121surveys
Zaloguj się
Menu

Poradnik: analiza korelacji

Analiza korelacji: jak znaleźć i poprawnie odczytać związki w danych z ankiety

Analiza korelacji pokazuje, czy dwie zmienne rosną i maleją razem i jak silnie są ze sobą powiązane – na przykład zadowolenie z obsługi klienta i gotowość do polecenia. Dowiesz się tu, jak liczą Pearson i Spearman, jak ocenić wartość r, dlaczego korelacja nie dowodzi przyczyny i co 121surveys liczy za ciebie.

Tworzenie i testowanie jest bezpłatne. Aby opublikować, wybierasz płatny plan.

Podstawy: co mówi współczynnik korelacji

Co mierzy współczynnik korelacji r?

Współczynnik korelacji r ujmuje związek dwóch zmiennych w jednej liczbie od −1 do +1. Znak wskazuje kierunek: dodatni oznacza, że wysokim wartościom jednej towarzyszą wysokie wartości drugiej; ujemny – że jedna rośnie, gdy druga maleje. Wartość bezwzględna wskazuje siłę: przy 0 nie ma związku liniowego, przy ±1 wszystkie punkty leżą na prostej. Pamiętaj: r wychwytuje tylko zależności liniowe (Pearson) lub monotoniczne (Spearman). Przebieg w kształcie odwróconego U może więc dać r bliskie 0 – wykres rozrzutu pokaże ci, czy tak jest.

Korelacja Pearsona: wzór i założenia

Współczynnik r Pearsona odnosi wspólną zmienność dwóch zmiennych do zmienności każdej z nich: r = Σ(x − x̄)(y − ȳ) / √(Σ(x − x̄)² · Σ(y − ȳ)²). W liczniku jest suma iloczynów odchyleń, mianownik sprawia, że wynik nie zależy od jednostki – pomiar w złotych czy w groszach nie zmienia r. Pearson pasuje do danych ilościowych lub prawie ilościowych: odpowiedzi liczbowych, suwaków i w praktyce zwykle także skal ocen z pięcioma lub więcej stopniami. Związek powinien być mniej więcej liniowy, a już kilka wartości odstających potrafi mocno przesunąć r.

Korelacja rang Spearmana: dla rang i wartości odstających

Rho Spearmana nie liczy na samych wartościach, lecz na ich rangach: każda odpowiedź dostaje rangę, równe wartości dzielą rangę średnią, a potem na tych rangach oblicza się r Pearsona. Dzięki temu Spearman wychwytuje każdą zależność monotoniczną, także nieprostoliniową, i jest znacznie mniej wrażliwy na wartości odstające. Przy krótkich skalach z niewieloma stopniami, rozkładach skośnych czy prawdziwych rankingach to często ostrożniejszy wybór.

Co znaczy „silna”? Jak ocenić r

Popularna reguła kciuka Cohena nazywa r około 0,1 słabym, około 0,3 umiarkowanym, a od 0,5 silnym. To umowa, nie prawo: w badaniach postaw wartości około 0,3 często już coś znaczą, a dwa pomiary tej samej cechy powinny zgadzać się znacznie mocniej. Pomaga kwadrat r²: podaje, jaka część zmienności jest wspólna dla obu zmiennych. Przy r = 0,3 to tylko 0,09, czyli dziewięć procent – związek istnieje, ale nie wyjaśnia większości różnic między respondentami.

Ile odpowiedzi

Żeby wiarygodnie wykryć umiarkowany związek (r = 0,3), potrzebujesz około 85 odpowiedzi. Słabsze związki wymagają wyraźnie więcej.

Korelacja to nie przyczynowość

Dlaczego związek nie dowodzi przyczyny

Korelacja mówi tylko, że dwie zmienne zmieniają się razem. Nie pokazuje, że jedna wywołuje drugą. Osoby zadowolone z obsługi technicznej częściej polecają firmę – ale być może zadowoleni klienci po prostu częściej się z nią kontaktują i mają więcej okazji do dobrych doświadczeń. Żeby mówić o przyczynie, potrzebujesz więcej: następstwa w czasie, wiarygodnego wyjaśnienia i najlepiej eksperymentu, w którym celowo zmieniasz jedną wielkość i obserwujesz drugą.

Zmienne trzecie, korelacja pozorna i kierunek

Często za korelacją stoi trzecia zmienna, która wpływa na obie. Jeśli zadowolenie z oprogramowania wiąże się z wielkością zespołu, prawdziwą przyczyną może być branża, w której duże zespoły zdarzają się częściej. Gdy podzielisz dane według takich grup, związek może osłabnąć, zniknąć, a nawet się odwrócić. Otwarty pozostaje też kierunek: czy zaufanie prowadzi do zadowolenia, czy odwrotnie? Jedna ankieta sama tego nie rozstrzygnie.

Analiza czynników wpływu w ankietach

W badaniach klientów i pracowników korelacja często służy jako szybka analiza czynników wpływu: która ocena szczegółowa – cena, czas dostawy, doradztwo – najsilniej wiąże się z ogólnym zadowoleniem lub NPS? To dobre pierwsze spojrzenie. Czynniki są jednak zwykle powiązane także między sobą; kto dobrze ocenia doradztwo, często wyżej ocenia też dostawę. Własny wkład każdego czynnika pokazuje dopiero regresja wieloraka, którą policzysz na przykład w SPSS.

Analiza korelacji w 121surveys

  • Macierz korelacji wszystkich pytań liczbowych

    Analiza oblicza korelację Pearsona dla każdej pary pytań liczbowych w twojej ankiecie i pokazuje ją jako macierz: skale ocen, oceny gwiazdkowe, NPS, eNPS, CSAT, CES, pulse check, suwaki i pola liczbowe. Zakładka pojawia się, gdy ankieta ma co najmniej dwa takie pytania.

  • Liczone parami, z liczebnością w każdej komórce

    Dla każdej pary pytań liczą się wszystkie osoby, które odpowiedziały na oba. Macierz podaje tę liczbę w każdej komórce, żebyś nie pomylił wartości opartej na kilku odpowiedziach z wartością opartą na wielu. Przy zbyt małej liczbie wspólnych odpowiedzi wartość się nie pojawia.

  • Filtry i okres analizy

    Korelacje uwzględniają filtry i okres ustawione w analizie. Sprawdzisz w ten sposób na przykład, czy związek między obsługą a poleceniem wygląda inaczej u nowych klientów niż u stałych. Te pogłębione analizy są dostępne od roli Analityk.

  • Eksport do Spearmana i regresji, MCP dla asystentów AI

    Korelacje Spearmana, testy istotności i regresje policzysz w swoim programie statystycznym po wyeksportowaniu surowych danych do pliku SPSS, Excel, CSV, ODS lub JSON. Asystent AI pobiera macierz przez narzędzie MCP get_correlations.

Najczęściej zadawane pytania

Czym jest analiza korelacji?

Analiza korelacji sprawdza, czy i jak silnie dwie zmienne są ze sobą powiązane. Wynikiem jest współczynnik od −1 do +1: znak pokazuje kierunek, wartość bezwzględna siłę. W ankiecie sprawdzisz tak na przykład, jak mocno ocena poszczególnych usług wiąże się z ogólnym zadowoleniem.

Kiedy wybrać Pearsona, a kiedy Spearmana?

Pearson pasuje do liczb i dłuższych skal z mniej więcej liniowym związkiem. Spearman pracuje na rangach i sprawdza się przy krótkich skalach porządkowych, rozkładach skośnych i danych z wartościami odstającymi. Jeśli oba wyniki są zbliżone, wniosek jest solidny; jeśli wyraźnie się różnią, warto spojrzeć na wykres rozrzutu.

Czy 121surveys liczy też korelację Spearmana?

Nie. Macierz korelacji w 121surveys pokazuje korelacje Pearsona. Do Spearmana, testów istotności czy korelacji cząstkowych wyeksportuj surowe dane – na przykład do pliku SPSS, Excel lub CSV – i pracuj dalej w programie statystycznym.

Ile odpowiedzi potrzebuję do analizy korelacji?

To zależy od tego, jak silny związek chcesz wykryć: słabe związki wymagają znacznie więcej odpowiedzi niż silne. Zadbaj też o to, żeby przy każdej parze wystarczająco wiele osób odpowiedziało na oba pytania – macierz w 121surveys podaje liczebność każdej komórki. Ile odpowiedzi potrzebujesz dla określonej dokładności, oszacujesz kalkulatorem wielkości próby.

Czy wysoka korelacja oznacza, że trzeba działać właśnie tam?

To wskazówka, nie dowód. Silny związek między oceną szczegółową a ogólnym zadowoleniem czyni ten obszar kandydatem. Czy poprawa w tym miejscu naprawdę podniesie zadowolenie, pokaże dopiero porównanie przed i po albo ukierunkowany test – a regresja rozdzieli wkład nakładających się czynników.

Znajdź związki, potem sprawdź przyczyny

Dzięki macierzy korelacji w 121surveys od razu widzisz, które oceny rosną i maleją razem. Traktuj ją jak mapę do kolejnych pytań – a przyczyny sprawdzaj porównaniami grup, regresją lub ukierunkowanym testem.

Zacznij za darmo