Testy statystyczne
Test korelacji rang Spearmana
Przewodnik po Teście Korelacji Spearmana
Wprowadzenie
Test korelacji rang Spearmana (ang. Spearman’s Rank Correlation Coefficient) jest jednym z najczęściej stosowanych nieparametrycznych testów statystycznych służących do badania związku pomiędzy dwiema zmiennymi.
Współczynnik Spearmana oznaczany jest symbolem:
[
\rho \quad \text{lub} \quad r_s
]
i określa siłę oraz kierunek zależności monotonicznej między zmiennymi.
Test został opracowany przez brytyjskiego psychologa i statystyka Charles Spearman na początku XX wieku.
Czym jest korelacja?
Korelacja opisuje stopień współwystępowania dwóch zmiennych.
Przykłady:
- liczba godzin nauki a wynik egzaminu,
- wiek a doświadczenie zawodowe,
- poziom stresu a jakość snu,
- satysfakcja klienta a lojalność wobec marki.
Jeżeli wraz ze wzrostem jednej zmiennej wzrasta druga, mówimy o korelacji dodatniej.
Jeżeli wzrost jednej zmiennej powoduje spadek drugiej, mamy korelację ujemną.
Kiedy stosujemy test Spearmana?
Test Spearmana wykorzystujemy, gdy:
✅ dane mają charakter porządkowy,
✅ rozkład zmiennych nie jest normalny,
✅ zależność nie musi być liniowa,
✅ występują obserwacje odstające,
✅ badamy monotoniczny związek między zmiennymi.
Przykłady zastosowań
Psychologia
- poziom lęku a wyniki w nauce,
- samoocena a satysfakcja życiowa,
- stres a wypalenie zawodowe.
Edukacja
- liczba godzin nauki a ocena końcowa,
- frekwencja a wyniki egzaminów.
Marketing
- satysfakcja klienta a częstotliwość zakupów,
- ocena produktu a skłonność do rekomendacji.
Medycyna
- wiek pacjenta a nasilenie objawów,
- dawka leku a poprawa stanu zdrowia.
Hipotezy statystyczne
Hipoteza zerowa
[
H_0
]
Nie istnieje zależność między zmiennymi.
Hipoteza alternatywna
[
H_1
]
Istnieje zależność między zmiennymi.
Idea działania testu
Spearman nie analizuje bezpośrednio wartości liczbowych.
Najpierw zamienia dane na rangi.
Przykład:
| Wynik | Ranga |
|---|---|
| 50 | 1 |
| 60 | 2 |
| 70 | 3 |
| 80 | 4 |
| 90 | 5 |
Następnie porównuje zgodność rang obu zmiennych.
Współczynnik Spearmana
r_s = 1 – \frac{6\sum d_i^2}{n(n^2-1)}
gdzie:
- (d_i) – różnica rang,
- (n) – liczba obserwacji.
Przykład obliczeń
Badamy zależność między liczbą godzin nauki a wynikiem egzaminu.
| Student | Nauka | Wynik |
|---|---|---|
| A | 2 | 50 |
| B | 4 | 60 |
| C | 5 | 70 |
| D | 7 | 85 |
| E | 8 | 95 |
Po zamianie na rangi:
| Student | Ranga X | Ranga Y |
|---|---|---|
| A | 1 | 1 |
| B | 2 | 2 |
| C | 3 | 3 |
| D | 4 | 4 |
| E | 5 | 5 |
Różnice rang:
[
d_i=0
]
dla wszystkich obserwacji.
Wynik:
[
r_s = 1
]
oznacza idealną dodatnią korelację.
Zakres wartości współczynnika
[
-1 \le r_s \le 1
]
Korelacja dodatnia
[
r_s > 0
]
Wzrost jednej zmiennej wiąże się ze wzrostem drugiej.
Korelacja ujemna
[
r_s < 0
]
Wzrost jednej zmiennej powoduje spadek drugiej.
Brak korelacji
[
r_s \approx 0
]
Brak zależności monotonicznej.
Interpretacja siły korelacji
| Wartość | Interpretacja |
|---|---|
| 0,00–0,19 | bardzo słaba |
| 0,20–0,39 | słaba |
| 0,40–0,59 | umiarkowana |
| 0,60–0,79 | silna |
| 0,80–1,00 | bardzo silna |
Analogicznie dla wartości ujemnych.
Korelacja dodatnia
Przykład:
| Godziny nauki | Wynik |
|---|---|
| 2 | 50 |
| 4 | 60 |
| 6 | 75 |
| 8 | 90 |
Wynik:
[
r_s = 0,92
]
Bardzo silna dodatnia zależność.
Korelacja ujemna
Przykład:
| Stres | Jakość snu |
|---|---|
| 1 | 9 |
| 3 | 8 |
| 5 | 6 |
| 8 | 3 |
Wynik:
[
r_s = -0,88
]
Silna korelacja ujemna.
Istotność statystyczna
Sam współczynnik korelacji nie wystarcza.
Należy sprawdzić wartość:
[
p
]
Interpretacja:
| p | Wniosek |
|---|---|
| p < 0,05 | korelacja istotna |
| p ≥ 0,05 | brak podstaw do odrzucenia H₀ |
Spearman a Pearson
| Cecha | Spearman | Pearson |
|---|---|---|
| Typ testu | nieparametryczny | parametryczny |
| Rozkład normalny | nie wymagany | wymagany |
| Dane porządkowe | tak | nie |
| Dane ilościowe | tak | tak |
| Odporność na odstające | wysoka | niska |
| Zależność liniowa | nie wymagana | wymagana |
Spearman a Kendall
| Cecha | Spearman | Kendall |
|---|---|---|
| Popularność | bardzo duża | mniejsza |
| Duże próby | bardzo dobry | dobry |
| Małe próby | dobry | bardzo dobry |
| Szybkość obliczeń | wysoka | niższa |
Zalety testu Spearmana
✅ Nie wymaga normalności rozkładu
✅ Odpowiedni dla danych porządkowych
✅ Odporny na obserwacje odstające
✅ Łatwy do interpretacji
✅ Można stosować przy małych próbach
Ograniczenia
❌ Nie wykrywa wszystkich rodzajów zależności
❌ Mierzy jedynie zależności monotoniczne
❌ Nie oznacza związku przyczynowo-skutkowego
❌ Wysoka korelacja nie oznacza, że jedna zmienna powoduje drugą
Raportowanie wyników (APA)
Przykład:
Analiza korelacji rang Spearmana wykazała istotny dodatni związek pomiędzy liczbą godzin nauki a wynikiem egzaminu, (r_s = 0,78), (p < 0,001).
Zastosowanie w Statystyka24.pl
W serwisie Statystyka24.pl test Spearmana może służyć do:
- analizy wyników ankiet,
- badań psychologicznych,
- analiz pedagogicznych,
- badań marketingowych,
- prac licencjackich i magisterskich,
- analiz medycznych i społecznych.
Podsumowanie
Test korelacji rang Spearmana jest jednym z najważniejszych testów nieparametrycznych wykorzystywanych do badania siły i kierunku związku pomiędzy dwiema zmiennymi. Dzięki wykorzystaniu rang jest odporny na odstające obserwacje i nie wymaga spełnienia rygorystycznych założeń dotyczących normalności rozkładu. Z tego powodu znajduje bardzo szerokie zastosowanie w naukach społecznych, psychologii, edukacji, marketingu oraz medycynie.