• Matematyka
  • Korelacja bez pułapek - Pearson, Spearman czy Kendall?

Korelacja bez pułapek - Pearson, Spearman czy Kendall?

Korelacja bez pułapek - Pearson, Spearman czy Kendall?
Autor Krystian Czarnecki
Krystian Czarnecki

22 listopada 2026

Masz tabelę z wynikami uczniów i chcesz sprawdzić, czy dłuższa nauka wiąże się z lepszą oceną? Korelacja pokaże kierunek i siłę współzmienności, ale wynik może być mylący, jeśli zależność nie układa się w linię albo kilka obserwacji odstaje od reszty.

Wykres punktowy ukazujący korelacje między spalaniem (mpg), pojemnością silnika (displacement), mocą (power) i wagą (weight) samochodów.

Współczynnik opisuje zależność, ale sam nie wyjaśnia jej przyczyny

  • r = 1 oznacza idealną dodatnią zależność liniową, a r = -1 idealną ujemną.
  • r bliskie 0 oznacza brak wyraźnej zależności liniowej, niekoniecznie brak jakiegokolwiek związku.
  • Wykres rozrzutu pozwala zauważyć krzywiznę, grupy danych i punkty odstające.
  • Pearson opisuje zależność liniową, a Spearman i Kendall pracują na rangach.
  • Korelacja nie dowodzi przyczynowości, nawet gdy współczynnik jest wysoki.

Współczynnik od -1 do 1 mówi, jak układają się pary wyników

Wyobraź sobie punkty na wykresie: każda para oznacza wynik jednej osoby, na przykład czas nauki i ocenę. Gdy punkty biegną mniej więcej ukośnie w górę, zależność jest dodatnia; gdy opadają, ujemna. Współczynnik korelacji streszcza ten układ jedną liczbą, lecz nie mówi, co spowodowało obserwowany wzór.

Wartość bliska 1 wskazuje, że większym wartościom jednej zmiennej zwykle towarzyszą większe wartości drugiej. Wartość bliska -1 oznacza, że większym wartościom jednej odpowiadają mniejsze drugiej. Wynik w pobliżu zera mówi natomiast tylko, że nie widać silnej zależności liniowej.

Nie ma jednego progu, który w każdej dziedzinie oddziela „słabą” korelację od „silnej”. W małym zbiorze, przy dużym szumie pomiarowym lub w badaniu edukacyjnym ta sama wartość może mieć inne znaczenie niż w pomiarach fizycznych. Najpierw sprawdź wykres i sposób zbierania danych, dopiero potem oceniaj samą liczbę.

Wykres rozrzutu może ujawnić związek, którego Pearson nie pokaże

Wyobraź sobie punkty tworzące literę U. Współczynnik Pearsona może wtedy wyjść równy zero, choć zmienne wyraźnie są ze sobą powiązane. To dlatego, że Pearson mierzy przede wszystkim liniową zależność, a symetryczna krzywa potrafi ukryć się za zerowym wynikiem.

Przykład liczbowy: dla par (-2, 4), (-1, 1), (0, 0), (1, 1), (2, 4) wartość Pearsona wynosi 0. Jednak druga zmienna jest kwadratem pierwszej, więc zależność jest dokładna i nieliniowa. Sam wynik r = 0 nie uprawnia tu do wniosku „brak związku”.

Przed obliczeniem współczynnika narysuj wykres punktowy. Zobaczysz na nim także obserwacje odstające, czyli punkty leżące daleko od ogólnego układu. Jak opisuje artykuł o pułapkach analizy korelacji, pojedyncza skrajna obserwacja może zmienić wartość współczynnika, a nawet stworzyć pozór zależności.

Pearson, Spearman i Kendall odpowiadają na różne pytania

Dwie kolumny danych mogą wyglądać podobnie, ale wymagać innego współczynnika. Pearson ocenia liniowy układ wartości, natomiast Spearman i Kendall wykorzystują porządek obserwacji. Różnicę między współczynnikiem liniowym Pearsona a rangowym Spearmana opisuje również Słownik pojęć statystyki publicznej GUS.

Współczynnik Kiedy pasuje Na co uważać
Pearsona Gdy zmienne są liczbowe, a wykres sugeruje zależność zbliżoną do prostej. Punkty odstające mogą mocno wpłynąć na wynik.
Spearmana Gdy interesuje Cię, czy wraz ze wzrostem jednej zmiennej druga na ogół rośnie lub maleje, także przy zależności nieliniowej, ale monotonicznej. Nie opisuje dokładnie, jak zmieniają się wartości, tylko ich kolejność.
Kendalla Gdy dane mają postać rang albo chcesz ocenić zgodność uporządkowania par. Wynik interpretuje się inaczej niż współczynnik Pearsona; przy wielu remisach w rangach wybór metody wymaga uwagi.

Praktyczna reguła jest prosta: prosta chmura punktów i dane liczbowe przemawiają za Pearsonem; wyraźny porządek bez prostoliniowego układu sugeruje Spearmana, a dane rangowe mogą uzasadniać Kendalla. Jeśli obserwacje tworzą kilka odrębnych grup lub mają liczne remisy, nie wybieraj metody wyłącznie na podstawie nazwy zmiennych.

Wysoka korelacja nie dowodzi, że jedna zmienna wywołuje drugą

Załóżmy, że w kolejnych miesiącach rośnie liczba sprzedanych lodów i liczba osób odwiedzających kąpielisko. Silny dodatni związek nie oznacza, że lody powodują wizyty nad wodą. Obie wartości mogą rosnąć z powodu trzeciego czynnika, na przykład ciepłej pogody.

Podobny problem pojawia się w danych szkolnych. Jeśli uczniowie, którzy więcej ćwiczą, osiągają lepsze wyniki, korelacja nie rozstrzyga, czy ćwiczenia podnoszą wynik, czy też osoby o większej motywacji jednocześnie częściej się uczą i lepiej wypadają. Do wnioskowania o przyczynie potrzeba dodatkowych informacji o badaniu, kolejności zdarzeń i możliwych czynnikach zakłócających.

Przy porównywaniu wyników pamiętaj też, że pojedynczy współczynnik nie opisuje całego rozkładu danych. Średnia może być pomocna przy ich podsumowaniu, a gdy obserwacje mają różne wagi, przydaje się obliczanie średniej ważonej. Nie zastąpi to jednak wykresu ani sprawdzenia, skąd pochodzą pomiary.

Najpierw obejrzyj dane, potem ufaj liczbie

Przyznam, że w nauce statystyki najbardziej przekonuje mnie prosty nawyk: nie interpretować korelacji bez obejrzenia wykresu. Jedna liczba jest wygodna, ale łatwo zapomnieć, że może ukrywać krzywą, grupy albo pojedynczy punkt, który ciągnie wynik w swoją stronę.

Jeśli układ punktów pasuje do wybranego współczynnika, opisz kierunek i siłę zależności ostrożnie, podaj liczebność zbioru oraz nie przypisuj jej przyczyny bez dodatkowych dowodów. Wtedy korelacja staje się użytecznym skrótem opisu danych, a nie odpowiedzią na pytanie, którego sama nie potrafi rozstrzygnąć.

FAQ - Najczęstsze pytania

Korelacja bliska 0 oznacza brak wyraźnej zależności liniowej, ale nie wyklucza innego związku. Dla par (-2, 4), (-1, 1), (0, 0), (1, 1), (2, 4) współczynnik Pearsona wynosi 0, choć druga zmienna jest kwadratem pierwszej i zależność jest dokładna.

Pearson pasuje do danych liczbowych, gdy wykres sugeruje układ zbliżony do prostej. Spearman służy do oceny zgodności uporządkowania, także przy zależności nieliniowej, ale monotonicznej, a Kendall sprawdza się przy danych rangowych lub ocenie zgodności rang. Przy licznych remisach w rangach wybór Kendalla wymaga dodatkowej uwagi.

Wykres rozrzutu może ujawnić krzywiznę, kilka grup danych oraz obserwacje odstające. Pojedynczy skrajny punkt może znacząco zmienić współczynnik, a nawet stworzyć pozór zależności, dlatego sama liczba nie wystarcza do interpretacji.

Nie. Wzrost sprzedaży lodów i liczby osób odwiedzających kąpielisko może wynikać ze wspólnego czynnika, takiego jak ciepła pogoda. Podobnie lepsze wyniki uczniów częściej ćwiczących mogą wiązać się także z ich motywacją, więc do wnioskowania o przyczynowości potrzebne są dodatkowe informacje o badaniu i czynnikach zakłócających.

Tagi
korelacja
pearson
spearman
kendall
wykres rozrzutu
Udostępnij artykuł
Autor Krystian Czarnecki
Krystian Czarnecki
Nazywam się Krystian Czarnecki i od 12 lat zajmuję się edukacją. Moja przygoda z tym obszarem zaczęła się, gdy jako młody nauczyciel zauważyłem, jak wiele wyzwań stają przed uczniami i nauczycielami w dzisiejszym świecie. Fascynuje mnie, jak różnorodne metody nauczania mogą wpływać na efektywność przyswajania wiedzy, a także jak istotne jest dostosowanie materiałów edukacyjnych do potrzeb współczesnych uczniów. Piszę o zagadnieniach związanych z nowoczesnymi metodami nauczania, technologią w edukacji oraz sposobami na rozwijanie umiejętności krytycznego myślenia. Staram się zawsze weryfikować źródła informacji, porównywać różne podejścia i upraszczać trudne tematy, aby były zrozumiałe dla każdego. Moim celem jest dostarczanie użytecznych, dokładnych i aktualnych informacji, które pomogą zarówno nauczycielom, jak i uczniom w ich codziennych zmaganiach edukacyjnych.
Oceń artykuł
Ocena: 0 Liczba głosów: 0

Komentarze(0)