Korelacja polichoryczna – co to jest i kiedy jej używać?

Opracowanie merytoryczne: Konrad Hryniewicz · Opublikowano: 18 października 2026

Co to jest korelacja polichoryczna?

Korelacja polichoryczna (ang. polychoric correlation) to oszacowanie korelacji dwóch ciągłych zmiennych ukrytych o rozkładzie normalnym, które – jak się zakłada – stoją za odpowiedziami na dwie pozycje porządkowe. Olsson (1979) opisuje ją jako uogólnienie korelacji tetrachorycznej, liczonej dla dwóch zmiennych 0/1, na więcej kategorii. W psychologii służy głównie jako punkt wyjścia analizy czynnikowej pozycji skali Likerta i pytań testowych punktowanych 0/1.

Model progów i sposób szacowania

Odpowiedź traktuje się tak, jakby ciągłą cechę X* pocięto progami τ:

W metodzie dwuetapowej najpierw wyznacza się progi z rozkładu odpowiedzi na każdą pozycję, a potem szuka takiego ρ, które najlepiej odtwarza liczebności w tabeli krzyżowej obu pozycji (Olsson, 1979). Kody kategorii (1, 2, 3…) służą tylko do ich uporządkowania, jak na każdej skali porządkowej. Macierz takich korelacji dla wszystkich par pozycji analizuje się potem w EFA lub CFA zamiast zwykłej macierzy Pearsona.

Przykład

Czterysta osób oceniło na skali 0–3 (od „wcale” do „prawie codziennie”) problemy ze snem i zmęczenie; dane symulowano przy korelacji cech ukrytych .60, a „wcale” wybrała ponad połowa badanych. Korelacja Pearsona policzona na kodach odpowiedzi wyniosła r = .47, a korelacja polichoryczna ρ = .59 (SE = 0.05). Test dwuwymiarowej normalności nie wykazał niezgodności z modelem, χ²(8) = 2.02, p = .981. Pearson zaniża związek, bo cztery skośne kategorie gubią część informacji o cesze. Pierwszy próg pozycji o śnie, τ₁ = 0.29, oznacza, że odpowiedź inną niż „wcale” daje dopiero nasilenie cechy wyższe od średniej o 0.29 odchylenia standardowego.

Jak zapisać w pracy

Na co uważać

• Normalność cech ukrytych to założenie. Flora i Curran (2004) pokazali w symulacji, że korelacje polichoryczne znoszą umiarkowane odstępstwa od niego, a CFA oparta na nich z odpornym WLS (np. WLSMV) działała dobrze we wszystkich warunkach; pełny WLS zawodził w mniejszych próbach.
• Rzadkie kategorie dają puste komórki tabeli i niestabilne oszacowania – rozważ połączenie skrajnych odpowiedzi.
• ρ opisuje cechy ukryte, a nie wyniki. Związek sum punktów czy wyników skal opisuj zwykłymi współczynnikami.
• Nie zawsze jest potrzebna. Rhemtulla i in. (2012) zalecają metody kategorialne przy mniej niż pięciu kategoriach, a odporny ML przy pięciu i więcej, zwłaszcza w małej próbie i przy w przybliżeniu symetrycznych progach. Jak dobrać metodę, opisujemy w poradniku o analizie czynnikowej EFA i CFA.

set.seed(172)
z1 <- rnorm(400)                                     # cecha ukryta 1: problemy ze snem (400 osób)
z2 <- 0.6 * z1 + sqrt(1 - 0.6^2) * rnorm(400)        # cecha ukryta 2: zmęczenie; korelacja cech .60
progi <- c(-Inf, 0.3, 1.0, 1.6, Inf)                 # skośne odpowiedzi: najczęściej „wcale”
poz <- data.frame(sen = cut(z1, progi, labels = FALSE) - 1, zmeczenie = cut(z2, progi, labels = FALSE) - 1)
table(poz)                                           # kody 0 = wcale … 3 = prawie codziennie
psych::polychoric(poz)                               # ρ i progi τ (metoda dwuetapowa)
pc <- polycor::polychor(poz$sen, poz$zmeczenie, std.err = TRUE)   # SE i test dwuwymiarowej normalności
round(c(r_Pearson = cor(poz)[1, 2], rho = pc$rho, SE = sqrt(pc$var[1, 1]), chi2 = pc$chisq, df = pc$df,
        p_normalnosc = pchisq(pc$chisq, pc$df, lower.tail = FALSE)), 3)

   zmeczenie
sen   0   1   2   3
  0 192  35  13   5
  1  44  26  18   6
  2  14  15  11   7
  3   1   3   4   6
Call: psych::polychoric(x = poz)
Polychoric correlations 
          sen  zmczn
sen       1.00      
zmeczenie 0.59 1.00 

 with tau of 
             1    2   3
sen       0.29 1.03 1.8
zmeczenie 0.33 0.93 1.6
   r_Pearson          rho           SE         chi2           df p_normalnosc 
       0.474        0.590        0.045        2.016        8.000        0.981 

Najczęstsze pytania

Czym różni się korelacja polichoryczna od tetrachorycznej?

Korelacja tetrachoryczna to szczególny przypadek polichorycznej: dotyczy dwóch zmiennych 0/1, np. pytań testu punktowanych dobrze–źle. Polichoryczna obejmuje zmienne o trzech i więcej uporządkowanych kategoriach. Obie zakładają normalne cechy ukryte.

Jak policzyć korelację polichoryczną w R?

Użyj polychoric() z pakietu psych – zwraca korelacje ($rho) i progi ($tau). Błąd standardowy i test normalności poda polycor::polychor(), a EFA na macierzy polichorycznej – fa(dane, cor = "poly").

Kiedy użyć korelacji polichorycznej zamiast Pearsona?

Gdy analizujesz strukturę pozycji porządkowych o małej liczbie kategorii, zwłaszcza poniżej pięciu, lub o skośnych rozkładach, np. w EFA i CFA. Do opisu związku sum punktów skal wystarczy korelacja Pearsona lub Spearmana.

Powiązane hasła

Poradniki, w których użyjesz tego pojęcia

@article{flora2004empirical, author={Flora, David B. and Curran, Patrick J.}, title={{An empirical evaluation of alternative methods of estimation for confirmatory factor analysis with ordinal data}}, journal={Psychological Methods}, year={2004}, volume={9}, number={4}, pages={466--491}, doi={10.1037/1082-989x.9.4.466}}

@article{olsson1979maximum, author={Olsson, Ulf}, title={{Maximum likelihood estimation of the polychoric correlation coefficient}}, journal={Psychometrika}, year={1979}, volume={44}, number={4}, pages={443--460}, doi={10.1007/bf02296207}}

@article{rhemtulla2012when, author={Rhemtulla, Mijke and Brosseau-Liard, Patricia É. and Savalei, Victoria}, title={{When can categorical variables be treated as continuous? A comparison of robust continuous and categorical SEM estimation methods under suboptimal conditions}}, journal={Psychological Methods}, year={2012}, volume={17}, number={3}, pages={354--373}, doi={10.1037/a0029315}}