Коэффициент корреляции Пирсона

Коэффициент корреляции Пирсона — это статистический показатель, измеряющий силу и направление линейной зависимости между двумя количественными переменными. Он широко используется в исследованиях в области экономики, психологии, социологии, управления, маркетинга и других прикладных дисциплин для анализа взаимосвязей между переменными, проверки гипотез и построения прогнозных моделей. Значение коэффициента корреляции Пирсона варьируется от -1 до +1, где:

• +1 означает идеальную положительную линейную связь;

• 0 — отсутствие линейной зависимости;

• -1 — идеальную отрицательную линейную связь.

Тег «Коэффициент корреляции Пирсона» объединяет статьи, посвящённые методологии расчёта, интерпретации, применимости и ограничениям этого статистического показателя в прикладных исследованиях и бизнес-аналитике.

Формула коэффициента корреляции Пирсона

Классическая формула имеет следующий вид:

​

Где:

• Xi,Yi — значения двух переменных;

• Xˉ,Yˉ— средние значения переменных X и Y;

• r — коэффициент корреляции Пирсона.

Интерпретация значения коэффициента

Важно: коэффициент Пирсона указывает только на линейную зависимость. При наличии нелинейной связи он может быть близок к нулю, несмотря на явную взаимосвязь между переменными.

Условия применения

Для корректного использования коэффициента Пирсона должны соблюдаться следующие предпосылки:

• Переменные должны быть интервальными или шкалой отношений;

• Связь между переменными должна быть линейной;

• Нормальное распределение обеих переменных;

• Отсутствие выбросов, искажающих средние значения и дисперсию;

• Гомоскедастичность — одинаковая дисперсия переменных при разных значениях.

Примеры использования

В бизнесе:

• Корреляция между рекламным бюджетом и объёмом продаж;

• Связь между удовлетворённостью клиентов и повторными покупками;

• Анализ влияния уровня вовлечённости сотрудников на производительность труда.

В финансах:

• Зависимость между доходностью двух акций;

• Корреляция между валютными курсами и ценами на сырьевые товары.

В управлении персоналом:

• Связь между числом часов обучения и уровнем KPI;

• Корреляция между стилем управления и уровнем текучести кадров.

Преимущества

• Простота расчёта и интерпретации;

• Подходит для первичного анализа данных;

• Широко поддерживается в статистических и аналитических пакетах (Excel, SPSS, R, Python и др.);

• Основа для построения регрессионных моделей и других аналитических инструментов.

Ограничения

• Не выявляет причинно-следственную связь — корреляция ≠ причинность;

• Чувствителен к выбросам и аномалиям;

• Не применим к категориальным переменным;

• Может быть недостоверным при наличии скрытых переменных (confounding variables);

• Неадекватен при наличии нелинейных зависимостей (в таких случаях используют, например, ранговую корреляцию Спирмена).

Альтернативы

• Коэффициент корреляции Спирмена — используется при нарушении нормальности и наличии порядковых шкал;

• Кендалла тау — устойчив к выбросам, подходит для небольших выборок;

• Коэффициент детерминации (R²) — показывает долю объяснённой вариации при построении моделей регрессии.

Визуализация

Для понимания характера связи целесообразно использовать диаграммы рассеяния (scatter plots), на которых видно:

• наличие/отсутствие линейной зависимости;

• наличие выбросов;

• возможную структуру нелинейных связей.

Научное подтверждение

В исследовании Ratner (2009) подчёркивается, что коэффициент Пирсона остаётся одним из наиболее надежных инструментов для оценки линейной взаимосвязи, но требует осознанного подхода к его применению. Автор акцентирует внимание на важности предварительного анализа данных, проверки предпосылок и сопоставления с визуальной информацией.

Источник

Ratner, B. (2009). The correlation coefficient: Its values range between +1/−1, or do they? Journal of Targeting, Measurement and Analysis for Marketing, 17(2), 139–142. https://doi.org/10.1057/jt.2009.5

Ниже представлена подборка статей по этой теме.