Gids correlatieanalyse
Correlatieanalyse: verbanden in je enquêtedata vinden en goed uitleggen
Een correlatieanalyse laat zien of twee kenmerken samen stijgen of dalen en hoe sterk ze samenhangen – bijvoorbeeld tevredenheid over de klantenservice en de bereidheid om aan te bevelen. Hier lees je hoe Pearson en Spearman rekenen, hoe je r beoordeelt, waarom correlatie geen oorzaak bewijst en wat 121surveys voor je berekent.
Bouwen en testen is gratis. Om te publiceren kies je een betaald abonnement.
De basis: wat de correlatiecoëfficiënt zegt
Wat meet de correlatiecoëfficiënt r?
De correlatiecoëfficiënt r vat het verband tussen twee kenmerken samen in één getal tussen −1 en +1. Het teken geeft de richting: positief betekent dat hoge waarden van het ene samengaan met hoge waarden van het andere; negatief dat het ene stijgt terwijl het andere daalt. De absolute waarde geeft de sterkte: bij 0 is er geen lineair verband, bij ±1 liggen alle punten op een rechte lijn. Let op: r vangt alleen lineaire (Pearson) of monotone (Spearman) patronen. Een verloop dat eerst stijgt en dan weer daalt, kan daarom een r rond 0 opleveren – een spreidingsdiagram laat zien of dat zo is.
Pearson-correlatie: formule en voorwaarden
Pearsons r zet de gezamenlijke spreiding van twee kenmerken af tegen hun afzonderlijke spreiding: r = Σ(x − x̄)(y − ȳ) / √(Σ(x − x̄)² · Σ(y − ȳ)²). In de teller staat de som van de producten van de afwijkingen; de noemer maakt het resultaat onafhankelijk van de eenheid, dus meten in euro of in centen verandert r niet. Pearson past bij metrische of bijna metrische data: getallen, schuifregelaars en in de praktijk meestal ook beoordelingsschalen met vijf of meer punten. Het verband moet ongeveer lineair zijn, en een paar uitschieters kunnen r al flink verschuiven.
Spearmans rangcorrelatie: voor rangen en uitschieters
Spearmans rho rekent niet met de waarden zelf, maar met hun rangnummers: elk antwoord krijgt een rang, gelijke waarden delen de gemiddelde rang, en daarna wordt Pearsons r over die rangen berekend. Zo vangt Spearman elk monotoon verband, ook als het niet recht loopt, en is hij veel minder gevoelig voor uitschieters. Voor korte schalen met weinig punten, scheve verdelingen of echte rangordes is Spearman vaak de voorzichtigere keuze.
Hoe sterk is sterk? r plaatsen
Een veelgebruikte vuistregel van Cohen noemt r rond 0,1 zwak, rond 0,3 matig en vanaf 0,5 sterk. Dat is een afspraak, geen wet: in enquêtes over houdingen zijn waarden rond 0,3 vaak al betekenisvol, terwijl twee metingen van hetzelfde kenmerk veel sterker moeten overeenkomen. Het kwadraat r² helpt: het geeft het deel van de spreiding dat beide kenmerken delen. Bij r = 0,3 is dat maar 0,09, oftewel negen procent – het verband is er, maar verklaart het grootste deel van de verschillen tussen respondenten niet.
Hoeveel antwoorden
Om een middelgroot verband (r = 0,3) betrouwbaar te herkennen, heb je ongeveer 85 antwoorden nodig. Zwakkere verbanden vragen er flink meer.
Correlatie is geen causaliteit
Waarom een verband geen oorzaak bewijst
Een correlatie zegt alleen dat twee kenmerken samen variëren. Of het ene het andere veroorzaakt, kan ze niet laten zien. Wie tevreden is over de support, beveelt vaker aan – maar misschien nemen tevreden klanten gewoon vaker contact op met de support en hebben ze daardoor meer kans op goede ervaringen. Voor een oorzaak heb je meer nodig: een volgorde in de tijd, een aannemelijke verklaring en het liefst een experiment waarin je één grootheid bewust verandert en de andere volgt.
Derde variabelen, schijnverbanden en richting
Vaak zit achter een correlatie een derde kenmerk dat beide beïnvloedt. Hangt de tevredenheid over software samen met de teamgrootte, dan kan de echte reden de branche zijn waarin grote teams vaker voorkomen. Splits je de data op naar zulke groepen, dan kan een verband zwakker worden, verdwijnen of zelfs omdraaien. Ook de richting blijft open: leidt vertrouwen tot tevredenheid of tevredenheid tot vertrouwen? Eén enkele enquête beantwoordt dat niet.
Driveranalyse in enquêtes
In klant- en medewerkersonderzoek wordt correlatie vaak gebruikt als snelle driveranalyse: welke losse beoordeling – prijs, levertijd, advies – hangt het sterkst samen met de algemene tevredenheid of de NPS? Dat is een goede eerste blik. Maar de drivers hangen meestal ook onderling samen; wie het advies goed vindt, geeft vaak ook de levering een hoger cijfer. Wat elke driver zelf bijdraagt, zie je pas met een meervoudige regressie, die je bijvoorbeeld in SPSS uitvoert.
Correlatieanalyse in 121surveys
Een correlatiematrix over alle numerieke vragen
De analyse berekent de Pearson-correlatie voor elk paar numerieke vragen in je enquête en toont die als matrix: beoordelingsschalen, sterrenbeoordelingen, NPS, eNPS, CSAT, CES, pulse check, schuifregelaars en getalvelden. Het tabblad verschijnt zodra de enquête minstens twee van zulke vragen bevat.
Per paar berekend, met aantal per cel
Voor elk vragenpaar tellen alle personen mee die beide vragen hebben beantwoord. De matrix noemt dat aantal in elke cel, zodat je een waarde op basis van een handvol antwoorden niet verwart met een waarde op basis van veel antwoorden. Te weinig gemeenschappelijke antwoorden leveren geen waarde op.
Filters en periode van de analyse
De correlaties volgen de filters en de periode die je in de analyse hebt ingesteld. Zo controleer je bijvoorbeeld of het verband tussen service en aanbeveling bij nieuwe klanten anders is dan bij vaste klanten. Deze verdiepende analyses zijn beschikbaar vanaf de rol Analist.
Export voor Spearman en regressie, MCP voor AI-assistenten
Spearman-correlaties, significantietoetsen en regressies reken je in je statistiekprogramma uit, nadat je de ruwe data hebt geëxporteerd als SPSS-bestand, Excel, CSV, ODS of JSON. Een AI-assistent vraagt de matrix op via de MCP-tool get_correlations.
Veelgestelde vragen
Wat is een correlatieanalyse?
Een correlatieanalyse onderzoekt of twee kenmerken samenhangen en hoe sterk. Het resultaat is een coëfficiënt tussen −1 en +1: het teken toont de richting, de absolute waarde de sterkte. In een enquête zie je zo bijvoorbeeld hoe sterk de beoordeling van afzonderlijke diensten samenhangt met de algemene tevredenheid.
Wanneer kies ik Pearson en wanneer Spearman?
Pearson past bij getallen en langere schalen met een ongeveer lineair verband. Spearman werkt met rangen en is geschikt voor korte ordinale schalen, scheve verdelingen en data met uitschieters. Liggen beide waarden dicht bij elkaar, dan is de uitkomst robuust; wijken ze sterk af, kijk dan naar het spreidingsdiagram.
Berekent 121surveys ook de Spearman-correlatie?
Nee. De correlatiematrix in 121surveys toont Pearson-correlaties. Voor Spearman, significantietoetsen of partiële correlaties exporteer je de ruwe data – bijvoorbeeld als SPSS-, Excel- of CSV-bestand – en werk je verder in je statistiekprogramma.
Hoeveel antwoorden heb ik nodig voor een correlatieanalyse?
Dat hangt af van hoe sterk het verband is dat je wilt aantonen: zwakke verbanden vragen veel meer antwoorden dan sterke. Let er ook op dat voor elk vragenpaar genoeg mensen beide vragen hebben beantwoord – de matrix in 121surveys noemt het aantal per cel. Hoeveel antwoorden je voor een bepaalde nauwkeurigheid nodig hebt, schat je met de steekproefcalculator.
Betekent een hoge correlatie dat ik juist daar moet ingrijpen?
Het is een aanwijzing, geen bewijs. Een sterk verband tussen een losse beoordeling en de algemene tevredenheid maakt dat punt een kandidaat. Of een verbetering daar de tevredenheid echt verhoogt, blijkt pas uit een voor-en-navergelijking of een gerichte test – en een regressie scheidt de bijdrage van overlappende drivers.
Verbanden vinden, oorzaken toetsen
Met de correlatiematrix in 121surveys zie je in één oogopslag welke beoordelingen samen stijgen en dalen. Gebruik hem als kaart voor je volgende vragen – en toets oorzaken met groepsvergelijkingen, een regressie of een gerichte test.
