Коефіцієнт кореляції Пірсона: що показує r, коли застосовувати і як інтерпретувати
Коефіцієнт кореляції Пірсона, або Pearson r, — це безрозмірний показник напряму й сили лінійного зв’язку між двома кількісними змінними. Його значення лежить у межах від −1 до +1: знак показує напрямок зв’язку, а абсолютна величина r — наскільки близько точки на діаграмі розсіювання наближаються до прямої лінії. Сам по собі r не встановлює причинності, не повідомляє ймовірність того, що гіпотеза істинна, і не замінює оцінювання невизначеності.
Сучасні методичні огляди наголошують, що Pearson r коректно описує саме лінійну асоціацію, а вибір коефіцієнта має спиратися на тип даних, форму зв’язку, викиди та ціль аналізу. Schober, Boer і Schwarte (2018) рекомендують розглядати Pearson r для двох неперервних змінних із лінійним зв’язком, тоді як для рангових даних, суттєвої ненормальності або релевантних викидів часто доцільнішим є коефіцієнт Спірмена.
Що саме вимірює коефіцієнт Пірсона
Pearson r вимірює ступінь спільної лінійної варіації двох змінних. Якщо більші значення X зазвичай поєднуються з більшими значеннями Y, r додатний. Якщо більші X поєднуються з меншими Y, r від’ємний. Якщо лінійної тенденції немає, r наближається до нуля.
Ключове слово тут — «лінійної». Значення r = 0 означає відсутність лінійної кореляції, а не відсутність будь-якого зв’язку. Дві змінні можуть бути жорстко пов’язані за U-подібною, експоненційною чи іншою нелінійною закономірністю й водночас мати малий Pearson r.
Це обмеження демонструють як статистичні огляди, так і методичні роботи про типові помилки кореляційного аналізу. Janse та співавт. (2021) радять перед обчисленням коефіцієнта оглядати діаграму розсіювання, тому що одна числова величина не показує форму зв’язку, нелінійність, кластери та вплив окремих екстремальних спостережень.
r у вибірці та ρ у популяції
У звичайному звіті r позначає вибірковий коефіцієнт кореляції Пірсона: число, обчислене з конкретної вибірки. Популяційний параметр часто позначають грецькою літерою ρ. Вибірковий r є оцінкою ρ і змінювався б від вибірки до вибірки навіть за незмінної популяції.
Саме тому коректний статистичний висновок не обмежується одним r. Для оцінювання популяційного зв’язку поряд із r подають розмір вибірки, довірчий інтервал і, якщо перевіряється формальна гіпотеза, p-значення. Це дозволяє відокремити величину спостережуваної асоціації від невизначеності її оцінки.
Формула коефіцієнта кореляції Пірсона
Для n пар спостережень (xᵢ, yᵢ) вибірковий коефіцієнт Пірсона обчислюють так:
r = Σ[(xᵢ − x̄)(yᵢ − ȳ)] / √{Σ(xᵢ − x̄)² · Σ(yᵢ − ȳ)²}.
У чисельнику стоїть спільне відхилення X і Y від їхніх середніх, а знаменник масштабує цю спільну варіацію за мінливістю кожної змінної. Через стандартизацію r не має одиниць вимірювання і не змінюється від простого лінійного перетворення масштабу, наприклад від переведення сантиметрів у метри.
У термінах коваріації популяційна кореляція дорівнює Cov(X,Y) / [SD(X)·SD(Y)]. Докладний математичний зв’язок між вибірковою та популяційною кореляцією розглядають Liu та співавт. (2016).
Як інтерпретувати знак r
Додатний r означає, що зі зростанням однієї змінної друга в середньому має тенденцію зростати. Від’ємний r означає, що зі зростанням однієї змінної друга в середньому має тенденцію зменшуватися. Знак не говорить, чи є зв’язок бажаним, шкідливим, сильним або причинним — він описує лише напрямок лінійної асоціації.
Наприклад, r = −0,55 між кількістю годин недосипання та результатом тесту означав би помітну зворотну лінійну асоціацію у дослідженій вибірці: більша кількість годин недосипання пов’язана з нижчим результатом. З цього числа не випливає, що недосипання спричинило нижчий результат, бо альтернативними поясненнями можуть бути третя змінна, відбір учасників, напрямок впливу або особливості вимірювання.
Як інтерпретувати величину r
Абсолютне значення |r| характеризує силу лінійної асоціації. r = 1 означає ідеальну позитивну лінійну залежність, r = −1 — ідеальну негативну, а r = 0 — відсутність лінійної асоціації.
У підручниках і прикладних статтях часто використовують словесні категорії на кшталт «слабка», «помірна» або «сильна» кореляція. Такі пороги є методичною конвенцією, а не універсальним законом. Akoglu (2018) показує, що різні джерела називають однакові значення r по-різному. Тому краще завжди наводити саме числове r і тлумачити його в контексті дослідницької галузі, якості вимірювання, наслідків ефекту та попередніх даних.
Кореляція 0,20 може бути науково важливою, якщо ефект накопичується в часі, стосується великої популяції або теоретично очікується невеликим. Кореляція 0,70 може бути малоінформативною, якщо її створив вузький специфічний піднабір даних або кілька впливових точок. Величину r потрібно читати разом із графіком, інтервалом невизначеності й дизайном дослідження.
Що означає r²
Квадрат коефіцієнта, r², часто використовують як описову характеристику спільної лінійної варіації. У простій лінійній регресії з одним предиктором і вільним членом R² дорівнює r². Наприклад, для r = 0,42 маємо r² ≈ 0,176.
Це число можна описати як приблизно 17,6% дисперсії Y, яку відтворює проста лінійна модель з X у цій вибірці. Його не слід перетворювати на причинне твердження на кшталт «X пояснює 17,6% Y» у сенсі причинного внеску. Без причинно-ідентифікуючого дизайну r² залишається характеристикою асоціації та моделі, а не часткою причинного ефекту.
Більше про величину статистичного ефекту: «Розмір ефекту: що він показує і чому потрібен поруч зі статистичною значущістю».
Коли застосовувати Pearson r
Коефіцієнт Пірсона доречний, коли дослідницьке питання стосується лінійної асоціації двох кількісних змінних і кожне спостереження утворює змістовну пару X–Y для одного й того самого об’єкта або одиниці аналізу.
Дві змінні мають бути кількісними настільки, щоб різниці між значеннями мали зміст для лінійного аналізу.
Пари спостережень мають відповідати одній і тій самій одиниці аналізу: наприклад, показник X і показник Y для кожного учасника.
Зв’язок, який потрібно оцінити, має бути приблизно лінійним. Це перевіряють насамперед за діаграмою розсіювання та змістовною моделлю.
Спостереження для стандартної незалежної вибірки мають бути незалежними. Повторні вимірювання, сімейні пари, кластерні вибірки або вкладені дані потребують методів, які враховують залежність.
Суттєві викиди й точки з високим впливом потрібно дослідити, а не механічно видаляти. Pearson r може помітно змінюватися через кілька екстремальних спостережень.
Для простого описового обчислення r нормальність не є умовою існування самого коефіцієнта. Нормальні припущення стають особливо важливими для класичних маловибіркових тестів і довірчих інтервалів. Стандартні виводи для Pearson r зазвичай спираються на модель біваріатної нормальності або на інші умови, що забезпечують коректність відповідної процедури.
Дослідження Bishara, Li і Nash (2018) показує, що порушення біваріатної нормальності може погіршувати точність звичайного довірчого інтервалу для Pearson r. Тому формула «Пірсон потребує нормальності» потребує уточнення: йдеться передусім про властивості статистичного висновку, а не про можливість арифметично обчислити r.
Чому діаграма розсіювання потрібна до r
Два набори даних можуть мати однаковий r і зовсім різну геометрію. Один може утворювати чисту еліптичну хмару точок, інший — криву, третій — два окремі кластери, четвертий — майже випадкову хмару з однією впливовою точкою. Одне число не розрізняє ці сценарії.
Тому базовий порядок аналізу такий: спочатку сформулювати, яку асоціацію шукаємо; потім оглянути розподіли й діаграму розсіювання; перевірити пропуски, викиди та структуру залежності; лише після цього обчислювати й інтерпретувати Pearson r.
Ця практика узгоджується з рекомендаціями щодо кореляційного аналізу Janse та співавт. (2021) і загальними принципами прозорого кількісного звітування APA JARS.
Викиди та впливові спостереження
Pearson r чутливий до крайніх значень. Одна точка, що лежить далеко від основної хмари, може штучно посилити кореляцію, послабити її або навіть змінити знак. Проблема не розв’язується автоматичним видаленням «незручної» точки: спочатку потрібно з’ясувати, чи є це помилкою введення, валідним рідкісним спостереженням, представником іншої підгрупи або наслідком способу відбору.
Добра практика — показати діаграму розсіювання, описати наперед визначені правила роботи з викидами й, коли це змістовно, провести аналіз чутливості. Якщо висновок існує лише після видалення одного спостереження, це є важливою частиною результату, а не технічною дрібницею.
Обмежений діапазон значень
Кореляція залежить від того, які значення реально потрапили до вибірки. Якщо дослідження включило лише вузький діапазон X або Y, r може бути меншим, ніж у ширшій цільовій популяції. Наприклад, кореляція між академічними показниками серед студентів дуже селективної програми може бути слабшою через те, що діапазон здібностей у цій групі вже обмежено відбором.
Огляд Janse та співавт. (2021) окремо розглядає чутливість кореляції до діапазону спостережень. Отже, r потрібно інтерпретувати щодо конкретної вибірки та механізму її формування.
Pearson r і коефіцієнт Спірмена
Pearson r і коефіцієнт Спірмена відповідають на близькі, але різні запитання. Pearson r оцінює лінійну асоціацію вихідних значень. Спірмен працює з рангами й оцінює монотонну асоціацію: чи має Y загальну тенденцію зростати або спадати зі зростанням X, навіть якщо ця тенденція не описується прямою.
Спірмена часто обирають для порядкових даних, виразно ненормальних безперервних даних, релевантних викидів або монотонного нелінійного зв’язку. Проте рішення «Пірсон чи Спірмен» не варто зводити до автоматичного тесту нормальності. Спочатку визначають дослідницьку ціль, шкалу даних і форму зв’язку.
Окрема канонічна сторінка: «Коефіцієнт кореляції Спірмена: що показує ρ, коли застосовувати і як інтерпретувати».
Pearson r не є показником узгодженості
Висока кореляція між двома методами вимірювання не означає, що вони дають однакові значення. Наприклад, новий прилад може систематично завищувати кожне вимірювання на 10 одиниць, але мати Pearson r, близький до 1, зі старим приладом. Кореляція покаже, що результати змінюються разом, але не виявить систематичної різниці як проблему узгодженості.
Для оцінювання узгодженості потрібні спеціалізовані підходи. Liu та співавт. (2016) розрізняють кореляцію й узгодженість та пояснюють, чому ці завдання потребують різних статистичних показників.
Статистична значущість Pearson r
Якщо дослідник перевіряє нульову гіпотезу H₀: ρ = 0, для класичного тесту Pearson r використовують статистику t:
t = r · √[(n − 2) / (1 − r²)], df = n − 2.
За відповідних припущень ця статистика дає p-значення для перевірки нульової гіпотези про відсутність популяційної лінійної кореляції. Але p-значення не є ймовірністю того, що H₀ істинна, і не вимірює силу або практичну важливість асоціації.
Це прямо узгоджується із заявою Американської статистичної асоціації про p-значення: статистичну значущість не слід ототожнювати з величиною або важливістю ефекту й не слід будувати науковий висновок лише на проходженні порога p.
Довірчий інтервал для кореляції
Однакове r може мати дуже різну точність у вибірці з 25 і з 500 учасників. Довірчий інтервал показує невизначеність оцінювання популяційної кореляції й тому є важливою частиною звіту.
Класичний 95% довірчий інтервал для Pearson r часто будують через перетворення Фішера: z = atanh(r) = 0,5·ln[(1+r)/(1−r)], стандартна похибка приблизно дорівнює 1/√(n−3), інтервал спочатку обчислюють на шкалі z, а потім повертають до шкали r оберненим перетворенням.
Огляд формули й логіки інтервального оцінювання наведено у Bewick, Cheek і Ball (2003). За виразної ненормальності стандартний Fisher-z інтервал може мати неточне покриття, що показують Bishara, Li і Nash (2018).
Окремий матеріал про частотне тлумачення інтервалів: «Довірчий інтервал: що означає 95% CI».
Приклад: як читати r = 0,42
Уявімо дослідження 100 учасників, у якому між тривалістю сну та показником когнітивного тесту отримано r = 0,42. Це додатна лінійна асоціація: у цій вибірці більша тривалість сну в середньому пов’язана з вищим результатом тесту.
r² = 0,176, тому проста лінійна модель з одним предиктором відтворює приблизно 17,6% дисперсії результату тесту в цій вибірці. За класичною перевіркою H₀: ρ = 0 маємо t ≈ 4,58 з 98 ступенями свободи й p ≈ 0,000014. Орієнтовний 95% Fisher-z інтервал для ρ становить приблизно від 0,24 до 0,57.
Коректний висновок звучить так: у вибірці спостерігається помірна додатна лінійна асоціація, а інтервал сумісних із даними популяційних значень за використаної моделі є досить широким, щоб важливою залишалася невизначеність щодо точної величини зв’язку. Некоректний висновок: «сон підвищує когнітивний результат на 42%» або «сон пояснює 17,6% когнітивних здібностей причинно».
Навіть дуже мале p у цьому прикладі не перетворює асоціацію на причинний ефект. Воно лише характеризує дані щодо конкретної нульової моделі за прийнятих припущень.
Чому кореляція не доводить причинність
Кореляція Пірсона симетрична: r(X,Y) = r(Y,X). Вона не містить інформації про напрямок причинного впливу. Якщо X і Y корелюють, можливі щонайменше кілька сценаріїв: X впливає на Y; Y впливає на X; на обидві змінні впливає третій чинник; зв’язок створює відбір у вибірку; частина асоціації походить від похибок вимірювання або способу конструювання змінних.
Для причинного висновку потрібні дизайн і припущення, які ідентифікують причинний ефект: рандомізація, часовий порядок, контроль релевантного конфаундингу, аналіз селекції, коректне вимірювання та інші умови залежно від методу. Високе |r| саме по собі не виконує ці умови.
Кореляція у кореляційному дослідженні
Коефіцієнт Пірсона є статистикою, а кореляційне дослідження — тип дослідницького дизайну. Одне не є синонімом другого. Pearson r можна обчислити в експериментальних, спостережних, лонгітюдних та інших наборах даних, а кореляційне дослідження може використовувати не лише Pearson r.
Канонічна сторінка про дизайн: «Кореляційне дослідження в психології: що показує зв’язок між змінними і чого він не доводить».
Повторні вимірювання та кластерні дані
Стандартний Pearson r припускає, що пари спостережень утворюють незалежні одиниці. Якщо одна людина має десятки повторних вимірювань, не можна автоматично трактувати всі ці точки як незалежних учасників. Так само залежність виникає у даних учнів, вкладених у класи, працівників у команди, близнюків у пари або пацієнтів у клініки.
У таких ситуаціях простий r може змішувати міжіндивідуальні та внутрішньоіндивідуальні зв’язки й занижувати невизначеність. Потрібен метод, який відповідає структурі даних: наприклад, багаторівнева модель, кореляція для повторних вимірювань або інша процедура з коректним моделюванням залежності.
Часткова кореляція
Часткова кореляція описує асоціацію X і Y після статистичного вилучення лінійної варіації, пов’язаної з однією чи кількома іншими змінними. Це може бути корисним описовим інструментом, але «контроль змінної» в частковій кореляції не гарантує причинного контролю конфаундингу.
Якщо контрольна змінна вибрана неправильно — наприклад, є наслідком експозиції, колайдером або виміряна з великою похибкою — коригування здатне створити або викривити асоціацію. Причинна інтерпретація потребує причинної моделі, а не лише додавання коваріатів.
Множинні кореляції та проблема багатьох перевірок
Кореляційна матриця з десятками змінних містить багато пар. Якщо для кожної пари перевіряти H₀: ρ = 0 і трактувати p < 0,05 як окреме відкриття, ймовірність випадкових «значущих» результатів у всьому наборі зростає.
Тому підтверджувальний аналіз має наперед визначати основні гіпотези й за потреби контролювати множинність. Дослідницький аналіз може бути ширшим, але його результати слід позначати як дослідницькі та перевіряти на незалежних даних. Прозоре розрізнення запланованих і дослідницьких аналізів відповідає принципам APA JARS.
Що відбувається, якщо одна змінна не варіює
Pearson r існує лише тоді, коли обидві змінні мають ненульову дисперсію. Якщо всі учасники мають однакове значення X або однакове значення Y, знаменник формули дорівнює нулю й коефіцієнт не визначений. Це не «нульова кореляція»: статистику просто неможливо обчислити для змінної без варіативності.
Майже нульова варіативність теж створює проблему інтерпретації. Навіть якщо програмне забезпечення повертає число, воно може бути надзвичайно нестабільним, бо незначні похибки або кілька спостережень визначають майже весь результат.
Як перетворення шкали впливають на r
Додавання сталої до всіх значень або множення на додатну сталу не змінює Pearson r. Тому кореляція однакова, якщо зріст записано в сантиметрах чи метрах, а температура переведена між лінійно пов’язаними шкалами з додатним коефіцієнтом. Множення однієї змінної на від’ємну сталу змінює знак r, але не його абсолютну величину.
Нелінійні перетворення — логарифмування, піднесення до степеня, обрізання діапазону — можуть змінити r, іноді істотно. Це логічно: Pearson r описує лінійність на тій шкалі, на якій задано дані. Тому вибір трансформації має визначатися змістом змінної, моделлю та діагностикою, а не бажанням отримати більший коефіцієнт.
Пропущені дані: чому n для кореляції може змінюватися
Для Pearson r потрібні пари X–Y. Якщо в учасника бракує одного з двох значень, ця пара не може безпосередньо входити до обчислення. Програмні пакети можуть використовувати повне вилучення випадків (listwise deletion), попарне вилучення (pairwise deletion) або дані після імпутації, і ці рішення здатні змінити як n, так і саму кореляцію.
Особливо небезпечно, коли пропуски пов’язані з досліджуваними змінними. Тоді аналіз лише повних випадків може описувати селективну підгрупу. У звіті потрібно вказувати кількість пар, частку пропусків і спосіб поводження з ними; за серйозної проблеми потрібна окрема модель механізму пропусків.
APA JARS прямо включає прозоре звітування про пропущені дані, виключення та аналітичні рішення до стандартів кількісних досліджень.
Розмір вибірки, точність і статистична потужність
Сам r не містить інформації про розмір вибірки. r = 0,30 за n = 20 і r = 0,30 за n = 2000 однаково описують вибіркову лінійну асоціацію, але невизначеність і поведінка тесту будуть різними. У більшій вибірці довірчий інтервал за інших рівних умов вужчий, а малий ефект легше відрізнити від нуля.
Тому не можна оцінювати доказовість лише за величиною r або лише за p. Потрібні разом ефект, інтервал невизначеності, n, дизайн і те, який мінімальний ефект має зміст у конкретному дослідженні.
Про зв’язок ефекту, n, α та ймовірності виявлення заданого ефекту: «Статистична потужність: що це і від чого залежить».
Підгрупи, змішування популяцій і парадокс Сімпсона
Загальна кореляція може відрізнятися від кореляцій усередині змістовних підгруп. Наприклад, якщо вибірка складається з двох вікових груп із різними середніми X і Y, сильний загальний r може виникнути переважно через різницю між групами, навіть якщо всередині кожної групи асоціація слабка або має інший напрям.
Це одна з причин завжди дивитися на графік і знати структуру даних. Розфарбування точок за попередньо обґрунтованими групами іноді одразу показує, що «єдина» кореляція приховує кілька різних процесів. Аналіз підгруп після перегляду результатів, однак, не слід видавати за наперед заплановане підтвердження гіпотези.
Вимірювальна похибка й ослаблення кореляції
Спостережуваний r залежить не лише від реального зв’язку конструктів, а й від якості їхнього вимірювання. Випадкова вимірювальна похибка за звичайних умов може ослаблювати спостережувану кореляцію. Водночас корекції на ненадійність потребують сильних психометричних припущень і не повинні застосовуватися механічно.
Надійність і валідність психологічних тестів, шкал, факторні моделі та інваріантність вимірювання належать до психометричного рівня аналізу. Pearson r може бути елементом такого аналізу, але сам по собі не встановлює надійність або валідність інструмента.
Дихотомічна і кількісна змінні
Якщо одна змінна справді дихотомічна й закодована 0/1, а друга кількісна, Pearson r математично збігається з точково-бісеріальним коефіцієнтом кореляції. Проте зміст інтерпретації змінюється: коефіцієнт відображає стандартизований зв’язок між належністю до двох груп і кількісним показником.
Це не робить будь-яке двійкове кодування нейтральним. Якщо категорія утворена штучним розсіканням неперервної змінної на «високих» і «низьких», інформація втрачається, а результат залежить від обраного порога.
Чи слід порівнювати два r просто за їхньою величиною
Різниця між r = 0,40 і r = 0,55 не означає автоматично, що друга кореляція статистично сильніша. Для порівняння кореляцій потрібна процедура, що враховує їхню вибіркову невизначеність і структуру даних.
Для незалежних вибірок класичні методи часто використовують Fisher-z перетворення. Для двох кореляцій, обчислених на тих самих учасниках і таких, що мають спільну змінну, потрібні спеціальні тести залежних кореляцій. Просте порівняння двох p-значень теж не є тестом різниці між ефектами.
Робастні та ресемплінгові підходи
Коли дані помітно відхиляються від умов класичної процедури, варіантів більше, ніж механічно перейти на Spearman. Залежно від дослідницької цілі можна розглядати бутстреп-інтервали, робастні кореляції, моделі з явним описом нелінійності або перетворення даних, обґрунтовані предметною моделлю.
Для довірчих інтервалів Pearson r за ненормальних даних Bishara, Li і Nash (2018) показують, що стандартний Fisher-z інтервал може бути неточним і що альтернативні методи мають різні властивості. Вибір робастної процедури має відповідати конкретному порушенню й меті висновку.
Як звітувати Pearson r у психологічній статті
APA Journal Article Reporting Standards для кількісних досліджень наголошують на прозорому описі даних, припущень, аналізів, ефектів та їхньої невизначеності. APA JARS призначені для того, щоб читач міг оцінити якість і відтворюваність дослідження.
Для аналізу Pearson r корисно повідомляти щонайменше: які дві змінні корелювали; кількість пар спостережень n; сам r із напрямком; 95% довірчий інтервал; точне p-значення, якщо проводився тест; спосіб роботи з пропущеними даними; перевірку форми зв’язку та впливових спостережень; чи був аналіз запланованим або дослідницьким.
Приклад стислого звіту: «Між X та Y спостерігалася додатна лінійна асоціація, r(98) = 0,42, 95% CI [0,24; 0,57], p < 0,001, n = 100». Далі потрібно пояснити зміст ефекту в контексті дослідження, а не завершувати інтерпретацію словом «значущий».
Типові помилки інтерпретації
«r = 0 означає, що змінні не пов’язані». Коректно: r = 0 означає відсутність лінійної кореляції; нелінійний зв’язок може залишатися сильним.
«Висока кореляція доводить причинність». Коректно: r описує асоціацію; причинність потребує окремого дизайну й припущень.
«p < 0,05 означає сильну кореляцію». Коректно: p і r відповідають на різні питання; мале p можливе навіть для дуже малого r у великій вибірці.
«Незначущий r доводить відсутність зв’язку». Коректно: результат може бути неточним або малопотужним; важливий довірчий інтервал і мінімально релевантний ефект.
«Якщо дані не нормальні, Pearson r не можна навіть обчислювати». Коректно: r обчислюється; проблема стосується цілі аналізу, форми зв’язку та валідності конкретної процедури статистичного висновку.
«Два методи вимірювання добре узгоджуються, бо r = 0,95». Коректно: висока кореляція не доводить agreement.
«Після контролю третьої змінної часткова кореляція стала причинною». Коректно: статистичне коригування саме по собі не ідентифікує причинний ефект.
Коли Pearson r краще не використовувати
Pearson r не є універсальним показником зв’язку. Для порядкових даних або монотонного нелінійного зв’язку часто доречні рангові коефіцієнти. Для виразної нелінійності потрібна модель, що відтворює форму залежності. Для порівняння методів вимірювання потрібні методи узгодженості. Для повторних або кластерних спостережень потрібен аналіз залежних даних. Для причинного питання потрібна каузальна стратегія, а не заміна її кореляцією.
Вибір методу починається з дослідницького питання. Якщо питання звучить «наскільки дві кількісні змінні лінійно змінюються разом?», Pearson r є природною відповіддю. Якщо питання інше, правильний статистичний інструмент теж може бути іншим.
Часті запитання
Яке значення Pearson r вважається сильним?
Універсального порога немає. Словесні категорії залежать від дисципліни, мети й наслідків ефекту. Повідомляйте саме r, довірчий інтервал і контекст; пороги на кшталт «0,1 — слабко, 0,3 — помірно, 0,5 — сильно» варто подавати лише як орієнтовну конвенцію, а не як закон.
Чи потрібна нормальність для Pearson r?
Для обчислення вибіркового r нормальність не потрібна як арифметична умова. Для класичних тестів і довірчих інтервалів важливі модельні припущення, зокрема біваріатна нормальність у традиційній теорії. За суттєвих відхилень потрібно оцінити, чи валідна обрана процедура, і за потреби використати робастні або ресемплінгові методи.
Чи можна використовувати Pearson r для окремого пункту шкали Лікерта?
Окремий пункт Лікерта є порядковою змінною, тому Pearson r часто не відповідає його вимірювальній природі. Для сумарних багатопунктових шкал практика складніша й залежить від моделі вимірювання, кількості категорій, розподілу та дослідницької цілі. Питання надійності, валідності й психометричної структури шкал належать до окремого рівня аналізу.
Чи може Pearson r бути високим через один викид?
Так. Pearson r чутливий до впливових точок. Тому потрібно оглядати діаграму розсіювання і проводити обґрунтовану діагностику впливу, а не покладатися лише на числовий коефіцієнт.
Чи може r = 0 приховувати сильний зв’язок?
Так. Якщо зв’язок нелінійний і симетричний, додатні та від’ємні лінійні тенденції можуть взаємно компенсуватися. Нульовий Pearson r заперечує лише лінійну кореляцію, а не будь-яку залежність.
Що краще: Pearson чи Spearman?
Жоден коефіцієнт не є «кращим» загалом. Pearson відповідає на питання про лінійну асоціацію вихідних кількісних значень; Spearman — про монотонну асоціацію рангів. Вибір визначає дослідницьке питання, шкала даних, форма зв’язку, викиди та припущення статистичного висновку.
Чи доводить статистично значущий Pearson r причинність?
Ні. Статистична значущість стосується сумісності даних із нульовою моделлю за певних припущень. Причинний висновок вимагає окремої ідентифікаційної логіки й дизайну.
Пов’язані статті
Коефіцієнт кореляції Спірмена — ранговий коефіцієнт для монотонних зв’язків, порядкових даних і ситуацій, де Pearson r не відповідає цілі аналізу.
Розмір ефекту — як відокремлювати величину ефекту від статистичної значущості.
Інференційна статистика — оцінювання параметрів, перевірка гіпотез і невизначеність.
Кореляційне дослідження — дизайн дослідження, асоціація між змінними та межі висновків.
Причинність у психологічних дослідженнях — умови каузального висновку, конфаундинг і альтернативні пояснення.
Довірчий інтервал — як інтервальна оцінка показує невизначеність статистичного параметра.
p-значення — що означає p і яких висновків із нього не можна робити.