne, ale przedział obejmuje wartości bliskie zeru. Dane nie pozwalają więc precyzyjnie rozstrzygnąć, czy w populacji istnieje ujemna korelacja, a jeśli istnieje, jak jest silna. Nie oznacza to, że „nie ma żadnego związku”. Oznacza raczej, że uzyskane dane są zbyt mało precyzyjne, aby wykluczyć brak korelacji przy przyjętym poziomie ufności.

W raporcie warto podać również sposób pomiaru aktywności, charakterystykę uczestników, obecność potencjalnych czynników zakłócających oraz to, czy obserwacje były niezależne. Korelacja między dwiema zmiennymi może być częściowo wynikiem wieku, leczenia, masy ciała lub innych zmiennych związanych z obiema analizowanymi cechami.

6. Jak interpretować 95% przedział ufności?

Poprawna interpretacja częstościowa brzmi następująco: gdybyśmy wielokrotnie powtarzali badanie, za każdym razem losując próbę w ten sam sposób i konstruując 95% przedział tą samą metodą, to około 95% tak skonstruowanych przedziałów obejmowałoby prawdziwą wartość parametru ρ.

Nie należy mówić, że po obliczeniu konkretnego przedziału prawdopodobieństwo, iż ρ znajduje się w tym przedziale, wynosi 95%. W klasycznej interpretacji częstościowej parametr populacyjny jest traktowany jako stały, natomiast zmieniają się próby i konstruowane na ich podstawie przedziały. Zdanie o prawdopodobieństwie wymagałoby przyjęcia modelu bayesowskiego oraz określonego rozkładu a priori i nie jest tym samym, co klasyczny 95% przedział ufności.

Przedział ufności nie mówi również, że 95% osób ma korelację mieszczącą się w podanym zakresie. Korelacja jest parametrem opisującym zależność w populacji lub w określonym modelu, a nie indywidualną cechą każdej osoby.

7. Założenia i ograniczenia

7.1. Liniowość zależności

Korelacja Pearsona odnosi się do związku liniowego. Jeśli zależność ma kształt krzywoliniowy, współczynnik może być bliski zeru mimo wyraźnej zależności. Przed obliczeniem korelacji należy więc obejrzeć wykres rozrzutu.

7.2. Obserwacje niezależne

Standardowe wzory zakładają niezależność par obserwacji. Nie wolno bezrefleksyjnie traktować wielu pomiarów tej samej osoby jako niezależnych osób. Powtarzane pomiary wymagają odpowiednich modeli, na przykład modeli mieszanych lub metod uwzględniających korelację wewnątrzosobniczą. Problem ten był wielokrotnie podkreślany w literaturze metodologicznej dotyczącej badań medycznych (Bland i Altman, 1994).

7.3. Rozkład danych i wartości odstające

Klasyczna procedura dla korelacji Pearsona jest najbardziej wiarygodna, gdy para zmiennych ma w przybliżeniu dwuwymiarowy rozkład normalny, a zależność jest liniowa. Silne wartości odstające mogą znacząco zmienić r i jego przedział ufności. Należy sprawdzić wykresy, a nie usuwać obserwacji wyłącznie dlatego, że pogarszają istotność wyniku.

7.4. Liczebność próby i precyzja

Węższy przedział zwykle wymaga większej próby. Planowanie liczebności powinno uwzględniać oczekiwaną wartość korelacji oraz akceptowalną szerokość przedziału, a nie tylko moc testu hipotezy zerowej. Bonett i Wright (2000) analizowali wymagania dotyczące liczebności dla estymacji korelacji Pearsona, Kendalla i Spearmana.

8. Pearson czy Spearman?

Współczynnik Spearmana jest oparty na rangach i może być użyteczny, gdy dane są porządkowe, zależność jest monotoniczna, lecz niekoniecznie liniowa, albo gdy założenia dla Pearsona są wyraźnie naruszone. Nie oznacza to jednak, że dla każdej korelacji Spearmana można automatycznie zastosować dokładnie ten sam wzór i tę samą interpretację.

Dla małych prób, silnej asymetrii, licznych remisów rang lub nietypowej struktury danych warto rozważyć metody resamplingowe, w szczególności bootstrap, albo procedury opracowane specjalnie dla danego typu korelacji. Wybór metody powinien wynikać z projektu badania i właściwości danych, a nie z poszukiwania procedury dającej „najlepszy” wynik.

9. Przykład praktyczny: jak raportować wynik

Załóżmy, że w badaniu pielęgniarek oceniano związek między wynikiem skali wypalenia zawodowego a liczbą dni nieobecności w pracy w ostatnich sześciu miesiącach. Otrzymano r = 0,31, 95% CI [0,08; 0,50], n = 120.

Przykładowy zapis w raporcie:

W badanej próbie stwierdzono dodatnią korelację między nasileniem wypalenia zawodowego a liczbą dni nieobecności, r = 0,31, 95% CI [0,08; 0,50], n = 120. Wynik wskazuje na zależność o małej do umiarkowanej sile, jednak ze względu na obserwacyjny charakter badania nie można wnioskować, że wypalenie zawodowe powoduje absencję.

Taki opis podaje jednocześnie kierunek, wielkość korelacji, precyzję oszacowania, liczebność próby i ograniczenie przyczynowe. Jeżeli raportujemy również wartość p, należy pamiętać, że nie jest ona prawdopodobieństwem prawdziwości hipotezy zerowej. Informuje o zgodności danych z hipotezą zerową przy określonych założeniach modelu.

10. Najczęstsze błędy

• Traktowanie r jako dokładnej wartości populacyjnej. Korelacja z próby jest obarczona niepewnością, dlatego należy podawać przedział ufności.
• Stosowanie przedziału r ± 1,96 × SE bez sprawdzenia metody. Dla korelacji często właściwsza jest transformacja Fishera.
• Interpretowanie 95% CI jako 95% prawdopodobieństwa dla konkretnego parametru. To nie jest standardowa interpretacja częstościowa.
• Wnioskowanie o przyczynowości z korelacji. Korelacja może wynikać ze zmiennej zakłócającej, odwrotnej zależności lub przypadku.
• Pomijanie wykresu rozrzutu. Wartość r może ukrywać nieliniowość, grupowanie obserwacji albo wartości odstające.
• Łączenie powtarzanych pomiarów tak, jakby pochodziły od niezależnych osób. Zwykle prowadzi to do zaniżenia niepewności.
• Skupianie się wyłącznie na tym, czy przedział obejmuje zero. Należy ocenić również szerokość przedziału, możliwe wartości efektu i ich znaczenie praktyczne.
• Używanie słowa „silna” bez kontekstu. Ocena siły korelacji zależy od dziedziny, jakości pomiaru i konsekwencji praktycznych.

11. Co warto zapamiętać?

• Współczynnik r opisuje korelację w próbie, natomiast ρ jest parametrem populacyjnym.
• Przedział ufności pokazuje niepewność oszacowania i uzupełnia samą wartość korelacji.
• Dla korelacji Pearsona często stosuje się transformację Fishera: najpierw na skalę z, następnie z powrotem na skalę r.
• Szeroki przedział oznacza małą precyzję, nawet gdy korelacja punktowa wygląda interesująco.
• Przedział obejmujący zero nie dowodzi braku związku; wskazuje, że dane nie wykluczają wartości zerowej przy danym poziomie ufności.
• Przedział ufności nie rozstrzyga samodzielnie o przyczynowości ani o znaczeniu klinicznym.
• Interpretację trzeba oprzeć na projekcie badania, jakości pomiarów, wykresach i wiedzy dziedzinowej.

W praktycznej analizie warto raportować co najmniej współczynnik korelacji, poziom ufności, granice przedziału, liczebność próby oraz metodę obliczenia. Takie przedstawienie wyniku jest bardziej informacyjne niż samo podanie wartości r i wartości p. Właśnie przejście od samego testowania do świadomej estymacji jest jednym z kluczowych celów modułu 16.

Źródła i dalsza lektura

1. Fisher, R. A. (1921). On the “Probable Error” of a Coefficient of Correlation Deduced from a Small Sample. Metron, 1, 3–32. Pełny opis źródła.
2. Altman, D. G. (1988). Statistics in Medicine: Calculating Confidence Intervals for Regression and Correlation. BMJ, 296(6631), 1238–1242. DOI: 10.1136/bmj.296.6631.1238.
3. Bland, J. M., & Altman, D. G. (1994). Statistics Notes: Correlation, Regression, and Repeated Data. BMJ, 308(6933), 896. DOI: 10.1136/bmj.308.6933.896.
4. Bonett, D. G., & Wright, T. A. (2000). Sample Size Requirements for Estimating Pearson, Kendall and Spearman Correlations. Psychometrika, 65(1), 23–28. DOI: 10.1007/BF02294183.
5. Zou, G. Y. (2007). Toward Using Confidence Intervals to Compare Correlations. Psychological Methods, 12(4), 399–413. DOI: 10.1037/1082-989X.12.4.399.
6. R Core Team (2026). R: Test for Association/Correlation Between Paired Samples. R Documentation, stats package. R Foundation for Statistical Computing. Źródło.