Słownik metodologiczny · Zależności i efekty

Korelacja Spearmana – wzór, rangi wiązane i kiedy wybrać ją zamiast Pearsona

Korelacja rang Spearmana mierzy siłę związku monotonicznego – także wtedy, gdy nie jest on liniowy. Pokazujemy wzór krok po kroku, porównanie z Pearsonem na wykresie, rangi wiązane, wybór współczynnika i zapis w APA z kodem R.

Strona główna / Słownik / Korelacja Spearmana
W skrócie: Korelacja Spearmana (rs, ρ) to korelacja Pearsona policzona na rangach. Mierzy siłę i kierunek związku monotonicznego, więc nadaje się do danych porządkowych, skośnych, z obserwacjami odstającymi i do związków rosnących nierównomiernie. Nie wykryje związku w kształcie litery U. W pracy podaj rs ze stopniami swobody, 95% CI i p, np. rs(38) = .94, 95% CI [.88, .97], p < .001.

Co to jest korelacja Spearmana?

Korelacja Spearmana (współczynnik korelacji rang Spearmana, rho Spearmana, rs lub ρ; ang. Spearman’s rank correlation) mierzy siłę i kierunek monotonicznego związku dwóch zmiennych. Liczy się ją tak samo jak korelację Pearsona, tylko nie na surowych wynikach, lecz na ich rangach. Przyjmuje wartości od −1 do +1. Schober i in. (2018) zalecają ją dla danych nienormalnych, porządkowych lub z obserwacjami odstającymi – jako miarę związku monotonicznego, a nie wyłącznie liniowego.

W psychologii korelację Spearmana stosuje się często do danych ze skal porządkowych (np. pojedynczych pozycji skali Likerta), do wyników o silnie skośnym rozkładzie (czas reakcji, liczba objawów) i do związków, które rosną nierównomiernie, np. krzywych uczenia się. Należy do rodziny metod nieparametrycznych, choć test jej istotności ma własne założenia.

Wzór na korelację Spearmana

Gdy w danych nie ma rang wiązanych (powtarzających się wartości), współczynnik można obliczyć prostym wzorem:

rs = 1 − 6Σdi² / [n(n² − 1)]

gdzie di to różnica między rangą osoby w zmiennej X i w zmiennej Y, a n – liczba osób. Przykład dla ośmiu osób (czas nauki listy słów i liczba zapamiętanych słów):

Obliczanie korelacji Spearmana krok po kroku dla ośmiu osób
OsobaCzas (min)SłowaRanga czasuRanga słówdd²
13912−11
2572111
38183300
412204400
5152556−11
620246511
730337700
845348800
rs = 1 − 6 × 4 / [8 × (64 − 1)] = 1 − 24 / 504 = .952

Ten sam wynik daje funkcja cor(x, y, method = "spearman"). Wzór z d² jest skrótem rachunkowym: ogólna definicja to korelacja Pearsona policzona na rangach, i właśnie tak liczą ją programy, zwłaszcza gdy w danych są rangi wiązane.

Związek monotoniczny a liniowy

Związek jest monotoniczny, gdy wraz ze wzrostem jednej zmiennej druga stale rośnie (albo stale maleje), choć niekoniecznie w tym samym tempie. Każdy związek liniowy jest monotoniczny, ale nie odwrotnie. W przykładzie 40 studentów (dane symulowane) uczyło się listy 40 słów przez różny czas (od 2.1 do 52.3 minuty; mediana 10.35). Liczba zapamiętanych słów szybko rosła w pierwszych minutach, a potem zbliżała się do maksimum – to typowa krzywa uczenia się.

Dwa wykresy rozrzutu: po lewej liczba zapamiętanych słów rośnie z czasem nauki krzywoliniowo, a prosta Pearsona słabo pasuje (r = .70); po prawej te same dane po zamianie na rangi układają się wzdłuż prostej (rho Spearmana = .94)
Rysunek 1. Ten sam związek na surowych wynikach (A) i na rangach (B). Na panelu A niebieska linia to prosta regresji, a czerwona krzywa – wygładzony trend danych; na panelu B linia to prosta regresji rang z 95% pasmem ufności. Obliczenia: R (dane symulowane).

Korelacja Pearsona wyniosła r(38) = .70, 95% CI [.50, .83], bo prosta źle opisuje zakrzywiony związek – dla najdłuższej nauki przewiduje więcej słów, niż liczyła cała lista. Korelacja Spearmana wyniosła rs(38) = .94, 95% CI [.88, .97], p < .001: po zamianie na rangi punkty układają się wzdłuż prostej, bo dłuższa nauka niemal zawsze oznaczała więcej zapamiętanych słów. Spearman nie wykryje natomiast związku niemonotonicznego (np. w kształcie litery U) – dlatego zawsze zaczynaj od wykresu rozrzutu.

Wartość rs interpretuj jako stopień zgodności uporządkowania osób w obu zmiennych: rs = .94 znaczy, że osoby, które uczyły się dłużej, prawie zawsze zapamiętywały więcej słów. Kwadrat rs opisuje wspólną wariancję rang, a nie surowych wyników, więc nie przenoś na niego interpretacji r² z korelacji Pearsona. Siłę związku możesz opisywać tymi samymi konwencjami co dla r, ale zawsze z przedziałem ufności – przy małych próbach bywa on bardzo szeroki.

Kiedy wybrać korelację Spearmana, a kiedy Pearsona?

Wybór współczynnika korelacji
SytuacjaZalecany współczynnik
Dwie zmienne ilościowe, związek liniowy, rozkłady zbliżone do normalnegor Pearsona
Związek monotoniczny, ale nieliniowyrs Spearmana
Dane porządkowe (rangi, pojedyncze pozycje Likerta)rs Spearmana lub tau Kendalla
Obserwacje odstające lub rozkłady o grubych ogonachrs Spearmana (sprawdź też dane)
Mała próba, dużo rang wiązanychtau Kendalla albo rs – zob. hasło o Kendallu

Badania symulacyjne doprecyzowują te reguły. De Winter i in. (2016) wykazali, że przy rozkładach normalnych oba współczynniki mają podobne wartości oczekiwane, ale rs jest bardziej zmienny, natomiast przy rozkładach o grubych ogonach – typowych dla danych ankietowych – mniej zmienny jest rs i to on jest preferowany. Bishara i Hittner (2012) porównali 12 metod testowania istotności korelacji przy danych nienormalnych: przy n ≥ 20 błędy I i II rodzaju najlepiej minimalizowało przekształcenie danych do rozkładu normalnego (rankit) przed obliczeniem r Pearsona, a przy bardzo małych i skrajnie nienormalnych próbach – test permutacyjny. Spearman nie jest więc automatycznie najlepszym wyborem przy każdym odstępstwie od rozkładu normalnego. Mukaka (2012) na danych symulowanych i rzeczywistych pokazuje, jak często współczynnik korelacji jest używany niewłaściwie.

Rangi wiązane

Gdy kilka osób ma ten sam wynik, każda otrzymuje rangę średnią z miejsc, które razem zajmują – tak traktował wartości wiązane Kendall (1945). Jeśli dwie osoby zajmują miejsca 2 i 3, obie dostają rangę 2.5; jeśli cztery osoby zajmują miejsca 7–10, każda dostaje 8.5. Przy danych z pozycji skali Likerta wiązań jest bardzo dużo.

W przykładzie z dwiema pozycjami skali 1–5 odpowiedziało 12 osób. Korelacja Spearmana policzona na rangach średnich wyniosła rs(10) = .78, p = .003, a uproszczony wzór z d² dał .79 – przy rangach wiązanych jest on tylko przybliżeniem. R ostrzega też, że przy wiązaniach nie może policzyć dokładnej wartości p („Cannot compute exact p-value with ties”), więc podaje p przybliżone. To nie błąd analizy, ale warto wiedzieć, skąd się bierze.

Jak opisać korelację Spearmana w pracy (APA)

Napisz, że użyto korelacji rang Spearmana i dlaczego, a potem podaj rs ze stopniami swobody (n − 2), 95% CI i p, bez zera przed kropką. Wzór dla przykładu:

Ponieważ związek czasu nauki z liczbą zapamiętanych słów był monotoniczny, ale nieliniowy, obliczono korelację rang Spearmana. Dłuższy czas nauki wiązał się z większą liczbą zapamiętanych słów, rs(38) = .94, 95% CI [.88, .97], p < .001.

Przy wielu zmiennych zbierz współczynniki w macierzy i zaznacz w nocie, że są to korelacje Spearmana – wzór znajdziesz w haśle tabela korelacji w APA.

Przykład reprodukowalny

Przykład w R

Kod porównuje korelację Pearsona i Spearmana na danych z przykładu, liczy przedział ufności dla rs, odtwarza przykład ręczny ze wzorem na d² i pokazuje, co dzieje się przy rangach wiązanych. Liczby w tekście pochodzą z tego kodu.

Korelacja Spearmana: przykład, wzór i rangi wiązane

Dane wejściowe: 40 osób (dane symulowane, set.seed(491)): czas nauki listy słów (min) i liczba zapamiętanych słów (0–40); mały przykład ręczny (8 osób) i dwie pozycje skali Likerta (12 osób).

Co odczytać: cor i rho z testów, przedział ufności dla rho z cor_test(), tabelę rang i różnic d oraz rangi średnie i ostrzeżenie o rangach wiązanych.

R
library(correlation)   # cor_test(): rho z 95% przedziałem ufności

# Dane symulowane: czas nauki listy 40 słów (min) i liczba zapamiętanych słów, N = 40
set.seed(491)
n <- 40
czas <- pmin(pmax(round(exp(rnorm(n, log(10), 0.8)), 1), 1), 60)
slowa <- pmin(pmax(round(38 * (1 - exp(-czas / 8)) + rnorm(n, sd = 3)), 0), 40)
dane <- data.frame(czas, slowa)

# Pearson i Spearman dla tych samych danych
cor.test(czas, slowa)                                       # r Pearsona
cor.test(czas, slowa, method = "spearman", exact = FALSE)   # rho Spearmana
cor(rank(czas), rank(slowa))                                # to samo: r Pearsona policzone na rangach
cor_test(dane, "czas", "slowa", method = "spearman")       # rho z 95% CI

# Przykład ręczny bez rang wiązanych: rho = 1 - 6 * suma(d^2) / (n * (n^2 - 1))
x <- c(3, 5, 8, 12, 15, 20, 30, 45)
y <- c(9, 7, 18, 20, 25, 24, 33, 34)
d <- rank(x) - rank(y)
data.frame(x, y, ranga_x = rank(x), ranga_y = rank(y), d, d2 = d^2)
1 - 6 * sum(d^2) / (8 * (8^2 - 1))
cor(x, y, method = "spearman")

# Rangi wiązane: dwie pozycje skali Likerta (1–5), n = 12
p1 <- c(1, 2, 2, 3, 3, 3, 4, 4, 4, 4, 5, 5)
p2 <- c(2, 1, 3, 2, 3, 4, 3, 4, 5, 4, 4, 5)
rank(p1)                                                    # rangi średnie wartości wiązanych
cor.test(p1, p2, method = "spearman")                       # ostrzeżenie: brak dokładnego p
1 - 6 * sum((rank(p1) - rank(p2))^2) / (12 * (12^2 - 1))    # uproszczony wzór – przy wiązaniach niedokładny
Wynik w R

	Pearson's product-moment correlation

data:  czas and slowa
t = 6.0711, df = 38, p-value = 4.548e-07
alternative hypothesis: true correlation is not equal to 0
95 percent confidence interval:
 0.4993309 0.8314596
sample estimates:
      cor 
0.7016943 


	Spearman's rank correlation rho

data:  czas and slowa
S = 679.64, p-value < 2.2e-16
alternative hypothesis: true rho is not equal to 0
sample estimates:
      rho 
0.9362441 

[1] 0.9362441
Parameter1 | Parameter2 |  rho |       95% CI |      S |         p
------------------------------------------------------------------
czas       |      slowa | 0.94 | [0.88, 0.97] | 679.64 | < .001***

Observations: 40
   x  y ranga_x ranga_y  d d2
1  3  9       1       2 -1  1
2  5  7       2       1  1  1
3  8 18       3       3  0  0
4 12 20       4       4  0  0
5 15 25       5       6 -1  1
6 20 24       6       5  1  1
7 30 33       7       7  0  0
8 45 34       8       8  0  0
[1] 0.952381
[1] 0.952381
 [1]  1.0  2.5  2.5  5.0  5.0  5.0  8.5  8.5  8.5  8.5 11.5 11.5
Warning in cor.test.default(p1, p2, method = "spearman") :
  Cannot compute exact p-value with ties

	Spearman's rank correlation rho

data:  p1 and p2
S = 63.026, p-value = 0.002789
alternative hypothesis: true rho is not equal to 0
sample estimates:
      rho 
0.7796296 

[1] 0.791958

Bibliografia oprogramowania

Wyniki na tej stronie pochodzą z uruchomienia pokazanego kodu w R 4.5.3; rysunek przygotowano w pakietach ggplot2 i patchwork. W pracy podaj wersje faktycznie użytych pakietów (sessionInfo()).

  1. R: R Core Team. (2026). R: A language and environment for statistical computing (Version 4.5.3) [Computer software]. R Foundation for Statistical Computing. https://www.R-project.org/
  2. correlation (wersja 0.8.8): Makowski, D., Ben-Shachar, M. S., Patil, I., & Lüdecke, D. (2020). Methods and algorithms for correlation analysis in R. Journal of Open Source Software, 5(51), 2306. https://doi.org/10.21105/joss.02306
  3. ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org
  4. patchwork (wersja 1.3.2): Pedersen, T. L. (2025). patchwork: The composer of plots [R package]. https://doi.org/10.32614/CRAN.package.patchwork

Najczęstsze błędy

  • Traktowanie Spearmana jako miary każdego związku. Wykrywa związki monotoniczne; zależność w kształcie litery U może dać rs bliskie zera.
  • Automatyczne przejście na Spearmana po teście normalności. Przy łagodnych odstępstwach i większych próbach Pearson często działa dobrze, a przy danych nienormalnych istnieją też inne rozwiązania (Bishara i Hittner, 2012).
  • Interpretowanie rs jak związku liniowego surowych wyników. rs = .94 nie znaczy, że punkty leżą blisko prostej – leżą blisko krzywej rosnącej.
  • Liczenie uproszczonego wzoru przy rangach wiązanych. Używaj korelacji Pearsona na rangach średnich (tak liczą programy).
  • Brak informacji o rodzaju korelacji. W tekście i w tabeli zawsze zaznacz, czy podajesz r Pearsona, czy rs Spearmana.

Najczęstsze pytania

Kiedy stosować korelację Spearmana zamiast Pearsona?

Gdy dane są porządkowe (rangi, pojedyncze pozycje skali Likerta), gdy związek jest monotoniczny, ale nieliniowy, oraz gdy w danych są obserwacje odstające albo rozkłady o grubych ogonach. Przy zmiennych ilościowych o związku liniowym i rozkładach zbliżonych do normalnego lepsza jest korelacja Pearsona.

Jak obliczyć korelację Spearmana?

Zamień wyniki obu zmiennych na rangi i policz korelację Pearsona na rangach. Gdy nie ma rang wiązanych, wystarczy wzór rs = 1 − 6Σd² / [n(n² − 1)], gdzie d to różnica rang osoby. W R: cor.test(x, y, method = "spearman").

Co oznacza związek monotoniczny?

Taki, w którym wraz ze wzrostem jednej zmiennej druga stale rośnie albo stale maleje, ale niekoniecznie w tym samym tempie – na przykład szybki przyrost zapamiętanych słów na początku nauki, a potem coraz wolniejszy. Związek liniowy jest szczególnym przypadkiem związku monotonicznego.

Co zrobić z rangami wiązanymi w korelacji Spearmana?

Osobom o tym samym wyniku nadaje się rangę średnią z zajmowanych miejsc (np. 2.5 zamiast 2 i 3), a współczynnik liczy jako korelację Pearsona na rangach. Uproszczony wzór z d² jest wtedy tylko przybliżeniem, a R podaje przybliżoną zamiast dokładnej wartości p.

Jak zapisać korelację Spearmana w APA?

Podaj rs ze stopniami swobody (n − 2), 95% przedział ufności i p, bez zera przed kropką, np. rs(38) = .94, 95% CI [.88, .97], p < .001. W tabeli lub nocie zaznacz, że są to korelacje Spearmana.

Powiązane hasła

Poradniki, w których użyjesz tego pojęcia

Potrzebujesz wsparcia w analizie danych?

Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.

Wyceń analizęOferta dla studentów

Bibliografia i dalsza literatura naukowa (APA 7)

  1. Bishara, A. J., & Hittner, J. B. (2012). Testing the significance of a correlation with nonnormal data: Comparison of Pearson, Spearman, transformation, and resampling approaches. Psychological Methods, 17(3), 399–417. https://doi.org/10.1037/a0028087
  2. de Winter, J. C. F., Gosling, S. D., & Potter, J. (2016). Comparing the Pearson and Spearman correlation coefficients across distributions and sample sizes: A tutorial using simulations and empirical data. Psychological Methods, 21(3), 273–290. https://doi.org/10.1037/met0000079 ● Otwarty dostęp: pełny tekst
  3. Kendall, M. G. (1945). The treatment of ties in ranking problems. Biometrika, 33(3), 239–251. https://doi.org/10.1093/biomet/33.3.239
  4. Mukaka, M. M. (2012). Statistics corner: A guide to appropriate use of correlation coefficient in medical research. Malawi Medical Journal, 24(3), 69–71. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC3576830/ ● Otwarty dostęp
  5. Schober, P., Boer, C., & Schwarte, L. A. (2018). Correlation coefficients: Appropriate use and interpretation. Anesthesia & Analgesia, 126(5), 1763–1768. https://doi.org/10.1213/ANE.0000000000002864 ● Otwarty dostęp

Cytowania BibTeX

@article{bishara2012testing, author={Bishara, Anthony J. and Hittner, James B.}, title={{Testing the significance of a correlation with nonnormal data: Comparison of Pearson, Spearman, transformation, and resampling approaches}}, journal={Psychological Methods}, year={2012}, volume={17}, number={3}, pages={399--417}, doi={10.1037/a0028087}}
@article{dewinter2016comparing, author={de Winter, Joost C. F. and Gosling, Samuel D. and Potter, Jeff}, title={{Comparing the Pearson and Spearman correlation coefficients across distributions and sample sizes: A tutorial using simulations and empirical data}}, journal={Psychological Methods}, year={2016}, volume={21}, number={3}, pages={273--290}, doi={10.1037/met0000079}}
@article{kendall1945treatment, author={Kendall, M. G.}, title={{The treatment of ties in ranking problems}}, journal={Biometrika}, year={1945}, volume={33}, number={3}, pages={239--251}, doi={10.1093/biomet/33.3.239}}
@article{mukaka2012guide, author={Mukaka, M. M.}, title={{Statistics corner: A guide to appropriate use of correlation coefficient in medical research}}, journal={Malawi Medical Journal}, year={2012}, volume={24}, number={3}, pages={69--71}, url={https://www.ncbi.nlm.nih.gov/pmc/articles/PMC3576830/}}
@article{schober2018correlation, author={Schober, Patrick and Boer, Christa and Schwarte, Lothar A.}, title={{Correlation coefficients: Appropriate use and interpretation}}, journal={Anesthesia \& Analgesia}, year={2018}, volume={126}, number={5}, pages={1763--1768}, doi={10.1213/ane.0000000000002864}}
R