Korelacja cząstkowa

Opracowanie merytoryczne: Konrad Hryniewicz · Opublikowano: 21 sierpnia 2026 · Aktualizacja: 22 sierpnia 2026

Co oznacza Korelacja cząstkowa?

Korelacja cząstkowa opisuje związek X–Y po usunięciu liniowego wpływu zmiennych kontrolnych z obu zmiennych.

Zastosowanie, warunki i dobre praktyki

Korelacja cząstkowa usuwa liniową część związaną ze zmiennymi kontrolnymi zarówno z X, jak i z Y, a następnie koreluje pozostałe reszty. Odpowiada więc na pytanie o zależność dwóch zmiennych przy stałym zestawie kowariantów. Nie tworzy jednak automatycznie efektu przyczynowego: wynik zależy od poprawnego wyboru zmiennych kontrolnych, postaci funkcji i braku istotnych zakłóceń.

Najważniejsze zastosowanie: Używaj do opisu związku warunkowego przy poprawnie dobranych kontrolach.

Jak to się oblicza i co oznaczają symbole?

rₓᵧ·z = (rₓᵧ − rₓz rᵧz) / √[(1−rₓz²)(1−rᵧz²)]

W liczniku odejmuje się część związku X–Y powiązaną z Z, a mianownik skaluje pozostałą zmienność obu zmiennych. Wynik jest zależnością warunkową, nie automatycznie efektem przyczynowym.

Jak poprawnie stosować i interpretować hasło „Korelacja cząstkowa”?

W odniesieniu do pojęcia „Korelacja cząstkowa” kluczowe jest określenie typu zależności, który ma mierzyć współczynnik: liniowej, monotonicznej, rangowej albo warunkowej po kontroli innych zmiennych. W odniesieniu do hasła „Korelacja cząstkowa” przed obliczeniem wyniku należy obejrzeć wykres i sprawdzić zakres pomiaru, skupienia danych oraz obserwacje wpływowe. Przy ocenie hasła „Korelacja cząstkowa” identyczna wartość współczynnika może opisywać zupełnie inne układy punktów, dlatego liczba nie zastępuje obrazu relacji.

Wiarygodność „Korelacja cząstkowa” zależy od jakości obu pomiarów, doboru próby i zgodności użytego współczynnika z kształtem relacji. W analizie dotyczącej hasła „Korelacja cząstkowa” ograniczenie zakresu zmiennej może osłabić wynik, a mieszanie podgrup może stworzyć albo odwrócić zależność. Dla interpretacji hasła „Korelacja cząstkowa”, gdy wynik ma służyć wnioskowaniu, warto podać przedział ufności i przeprowadzić analizę wrażliwości na punkty wpływowe.

Co trzeba opisać w raporcie?

W raporcie dotyczącym „Korelacja cząstkowa” należy nazwać współczynnik, obie zmienne, liczebność oraz kierunek i siłę zależności. W odniesieniu do hasła „Korelacja cząstkowa” wartość punktową uzupełnia się przedziałem ufności i wartością p, lecz wniosek merytoryczny powinien odnosić się do skali zmiennych oraz wykresu, a nie do samej etykiety „słaba” lub „silna”.

Zakres raportowania dla hasła „Korelacja cząstkowa”: r_partial = …, 95% CI […], p = …; wymień kontrolowane zmienne.

Przykład praktyczny i gotowa interpretacja

Sytuacja: Związek aktywności i nastroju po kontroli wieku i stanu zdrowia.

Jak ją zinterpretować: Wynik opisuje relację reszt X i Y po liniowym usunięciu wskazanych kowariantów z obu zmiennych. Jest zależny od zestawu kontrolnego i nie staje się efektem przyczynowym bez założeń projektowych.

Najczęstsza pułapka i granica interpretacji

Kontrola kolidera lub mediatora może zniekształcić zależność zamiast ją „oczyścić”.

Interpretacja „Korelacja cząstkowa” nie pozwala sama w sobie mówić o wpływie jednej zmiennej na drugą. W analizie dotyczącej hasła „Korelacja cząstkowa” zależność może wynikać ze wspólnej przyczyny, selekcji próby, trendu czasowego albo sposobu pomiaru.

Przykład reprodukowalny dla tego hasła

Korelacja cząstkowa i semicząstkowa

Przykład oblicza korelację X–Y po liniowym usunięciu wpływu wskazanej zmiennej Z.

Dane wejściowe: Kolumny x, y i kontrola. Zmienną kontrolną wybierz na podstawie modelu przyczynowego, nie automatycznie.

Co sprawdzić w wyniku: Korelacja cząstkowa residualizuje x i y; semicząstkowa residualizuje tylko wskazany predyktor.

dane <- na.omit(read.csv("dane.csv")[c("x", "y", "kontrola")])

# Korelacja cząstkowa: reszty X i Y po kontroli Z.
rx <- resid(lm(x ~ kontrola, data = dane))
ry <- resid(lm(y ~ kontrola, data = dane))
cor.test(rx, ry)

# Korelacja semicząstkowa: z Y korelują reszty X po kontroli Z.
cor.test(rx, dane$y)

Python

import pandas as pd
import statsmodels.api as sm
from scipy import stats

d = pd.read_csv("dane.csv")[["x", "y", "kontrola"]].dropna()
z = sm.add_constant(d[["kontrola"]])
rx = sm.OLS(d["x"], z).fit().resid
ry = sm.OLS(d["y"], z).fit().resid

print("czastkowa:", stats.pearsonr(rx, ry))
print("semiczastkowa:", stats.pearsonr(rx, d["y"]))

IBM SPSS Statistics — Syntax

PARTIAL CORR
 /VARIABLES=x y BY kontrola
 /SIGNIFICANCE=TWOTAIL
 /MISSING=LISTWISE.

* Semicząstkowa: zapisz reszty X po kontroli Z, potem skoreluj je z Y.
REGRESSION /DEPENDENT=x /METHOD=ENTER kontrola /SAVE RESID(rx_resid).
CORRELATIONS /VARIABLES=rx_resid y /PRINT=TWOTAIL SIG.

Bibliografia oprogramowania i wykorzystanych pakietów

W przykładach użyto: R, Python, IBM SPSS Statistics, pandas, SciPy, statsmodels. W pracy badawczej podaj również faktycznie użyte wersje, które można odczytać poleceniami sessionInfo() w R oraz pip freeze lub importlib.metadata.version() w Pythonie. Cytuj wyłącznie narzędzia rzeczywiście użyte w końcowej analizie.

R: R Core Team. (2026). R: A language and environment for statistical computing [Computer software]. R Foundation for Statistical Computing. https://www.R-project.org/
Python: Van Rossum, G., & Drake, F. L., Jr. (2009). Python 3 reference manual. CreateSpace.
IBM SPSS Statistics: IBM Corp. (2025). IBM SPSS Statistics for Macintosh (Version 31.0) [Computer software]. IBM Corp.
pandas: McKinney, W. (2010). Data structures for statistical computing in Python. In S. van der Walt & J. Millman (Eds.), Proceedings of the 9th Python in Science Conference (pp. 56–61). https://doi.org/10.25080/Majora-92bf1922-00a
SciPy: Virtanen, P., Gommers, R., Oliphant, T. E., Haberland, M., Reddy, T., Cournapeau, D., Burovski, E., Peterson, P., Weckesser, W., Bright, J., van der Walt, S. J., Brett, M., Wilson, J., Millman, K. J., Mayorov, N., Nelson, A. R. J., Jones, E., Kern, R., Larson, E., … SciPy 1.0 Contributors. (2020). SciPy 1.0: Fundamental algorithms for scientific computing in Python. Nature Methods, 17, 261–272. https://doi.org/10.1038/s41592-019-0686-2
statsmodels: Seabold, S., & Perktold, J. (2010). Statsmodels: Econometric and statistical modeling with Python. In S. van der Walt & J. Millman (Eds.), Proceedings of the 9th Python in Science Conference (pp. 92–96). https://doi.org/10.25080/Majora-92bf1922-011

BibTeX dla oprogramowania i pakietów

@manual{r-core-2026,
  author = {{R Core Team}},
  title = {R: A Language and Environment for Statistical Computing},
  organization = {R Foundation for Statistical Computing},
  address = {Vienna, Austria},
  year = {2026},
  url = {https://www.R-project.org/}
}

@book{vanrossum2009python,
  author = {Van Rossum, Guido and Drake, Fred L., Jr.},
  title = {Python 3 Reference Manual},
  publisher = {CreateSpace},
  year = {2009},
  isbn = {978-1-4414-1269-0}
}

@software{ibm2025spss,
  author = {{IBM Corp.}},
  title = {IBM SPSS Statistics for Macintosh},
  year = {2025},
  version = {31.0},
  publisher = {IBM Corp.}
}

@inproceedings{mckinney2010pandas,
  author = {McKinney, Wes},
  title = {Data Structures for Statistical Computing in Python},
  booktitle = {Proceedings of the 9th Python in Science Conference},
  editor = {van der Walt, Stéfan and Millman, Jarrod},
  year = {2010},
  pages = {56--61},
  doi = {10.25080/Majora-92bf1922-00a}
}

@article{virtanen2020scipy,
  author = {Virtanen, Pauli and Gommers, Ralf and Oliphant, Travis E. and Haberland, Matt and Reddy, Tyler and others},
  title = {SciPy 1.0: Fundamental Algorithms for Scientific Computing in Python},
  journal = {Nature Methods},
  year = {2020},
  volume = {17},
  pages = {261--272},
  doi = {10.1038/s41592-019-0686-2}
}

@inproceedings{seabold2010statsmodels,
  author = {Seabold, Skipper and Perktold, Josef},
  title = {Statsmodels: Econometric and Statistical Modeling with Python},
  booktitle = {Proceedings of the 9th Python in Science Conference},
  year = {2010},
  pages = {92--96},
  doi = {10.25080/Majora-92bf1922-011}
}

Definicje, zalecenia interpretacyjne i sposób raportowania oparto na literaturze metodologicznej wskazanej w bibliografii (Lakens, 2013).

Powiązane hasła

Poradniki, w których użyjesz tego pojęcia

Poradnik

Potrzebujesz wsparcia w analizie danych?

Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.

Oferta dla badaczy Oferta dla studentów

Bibliografia i dalsza literatura naukowa (APA 7)

Lakens, D. (2013). Calculating and reporting effect sizes to facilitate cumulative science: A practical primer for t-tests and ANOVAs. Frontiers in Psychology, 4, 863. https://doi.org/10.3389/fpsyg.2013.00863
Sullivan, G. M., & Feinn, R. (2012). Using effect size—or why the P value is not enough. Journal of Graduate Medical Education, 4(3), 279–282. https://doi.org/10.4300/JGME-D-12-00156.1
Greenland, S., Senn, S. J., Rothman, K. J., Carlin, J. B., Poole, C., Goodman, S. N., & Altman, D. G. (2016). Statistical tests, P values, confidence intervals, and power: A guide to misinterpretations. European Journal of Epidemiology, 31(4), 337–350. https://doi.org/10.1007/s10654-016-0149-3
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. https://doi.org/10.1037/amp0000191
Wasserstein, R. L., & Lazar, N. A. (2016). The ASA statement on p-values: Context, process, and purpose. The American Statistician, 70(2), 129–133. https://doi.org/10.1080/00031305.2016.1154108
Wilkinson, L., & Task Force on Statistical Inference. (1999). Statistical methods in psychology journals: Guidelines and explanations. American Psychologist, 54(8), 594–604. https://doi.org/10.1037/0003-066X.54.8.594

Cytowania BibTeX

@article{lakens2013effect, author={Lakens, Daniël}, title={Calculating and reporting effect sizes to facilitate cumulative science}, journal={Frontiers in Psychology}, year={2013}, volume={4}, pages={863}, doi={10.3389/fpsyg.2013.00863}}

@article{sullivan2012effectsize, author={Sullivan, Gail M. and Feinn, Richard}, title={Using effect size—or why the P value is not enough}, journal={Journal of Graduate Medical Education}, year={2012}, volume={4}, number={3}, pages={279--282}, doi={10.4300/JGME-D-12-00156.1}}

@article{greenland2016misinterpretations, author={Greenland, Sander and Senn, Stephen J. and Rothman, Kenneth J. and Carlin, John B. and Poole, Charles and Goodman, Steven N. and Altman, Douglas G.}, title={Statistical tests, P values, confidence intervals, and power: a guide to misinterpretations}, journal={European Journal of Epidemiology}, year={2016}, volume={31}, number={4}, pages={337--350}, doi={10.1007/s10654-016-0149-3}}

@article{appelbaum2018jars, author={Appelbaum, Mark and Cooper, Harris and Kline, Rex B. and Mayo-Wilson, Evan and Nezu, Arthur M. and Rao, Stephen M.}, title={Journal article reporting standards for quantitative research in psychology}, journal={American Psychologist}, year={2018}, volume={73}, number={1}, pages={3--25}, doi={10.1037/amp0000191}}

@article{wasserstein2016pvalues, author={Wasserstein, Ronald L. and Lazar, Nicole A.}, title={The ASA Statement on p-Values: Context, Process, and Purpose}, journal={The American Statistician}, year={2016}, volume={70}, number={2}, pages={129--133}, doi={10.1080/00031305.2016.1154108}}

@article{wilkinson1999statistical, author={Wilkinson, Leland and {Task Force on Statistical Inference}}, title={Statistical methods in psychology journals: Guidelines and explanations}, journal={American Psychologist}, year={1999}, volume={54}, number={8}, pages={594--604}, doi={10.1037/0003-066X.54.8.594}}