Корреляционный анализ позволяет проверить наличие или отсутствие взаимосвязей между показателями. Нужно учесть, что он возможен только, когда данные – количественные! В противном случае, мы должны воспользоваться методом сравнения (как альтернативой). Пример количественных данных: рост, вес, возраст. Пример качественных: пол, цвет глаз, конкретное заболевание.

Основной показатель корреляционного анализа – это коэффициент корреляции (r). Рассчитать его возможно с помощью определённых методов. Например: это может быть коэффициент Пирсона (если распределение нормальное) или Спирмена (если распределение не нормальное).

После того как получен коэффициент корреляции, оценивается его направление (знак). В случае, если он положительный – мы говорим о прямой корреляции, например, чем более выражен один признак, тем более выражен другой. Если же знак отрицательный – то, напротив, чем выше один показатель – тем ниже другой. Такая связь называется обратной (или обратно – пропорциональной).

Также оценивается сила связи и статистическая значимость. Для оценки силы корреляции можно воспользоваться шкалой Чеддока, где значения в диапазоне от 0 до 0,3 говорят о наличии очень слабой связи, от 0,3 до 0,5 – слабой связи, от 0,5 до 0,7 – средней силы связи, от 0,7 до 0,9 – высокой силы связи и от 0,9 до 1 – очень высокой силы связи.

Статистическая значимость (р) считается достаточной, если её значение меньше либо равно 0,05. Если же значение меньше либо равно 0,01 – это говорит о высокой степени статистической значимости полученной корреляции. Однако, в современных исследованиях ставится под сомнение такой подход. И рекомендуется рассчитывать точный уровень статистической значимости для результатов.

Провести расчёт корреляции можно в статистических программах, например, SPSS или Statistica, где результат будет доступен в виде корреляционной матрицы: