La correlazione descrive il legame statistico tra due variabili, ma può essere interpretata erroneamente come spiegazione di un fenomeno. Pearson e Spearman sintetizzano aspetti differenti delle relazioni osservate: non si sceglie l’uno o l’altro esclusivamente in base al risultato del test di normalità. La decisione dipende dal tipo di dati, dalla forma dell’associazione e dalla domanda della tesi.
Descrivere le variabili prima del coefficiente
Verifica significato, unità e livello di misura. Un codice che identifica una categoria non diventa automaticamente quantitativo perché è espresso da un numero. Gli scatterplot consentono di capire se una relazione appaia lineare, monotona o presenti gruppi distinti e osservazioni influenti. Se il grafico evidenzia una curva marcata, un singolo coefficiente può non rappresentarla adeguatamente.
Quando ha senso Pearson
Il coefficiente di Pearson misura l’associazione lineare tra variabili quantitative. Valori vicini a uno dei due estremi indicano relazioni lineari più forti, mentre un valore vicino a zero non esclude relazioni non lineari. Prima dell’inferenza occorre valutare assunzioni e influenza delle osservazioni anomale; una coppia di punti estremi può cambiare sensibilmente il coefficiente senza descrivere il comportamento della maggior parte del campione.
Quando considerare Spearman
Spearman utilizza i ranghi ed è utile per descrivere associazioni monotone anche quando le grandezze non si prestano alla correlazione lineare ordinaria. Non trasforma qualsiasi variabile categoriale in una misura coerente né risolve automaticamente problemi di selezione del campione. La presenza di molti ranghi uguali e la natura ordinale dei dati possono richiedere particolari cautele nell’interpretazione.
Significatività e intervalli di confidenza
Un coefficiente piccolo può risultare statisticamente distinguibile da zero in campioni ampi, senza rappresentare un’associazione rilevante sul piano pratico. Viceversa un campione ristretto può produrre una stima molto imprecisa. Presenta il coefficiente, la numerosità effettivamente analizzata e, quando disponibili e appropriate, informazioni sull’incertezza. Non interpretare il p-value come probabilità che la relazione sia vera.
Evitare la causalità automatica
Due variabili possono variare insieme per effetto di una terza caratteristica, della selezione dei partecipanti o di un andamento temporale condiviso. Anche una correlazione elevata non identifica da sola quale fenomeno preceda l’altro. Se l’obiettivo è considerare contemporaneamente più fattori, una regressione multipla può essere pertinente, ma nemmeno il modello elimina da sé tutti i problemi causali.
Scrivere e discutere il risultato
Descrivi come sono state misurate le variabili, il metodo di associazione prescelto e le verifiche effettuate. Accompagna il coefficiente con un grafico leggibile, evitando scale che amplificano artificiosamente l’effetto. Nella discussione confronta la direzione e la portata dell’associazione con la letteratura e chiarisci i limiti del disegno. Per scegliere tra più test consulta il percorso di orientamento statistico.
Domande frequenti
Pearson va usato solo se i dati sono normali?
La scelta richiede di considerare tipo di relazione, finalità inferenziali e altri presupposti, non un unico test di normalità.
Correlazione zero significa nessun rapporto?
Non necessariamente: possono esistere relazioni non lineari.
Una correlazione significativa prova causalità?
No. Servono disegno, temporalità e assunzioni ulteriori.