Kalkulator korelacji Pearsona

📐 Współczynnik korelacji Pearsona (r) mierzy siłę i kierunek liniowej zależności pomiędzy dwiema zmiennymi ciągłymi. Waha się od −1 (idealna korelacja ujemna) do +1 (idealna korelacja dodatnia), gdzie 0 oznacza brak zależności liniowej.

📊 W przeciwieństwie do regresji, która przewiduje jedną zmienną na podstawie drugiej, korelacja po prostu określa ilościowo, jak blisko siebie poruszają się dwie zmienne. Nazwany na cześć brytyjskiego statystyka Karla Pearsona, który opracował nowoczesne sformułowanie w latach 90. XIX wieku, opierając się na wcześniejszych pracach Francisa Galtona na temat regresji i korelacji w badaniach dziedziczności, r Pearsona pozostaje najpowszechniej stosowaną miarą asocjacji w statystykach.

📐 Współczynnik jest bezwymiarowy — nie ma jednostek — co ułatwia porównywanie relacji między różnymi zmiennymi mierzonymi w zupełnie różnych skalach. Kiedy r jest bliskie +1, obie zmienne rosną razem w niemal idealnym kroku; gdy r jest bliskie -1, jedna zmienna rośnie, a druga spada; a gdy r jest bliskie 0, powiązanie liniowe jest niewielkie lub nie występuje wcale.

📐 Co ważne, r rejestruje jedynie zależności liniowe — dwie zmienne mogą mieć silną zależność nieliniową (np. kształt litery U), a mimo to dawać r ≈ 0. Z tego powodu przed poleganiem na wartości liczbowej r należy zawsze sprawdzić wykres punktowy. Kwadrat korelacji r² (w przypadku regresji nazywany współczynnikiem determinacji) określa proporcję wspólnej wariancji między dwiema zmiennymi: jeśli r = 0,8, to r² = 0,64, co oznacza, że 64% zmienności jednej zmiennej można liniowo wytłumaczyć drugą.

📊 R Pearsona jest symetryczne, co oznacza r(X,Y) = r(Y,X) — korelacja między wzrostem a masą ciała jest taka sama niezależnie od tego, czy jako pierwszą zmienną potraktujesz wzrost czy wagę. Ta symetria odróżnia korelację od regresji, gdzie regresja Y na X daje inną linię niż regresja X na Y (chyba że r = ± 1). Parametr populacji jest oznaczony jako ρ (rho), a statystyka próbki r jest oszacowaniem ρ.

📊 Wraz ze wzrostem wielkości próby r zbliża się do prawdziwej korelacji populacji, dzięki czemu większe próbki są bardziej wiarygodne przy szacowaniu siły powiązania.