Коефіцієнт кореляції Спірмена: що показує ρ, коли застосовувати і як інтерпретувати
Коефіцієнт рангової кореляції Спірмена — це міра напряму та сили монотонного зв’язку між двома змінними, яка працює не з початковими числовими значеннями, а з їхнім порядком — рангами. Його часто позначають ρₛ, rₛ або просто ρ.
Метод особливо корисний, коли дані мають природний порядок, коли зв’язок між змінними монотонний, але не обов’язково лінійний, або коли окремі екстремальні значення роблять кореляцію Пірсона невдалим описом зв’язку. Водночас популярне правило «дані ненормальні — автоматично бери Спірмена» є надто грубим. Вибір коефіцієнта залежить насамперед від шкали вимірювання, форми зв’язку, структури даних і дослідницького питання.
Що таке коефіцієнт кореляції Спірмена
Найточніше практичне визначення звучить так: коефіцієнт Спірмена — це коефіцієнт кореляції Пірсона, обчислений не для вихідних значень, а для їхніх рангів. Якщо два учасники мають однакове значення, їм зазвичай надають середній із рангів, які вони поділяють.
Наприклад, якщо значення змінної X дорівнюють 10, 20, 40 і 70, їхні ранги будуть 1, 2, 3 і 4. Для Спірмена важливо, що 70 більше за 40, а 40 більше за 20; сама відстань між 20 і 40 або між 40 і 70 вже не має того самого значення, що для кореляції Пірсона.
Саме через рангове перетворення ρₛ описує, наскільки послідовно зі зростанням однієї змінної зростає або зменшується інша.
Що означає монотонний зв’язок
Монотонний зв’язок — це такий зв’язок, у якому загальна тенденція не змінює напрямку. Якщо X зростає, Y переважно або зростає, або зменшується.
Монотонність не означає пряму лінію. Наприклад, Y може швидко зростати на малих значеннях X, а далі виходити на плато. Такий зв’язок нелінійний, але все одно монотонний. Коефіцієнт Спірмена може добре відобразити його, тоді як коефіцієнт Пірсона оцінює саме лінійну складову зв’язку.
Є й протилежна ситуація. Якщо Y спочатку зменшується зі зростанням X, а потім починає зростати — наприклад, утворює U-подібну криву, — зв’язок може бути сильним, але немонотонним. Тоді ρₛ може виявитися близьким до нуля. Тому перед обчисленням кореляції варто дивитися на графік даних, а не лише на один коефіцієнт.
Які значення може мати ρₛ
Коефіцієнт Спірмена лежить у межах від −1 до +1.
ρₛ = +1 означає, що два набори спостережень мають однаковий порядок: зі зростанням однієї змінної друга без винятків рухається в тому самому напрямку.
ρₛ = −1 означає ідеально протилежний порядок: зі зростанням однієї змінної друга послідовно зменшується.
ρₛ близько до 0 означає, що дані не демонструють виразного монотонного порядкового зв’язку.
Останній пункт особливо важливий. Нульова кореляція Спірмена не доводить, що між змінними «немає жодного зв’язку». Вона означає лише, що коефіцієнт не виявляє систематичного монотонного зв’язку. Немонотонна залежність при цьому цілком можлива.
Коли доречно використовувати кореляцію Спірмена
Метод доречний, коли кожне спостереження має пару значень X і Y та виконується хоча б одна з таких умов.
Одна або обидві змінні є порядковими. Наприклад, рівні, місця в рейтингу або інші категорії, для яких порядок змістовний, але відстані між сусідніми рівнями не обов’язково однакові.
Дослідника цікавить монотонний, а не обов’язково лінійний зв’язок. Якщо зі зростанням X значення Y систематично рухаються в одному напрямку, ранговий коефіцієнт може бути природним вибором.
Окремі дуже великі або дуже малі числові значення непропорційно впливають на коефіцієнт Пірсона r. Ранжування стискає інформацію про абсолютні відстані між значеннями, тому ρₛ зазвичай менш чутливий до величини екстремальних спостережень. Проте це не робить метод «захищеним від викидів»: спостереження все одно може суттєво змінити порядок рангів.
Самі числові відстані між значеннями не мають достатньо надійної інтерпретації, але їхній порядок має. У такому разі ранговий аналіз відповідає інформації, яка реально міститься в даних.
Які умови потрібно перевірити
Кореляцію Спірмена часто називають непараметричною, але це не означає «без будь-яких припущень».
По-перше, дані мають бути парними: кожному X відповідає конкретне Y для того самого об’єкта або учасника.
По-друге, окремі пари спостережень у стандартному аналізі мають бути незалежними одна від одної. Повторні вимірювання тієї самої людини, вкладені дані або інші залежні структури можуть потребувати іншої статистичної моделі.
По-третє, обидві змінні повинні мати змістовний порядок. Номінальні категорії на кшталт кольору очей або назви професії не стають придатними для коефіцієнта Спірмена лише тому, що їм присвоїли числа.
По-четверте, якщо ρₛ інтерпретують як характеристику сили зв’язку, очікуваний патерн має бути приблизно монотонним. Це варто перевіряти візуально.
Як обчислюють коефіцієнт Спірмена
Загальний алгоритм простий:
окремо ранжувати значення X;
окремо ранжувати значення Y;
однаковим значенням надати середні ранги;
обчислити звичайну кореляцію Пірсона між двома наборами рангів.
Це визначення працює і тоді, коли в даних є однакові значення.
Спрощена формула без однакових рангів
Коли всі ранги у двох змінних унікальні, коефіцієнт можна обчислити за відомою формулою:
ρₛ = 1 − 6Σdᵢ² / [n(n² − 1)]
де dᵢ — різниця між рангом X і рангом Y для i-го спостереження, а n — кількість пар.
Цю формулу часто подають як «формулу Спірмена», але важлива умова губиться: у такому простому вигляді вона передбачає відсутність однакових рангів. Якщо значення повторюються, надійніше присвоїти середні ранги й обчислити коефіцієнт Пірсона r для рангів або скористатися статистичною програмою, яка коректно обробляє зв’язані ранги.
Покроковий приклад
Уявімо шість пар умовних балів двох шкал:
X: 2, 4, 5, 7, 8, 10
Y: 1, 3, 4, 8, 7, 9
Ранги X: 1, 2, 3, 4, 5, 6
Ранги Y: 1, 2, 3, 5, 4, 6
Різниці рангів d: 0, 0, 0, −1, +1, 0.
Сума квадратів різниць: Σd² = 2.
Підставимо значення у формулу:
ρₛ = 1 − [6 × 2 / (6 × (6² − 1))] ≈ 0,943.
У цьому навчальному прикладі порядок результатів за двома шкалами дуже подібний, тому маємо високу позитивну рангову кореляцію. Але з цього не випливає, що одна шкала «викликає» іншу, і число 0,943 не означає «94,3 % поясненої варіації».
Що робити з однаковими значеннями
Однакові значення — звичайна ситуація в психологічних даних. Наприклад, багато учасників можуть вибрати ту саму відповідь у короткій шкалі від 1 до 5. Тоді виникають зв’язані ранги.
Стандартний підхід — надати всім однаковим значенням середній ранг. Якщо, скажімо, два спостереження мали б посісти 3-тє і 4-те місця, обидва отримують ранг 3,5.
Велика кількість однакових значень не робить коефіцієнт Спірмена автоматично неправильним, але зменшує обсяг інформації про порядок. Особливо це важливо для окремих пунктів коротких шкал Лайкерта: п’ять можливих відповідей у великій вибірці неминуче створюють багато повторів. У таких задачах вибір між Спірмена, Кендалла та спеціальними моделями для порядкових даних має залежати від дослідницького питання, а не від одного універсального рецепта.
Як інтерпретувати величину кореляції
Знак коефіцієнта показує напрямок зв’язку, а абсолютна величина — наскільки послідовно зберігається порядок двох змінних.
Чим ближче |ρₛ| до 1, тим сильніше спостереження впорядковуються в одному або протилежному напрямку. Чим ближче до 0 — тим слабший монотонний порядок.
Проте універсальної таблиці, у якій 0,10 завжди означає «слабку», 0,30 — «середню», а 0,50 — «сильну» кореляцію, не існує. Одна й та сама величина може мати різне практичне значення в психометрії, клінічних дослідженнях, освіті або поведінкових науках. Інтерпретація залежить від точності вимірювання, діапазону значень, дизайну дослідження, розміру вибірки та того, які ефекти є реалістичними у конкретній галузі.
Тому корисніше повідомляти сам коефіцієнт і його невизначеність, а змістовне слово «сильний» або «слабкий» обґрунтовувати контекстом.
Кореляція Спірмена і Пірсона: у чому різниця
Коефіцієнт Пірсона r працює з вихідними числовими значеннями й описує лінійний зв’язок. Коефіцієнт Спірмена ρₛ спочатку перетворює значення на ранги й описує монотонний зв’язок.
Звідси випливають практичні відмінності.
Коефіцієнт Пірсона r зберігає інформацію про числові відстані. Різниця між 10 і 20 має значення так само, як різниця між 70 і 80. Для коефіцієнта Спірмена після ранжування головне — порядок цих значень.
Коефіцієнт Пірсона найприродніше відповідає питанню «наскільки дві кількісні змінні змінюються разом лінійно?». Коефіцієнт Спірмена — питанню «наскільки вищим значенням однієї змінної систематично відповідають вищі або нижчі значення іншої?».
Якщо зв’язок майже лінійний, дані кількісні й немає проблемних спостережень, коефіцієнт Пірсона часто використовує більше інформації, бо не відкидає відстані між значеннями. Якщо зв’язок виразно монотонний, але криволінійний, або вимірювання порядкове, коефіцієнт Спірмена може відповідати структурі даних краще.
Чи потрібно використовувати Спірмена, якщо розподіл ненормальний
Не обов’язково.
Фраза «Пірсон — для нормального розподілу, Спірмен — для ненормального» зручна для запам’ятовування, але методологічно неточна. Вибір коефіцієнта не можна зводити до одного тесту нормальності кожної змінної.
Спершу варто запитати:
які шкали вимірювання мають X і Y;
чи цікавить лінійний або монотонний зв’язок;
як виглядає діаграма розсіювання;
чи є екстремальні або впливові спостереження;
чи багато однакових значень;
який статистичний висновок потрібен — лише опис вибірки чи перевірка гіпотези й довірчий інтервал.
Ненормальність може бути одним із аргументів на користь рангового підходу, але сама по собі не є автоматичним перемикачем між коефіцієнтами Пірсона і Спірмена.
Чи є Спірмен стійким до викидів
Ранги роблять ρₛ менш чутливим до абсолютної величини екстремального значення. Якщо найбільше спостереження стало ще в десять разів більшим, але залишилося найбільшим, його ранг не зміниться.
Однак це не означає повної стійкості. Незвичне спостереження може суттєво змінити порядок, особливо в малій вибірці, або показати, що зв’язок узагалі не є монотонним. Тому викиди не слід «вирішувати» механічною заміною коефіцієнта Пірсона на коефіцієнт Спірмена. Їх потрібно перевіряти, пояснювати й оцінювати їхній вплив.
p-значення: що саме перевіряє тест
Після обчислення ρₛ часто перевіряють нульову гіпотезу про відсутність рангової асоціації в генеральній сукупності. Статистичні пакети можуть повертати p-значення автоматично, але спосіб його обчислення залежить від розміру вибірки, наявності однакових рангів і конкретної реалізації.
Для великих вибірок добре працюють асимптотичні наближення. Для малих вибірок або складної структури зв’язаних рангів точні, перестановочні чи інші ресемплінгові процедури можуть бути доречнішими. Сучасні методологічні роботи також показують, що звичні наближення для тестування нульової кореляції Спірмена не однаково надійні в усіх малих вибірках і розподілах.
Практичний висновок простий: p-значення не слід відривати від способу його отримання. Особливо для невеликого n варто знати, який тест фактично використовує програма.
Статистична значущість не дорівнює силі зв’язку
Мале p-значення не означає великої або практично важливої кореляції. У дуже великій вибірці статистично значущим може стати невеликий ρₛ. І навпаки, у малій вибірці досить велика за модулем кореляція може мати широку невизначеність.
Тому результат краще описувати щонайменше через:
ρₛ;
розмір вибірки n;
p-значення, якщо проводиться перевірка гіпотези;
довірчий інтервал, коли він доступний і обчислений придатним методом;
графічне представлення даних.
Довірчий інтервал
Довірчий інтервал показує, наскільки невизначено оцінено кореляцію в конкретній вибірці. Для коефіцієнта Спірмена існують різні підходи до побудови інтервалів, зокрема бутстреп та інші методи наближення.
Не варто автоматично переносити на ρₛ усі формули, призначені для коефіцієнта Пірсона r, без перевірки припущень. Якщо аналіз виконується в статистичному пакеті, у методах роботи бажано зазначити, як саме був отриманий довірчий інтервал.
Чого не можна висновувати з кореляції
Кореляція Спірмена не встановлює причинності. Якщо вищий X пов’язаний із вищим Y, це саме по собі не доводить, що X спричиняє Y.
Можливі зворотний напрямок впливу, третя змінна, відбір учасників, особливості вимірювання або інший механізм. Кореляційний коефіцієнт описує структуру асоціації, а причинний висновок потребує окремого дизайну й аргументації.
Так само не слід інтерпретувати ρₛ² як автоматичний «відсоток поясненої дисперсії». Така популярна інтерпретація, яку іноді застосовують до коефіцієнта Пірсона r² у конкретних лінійних моделях, не переноситься механічно на ранговий коефіцієнт.
Типові помилки під час використання ρₛ Спірмена
Помилка 1. Обирати метод лише через тест нормальності
Рішення «p < 0,05 у тесті Шапіро—Вілка, тому замінюємо Пірсона на Спірмена» не враховує форму зв’язку, шкалу вимірювання та дослідницьку мету. Спершу потрібно зрозуміти самі дані.
Помилка 2. Не перевіряти монотонність
Велика вибірка не рятує від неправильно обраної форми зв’язку. U-подібна або інша немонотонна залежність може мати ρₛ близько до нуля, хоча змінні явно пов’язані.
Помилка 3. Використовувати формулу через Σd² за великої кількості однакових значень
Спрощена формула з різницями рангів чудово працює як навчальний випадок без однакових рангів. У реальних даних із повторюваними значеннями слід правильно призначати середні ранги й використовувати загальне визначення коефіцієнта.
Помилка 4. Називати будь-яке |ρₛ| > 0,5 «сильним» без контексту
Числові ярлики не є універсальними законами. Важливість кореляції визначається предметною областю, точністю вимірювання, вибіркою й наслідками дослідницького питання.
Помилка 5. Ототожнювати статистичну значущість із практичною
p-значення відповідає на питання статистичного тесту, а не на питання «чи є ефект великим і важливим».
Помилка 6. Робити причинний висновок
Навіть ρₛ = 0,95 не доводить причинного впливу однієї змінної на іншу.
Як правильно описати результат у науковій роботі
Замість фрази «між показниками є сильна кореляція» корисніше дати читачеві сам результат і контекст.
Наприклад:
«Між показниками X і Y виявлено позитивну рангову кореляцію Спірмена, ρₛ = 0,43, n = 126, p < 0,001».
Якщо обчислено довірчий інтервал, його варто додати. У методах слід вказати, чому обрано рангову кореляцію: наприклад, через порядкову шкалу або через очікувану монотонну нелінійну залежність. Для малої вибірки варто також зазначити спосіб обчислення p-значення чи довірчого інтервалу.
Не потрібно писати, що коефіцієнт Спірмена «довів зв’язок» або що одна змінна «впливає» на іншу, якщо дизайн був кореляційним.
Звідки походить коефіцієнт Спірмена
Метод пов’язаний з британським психологом і психометристом Чарльзом Спірменом. У його статті 1904 року The Proof and Measurement of Association between Two Things в The American Journal of Psychology окремий розділ присвячено порівнянню за рангами — comparison by rank.
Ця робота була частиною ширшої програми Спірмена: він намагався зробити психологічне вимірювання кількісно строгішим, досліджував кореляції, похибки вимірювання та структуру індивідуальних відмінностей. Того самого 1904 року в іншій великій статті він розгорнув аргументацію щодо загального фактора інтелекту g.
Сьогодні ранговий коефіцієнт живе окремим життям від теорії інтелекту Спірмена. Це загальностатистичний метод, який застосовують у психології, медицині, біології, освіті та інших галузях, коли дослідницьке питання стосується порядкового або монотонного зв’язку.
Короткий алгоритм вибору: Пірсон чи Спірмен
Обирайте не за назвою тесту нормальності, а за тим, що саме хочете виміряти.
Якщо обидві змінні кількісні, зв’язок приблизно лінійний і вас цікавлять вихідні числові відстані — розглядайте коефіцієнт Пірсона r.
Якщо хоча б одна змінна порядкова, або вас цікавить монотонний порядок, а лінійність не є вимогою — ρₛ Спірмена часто природніший.
Якщо на графіку видно складну немонотонну залежність, не намагайтеся «виправити» її вибором між двома коефіцієнтами: потрібен інший спосіб моделювання зв’язку.
Якщо дані мають багато однакових порядкових категорій, малу вибірку або складний дизайн, окремо перевірте метод статистичного висновку і альтернативні рангові/порядкові моделі.
Поширені запитання
Чи є коефіцієнт Спірмена непараметричним?
Так, його зазвичай відносять до непараметричних рангових мір асоціації. Але «непараметричний» не означає «не має жодних умов застосування». Парність даних, незалежність спостережень і змістовний порядок змінних залишаються важливими.
Чи можна використовувати коефіцієнт Спірмена для шкали Лайкерта?
Можна, коли відповіді справді мають порядковий зміст. Але коротка шкала з небагатьма категоріями створює багато однакових рангів. Це потрібно враховувати під час вибору коефіцієнта та особливо під час статистичного висновку.
Чи може ρₛ бути більшим за 1?
Ні. Діапазон коефіцієнта — від −1 до +1.
Що краще: ρₛ = 0,6 чи r = 0,6?
Ці числа не слід порівнювати як взаємозамінні оцінки. Коефіцієнти Пірсона і Спірмена використовують різну інформацію й відповідають на дещо різні питання: лінійна асоціація вихідних значень проти монотонної асоціації їхніх рангів.
Чи означає ρₛ = 0, що змінні незалежні?
Ні. Нульовий ρₛ Спірмена означає відсутність виявленої монотонної рангової асоціації. Між змінними може існувати немонотонна залежність.
Чи потрібно вручну рахувати ранги?
Для навчального прикладу це корисно. У реальному аналізі статистичні програми автоматично ранжують значення й обробляють однакові ранги. Досліднику важливіше перевірити, чи правильно обрано метод і як програма обчислює p-значення та довірчий інтервал.
Джерела
Spearman C. The Proof and Measurement of Association between Two Things. The American Journal of Psychology. 1904;15(1):72–101. DOI 10.2307/1412159. JSTOR
NIST Dataplot. Spearman Dissimilarity / Spearman Similarity: визначення ρₛ Спірмена через кореляцію Пірсона ранжованих даних і середні ранги для однакових значень. NIST
NIST Dataplot. Rank Correlation: рангове перетворення, монотонність і обробка однакових значень. NIST
University of Texas at Austin, Statistical Online Support. Spearman Rank Correlation: монотонність, ранги та відмінність від лінійної кореляції. UT Austin
SciPy User Guide. Spearman correlation coefficient hypothesis test: статистичний висновок і перестановочні підходи для невеликих вибірок. SciPy
Yu H, Hutson AD. A robust Spearman correlation coefficient permutation test. Communications in Statistics — Theory and Methods. 2024. DOI 10.1080/03610926.2022.2121144. PubMed
de Winter JCF, Gosling SD, Potter J. Comparing the Pearson and Spearman Correlation Coefficients Across Distributions and Sample Sizes: A Tutorial Using Simulations and Empirical Data. Psychological Methods. 2016;21(3):273–290. DOI 10.1037/met0000079. PubMed
Bishara AJ, Hittner JB. Confidence intervals for correlations when data are not normal. Behavior Research Methods. 2017;49(1):294–309. DOI 10.3758/s13428-016-0702-8. PubMed
Матеріал Українського психологічного ХАБу має освітню мету. У науковому або прикладному аналізі конкретний вибір коефіцієнта й способу статистичного висновку варто узгоджувати зі шкалою вимірювання, дизайном дослідження та властивостями фактичних даних.