Korelacja

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

Co oznacza Korelacja?

Korelacja opisuje kierunek i siłę współzmienności dwóch zmiennych; wybór współczynnika zależy od skali i kształtu relacji.

Zastosowanie, warunki i dobre praktyki

Słowo „korelacja” nie wskazuje jeszcze konkretnego współczynnika. Pearson opisuje relację liniową, Spearman monotoniczną zależność rang, a korelacje cząstkowe i semicząstkowe odpowiadają na pytania warunkowe. Dobór miary powinien wynikać z pytania, skali i wykresu; ta sama wartość liczbowa może ukrywać nieliniowość, podgrupy albo wpływ pojedynczego przypadku.

Najważniejsze zastosowanie: Stosuj Pearsona dla zależności liniowej ilościowej, Spearmana dla monotonicznej/rangowej lub inne miary dla danych specjalnych.

Jak to się oblicza i co oznaczają symbole?

r = cov(X,Y) / (sₓsᵧ)

Dla korelacji Pearsona standaryzacja kowariancji przez s_Xs_Y tworzy miarę relacji liniowej. Pojęcie korelacji jest jednak szersze: Spearman opisuje monotoniczność rang, korelacja cząstkowa relację warunkową, a inne współczynniki odpowiadają innym skalom danych. Nazwa użytej miary jest zatem częścią wyniku.

Jak poprawnie stosować i interpretować hasło „Korelacja”?

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

Wiarygodność „Korelacja” zależy od jakości obu pomiarów, doboru próby i zgodności użytego współczynnika z kształtem relacji. Dla interpretacji hasła „Korelacja” ograniczenie zakresu zmiennej może osłabić wynik, a mieszanie podgrup może stworzyć albo odwrócić zależność. W odniesieniu do hasła „Korelacja”, 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” należy nazwać współczynnik, obie zmienne, liczebność oraz kierunek i siłę zależności. Przy ocenie hasła „Korelacja” 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”: r = …, 95% CI […], p = …, N = …; dodaj wykres rozrzutu.

Przykład praktyczny i gotowa interpretacja

Sytuacja: r = .45 oznacza umiarkowaną dodatnią relację liniową, nie 45% wspólnej wariancji.

Jak ją zinterpretować: Współczynnik opisuje określony rodzaj współzmienności, którego postać trzeba dobrać do skali i wykresu. Sama dodatnia lub ujemna wartość nie rozstrzyga kierunku wpływu ani nie wyklucza trzeciej zmiennej.

Najczęstsza pułapka i granica interpretacji

Korelacja nie ustala kierunku przyczynowego i może wynikać ze zmiennej trzeciej.

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

Przykład reprodukowalny dla tego hasła

Korelacja Pearsona i Spearmana

Kod porównuje korelację Pearsona i Spearmana dla tych samych par obserwacji oraz pokazuje wykres rozrzutu.

Dane wejściowe: Kolumny x i y są parami obserwacji. Przed Pearsonem sprawdź liniowość i punkty wpływowe; przed Spearmanem monotoniczność.

Co sprawdzić w wyniku: Raportuj współczynnik, 95% CI, p, N i wykres. Korelacja nie ustala przyczynowości.

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

pearson <- cor.test(d$x, d$y, method = "pearson", conf.level = .95)
spearman <- cor.test(d$x, d$y, method = "spearman", exact = FALSE)
pearson
spearman

plot(d$x, d$y, pch = 19, col = "#244A87", xlab = "X", ylab = "Y")
abline(lm(y ~ x, data = d), col = "#E9A820", lwd = 2)

Python

import pandas as pd
from scipy import stats
import matplotlib.pyplot as plt

d = pd.read_csv("dane.csv")[["x", "y"]].dropna()
print("Pearson:", stats.pearsonr(d["x"], d["y"]))
print("Spearman:", stats.spearmanr(d["x"], d["y"]))

plt.scatter(d["x"], d["y"], alpha=.7)
slope, intercept, *_ = stats.linregress(d["x"], d["y"])
plt.plot(d["x"], intercept + slope * d["x"], color="#E9A820")
plt.show()

IBM SPSS Statistics — Syntax

CORRELATIONS
 /VARIABLES=x y
 /PRINT=TWOTAIL SIG
 /MISSING=PAIRWISE.

NONPAR CORR
 /VARIABLES=x y
 /PRINT=SPEARMAN TWOTAIL
 /MISSING=PAIRWISE.

GRAPH /SCATTERPLOT(BIVAR)=x WITH y.

Bibliografia oprogramowania i wykorzystanych pakietów

W przykładach użyto: R, Python, IBM SPSS Statistics, pandas, SciPy, Matplotlib. 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
Matplotlib: Hunter, J. D. (2007). Matplotlib: A 2D graphics environment. Computing in Science & Engineering, 9(3), 90–95. https://doi.org/10.1109/MCSE.2007.55

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}
}

@article{hunter2007matplotlib,
  author = {Hunter, John D.},
  title = {Matplotlib: A 2D Graphics Environment},
  journal = {Computing in Science and Engineering},
  year = {2007},
  volume = {9},
  number = {3},
  pages = {90--95},
  doi = {10.1109/MCSE.2007.55}
}

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}}