121surveys
Logga in
Meny

Guide till korrelationsanalys

Korrelationsanalys: hitta och tolka samband i dina enkätdata

En korrelationsanalys visar om två variabler stiger och sjunker tillsammans och hur starkt de hänger ihop – till exempel nöjdhet med kundtjänsten och viljan att rekommendera. Här får du veta hur Pearson och Spearman räknar, hur du bedömer r, varför ett samband inte bevisar en orsak och vad 121surveys räknar ut åt dig.

Att bygga och testa är gratis. För att publicera väljer du en betald plan.

Grunderna: vad korrelationskoefficienten säger

Vad mäter korrelationskoefficienten r?

Korrelationskoefficienten r sammanfattar sambandet mellan två variabler i ett tal mellan −1 och +1. Tecknet anger riktningen: positivt betyder att höga värden på den ena hör ihop med höga värden på den andra; negativt att den ena ökar när den andra minskar. Absolutbeloppet anger styrkan: vid 0 finns inget linjärt samband, vid ±1 ligger alla punkter på en rät linje. Tänk på att r bara fångar linjära (Pearson) eller monotona (Spearman) mönster. En upp-och-nedvänd U-form kan därför ge ett r nära 0 – ett spridningsdiagram visar om det är så.

Pearsons korrelation: formel och förutsättningar

Pearsons r sätter två variablers gemensamma variation i relation till deras egen variation: r = Σ(x − x̄)(y − ȳ) / √(Σ(x − x̄)² · Σ(y − ȳ)²). I täljaren står summan av avvikelsernas produkter; nämnaren gör resultatet oberoende av enheten, så att mäta i kronor eller ören ändrar inte r. Pearson passar för kvantitativa eller nästan kvantitativa data: sifferfrågor, reglage och i praktiken oftast också betygsskalor med fem eller fler steg. Sambandet bör vara ungefär linjärt, och redan några få extremvärden kan flytta r kraftigt.

Spearmans rangkorrelation: för rangordningar och extremvärden

Spearmans rho räknar inte med värdena själva utan med deras rangplatser: varje svar får en rang, lika värden delar på medelrangen, och sedan beräknas Pearsons r på rangerna. På så sätt fångar Spearman varje monotont samband, även när det inte är rakt, och påverkas betydligt mindre av extremvärden. För korta skalor med få steg, sneda fördelningar eller verkliga rangordningar är Spearman ofta det försiktigare valet.

Hur starkt är starkt? Att bedöma r

En vanlig tumregel från Cohen kallar r kring 0,1 svagt, kring 0,3 måttligt och från 0,5 starkt. Det är en konvention, ingen lag: i attitydundersökningar är värden kring 0,3 ofta redan betydelsefulla, medan två mätningar av samma sak bör stämma överens mycket bättre. Kvadraten r² hjälper: den anger hur stor del av variationen som de två variablerna har gemensamt. Vid r = 0,3 är det bara 0,09, alltså nio procent – sambandet finns, men förklarar inte huvuddelen av skillnaderna mellan de svarande.

Hur många svar

För att säkert upptäcka ett medelstarkt samband (r = 0,3) behöver du ungefär 85 svar. Svagare samband kräver betydligt fler.

Korrelation är inte kausalitet

Varför ett samband inte bevisar en orsak

En korrelation säger bara att två variabler varierar tillsammans. Den kan inte visa att den ena orsakar den andra. De som är nöjda med supporten rekommenderar oftare – men kanske kontaktar nöjda kunder helt enkelt supporten oftare och får därmed fler tillfällen till goda erfarenheter. För att tala om orsak behöver du mer: en tidsordning, en rimlig förklaring och helst ett experiment där du medvetet ändrar en variabel och följer den andra.

Tredje variabler, skensamband och riktning

Ofta finns en tredje variabel bakom korrelationen som påverkar båda. Hänger nöjdheten med en programvara ihop med teamets storlek kan den verkliga orsaken vara branschen där stora team är vanligare. Delar du upp data efter sådana grupper kan ett samband försvagas, försvinna eller till och med vändas. Även riktningen är öppen: leder förtroende till nöjdhet eller nöjdhet till förtroende? En enskild enkät räcker inte för att avgöra det.

Drivkraftsanalys i enkäter

I kund- och medarbetarundersökningar används korrelation ofta som en snabb drivkraftsanalys: vilket enskilt betyg – pris, leveranstid, rådgivning – hänger starkast ihop med den totala nöjdheten eller NPS? Det är en bra första blick. Men drivkrafterna hänger oftast också ihop med varandra; den som gillar rådgivningen ger ofta även leveransen ett högre betyg. Varje drivkrafts eget bidrag syns först i en multipel regression, som du till exempel kör i SPSS.

Korrelationsanalys i 121surveys

  • En korrelationsmatris över alla sifferfrågor

    Analysen beräknar Pearsons korrelation för varje par av sifferfrågor i din enkät och visar den som en matris: betygsskalor, stjärnbetyg, NPS, eNPS, CSAT, CES, pulse check, reglage och sifferfält. Fliken visas så snart enkäten har minst två sådana frågor.

  • Beräknat parvis, med antal per cell

    För varje frågepar räknas alla som har besvarat båda frågorna. Matrisen visar antalet i varje cell, så att du inte blandar ihop ett värde som bygger på några få svar med ett som bygger på många. För få gemensamma svar ger inget värde.

  • Filter och tidsperiod i analysen

    Korrelationerna följer de filter och den tidsperiod du har valt i analysen. Så kan du till exempel kontrollera om sambandet mellan service och rekommendation ser annorlunda ut hos nya kunder än hos trogna kunder. De fördjupade analyserna är tillgängliga från rollen Analytiker.

  • Export för Spearman och regression, MCP för AI-assistenter

    Spearmankorrelationer, signifikanstest och regressioner räknar du i ditt statistikprogram efter att ha exporterat rådata som SPSS-fil, Excel, CSV, ODS eller JSON. En AI-assistent hämtar matrisen via MCP-verktyget get_correlations.

Vanliga frågor

Vad är en korrelationsanalys?

En korrelationsanalys undersöker om och hur starkt två variabler hänger ihop. Resultatet är en koefficient mellan −1 och +1: tecknet visar riktningen, beloppet styrkan. I en enkät ser du på så sätt till exempel hur nära betyget för enskilda tjänster hänger ihop med den totala nöjdheten.

När väljer jag Pearson och när Spearman?

Pearson passar för siffror och längre skalor med ett ungefär linjärt samband. Spearman arbetar med rangplatser och passar korta ordinalskalor, sneda fördelningar och data med extremvärden. Ligger båda värdena nära varandra är resultatet robust; skiljer de sig mycket åt är det värt att titta på spridningsdiagrammet.

Räknar 121surveys även ut Spearmans korrelation?

Nej. Korrelationsmatrisen i 121surveys visar Pearsonkorrelationer. För Spearman, signifikanstest eller partiella korrelationer exporterar du rådata – till exempel som SPSS-, Excel- eller CSV-fil – och fortsätter i ditt statistikprogram.

Hur många svar behöver jag för en korrelationsanalys?

Det beror på hur starkt samband du vill upptäcka: svaga samband kräver betydligt fler svar än starka. Se också till att tillräckligt många har besvarat båda frågorna i varje par – matrisen i 121surveys visar antalet i varje cell. Hur många svar du behöver för en viss precision uppskattar du med kalkylatorn för urvalsstorlek.

Betyder en hög korrelation att jag ska sätta in åtgärder just där?

Den är en ledtråd, inget bevis. Ett starkt samband mellan ett enskilt betyg och den totala nöjdheten gör den punkten till en kandidat. Om en förbättring där verkligen höjer nöjdheten visar först en före–efter-jämförelse eller ett riktat test – och en regression skiljer på bidraget från drivkrafter som överlappar.

Hitta samband, pröva orsaker

Med korrelationsmatrisen i 121surveys ser du direkt vilka betyg som stiger och sjunker tillsammans. Använd den som karta för dina nästa frågor – och pröva orsaker med gruppjämförelser, en regression eller ett riktat test.

Kom igång gratis