Guida all'analisi della correlazione
Analisi di correlazione: trovare e interpretare i legami nei dati di un sondaggio
Un'analisi di correlazione mostra se due variabili salgono e scendono insieme e quanto sono legate, per esempio la soddisfazione per l'assistenza e la disponibilità a raccomandare. Qui scopri come funzionano Pearson e Spearman, come valutare r, perché una correlazione non dimostra una causa e che cosa calcola per te 121surveys.
Creare e testare è gratis. Per pubblicare scegli un piano a pagamento.
Le basi: che cosa dice il coefficiente di correlazione
Che cosa misura il coefficiente di correlazione r?
Il coefficiente di correlazione r riassume il legame tra due variabili in un numero compreso tra −1 e +1. Il segno indica la direzione: positivo significa che a valori alti dell'una corrispondono valori alti dell'altra; negativo che l'una cresce mentre l'altra cala. Il valore assoluto indica la forza: a 0 non c'è alcun legame lineare, a ±1 tutti i punti stanno su una retta. Attenzione: r coglie solo relazioni lineari (Pearson) o monotone (Spearman). Un andamento a U rovesciata può quindi dare un r vicino a 0, e un grafico a dispersione ti mostra se è così.
Correlazione di Pearson: formula e presupposti
La r di Pearson mette in rapporto la variazione comune di due variabili con la loro variazione individuale: r = Σ(x − x̄)(y − ȳ) / √(Σ(x − x̄)² · Σ(y − ȳ)²). Al numeratore c'è la somma dei prodotti degli scarti; il denominatore rende il risultato indipendente dall'unità di misura, quindi misurare in euro o in centesimi non cambia r. Pearson è adatta a dati quantitativi o quasi: risposte numeriche, cursori e, in pratica, la maggior parte delle scale di valutazione con cinque o più livelli. Il legame dovrebbe essere più o meno lineare, e bastano pochi valori anomali per spostare molto r.
Correlazione per ranghi di Spearman: per ranghi e valori anomali
La rho di Spearman non usa i valori, ma la loro posizione in graduatoria: ogni risposta riceve un rango, i valori uguali condividono il rango medio e poi si calcola la r di Pearson su questi ranghi. Così Spearman coglie qualsiasi relazione monotona, anche non rettilinea, ed è molto meno sensibile ai valori anomali. Per scale brevi con pochi livelli, distribuzioni asimmetriche o vere classifiche è spesso la scelta più prudente.
Quanto è forte un legame forte? Come valutare r
Una regola pratica diffusa, proposta da Cohen, definisce debole una r intorno a 0,1, media intorno a 0,3 e forte da 0,5 in su. È una convenzione, non una legge: nei sondaggi sugli atteggiamenti valori intorno a 0,3 sono spesso già significativi, mentre due misure della stessa grandezza dovrebbero concordare molto di più. Aiuta il quadrato r²: indica la quota di variazione che le due variabili hanno in comune. Con r = 0,3 si tratta solo di 0,09, cioè il nove per cento: il legame c'è, ma non spiega la maggior parte delle differenze tra i rispondenti.
Quante risposte
Per riconoscere in modo affidabile una correlazione media (r = 0,3) ti servono circa 85 risposte. Per correlazioni più deboli ne servono molte di più.
Correlazione non significa causalità
Perché un legame non dimostra una causa
Una correlazione dice soltanto che due variabili variano insieme. Non può mostrare che l'una provochi l'altra. Chi è soddisfatto dell'assistenza raccomanda più spesso, ma forse i clienti soddisfatti si rivolgono semplicemente più spesso all'assistenza e hanno quindi più occasioni di fare buone esperienze. Per parlare di causa ti serve di più: una sequenza temporale, una spiegazione plausibile e, idealmente, un esperimento in cui modifichi di proposito una variabile e osservi l'altra.
Variabili terze, correlazione spuria e direzione
Spesso dietro una correlazione c'è una terza variabile che influenza entrambe. Se la soddisfazione per un software è legata alla dimensione del team, la vera ragione può essere il settore in cui i team grandi sono più diffusi. Dividendo i dati per questi gruppi, un legame può indebolirsi, sparire o addirittura invertirsi. Anche la direzione resta aperta: è la fiducia a portare alla soddisfazione o il contrario? Un singolo sondaggio da solo non lo chiarisce.
Analisi dei driver nei sondaggi
Nei sondaggi a clienti e dipendenti la correlazione viene spesso usata come rapida analisi dei driver: quale valutazione specifica, come prezzo, tempi di consegna o consulenza, è più legata alla soddisfazione complessiva o all'NPS? È un buon primo sguardo. I driver però sono di solito legati anche tra loro: chi apprezza la consulenza spesso valuta meglio anche la consegna. Il contributo proprio di ciascun driver emerge solo con una regressione multipla, che puoi calcolare per esempio in SPSS.
L'analisi di correlazione in 121surveys
Una matrice di correlazione su tutte le domande numeriche
L'analisi calcola la correlazione di Pearson per ogni coppia di domande numeriche del tuo sondaggio e la mostra come matrice: scale di valutazione, valutazioni a stelle, NPS, eNPS, CSAT, CES, pulse check, cursori e campi numerici. La scheda compare non appena il sondaggio contiene almeno due domande di questo tipo.
Calcolo a coppie, numerosità per cella
Per ogni coppia contano tutte le persone che hanno risposto a entrambe le domande. La matrice indica questo numero in ogni cella, così non confondi un valore basato su poche risposte con uno basato su molte. Se le risposte in comune sono troppo poche, non risulta alcun valore.
Filtri e periodo dell'analisi
Le correlazioni seguono i filtri e il periodo che hai impostato nell'analisi. Puoi così verificare, per esempio, se il legame tra assistenza e raccomandazione è diverso tra clienti nuovi e clienti di lunga data. Queste analisi approfondite sono disponibili a partire dal ruolo Analista.
Esportazione per Spearman e regressione, MCP per gli assistenti IA
Correlazioni di Spearman, test di significatività e regressioni li calcoli nel tuo software statistico dopo aver esportato i dati grezzi come file SPSS, Excel, CSV, ODS o JSON. Un assistente IA interroga la matrice tramite lo strumento MCP get_correlations.
Domande frequenti
Che cos'è un'analisi di correlazione?
Un'analisi di correlazione verifica se e quanto due variabili sono legate. Il risultato è un coefficiente compreso tra −1 e +1: il segno indica la direzione, il valore assoluto la forza. In un sondaggio la usi, per esempio, per capire quanto la valutazione dei singoli servizi è legata alla soddisfazione complessiva.
Quando scegliere Pearson e quando Spearman?
Pearson è adatta a numeri e scale piuttosto lunghe con un legame più o meno lineare. Spearman lavora sui ranghi ed è indicata per scale ordinali brevi, distribuzioni asimmetriche e dati con valori anomali. Se i due risultati sono vicini, la conclusione è solida; se divergono molto, conviene guardare il grafico a dispersione.
121surveys calcola anche la correlazione di Spearman?
No. La matrice di correlazione di 121surveys mostra correlazioni di Pearson. Per Spearman, i test di significatività o le correlazioni parziali esporta i dati grezzi, per esempio come file SPSS, Excel o CSV, e prosegui nel tuo software statistico.
Quante risposte servono per un'analisi di correlazione?
Dipende da quanto è forte il legame che vuoi individuare: i legami deboli richiedono molte più risposte di quelli forti. Controlla anche che per ogni coppia abbastanza persone abbiano risposto a entrambe le domande: la matrice di 121surveys indica la numerosità di ogni cella. Per stimare quante risposte ti servono per una certa precisione, usa il calcolatore della dimensione del campione.
Una correlazione alta vuol dire che devo intervenire proprio lì?
È un indizio, non una prova. Un legame forte tra una valutazione specifica e la soddisfazione complessiva rende quel punto un candidato. Se migliorarlo aumenta davvero la soddisfazione lo mostra solo un confronto prima e dopo o un test mirato, e una regressione separa il contributo di driver che si sovrappongono.
Trovare i legami, poi verificare le cause
Con la matrice di correlazione di 121surveys vedi a colpo d'occhio quali valutazioni salgono e scendono insieme. Usala come mappa per le tue prossime domande e verifica le cause con confronti tra gruppi, una regressione o un test mirato.
