121surveys
Log ind
Menu

Guide til korrelationsanalyse

Korrelationsanalyse: find og fortolk sammenhænge i dine survey-data

En korrelationsanalyse viser, om to variabler stiger og falder sammen, og hvor tæt de hænger sammen – fx tilfredshed med kundeservice og lysten til at anbefale. Her får du at vide, hvordan Pearson og Spearman regner, hvordan du vurderer r, hvorfor en sammenhæng ikke beviser en årsag, og hvad 121surveys beregner for dig.

Det er gratis at bygge og teste. For at udgive vælger du en betalt plan.

Grundlaget: hvad korrelationskoefficienten fortæller

Hvad måler korrelationskoefficienten r?

Korrelationskoefficienten r samler sammenhængen mellem to variabler i ét tal mellem −1 og +1. Fortegnet angiver retningen: positivt betyder, at høje værdier af den ene følges af høje værdier af den anden; negativt, at den ene stiger, mens den anden falder. Den numeriske værdi angiver styrken: ved 0 er der ingen lineær sammenhæng, ved ±1 ligger alle punkter på en ret linje. Husk, at r kun fanger lineære (Pearson) eller monotone (Spearman) mønstre. Et omvendt U-formet forløb kan derfor give et r tæt på 0 – et punktdiagram viser dig, om det er tilfældet.

Pearson-korrelation: formel og forudsætninger

Pearsons r sætter to variablers fælles variation i forhold til deres egen variation: r = Σ(x − x̄)(y − ȳ) / √(Σ(x − x̄)² · Σ(y − ȳ)²). I tælleren står summen af afvigelsernes produkter; nævneren gør resultatet uafhængigt af enheden, så det ændrer ikke r, om du måler i kroner eller øre. Pearson passer til kvantitative eller næsten kvantitative data: talsvar, skydere og i praksis som regel også vurderingsskalaer med fem eller flere trin. Sammenhængen bør være nogenlunde lineær, og allerede få ekstreme værdier kan flytte r markant.

Spearmans rangkorrelation: til rangordner og ekstreme værdier

Spearmans rho regner ikke med selve værdierne, men med deres rangpladser: hvert svar får en rang, ens værdier deler gennemsnitsrangen, og derefter beregnes Pearsons r på rangene. Dermed fanger Spearman enhver monoton sammenhæng, også når den ikke er lige, og er langt mindre følsom over for ekstreme værdier. Til korte skalaer med få trin, skæve fordelinger eller egentlige rangordninger er Spearman ofte det mere forsigtige valg.

Hvor stærkt er stærkt? Sådan vurderer du r

En udbredt tommelfingerregel fra Cohen kalder r omkring 0,1 svag, omkring 0,3 moderat og fra 0,5 stærk. Det er en konvention, ikke en lov: i holdningsundersøgelser er værdier omkring 0,3 ofte allerede betydningsfulde, mens to målinger af det samme bør stemme langt bedre overens. Kvadratet r² hjælper: det angiver den andel af variationen, som de to variabler har til fælles. Ved r = 0,3 er det kun 0,09, altså ni procent – sammenhængen er der, men forklarer ikke størstedelen af forskellene mellem respondenterne.

Hvor mange svar

For at opdage en middelstærk sammenhæng (r = 0,3) pålideligt skal du bruge omkring 85 svar. Svagere sammenhænge kræver markant flere.

Korrelation er ikke kausalitet

Hvorfor en sammenhæng ikke beviser en årsag

En korrelation siger kun, at to variabler varierer sammen. Den kan ikke vise, at den ene forårsager den anden. Dem, der er tilfredse med supporten, anbefaler oftere – men måske kontakter tilfredse kunder bare supporten oftere og får derfor flere chancer for gode oplevelser. For at tale om en årsag skal du bruge mere: en rækkefølge i tid, en plausibel forklaring og helst et eksperiment, hvor du bevidst ændrer én variabel og følger den anden.

Tredjevariabler, spuriøs korrelation og retning

Ofte ligger der en tredje variabel bag en korrelation, som påvirker begge. Hænger tilfredsheden med et stykke software sammen med teamets størrelse, kan den egentlige grund være branchen, hvor store teams er mere almindelige. Deler du data op efter sådanne grupper, kan en sammenhæng blive svagere, forsvinde eller endda vende. Retningen er også åben: fører tillid til tilfredshed eller tilfredshed til tillid? Én enkelt undersøgelse kan ikke afgøre det alene.

Driveranalyse i undersøgelser

I kunde- og medarbejderundersøgelser bruges korrelation ofte som en hurtig driveranalyse: hvilken enkeltvurdering – pris, leveringstid, rådgivning – hænger tættest sammen med den samlede tilfredshed eller NPS? Det er et godt første blik. Men driverne hænger som regel også sammen indbyrdes; den, der synes godt om rådgivningen, vurderer ofte også leveringen højere. Hvad hver driver selv bidrager med, viser først en multipel regression, som du fx kan køre i SPSS.

Korrelationsanalyse i 121surveys

  • En korrelationsmatrix over alle talspørgsmål

    Analysen beregner Pearson-korrelationen for hvert par af talspørgsmål i din undersøgelse og viser den som en matrix: vurderingsskalaer, stjernevurderinger, NPS, eNPS, CSAT, CES, pulse check, skydere og talfelter. Fanen vises, så snart undersøgelsen har mindst to sådanne spørgsmål.

  • Beregnet parvis, med antal pr. celle

    For hvert spørgsmålspar tæller alle, der har besvaret begge spørgsmål. Matrixen viser antallet i hver celle, så du ikke forveksler en værdi baseret på få svar med en, der bygger på mange. For få fælles svar giver ingen værdi.

  • Filtre og periode i analysen

    Korrelationerne følger de filtre og den periode, du har valgt i analysen. På den måde kan du fx tjekke, om sammenhængen mellem service og anbefaling ser anderledes ud hos nye kunder end hos faste kunder. De dybere analyser er tilgængelige fra rollen Analytiker.

  • Eksport til Spearman og regression, MCP til AI-assistenter

    Spearman-korrelationer, signifikanstest og regressioner beregner du i dit statistikprogram, når du har eksporteret rådata som SPSS-fil, Excel, CSV, ODS eller JSON. En AI-assistent henter matrixen via MCP-værktøjet get_correlations.

Ofte stillede spørgsmål

Hvad er en korrelationsanalyse?

En korrelationsanalyse undersøger, om og hvor tæt to variabler hænger sammen. Resultatet er en koefficient mellem −1 og +1: fortegnet viser retningen, den numeriske værdi styrken. I en undersøgelse ser du på den måde fx, hvor tæt vurderingen af enkelte ydelser hænger sammen med den samlede tilfredshed.

Hvornår vælger jeg Pearson, og hvornår Spearman?

Pearson passer til tal og længere skalaer med en nogenlunde lineær sammenhæng. Spearman arbejder med rangpladser og egner sig til korte ordinale skalaer, skæve fordelinger og data med ekstreme værdier. Ligger de to værdier tæt, er resultatet robust; afviger de meget, er det værd at kigge på punktdiagrammet.

Beregner 121surveys også Spearman-korrelation?

Nej. Korrelationsmatrixen i 121surveys viser Pearson-korrelationer. Til Spearman, signifikanstest eller partielle korrelationer eksporterer du rådata – fx som SPSS-, Excel- eller CSV-fil – og arbejder videre i dit statistikprogram.

Hvor mange svar skal jeg bruge til en korrelationsanalyse?

Det afhænger af, hvor stærk en sammenhæng du vil kunne opdage: svage sammenhænge kræver markant flere svar end stærke. Sørg også for, at nok personer har besvaret begge spørgsmål i hvert par – matrixen i 121surveys viser antallet i hver celle. Hvor mange svar du skal bruge til en bestemt præcision, anslår du med stikprøveberegneren.

Betyder en høj korrelation, at jeg skal sætte ind netop dér?

Den er et fingerpeg, ikke et bevis. En stærk sammenhæng mellem en enkeltvurdering og den samlede tilfredshed gør punktet til en kandidat. Om en forbedring dér faktisk løfter tilfredsheden, viser først en før-og-efter-sammenligning eller en målrettet test – og en regression adskiller bidraget fra drivere, der overlapper.

Find sammenhænge, afprøv årsager

Med korrelationsmatrixen i 121surveys ser du med det samme, hvilke vurderinger der stiger og falder sammen. Brug den som et kort til dine næste spørgsmål – og afprøv årsager med gruppesammenligninger, en regression eller en målrettet test.

Kom gratis i gang