449. Zależność nieliniowa – kiedy r Pearsona może wynosić prawie zero?

W poprzednich lekcjach analizowaliśmy korelację jako sposób opisu współzmienności dwóch zmiennych. Warto jednak doprecyzować, że klasyczny współczynnik r Pearsona nie jest ogólną miarą każdej zależności. Najlepiej opisuje zależność liniową. Jeżeli punkty układają się po łuku, w kształt litery U albo odwróconej litery U, wartości dodatnie i ujemne mogą się wzajemnie znosić. W rezultacie r Pearsona może wynosić prawie zero, mimo że znajomość jednej zmiennej pozwala przewidywać drugą znacznie lepiej niż w sytuacji całkowitej niezależności.

To zagadnienie ma szczególne znaczenie w medycynie, psychologii, zdrowiu publicznym i naukach społecznych. Sam wynik r = 0,03 nie uzasadnia bowiem wniosku, że „między zmiennymi nie ma żadnej zależności”. Może oznaczać jedynie, że nie wykryto liniowej współzmienności. Podobne rozróżnienie jest ważne w analizach prowadzonych w ramach publicznego szkolenia na statystyk.edu.pl: najpierw trzeba rozpoznać kształt relacji, a dopiero potem dobrać współczynnik lub model.

Co właściwie mierzy r Pearsona?

Współczynnik korelacji liniowej Pearsona można zapisać jako:

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

W tym wzorze:

• x_i oznacza wartość pierwszej zmiennej u osoby lub jednostki o numerze i;
• y_i oznacza odpowiadającą jej wartość drugiej zmiennej;
• x̄ i ȳ są średnimi arytmetycznymi obu zmiennych;
• Σ oznacza sumowanie po wszystkich obserwacjach;
• mianownik skaluje wynik względem zmienności obu zmiennych, dzięki czemu r mieści się w przedziale od −1 do 1.

Najważniejszy element wzoru znajduje się w liczniku: są tam iloczyny odchyleń od średnich. Jeżeli osoba ma jednocześnie wartość X powyżej średniej i wartość Y powyżej średniej, iloczyn jest dodatni. Tak samo dodatni będzie iloczyn dwóch odchyleń ujemnych. Jeżeli jedna wartość jest powyżej średniej, a druga poniżej, iloczyn jest ujemny.

W przypadku zależności liniowej większość tych iloczynów ma podobny znak. Gdy X rośnie, Y na ogół rośnie albo na ogół maleje. Wówczas suma w liczniku jest wyraźnie dodatnia lub ujemna. Przy zależności krzywoliniowej może być inaczej: w jednej części wykresu iloczyny są dodatnie, a w innej ujemne. Suma końcowa może więc być bliska zeru.

Dlatego r = 0 nie oznacza automatycznie niezależności zmiennych. Oznacza brak liniowej korelacji w badanej próbie albo brak liniowej korelacji w populacji, zależnie od tego, czy mówimy o statystyce z próby, czy o parametrze populacyjnym. Pearsonowski współczynnik ma ograniczoną wartość przy zależnościach nieliniowych, co podkreślają opracowania metodologiczne i medyczne (Bland, Altman, 1995; Paternoster i in., 2016). ([pmc.ncbi.nlm.nih.gov])

Jak zależność może być silna, a r prawie zerowe?

Symetryczna zależność w kształcie odwróconej litery U

Rozważmy prosty model:

Y = −(X − 50)2 + 100

Załóżmy, że X oznacza poziom obciążenia pracą, a Y — jakość wykonania zadania. Przy bardzo małym obciążeniu jakość może być niska z powodu nudy lub niedostatecznego pobudzenia. Przy umiarkowanym obciążeniu jakość rośnie. Przy bardzo dużym obciążeniu ponownie spada z powodu przeciążenia. Taki schemat przypomina klasyczną krzywą odwróconej litery U.

Jeżeli rozkład wartości X jest symetryczny wokół wartości 50, to osoby z X poniżej 50 będą miały relację dodatnią: wraz ze wzrostem obciążenia jakość rośnie. Osoby z X powyżej 50 będą miały relację ujemną: wraz ze wzrostem obciążenia jakość spada. Dwie części wykresu mogą się wzajemnie znosić w obliczeniu korelacji liniowej.

Nie znaczy to, że X jest bezużyteczne do przewidywania Y. Przeciwnie: znając obciążenie, można oczekiwać określonej jakości, zwłaszcza gdy odległość od poziomu optymalnego jest duża. Problem polega na tym, że jedna prosta regresji nie potrafi poprawnie opisać relacji zakrzywionej.

Zależność w kształcie litery U

Podobny mechanizm występuje dla modelu:

Y = (X − 50)2

Przykładem medycznym może być zależność między temperaturą ciała a subiektywnym dyskomfortem — w uproszczonym modelu najmniejszy dyskomfort występuje przy temperaturze bliskiej optimum, natomiast zarówno zbyt niska, jak i zbyt wysoka temperatura zwiększa dyskomfort. Innym przykładem może być ryzyko zdrowotne związane z czasem snu: bardzo krótki i bardzo długi sen mogą wiązać się z większym ryzykiem, podczas gdy poziom pośredni jest związany z niższym ryzykiem. W takim przypadku prosta korelacja Pearsona może być mała, nawet gdy zależność ma regularny i praktycznie ważny kształt.

Trzeba przy tym zachować ostrożność interpretacyjną. Jeżeli dane są obserwacyjne, kształt litery U nie dowodzi, że zmienna X powoduje zmianę Y. Może on wynikać z zakłóceń, selekcji uczestników, błędów pomiaru albo zmiennej trzeciej.

Przykład 1: stres i wydajność poznawcza

Wyobraźmy sobie badanie 200 studentów pielęgniarstwa. Mierzono poziom stresu przed egzaminem oraz liczbę poprawnie rozwiązanych zadań. Badacz obliczył r Pearsona = −0,04 i uznał, że stres nie ma związku z wynikiem egzaminu.

Po narysowaniu wykresu rozrzutu okazało się jednak, że wyniki mają kształt odwróconej litery U:

• osoby o bardzo niskim pobudzeniu osiągały umiarkowane lub niskie wyniki;
• osoby o umiarkowanym stresie osiągały najwyższe wyniki;
• osoby o bardzo wysokim stresie osiągały ponownie niskie wyniki.

Współczynnik r był bliski zeru, ponieważ na lewej stronie optimum zależność była dodatnia, a na prawej stronie ujemna. Wniosek „stres nie jest związany z wynikiem” byłby zatem zbyt mocny. Poprawniejszy wniosek brzmiałby: „w badanej próbie nie stwierdzono wyraźnej zależności liniowej, natomiast wykres sugeruje zależność krzywoliniową, którą należy ocenić za pomocą modelu zawierającego składnik kwadratowy lub metod elastycznych”.

Można dopasować model:

Y = β0 + β1X + β2X2 + ε

Symbol Y oznacza wynik poznawczy, X poziom stresu, X² kwadrat poziomu stresu, β₀ wyraz wolny, β₁ współczynnik części liniowej, β₂ współczynnik krzywizny, a ε składnik losowy. Gdy β₂ jest ujemne, model może opisywać odwróconą literę U; gdy jest dodatnie, może opisywać literę U.

W praktyce warto wycentrować X przed utworzeniem kwadratu, czyli użyć (X − X̄)2. Zmniejsza to często współliniowość między składnikiem liniowym i kwadratowym oraz ułatwia interpretację wyrazu wolnego. Nie należy jednak mechanicznie testować wielu postaci funkcji tylko po to, aby uzyskać małą wartość p. Kształt modelu powinien wynikać z wiedzy dziedzinowej, wykresu, planu analizy i oceny dopasowania.

Przykład 2: czas snu a wskaźnik zdrowia

W badaniu populacyjnym analizowano liczbę godzin snu oraz wskaźnik samopoczucia. Załóżmy, że najwyższe wartości wskaźnika występowały u osób śpiących około 7–8 godzin, natomiast niższe u osób śpiących 4–5 godzin i u osób śpiących 10–11 godzin. Jeżeli w próbie było podobnie dużo osób z krótkim i długim snem, ich odchylenia od średniego samopoczucia mogą znosić się w liczniku wzoru Pearsona.

Wynik r = −0,06 nie oznacza więc koniecznie, że czas snu i samopoczucie są niezwiązane. Może wskazywać, że liniowy opis jest nieadekwatny. W tym przypadku należy rozważyć wykres rozrzutu z krzywą wygładzającą, regresję wielomianową, splajny regresyjne albo kategoryzację czasu snu opartą na wcześniej uzasadnionych przedziałach.

Kategoryzacja ma jednak koszt: zmniejsza informację i może sztucznie zmieniać wyniki. Jeżeli jest możliwe modelowanie zmiennej ciągłej, zwykle lepiej zachować jej ciągły charakter i przedstawić przewidywane wartości wraz z przedziałami ufności. Współczesne strategie regresyjne zalecają ocenę kształtu efektu zamiast automatycznego narzucania prostoliniowości (Harrell, 2015). ([link.springer.com])

Dlaczego wykres rozrzutu jest niezbędny?

Jedna liczba nie pokazuje geometrii danych. Dwa zbiory mogą mieć podobną średnią, odchylenie standardowe i korelację, ale zupełnie inny układ punktów. Klasycznym przypomnieniem tej zasady jest kwartet Anscombe’a: różne dane mogą prowadzić do podobnych statystyk opisowych, podczas gdy wykresy ujawniają odmienne struktury, w tym wpływ obserwacji odstających i nieliniowość (Anscombe, 1973). ([doi.org])

Przed interpretacją korelacji warto więc sprawdzić:

• czy punkty układają się w przybliżeniu wzdłuż prostej;
• czy widoczna jest krzywizna, plateau albo efekt progowy;
• czy występują skupienia, na przykład osobne grupy kliniczne;
• czy pojedyncza obserwacja nie determinuje kierunku korelacji;
• czy rozrzut wartości Y nie zmienia się wraz z X;
• czy zakres zmiennej X nie jest zbyt wąski.

Wizualizacja nie jest dodatkiem estetycznym. Jest elementem diagnostyki modelu i sposobem sprawdzenia, czy pytanie badawcze jest zgodne z zastosowaną miarą.

Co zrobić, gdy zależność jest nieliniowa?

Najpierw opisać kształt relacji

Nie należy zaczynać od wyboru „alternatywnego współczynnika”. Najpierw trzeba ustalić, czy zależność jest monotoniczna, niemonotoniczna, progowa, sigmoidalna, U-kształtna czy wielomodalna. Korelacja Spearmana może być użyteczna dla pewnych zależności monotonicznych, ale nie rozwiązuje problemu relacji w kształcie U. W takich sytuacjach także korelacja rangowa może być bliska zeru.

Dopasować model do pytania

Możliwe rozwiązania obejmują regresję z wyrazem kwadratowym, splajny, regresję lokalną, uogólnione modele addytywne albo modele segmentowe. Wybór zależy od liczebności próby, jakości pomiaru, celu analizy i wiedzy o mechanizmie zjawiska. Modele bardziej elastyczne mogą lepiej opisywać dane, ale zwiększają ryzyko nadmiernego dopasowania.

Raportować efekt w sposób interpretowalny

W przypadku modelu nieliniowego samo podanie jednego współczynnika nie wystarcza. Warto pokazać wykres przewidywanych wartości, przedziały ufności, położenie maksimum lub minimum oraz zakres danych, w którym model jest wsparty obserwacjami. Jeżeli wynik jest oceniany za pomocą składnika kwadratowego, trzeba podać jego oszacowanie, niepewność, sposób centrowania zmiennej i uzasadnienie postaci modelu.

Najczęstsze błędy

1. „r bliskie zeru oznacza brak zależności”. Poprawniej: oznacza brak wyraźnej zależności liniowej w analizowanym zbiorze.
2. Interpretowanie nieistotnego wyniku jako dowodu niezależności. Duża wartość p nie dowodzi, że zmienne są niezależne; może wynikać z małej mocy, dużego szumu lub niewłaściwej miary.
3. Zastępowanie Pearsona automatycznie Spearmanem. Spearman nie wykrywa każdej zależności nieliniowej, zwłaszcza niemonotonicznej.
4. Wnioskowanie wyłącznie na podstawie tabeli korelacji. Tabela może ukryć krzywiznę, grupowanie i obserwacje wpływowe.
5. Dodawanie składników wielomianowych bez planu. Wybieranie stopnia wielomianu wyłącznie na podstawie wyników testów zwiększa ryzyko dopasowania przypadkowego.
6. Mylenie dobrej predykcji z przyczynowością. Model opisujący zakrzywiony związek nie dowodzi, że zmienna objaśniająca wywołuje zmianę wyniku.
7. Pomijanie zakresu obserwacji. Krzywa może wyglądać przekonująco w obszarze danych, ale jej ekstrapolacja poza ten obszar może być nierzetelna.

Przykład praktyczny: analiza przypadku

W poradni zdrowia psychicznego oceniono związek między liczbą godzin pracy tygodniowo a wynikiem skali dobrostanu u 120 pracowników. Korelacja Pearsona wyniosła r = 0,02, a wartość p była większa niż 0,05. W raporcie zapisano: „Nie stwierdzono związku między czasem pracy a dobrostanem”.

Analiza wykresu pokazała jednak, że dobrostan był najwyższy przy około 35–40 godzinach pracy tygodniowo, a niższy zarówno przy bardzo małej, jak i bardzo dużej liczbie godzin. Badacz dopasował model z wycentrowanym składnikiem kwadratowym i przedstawił przewidywany dobrostan dla kolejnych wartości czasu pracy wraz z 95-procentowymi przedziałami ufności.

Ostateczny opis powinien brzmieć ostrożniej: „Nie wykazano wyraźnej zależności liniowej między liczbą godzin pracy a dobrostanem. Wykres oraz model z wyrazem kwadratowym sugerowały zależność krzywoliniową, z najwyższym przewidywanym dobrostanem w umiarkowanym zakresie czasu pracy. Wynik ten ma charakter obserwacyjny i nie pozwala ustalić kierunku przyczynowego”.

Taki sposób raportowania rozdziela trzy kwestie: istotność statystyczną, kształt i wielkość zależności oraz jej znaczenie praktyczne. Nawet dobrze dopasowana krzywa nie musi oznaczać efektu ważnego klinicznie, a wynik statystycznie niepewny nie uzasadnia twierdzenia, że zależność nie istnieje.

Co warto zapamiętać?

• r Pearsona mierzy przede wszystkim liniową współzmienność.
• r bliskie zeru nie wyklucza silnej zależności nieliniowej.
• Najbardziej typowym mechanizmem jest wzajemne znoszenie się dodatniej i ujemnej części relacji, na przykład w kształcie U lub odwróconej litery U.
• Wykres rozrzutu powinien poprzedzać interpretację współczynnika.
• Spearman jest przydatny przede wszystkim przy relacjach monotonicznych, ale nie jest uniwersalnym rozwiązaniem dla każdej krzywizny.
• W zależnościach nieliniowych należy rozważyć model złożony z odpowiednich składników, splajny lub inne metody elastyczne.
• Wynik korelacji nie rozstrzyga o przyczynowości, a wartość p nie jest prawdopodobieństwem prawdziwości hipotezy zerowej.
• Najlepszy raport pokazuje kształt relacji, niepewność oszacowań, zakres danych i znaczenie praktyczne wyniku.

Źródła i dalsza lektura

1. Anscombe, F. J. (1973). Graphs in Statistical Analysis. The American Statistician, 27(1), 17–21. DOI: 10.1080/00031305.1973.10478966.
2. Kowalski, C. J. (1972). On the Effects of Non-Normality on the Distribution of the Sample Product-Moment Correlation Coefficient. Journal of the Royal Statistical Society: Series C (Applied Statistics), 21(1), 1–12. DOI: 10.2307/2346598.
3. 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.
4. Paternoster, R., Brame, R., Mazerolle, P., & Piquero, A. (1998). Using the Correct Statistical Test for the Equality of Regression Coefficients. Criminology, 36(4), 859–866. DOI: 10.1111/j.1745-9125.1998.tb01268.x.
5. Harrell, F. E., Jr. (2015). Regression Modeling Strategies: With Applications to Linear Models, Logistic and Ordinal Regression, and Survival Analysis. 2nd edition. Springer International Publishing. Informacja wydawcy / źródło.
6. National Research Council (2025). Reference Manual on Scientific Evidence: Fourth Edition. The National Academies Press. Źródło.