Guia da análise de correlação
Análise de correlação: encontrar e interpretar relações nos dados do teu inquérito
Uma análise de correlação mostra se duas variáveis sobem e descem em conjunto e quão forte é a relação entre elas – por exemplo, a satisfação com o apoio ao cliente e a vontade de recomendar. Aqui descobres como funcionam Pearson e Spearman, como avaliar r, porque é que uma correlação não prova uma causa e o que a 121surveys calcula por ti.
Criar e testar é grátis. Para publicar, escolhes um plano pago.
O essencial: o que diz o coeficiente de correlação
O que mede o coeficiente de correlação r?
O coeficiente de correlação r resume a relação entre duas variáveis num número entre −1 e +1. O sinal indica o sentido: positivo significa que valores altos de uma acompanham valores altos da outra; negativo, que uma sobe enquanto a outra desce. O valor absoluto indica a força: com 0 não há relação linear; com ±1, todos os pontos estão sobre uma reta. Atenção: r só capta padrões lineares (Pearson) ou monótonos (Spearman). Uma curva em U invertido pode, por isso, dar um r próximo de 0 – um diagrama de dispersão mostra-te se é o caso.
Correlação de Pearson: fórmula e pressupostos
O r de Pearson relaciona a variação conjunta de duas variáveis com a variação de cada uma: r = Σ(x − x̄)(y − ȳ) / √(Σ(x − x̄)² · Σ(y − ȳ)²). No numerador está a soma dos produtos dos desvios; o denominador torna o resultado independente da unidade, por isso medir em euros ou em cêntimos não altera r. Pearson adequa-se a dados quantitativos ou quase: respostas numéricas, cursores e, na prática, a maioria das escalas de avaliação com cinco ou mais pontos. A relação deve ser aproximadamente linear, e poucos valores extremos chegam para deslocar muito o r.
Correlação de postos de Spearman: para postos e valores extremos
O rho de Spearman não trabalha com os valores, mas com a sua posição na ordenação: cada resposta recebe um posto, valores iguais partilham o posto médio e depois calcula-se o r de Pearson sobre esses postos. Assim, Spearman deteta qualquer relação monótona, mesmo que não seja uma reta, e é muito menos sensível a valores extremos. Para escalas curtas com poucos pontos, distribuições assimétricas ou classificações verdadeiras, costuma ser a escolha mais prudente.
Quanto é forte? Como situar r
Uma regra prática muito divulgada, proposta por Cohen, chama fraca a uma r de cerca de 0,1, moderada a uma de 0,3 e forte a partir de 0,5. É uma convenção, não uma lei: em inquéritos sobre atitudes, valores perto de 0,3 já costumam ser relevantes, enquanto duas medições da mesma coisa deviam coincidir muito mais. O quadrado r² ajuda: indica a parte da variação que as duas variáveis têm em comum. Com r = 0,3 são apenas 0,09, ou seja, nove por cento – a relação existe, mas não explica a maior parte das diferenças entre os inquiridos.
Quantas respostas
Para detetar com segurança uma relação moderada (r = 0,3), precisas de cerca de 85 respostas. Relações mais fracas exigem bastantes mais.
Correlação não é causalidade
Porque é que uma relação não prova uma causa
Uma correlação diz apenas que duas variáveis variam em conjunto. Não consegue mostrar que uma provoca a outra. Quem está satisfeito com o apoio técnico recomenda mais vezes – mas talvez os clientes satisfeitos simplesmente recorram mais ao apoio e tenham, por isso, mais ocasiões de boas experiências. Para falar de causa precisas de mais: uma ordem no tempo, uma explicação plausível e, idealmente, uma experiência em que alteras de propósito uma variável e observas a outra.
Terceiras variáveis, correlação espúria e sentido
Muitas vezes, por trás de uma correlação está uma terceira variável que influencia ambas. Se a satisfação com um software anda a par do tamanho da equipa, a verdadeira razão pode ser o setor em que as equipas grandes são mais comuns. Ao dividir os dados por esses grupos, uma relação pode enfraquecer, desaparecer ou até inverter-se. O sentido também fica em aberto: a confiança leva à satisfação ou o contrário? Um único inquérito não chega para responder.
Análise de fatores determinantes em inquéritos
Em inquéritos a clientes e a colaboradores, a correlação serve muitas vezes de análise rápida de fatores determinantes: que avaliação concreta – preço, prazo de entrega, aconselhamento – está mais ligada à satisfação global ou ao NPS? É um bom primeiro olhar. Mas os fatores costumam estar também ligados entre si; quem gosta do aconselhamento avalia muitas vezes melhor a entrega. O contributo próprio de cada fator só aparece numa regressão múltipla, que podes calcular, por exemplo, no SPSS.
A análise de correlação na 121surveys
Uma matriz de correlação com todas as perguntas numéricas
A análise calcula a correlação de Pearson para cada par de perguntas numéricas do teu inquérito e mostra-a como matriz: escalas de avaliação, classificações por estrelas, NPS, eNPS, CSAT, CES, pulse check, cursores e campos numéricos. O separador aparece assim que o inquérito tem pelo menos duas perguntas deste tipo.
Cálculo por pares, com a contagem de cada célula
Em cada par contam todas as pessoas que responderam às duas perguntas. A matriz indica esse número em cada célula, para não confundires um valor baseado em poucas respostas com outro baseado em muitas. Com respostas em comum a menos, não sai nenhum valor.
Filtros e período da análise
As correlações seguem os filtros e o período que definiste na análise. Assim verificas, por exemplo, se a relação entre serviço e recomendação é diferente entre clientes novos e clientes antigos. Estas análises aprofundadas estão disponíveis a partir da função Analista.
Exportação para Spearman e regressão, MCP para assistentes de IA
As correlações de Spearman, os testes de significância e as regressões calculas no teu programa de estatística, depois de exportares os dados brutos como ficheiro SPSS, Excel, CSV, ODS ou JSON. Um assistente de IA consulta a matriz através da ferramenta MCP get_correlations.
Perguntas frequentes
O que é uma análise de correlação?
Uma análise de correlação verifica se duas variáveis estão relacionadas e com que intensidade. O resultado é um coeficiente entre −1 e +1: o sinal mostra o sentido e o valor absoluto, a força. Num inquérito, serve-te, por exemplo, para ver quanto a avaliação de cada serviço se relaciona com a satisfação global.
Quando escolho Pearson e quando Spearman?
Pearson adequa-se a números e a escalas mais longas com uma relação aproximadamente linear. Spearman trabalha com postos e serve para escalas ordinais curtas, distribuições assimétricas e dados com valores extremos. Se os dois resultados forem próximos, a conclusão é sólida; se divergirem muito, vale a pena olhar para o diagrama de dispersão.
A 121surveys também calcula a correlação de Spearman?
Não. A matriz de correlação da 121surveys mostra correlações de Pearson. Para Spearman, testes de significância ou correlações parciais, exporta os dados brutos – por exemplo, como ficheiro SPSS, Excel ou CSV – e continua no teu programa de estatística.
Quantas respostas preciso para uma análise de correlação?
Depende da força da relação que queres detetar: relações fracas exigem bastantes mais respostas do que relações fortes. Confirma também que, em cada par, há pessoas suficientes que responderam às duas perguntas – a matriz da 121surveys indica a contagem de cada célula. Para estimar quantas respostas precisas para uma certa precisão, recorre à calculadora do tamanho da amostra.
Uma correlação alta significa que devo agir precisamente aí?
É uma pista, não uma prova. Uma relação forte entre uma avaliação concreta e a satisfação global torna esse ponto um candidato. Se melhorá-lo aumenta mesmo a satisfação só o mostra uma comparação antes e depois ou um teste dirigido – e uma regressão separa o contributo de fatores que se sobrepõem.
Encontrar relações, depois testar causas
Com a matriz de correlação da 121surveys vês num relance que avaliações sobem e descem em conjunto. Toma-a como mapa para as tuas próximas perguntas – e testa as causas com comparações entre grupos, uma regressão ou um teste dirigido.
