科学的定義と法則

ピアソン相関係数の完全解説

最終更新： 08/04/2025
1 分の読み

ピアソンの積率相関係数（Pearson Correlation Coefficient）に関する完全かつ包括的な解説

ピアソンの積率相関係数（以下、ピアソンの相関係数）は、統計学において最も広く使用される相関の測定方法である。この係数は、2つの連続変数間に存在する線形関係の強さと方向性を評価するために用いられる。カール・ピアソン（Karl Pearson）によって導入されたこの手法は、自然科学、社会科学、経済学、心理学、教育学、医学研究など、あらゆる分野で不可欠な解析ツールとして位置づけられている。

関連記事

本稿では、ピアソンの相関係数の数学的定義、仮定条件、計算手順、解釈の指針、適用事例、他の相関指標との違い、限界点、さらには最新の研究動向までを含めて詳細に解説する。

1. ピアソンの相関係数とは何か？

ピアソンの相関係数は、数値変数の間の線形関係の強さを測定する統計的手法である。値域は –1 から +1 の間にあり、以下のように解釈される：

  • +1：完全な正の相関（片方が増加すれば、もう片方も完全に増加）

  • 0：相関なし（線形関係が存在しない）

  • –1：完全な負の相関（片方が増加すれば、もう片方は完全に減少）

数式定義：

ピアソンの相関係数 r は次の式で表される：

r=∑i=1n(Xi−Xˉ)(Yi−Yˉ)∑i=1n(Xi−Xˉ)2∑i=1n(Yi−Yˉ)2r = \frac{\sum_{i=1}^{n} (X_i – \bar{X})(Y_i – \bar{Y})}{\sqrt{\sum_{i=1}^{n} (X_i – \bar{X})^2} \sqrt{\sum_{i=1}^{n} (Y_i – \bar{Y})^2}}

ここで：

  • XiX_i, YiY_i：各観測値

  • Xˉ\bar{X}, Yˉ\bar{Y}：それぞれの変数の平均値

  • nn：観測の総数

この式は共分散を標準偏差の積で割ることで、スケールに依存しない相関係数を得ている。

2. 仮定と前提条件

ピアソンの相関係数を使用する際には、以下の前提条件が満たされている必要がある：

  • 連続変数であること：両方の変数が間隔尺度または比率尺度である必要がある。

  • 線形性：変数間の関係は線形である必要がある。非線形な関係には適していない。

  • 正規性：母集団における両変数の分布が正規分布に近いこと。

  • 外れ値がないこと：外れ値の存在は係数に大きな影響を与えるため、事前の検出と処理が必要。

  • 同質性（均一分散）：データの分散が全体で一定であること（特に回帰との併用時）。

3. 計算方法の実例

例題：

以下のようなデータがあったとする。

X（学習時間） Y（テスト得点）
2 30
3 50
5 80
6 90
4 60

これらのデータに基づき、ピアソンの相関係数を手計算で求めると、約 r = 0.98 という非常に高い正の相関が得られる。

4. 解釈の実践

相関係数 r の範囲 解釈
0.90 ～ 1.00 非常に強い正の相関
0.70 ～ 0.89 強い正の相関
0.40 ～ 0.69 中程度の正の相関
0.10 ～ 0.39 弱い正の相関
–0.09 ～ 0.09 無相関
–0.39 ～ –0.10 弱い負の相関
–0.69 ～ –0.40 中程度の負の相関
–0.89 ～ –0.70 強い負の相関
–1.00 ～ –0.90 非常に強い負の相関

解釈においては、相関は因果関係を意味しない ことに注意が必要である。高い相関が観測されても、それが一方の変数が他方を引き起こしているという証拠にはならない。

5. 他の相関係数との比較

指標名 特徴
ピアソンの相関係数 線形関係の強さを測定。変数の尺度が連続。
スピアマンの順位相関係数 順位に基づく相関。非線形でも単調関係であれば測定可能。
ケンドールの順位相関係数 スピアマンよりも頑健性があり、結びつき（ties）が多いデータに適する。
偏相関係数 他の変数の影響を取り除いた上での相関を測定。

6. 使用される実際の分野と応用例

分野 応用事例
心理学 知能指数と学力の相関分析
医学 血圧と体重の相関、薬の効果と副作用の関係
教育学 授業出席率と試験成績の関係分析
経済学 所得と消費支出の関係
環境科学 温室効果ガス濃度と気温上昇の関係

7. 限界と注意点

  • 外れ値に敏感：一部の異常値が相関係数全体を歪める恐れがある。

  • 非線形関係には不適：たとえ強い関係があっても非線形ならば r は低くなる。

  • スケールの違いは無視できない：標準化されていても、解釈時には変数の性質を考慮すべき。

  • 相関の誤用の危険性：「相関＝因果」と誤解されるリスクが高い。

8. 実データへの適用と統計ソフトによる計算

ピアソンの相関係数は、Excel、R、Python（Pandas/NumPy）、SPSS、Stata、SAS などあらゆる統計ツールで計算可能である。

Pythonでの例：

python
import pandas as pd
from scipy.stats import pearsonr

x = [2, 3, 5, 6, 4]
y = [30, 50, 80, 90, 60]

r, p = pearsonr(x, y)
print(f"相関係数: {r:.3f}, p値: {p:.3e}")

9. ピアソン相関と因果推論の違い

相関 ≠ 因果関係 である。ピアソンの係数が示すのは、ある種の統計的共変動であって、介入や操作の効果ではない。因果推論を行うには、実験デザインや操作変数法、回帰不連続デザイン（RDD）、差の差分析（DID）などの方法が必要である。

10. 近年の研究動向

近年では、ビッグデータや機械学習においてもピアソンの相関係数は重要な役割を果たしている。特徴選択（feature selection）において冗長な変数を排除するための基準として利用されるほか、相関ネットワーク（correlation network）構築においても応用されている。

また、欠測データやノイズを含む大規模データに対しては、ロバストな相関係数（例えば biweight midcorrelation や distance correlation）の必要性が指摘されている。

参考文献

  1. Pearson, K. (1896). Mathematical Contributions to the Theory of Evolution. III. Regression, Heredity, and Panmixia. Philosophical Transactions of the Royal Society of London.

  2. Rodgers, J. L., & Nicewander, W. A. (1988). Thirteen Ways to Look at the Correlation Coefficient. The American Statistician.

  3. Cohen, J., Cohen, P., West, S. G., & Aiken, L. S. (2003). Applied Multiple Regression/Correlation Analysis for the Behavioral Sciences. Routledge.

  4. Schober, P., Boer, C., & Schwarte, L. A. (2018). Correlation coefficients: appropriate use and interpretation. Anesthesia & Analgesia.

ピアソンの相関係数は、シンプルながら非常に強力な統計指標である。正しく使用し、解釈し、限界を理解することで、データ解析における洞察の深さが飛躍的に高まる。科学的思考に基づいた厳密なアプローチのもと、日本の読者の皆様がより信頼性の高い分析を行う一助となれば幸いである。

最終更新： 08/04/2025
1 分の読み
Back to top button