Kalkulator korelacji rang Spearmana
Wpisz dwa sparowane zestawy wartości, a kalkulator wyznaczy współczynnik korelacji rang Spearmana (ρ), przypisze rangi każdej zmiennej i sprawdzi zależność, podając przybliżoną wartość p.
Zamień dwie zmienne na rangi i sprawdź, czy łączy je zależność monotoniczna
Wzór na korelację rang Spearmana
- \(d_i\) — różnica między rangą i-tej obserwacji w X a jej rangą w Y
- \(n\) — liczba sparowanych obserwacji
Korelacja rang Spearmana – przykład obliczenia
Przykład: dziesięciu uczniów uczy się coraz dłużej (X) i osiąga wyniki testu podane w Y. Wykorzystano domyślne wartości kalkulatora: X = 2; 4; 6; 8; 10; 12; 14; 16; 18; 20 oraz Y = 55; 62; 58; 70; 70; 71; 80; 85; 82; 90.
Rangi X to po prostu liczby od 1 do 10. Rangi Y wynoszą 1, 3, 2, 4,5, 4,5, 6, 7, 9, 8, 10 (dwa wyniki 70 otrzymują średnią z rang 4 i 5). Ze względu na ten remis \(\rho\) obliczono jako korelację Pearsona rang:
\[ \rho = \frac{\sum r_x r_y - n \bar{r}_x \bar{r}_y}{\sqrt{\left(\sum r_x^2 - n \bar{r}_x^2\right)\left(\sum r_y^2 - n \bar{r}_y^2\right)}} = \frac{80}{\sqrt{82.5 \times 82}} \approx 0.973 \]
Test \(H_0: \rho = 0\) z利用 statystyką \(t = \rho\sqrt{\frac{n-2}{1-\rho^2}} \approx 11.84\) przy 8 stopniach swobody daje \(p < 0.0001\).
Wynik: \(\rho \approx 0.973\) przy \(n = 10\) parach — bardzo silna rosnąca zależność monotoniczna, istotna statystycznie na poziomie 0,05.
Jak korzystać z kalkulatora
- Wpisz wartości X w pierwszym polu — po jednej liczbie na obserwację, oddzielone spacjami, średnikami lub nowymi wierszami (przecinki dziesiętne są akceptowane).
- Wpisz wartości Y w drugim polu, dokładnie w tej samej kolejności, tak aby każde X było sparowane z właściwym Y.
- Wybierz hipotezę alternatywną: dwustronną (\(\rho \neq 0\)), prawostronną (\(\rho > 0\)) lub lewostronną (\(\rho < 0\)). Określa to, który ogon testu istotności jest używany do wyznaczenia wartości p.
- Odczytaj wyniki: \(\rho\) Spearmana, liczbę sparowanych obserwacji \(n\), przybliżoną wartość p oraz szczegółową tabelę z każdą wartością, jej rangami, różnicami rang i zastosowaną metodą.
Obie listy muszą zawierać tę samą liczbę wartości (co najmniej 3), a żadna ze zmiennych nie może być stała — w przeciwnym razie korelacja jest nieokreślona.
Czym jest korelacja rang Spearmana?
Współczynnik korelacji rang Spearmana, zwykle oznaczany \(\rho\) (rho) lub \(r_s\), mierzy siłę i kierunek monotonicznej zależności między dwiema zmiennymi: czy jedna zmienna ma tendencję do wzrostu wraz ze wzrostem drugiej (\(\rho > 0\)), czy do spadku, gdy druga rośnie (\(\rho < 0\)). Działa tak, że każdą wartość zastępuje się jej rangą w obrębie danej zmiennej, a następnie oblicza korelację rang. Wartości \(\rho\) zawsze mieszczą się w przedziale od −1 do +1, przy czym +1 oznacza, że oba uporządkowania są identyczne, a −1 — że są dokładnie odwrotne.
Kluczowa różnica względem współczynnika korelacji Pearsona dotyczy rodzaju ujmowanej zależności. Pearson mierzy, jak dobrze dane dopasowuje prosta, a Spearman pyta jedynie, czy zależność jest konsekwentnie rosnąca lub malejąca — liczy się każda krzywa monotoniczna. Dzięki temu Spearman jest naturalnym wyborem, gdy dane są porządkowe (rangi, oceny, skale), mocno skośne lub zawierają wartości odstające — jedna skrajna wartość może dramatycznie zniekształcić \(r\) Pearsona, ale ledwo przesunąć rangę.
Wartość p odpowiada na pytanie: gdyby w populacji rzeczywiście nie było monotonicznej zależności (\(\rho = 0\)), jakie byłoby prawdopodobieństwo uzyskania tak dużej korelacji w próbie przez sam przypadek? Mała wartość p (umownie poniżej 0,05) świadczy o rzeczywistej zależności. Jeśli nie wiesz, jak ogólnie interpretować wartość p, kalkulator wartości p wyjaśnia to pojęcie dokładniej.
Jak interpretować wynik
Bierz pod uwagę zarówno znak, jak i wartość bezwzględną \(\rho\), łącznie z wartością p:
- Znak: \(\rho > 0\) wskazuje na zależność rosnącą, \(\rho < 0\) — malejącą.
- Wielkość (orientacyjnie): |\(\rho\)| ≥ 0,9 bardzo silna, 0,7–0,9 silna, 0,4–0,7 umiarkowana, 0,2–0,4 słaba, poniżej 0,2 pomijalna.
- Wartość p: mówi, czy zależność jest statystycznie odróżnialna od zera. Duże \(\rho\) z bardzo małej próby może być nieistotne statystycznie.
Pamiętaj, że korelacja to nie przyczynowość: nawet bardzo silna zależność monotoniczna nie dowodzi, że jedna zmienna wpływa na drugą. Obie mogą podlegać wpływowi trzeciego czynnika albo zaobserwowany wzorzec może być zbiegiem okoliczności.
Założenia, ograniczenia i praktyczne wskazówki
- Monotoniczność, nie liniowość: Spearman wykrywa każdy konsekwentnie rosnący lub malejący wzorzec. Jeśli zależność najpierw rośnie, a potem maleje (np. ma kształt litery U), \(\rho\) może być bliskie zeru, mimo że zmienne są wyraźnie powiązane.
- Dane porządkowe nie są problemem: nie trzeba zakładać normalności — wystarczy, że wartości da się sensownie porangować.
- Remisy (powtórzone wartości): gdy ta sama wartość pojawi się w zmiennej więcej niż raz, obserwacje z remisem otrzymują średnią swoich rang, a \(\rho\) oblicza się jako korelację Pearsona rang. Klasyczny wzór \(1 - 6\sum d^2 / (n(n^2-1))\) jest dokładny tylko bez remisów; przy wielu remisach właściwa jest metoda rangowa Pearsona — dlatego kalkulator zawsze jej używa.
- Małe próby: wartość p opiera się na standardowej aproksymacji \(t = \rho\sqrt{(n-2)/(1-\rho^2)}\) o \(n-2\) stopniach swobody, która jest dokładna dla \(n \geq 10\). Przy \(n < 10\) porównaj \(\rho\) z dokładnymi tablicami wartości krytycznych Spearmana, zanim wyciągniesz wnioski.
- Sparowanie ma znaczenie: k-temu X musi odpowiadać k-te Y. Pomieszana lista wartości Y da bezsensowny wynik.
- Wartości odstające: miary oparte na rangach są na nie odporne, ale sprawdź, czy skrajna obserwacja to rzeczywisty punkt danych, czy błąd zapisu.
Jeśli chcesz wyjść poza samą zależność i faktycznie przewidywać jedną zmienną na podstawie drugiej, kalkulator regresji liniowej dopasowuje model i podaje jego współczynniki, a kalkulator d Cohena przydaje się do mierzenia różnic między grupami, a nie zależności.
Najczęściej zadawane pytania
Jak obliczyć rho Spearmana ręcznie?
Nadaj każdej zmiennej osobno rangi od najmniejszej (1) do największej (n), dla każdej pary odejmij jedną rangę od drugiej, aby otrzymać \(d_i\), zsumuj kwadraty tych różnic, a następnie zastosuj \( \rho = 1 - \frac{6\sum d_i^2}{n(n^2-1)} \). Przy 5 parach i \(\sum d^2 = 4\) otrzymujesz \( \rho = 1 - \frac{6 \times 4}{5(25-1)} = 0.8 \). Jeśli występują remisy, przypisz powtórzonym wartościom średnią ich rang i użyj metody Pearsona na rangach, ponieważ wzór skrócony daje wtedy wynik obciążony.
Jaka wartość korelacji Spearmana jest dobra albo silna?
Nie ma uniwersalnej granicy — zależy to od dziedziny i wielkości próby. Orientacyjnie |ρ| powyżej 0,7 uznaje się zwykle za zależność silną, a powyżej 0,9 za bardzo silną, podczas gdy wartości poniżej 0,2 są pomijalne. Wielkość zawsze odczytuj razem z wartością p: ρ równe 0,9 z 4 obserwacji może być statystycznie nieistotne, a ρ równe 0,25 z 1000 par — wysoce istotne, choć praktycznie małe.
Kiedy stosować rho Spearmana zamiast r Pearsona?
Wybierz Spearmana, gdy zależność może być monotoniczna, ale nie liniowa (wzrost wykładniczy, krzywe nasycenia), gdy dane są porządkowe (rankingi, skale Likerta, oceny), gdy rozkłady są mocno skośne lub gdy występują wartości odstające — rangi ograniczają skrajne wartości, więc nie mogą zdominować wyniku. Pearsona lepiej użyć, gdy konkretnie chcesz zmierzyć zależność liniową na danych mniej więcej przedziałowych.
Jak w korelacji Spearmana traktowane są remisy?
Obserwacje z remisem otrzymują średnią rang, które zajęłyby — dwie wartości ex aequo na 4. i 5. miejscu dostają obie rangę 4,5. Przez to uśrednianie klasyczny wzór \( 1 - 6\sum d^2/(n(n^2-1)) \) przestaje być dokładny, więc współczynnik należy obliczać jako korelację Pearsona rang — i tak robi ten kalkulator. Przy pojedynczych remisach różnica jest znikoma, ale przy wielu remisach ma znaczenie.
Czy rho Spearmana można obliczyć na danych rangowych lub porządkowych?
Tak — to jedna z jego głównych zalet. Możesz wpisać dane, które już są rangami, ocenami czy uporządkowanymi kategoriami (np. 1., 2., 3. miejsce albo oceny 1–5), ponieważ metoda wymaga jedynie, by wartości dało się uporządkować. Nie trzeba zakładać normalności. Upewnij się tylko, że obie listy używają tego samego kierunku uporządkowania: jeśli wysokie liczby oznaczają „najlepsze” w jednej zmiennej, a „najgorsze” w drugiej, ρ słusznie wyjdzie ujemne.
Dlaczego moja korelacja Spearmana jest niska, choć zmienne są wyraźnie powiązane?
Spearman wykrywa tylko wzorce monotoniczne — takie, które konsekwentnie rosną lub konsekwentnie maleją. Jeśli zależność ma kształt litery U, najpierw rośnie, a potem się wypłaszcza, albo zmienia kierunek, ρ może być bliskie zeru mimo silnego powiązania. Najpierw narysuj dane. Inne przyczyny to mała liczba par, źle sparowana kolejność X–Y albo liczne remisy zawężające rzeczywistą zmienność rang.
Czy istotna korelacja Spearmana dowodzi przyczynowości?
Nie. Istotne ρ wskazuje jedynie na monotoniczną zależność między dwiema zmiennymi w Twojej próbie. Jedna zmienna może wpływać na drugą, obie mogą podlegać wpływowi trzeciego czynnika, a wzorzec może być zbiegiem okoliczności. Zwłaszcza w danych obserwacyjnych traktuj istotność jako impuls do dalszych badań — o przyczynowości przesądzają kontrolowane eksperymenty lub projekt badania, nie sama korelacja.