345. Współczynnik r jako miara efektu

W poprzednich lekcjach omawiano miary efektu oparte na różnicy średnich, takie jak d Cohena, g Hedgesa czy delta Glassa. W tej lekcji skupimy się na innej sytuacji: badacz nie porównuje bezpośrednio dwóch średnich, lecz pyta, jak silnie dwie zmienne ilościowe współwystępują. Do opisu takiego związku często wykorzystuje się współczynnik r, przede wszystkim współczynnik korelacji Pearsona. Jest on jednocześnie statystyką opisującą zależność i – w wielu zastosowaniach – miarą wielkości efektu.

Współczynnik r może być bardzo użyteczny, ale tylko wtedy, gdy zostanie dopasowany do pytania badawczego. Nie informuje sam przez się o przyczynowości, nie zastępuje oceny klinicznej i nie powinien być interpretowany według sztywnej reguły oderwanej od dziedziny, jakości pomiaru oraz konsekwencji praktycznych. Celem lekcji jest zrozumienie, co dokładnie mierzy r, jak go raportować i kiedy jego użycie byłoby błędne.

1. Czym jest współczynnik r?

W najczęściej spotykanej wersji współczynnik r oznacza korelację liniową Pearsona między dwiema zmiennymi ilościowymi. Mierzy on, w jakim stopniu większym wartościom jednej zmiennej towarzyszą – przeciętnie – większe lub mniejsze wartości drugiej zmiennej. Zakres możliwych wartości wynosi od −1 do +1:

• r = +1 oznacza doskonały dodatni związek liniowy;
• r = −1 oznacza doskonały ujemny związek liniowy;
• r = 0 oznacza brak liniowego związku w analizowanej próbie.

Wartość dodatnia wskazuje na zgodny kierunek zmian. Na przykład wraz ze wzrostem liczby godzin snu może rosnąć wynik testu koncentracji. Wartość ujemna wskazuje na kierunek przeciwny: wraz ze wzrostem natężenia bólu może spadać jakość życia. Sama wartość bez znaku, czyli |r|, informuje o sile zależności liniowej, natomiast znak informuje o jej kierunku.

Ważne jest rozróżnienie między korelacją a ogólnym pojęciem „związku”. Współczynnik Pearsona opisuje przede wszystkim zależność liniową. Zmienne mogą być silnie powiązane w sposób krzywoliniowy, a mimo to mieć r bliskie zeru. Dlatego przed obliczeniem współczynnika należy obejrzeć wykres rozrzutu. Schober, Boer i Schwarte (2018) podkreślają, że interpretacja współczynnika powinna uwzględniać kształt danych, obserwacje odstające i właściwości pomiaru. ([pubmed.ncbi.nlm.nih.gov])

2. Wzór i znaczenie jego elementów

Współczynnik korelacji Pearsona można zapisać następująco:

r = Σ[(Xᵢ − X̄)(Yᵢ − Ȳ)] / √[Σ(Xᵢ − X̄)² · Σ(Yᵢ − Ȳ)²]

W tym wzorze:

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

Licznik wzoru pokazuje, czy odchylenia obu zmiennych od ich średnich mają zwykle ten sam znak. Jeżeli osoby z wynikiem X powyżej średniej mają także wynik Y powyżej średniej, iloczyny odchyleń są dodatnie. Jeżeli wysokim wartościom X towarzyszą niskie wartości Y, iloczyny są ujemne. Mianownik skaluje tę wspólną zmienność, dzięki czemu wynik jest bezjednostkowy i mieści się w przedziale od −1 do +1.

W praktyce badacz zazwyczaj nie liczy współczynnika ręcznie. Powinien jednak rozumieć jego konstrukcję, ponieważ ułatwia to ocenę, dlaczego pojedyncza obserwacja odstająca może znacząco zmienić wynik oraz dlaczego korelacja nie jest tym samym co zgodność pomiarów.

3. r jako miara wielkości efektu

Współczynnik r może pełnić funkcję miary efektu, ponieważ opisuje rozmiar obserwowanej zależności, a nie tylko decyzję o odrzuceniu hipotezy zerowej. Przykładowo wynik r = 0,10 wskazuje na słaby dodatni związek, natomiast r = 0,70 na znacznie silniejszą zależność liniową – niezależnie od tego, czy w konkretnym badaniu uzyskano wartość p mniejszą od 0,05.

Nie należy jednak traktować progów interpretacyjnych jako praw uniwersalnych. Cohen (1988) zaproponował orientacyjne wartości dla nauk behawioralnych: około 0,10 jako mały efekt, 0,30 jako umiarkowany i 0,50 jako duży. Są to punkty odniesienia, a nie normy obowiązujące w każdej dziedzinie. W badaniach epidemiologicznych lub klinicznych nawet korelacja rzędu 0,20 może mieć znaczenie, jeżeli dotyczy częstego narażenia i ważnego wyniku zdrowotnego. Z drugiej strony korelacja 0,50 może być niewystarczająca do zastosowania indywidualnego testu diagnostycznego.

Interpretację należy więc oprzeć na trzech pytaniach:

1. Jak duży jest związek statystyczny?
2. Jak precyzyjnie został oszacowany?
3. Czy jego rozmiar ma znaczenie praktyczne dla pacjentów, personelu, organizacji lub polityki zdrowotnej?

Wartość p odpowiada na inne pytanie niż wielkość efektu. Nie jest prawdopodobieństwem prawdziwości hipotezy zerowej. Informuje o zgodności danych z określonym modelem zerowym, przy założeniu tego modelu. Dlatego raportowanie samego p nie pokazuje, czy związek jest duży, mały ani ważny klinicznie.

4. Interpretacja r²

Kwadrat współczynnika korelacji, oznaczany jako r², bywa interpretowany jako proporcja zmienności liniowo wspólnej dla dwóch zmiennych. Przykładowo dla r = 0,40 otrzymujemy:

r² = 0,40² = 0,16

Można powiedzieć, że w analizowanym modelu liniowym zmienne mają 16% wspólnej zmienności. Nie należy jednak automatycznie mówić, że „jedna zmienna wyjaśnia 16% drugiej” ani że „czynnik X powoduje 16% wyniku Y”. Takie sformułowania wymagałyby odpowiedniego modelu przyczynowego, kontroli zmiennych zakłócających i schematu badania pozwalającego na wnioskowanie przyczynowe.

W analizie regresji prostej r² jest związane ze współczynnikiem determinacji. W analizie korelacyjnej powinno być jednak interpretowane ostrożnie, jako opis dopasowania zależności liniowej do danych, a nie jako miara „wyjaśnienia rzeczywistości”. Pozostała zmienność może wynikać między innymi z innych czynników, błędu pomiaru, heterogeniczności badanej populacji i nieliniowości zależności.

5. Pearson czy Spearman?

Korelacja Pearsona jest odpowiednia przede wszystkim wtedy, gdy obie zmienne są ilościowe, obserwacje są niezależne, zależność jest w przybliżeniu liniowa, a wartości odstające nie zniekształcają wyniku. Wnioskowanie przedziałowe często opiera się dodatkowo na założeniach dotyczących rozkładu danych lub reszt modelu.

Korelacja rang Spearmana jest oparta na rangach, a nie na surowych wartościach. Może być użyteczna, gdy zmienne mają charakter porządkowy, zależność jest monotoniczna, lecz niekoniecznie liniowa, albo gdy rozkłady są wyraźnie asymetryczne. Nie jest ona jednak automatycznym „bezpiecznym zamiennikiem” Pearsona. Wybór powinien wynikać z pytania badawczego i struktury danych, a nie wyłącznie z wyniku testu normalności.

W obu przypadkach należy raportować, jaki współczynnik zastosowano. Samo określenie „korelacja r” bywa nieprecyzyjne, ponieważ w literaturze symbol r może być używany dla różnych współczynników. Akoglu (2018) zwraca uwagę, że słowa „słaba”, „umiarkowana” i „silna” nie mają jednolitych granic, dlatego warto podać dokładną wartość, kierunek oraz przedział ufności. ([bishtref.com])

6. Przedział ufności i precyzja

Wynik korelacji obliczony w próbie jest oszacowaniem zależności w populacji. Dlatego powinien być prezentowany wraz z 95-procentowym przedziałem ufności, jeżeli jest to możliwe. Przedział pokazuje zakres wartości zgodnych z danymi i przyjętym sposobem wnioskowania. Współczynnik r = 0,35 może oznaczać zupełnie inną sytuację w próbie 30-osobowej niż w próbie 3000-osobowej, ponieważ pierwsze oszacowanie będzie zwykle mniej precyzyjne.

Do obliczania przedziałów ufności dla korelacji Pearsona często stosuje się transformację z Fishera. W uproszczeniu polega ona na przekształceniu r do skali, w której rozkład estymatora jest lepiej przybliżony rozkładem normalnym, wykonaniu obliczeń w tej skali i przekształceniu wyniku z powrotem do skali korelacji. W raporcie nie trzeba zwykle przedstawiać całego rachunku, ale należy podać metodę, jeśli ma to znaczenie dla odtwarzalności analizy.

Przykładowy zapis może wyglądać następująco: „Czas oczekiwania na przyjęcie był ujemnie skorelowany z oceną satysfakcji pacjentów, r = −0,32, 95% CI [−0,45; −0,18], p < 0,001”. Taki zapis przekazuje kierunek, wielkość, precyzję i informację o zgodności z hipotezą zerową.

7. Przykład praktyczny: stres pielęgniarek a jakość snu

Załóżmy, że w badaniu przekrojowym 120 pielęgniarek zmierzono natężenie stresu zawodowego skalą od 0 do 40 oraz jakość snu skalą od 0 do 21, gdzie wyższy wynik oznacza gorszy sen. Otrzymano r = 0,48, 95% CI [0,33; 0,61], p < 0,001.

Wynik wskazuje na umiarkowanie silny dodatni związek: osoby z większym nasileniem stresu miały przeciętnie gorszą jakość snu. Kwadrat korelacji wynosi około 0,23, czyli 23% wspólnej zmienności liniowej wyników w tej próbie. Nie oznacza to, że stres zawodowy „powodował” 23% problemów ze snem. Badanie przekrojowe nie ustala kierunku czasowego, a na oba wyniki mogą wpływać między innymi liczba dyżurów, praca zmianowa, stan zdrowia, sytuacja rodzinna i cechy indywidualne.

Znaczenie praktyczne wymaga dodatkowego kontekstu. Jeśli różnica w jakości snu związana ze stresem przekracza próg uznawany za istotny klinicznie, wynik może wspierać planowanie interwencji organizacyjnych. Sama korelacja nie mówi jednak, która interwencja będzie skuteczna. Do tego potrzebne byłoby badanie interwencyjne lub odpowiednio zaprojektowana analiza podłużna.

8. Drugi przykład: aktywność fizyczna a ciśnienie tętnicze

W badaniu populacyjnym oceniono tygodniową liczbę minut umiarkowanej aktywności fizycznej oraz skurczowe ciśnienie tętnicze. Zaobserwowano r = −0,18. Jest to słaba ujemna korelacja: osoby bardziej aktywne miały przeciętnie nieco niższe ciśnienie.

Nie należy jednak uznawać tego wyniku za nieistotny tylko dlatego, że wartość bezwzględna jest mała. Jeżeli aktywność fizyczna jest powszechna, a nawet niewielkie przesunięcie średniego ciśnienia w populacji przekłada się na mniejszą liczbę udarów lub incydentów sercowo-naczyniowych, efekt może mieć istotne znaczenie zdrowia publicznego. Odwrotnie: dla indywidualnej decyzji klinicznej korelacja −0,18 może być zbyt słabym predyktorem, aby na jej podstawie oceniać ryzyko konkretnej osoby.

Ten przykład pokazuje, dlaczego wielkość efektu i znaczenie praktyczne nie są synonimami. Ocena praktyczna powinna uwzględniać skalę problemu, koszty i ryzyko interwencji, możliwe korzyści oraz to, czy wynik jest spójny z innymi dowodami.

9. Korelacja nie oznacza przyczynowości

Wysokie r nie dowodzi, że jedna zmienna powoduje drugą. Możliwe są co najmniej trzy sytuacje:

• zmienna zakłócająca wpływa na obie analizowane zmienne;
• kierunek zależności jest przeciwny do intuicyjnego;
• obie zmienne są wskaźnikami wspólnego procesu, bez bezpośredniej relacji przyczynowej.

Przykładowo liczba hospitalizacji może korelować z liczbą powikłań, ale związek może być częściowo wyjaśniany ciężkością stanu pacjenta. W analizie psychologicznej stres może korelować z absencją, lecz rolę mogą odgrywać także przewlekła choroba, warunki pracy i wsparcie społeczne. Wnioskowanie przyczynowe wymaga projektu eksperymentalnego albo dobrze uzasadnionej strategii obserwacyjnej, a nie samej wartości r.

10. Korelacja a zgodność pomiarów

Współczynnik korelacji nie jest właściwą miarą zgodności dwóch metod pomiarowych. Dwie metody mogą bardzo silnie korelować, ponieważ osoby o wysokich wynikach w jednej metodzie mają wysokie wyniki w drugiej, ale jedna z metod może systematycznie zawyżać pomiar o 10 jednostek. W takiej sytuacji korelacja może być bliska 1, mimo że metody nie są wymienne.

Jeżeli celem jest sprawdzenie, czy nowy aparat do pomiaru ciśnienia daje wyniki wystarczająco zgodne z metodą referencyjną, należy rozważyć analizę zgodności, na przykład podejście Bland–Altmana, a także określić akceptowalne granice różnicy. Bland i Altman (1986) wskazywali, że użycie samej korelacji w badaniach porównujących metody może prowadzić do mylących wniosków. ([doi.org])

11. Jak raportować współczynnik r?

Dobry raport powinien zawierać:

• rodzaj współczynnika, na przykład korelacja Pearsona lub Spearmana;
• liczbę analizowanych obserwacji;
• wartość współczynnika i jego znak;
• przedział ufności, jeśli został obliczony;
• wartość p, jeżeli testowanie hipotezy jest elementem planu analizy;
• informację o brakach danych i sposobie ich obsługi;
• opis wykresu rozrzutu lub diagnostyki obserwacji odstających;
• interpretację osadzoną w znaczeniu klinicznym, społecznym lub organizacyjnym.

Standardy raportowania, takie jak APA JARS, promują przedstawianie wyników w sposób umożliwiający ocenę projektu, pomiarów, analizy i ograniczeń, a nie tylko podanie pojedynczej wartości statystyki (Appelbaum et al., 2018). ([apa.org]) W szkoleniu publicznym na statystyka.edu.pl warto traktować ten sposób raportowania jako praktyczny standard: czytelnik powinien móc odtworzyć, co porównano, w jakiej próbie i jak rozumiano uzyskany związek.

Najczęstsze błędy

1. Traktowanie każdego r jak korelacji Pearsona

Symbol r nie wystarcza do identyfikacji metody. Należy wskazać, czy użyto Pearsona, Spearmana lub innego współczynnika.

2. Interpretowanie r jako dowodu przyczynowości

Korelacja opisuje współwystępowanie. Nie rozstrzyga, która zmienna jest przyczyną, czy działa zmienna trzecia.

3. Uznawanie r = 0 za brak jakiegokolwiek związku

Wartość bliska zeru oznacza brak silnej zależności liniowej. Zależność może być nieliniowa, niemonotoniczna albo zniekształcona przez sposób pomiaru.

4. Pomijanie wykresu rozrzutu

Jedna obserwacja odstająca, skupiska podgrup lub krzywoliniowość mogą zmienić interpretację. Statystyka opisowa nie powinna zastępować oglądu danych.

5. Używanie sztywnych progów jako uniwersalnych norm

Klasyfikacja „mała–umiarkowana–duża” jest orientacyjna. Znaczenie efektu zależy od dziedziny, jakości pomiaru i konsekwencji decyzji.

6. Mylenie korelacji ze zgodnością

Do oceny, czy dwie metody można stosować zamiennie, sama korelacja jest niewystarczająca. Potrzebna jest analiza zgodności, uwzględniająca różnice pomiarów.

7. Sprowadzanie wniosku do p < 0,05

Istotność statystyczna nie określa wielkości efektu ani jego użyteczności. Należy raportować co najmniej oszacowanie efektu, jego niepewność i interpretację praktyczną.

Co warto zapamiętać?

• Współczynnik r opisuje kierunek i siłę zależności, najczęściej liniowej.
• Zakres r wynosi od −1 do +1, a znak wskazuje kierunek związku.
• r może być miarą wielkości efektu, ale nie jest miarą przyczynowości.
• r² opisuje wspólną zmienność liniową, lecz nie powinno być automatycznie tłumaczone jako procent przyczynowego „wyjaśnienia”.
• Wybór między Pearsonem a Spearmanem powinien wynikać z rodzaju danych i kształtu zależności.
• Wynik należy interpretować razem z przedziałem ufności, wykresem danych i kontekstem praktycznym.
• Korelacja nie jest miarą zgodności dwóch metod pomiarowych.
• Najlepszy raport podaje rodzaj współczynnika, n, wartość r, przedział ufności, p oraz ograniczenia analizy.

Najważniejsze pytanie nie brzmi: „Czy korelacja jest istotna?”, lecz: „Jak duży, jak precyzyjny i jak praktycznie ważny jest obserwowany związek w kontekście tego badania?”

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). Statistics corner: A guide to appropriate use of correlation coefficient in medical research. Malawi Medical Journal, 24(3), 69–71. Pełny opis źródła.
3. Akoglu, H. (2018). User’s guide to correlation coefficients. Turkish Journal of Emergency Medicine, 18(3), 91–93. DOI: 10.1016/j.tjem.2018.08.001.
4. Cohen, J. (1988). Statistical Power Analysis for the Behavioral Sciences. 2nd edition. Lawrence Erlbaum Associates. Informacja wydawcy / źródło.
5. 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.
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.

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