Un student ne scrie: „Am găsit o corelație de r = 0,54 între orele de studiu și media generală. Coordonatorul mi-a cerut să fac în schimb o regresie. Care e diferența?” Primim întrebarea asta de cel puțin două ori pe săptămână. Ambele tehnici se ocupă de legături între variabile, dar răspund la întrebări diferite, scot rezultate diferite și pornesc de la condiții diferite. Confuzia dintre ele e una dintre cele mai rapide căi de a pierde puncte la capitolul de metodologie.
Ce îți spune corelația
Corelația măsoară tăria și direcția unei legături liniare între două variabile. Atât. Dacă îi calculezi coeficientul Pearson între orele de studiu săptămânal și media pe semestru la 120 de studenți la asistență medicală și obții r(118) = 0,54, p < 0,001, știi că studenții care învață mai mult tind să aibă medii mai mari. Coeficientul îți mai spune că legătura e pozitivă (ambele variabile se mișcă în aceeași direcție) și moderată spre puternică după convențiile lui Cohen, unde 0,10 e mic, 0,30 e mediu și 0,50 e mare.
Asta e tot ce face corelația. Nu îți spune care variabilă o determină pe cealaltă. Le inversezi și obții același r = 0,54. Orele de studiu care prezic media și media care prezice orele de studiu scot coeficienți identici, fiindcă r al lui Pearson e simetric. Nu există factor de predicție și nu există rezultat. Există doar o legătură.
Mai ai de ales și coeficientul. r al lui Pearson cere ca ambele variabile să fie continue și să aibă distribuții apropiate de cea normală. Când una sau ambele variabile sunt ordinale (o scală Likert cu 5 trepte, de pildă) sau când datele sunt puternic asimetrice, ρ al lui Spearman (rho) e alternativa corectă. Spearman lucrează cu ranguri, nu cu valorile brute, așa că prinde legături monotone chiar și când asocierea nu e strict liniară. Un studiu cu 85 de participanți care compară stresul autoraportat (ordinal, scală 1–10) cu calitatea somnului (ordinal, categoriile indexului Pittsburgh) ar folosi Spearman, nu Pearson. Pentru o comparație mai detaliată a celor doi coeficienți, vezi articolul despre Pearson sau Spearman.
Ce adaugă regresia
Regresia face ceva ce corelația nu poate: construiește o ecuație de predicție. Regresia liniară simplă ia un factor de predicție (X) și un rezultat (Y) și potrivește dreapta Y = b0 + b1X. Interceptul b0 e valoarea prezisă a lui Y când X e zero. Panta b1 îți spune cu câte unități se schimbă Y la fiecare creștere de o unitate a lui X.
Înapoi la exemplul cu orele de studiu. O regresie liniară simplă pe aceiași 120 de studenți la asistență medicală ar putea scoate: media = 1,82 + 0,09 × oreStudiu. Ecuația înseamnă că un student care învață zero ore pe săptămână are o medie prezisă de 1,82, iar fiecare oră în plus de studiu săptămânal e asociată cu o creștere de 0,09 puncte a mediei. Un student care învață 20 de ore pe săptămână ar avea o medie prezisă de 1,82 + (0,09 × 20) = 3,62. Corelația ți-a dat un singur număr. Regresia îți dă o formulă în care poți pune valori.
Deosebirea dintre factor de predicție și rezultat contează aici. Dacă inversezi variabilele, obții o altă ecuație, cu altă pantă și alte predicții. Regresia orelor de studiu pe medie nu e același model cu regresia mediei pe orele de studiu. Regresia te obligă să te decizi asupra unei direcții, iar întrebarea ta de cercetare ar trebui să spună care variabilă e factorul de predicție și care e rezultatul.
Regresia se extinde și la mai mult. Când ai mai mulți factori, treci la regresia liniară multiplă: media = b0 + b1(oreStudiu) + b2(prezență) + b3(oreSomn). Corelația nu se poate ocupa de asta. Ai putea face trei corelații Pearson separate, dar ar rata efectele combinate și ajustate ale celor trei factori care lucrează împreună. Într-o regresie multiplă cu 200 de participanți, ai putea afla că orele de studiu (β = 0,38, p < 0,001) și prezența (β = 0,27, p = 0,002) sunt factori semnificativi pentru medie, în timp ce orele de somn (β = 0,08, p = 0,31) nu sunt, după ce controlezi ceilalți doi. Corelația singură nu ar scoate niciodată la iveală tiparul ăsta. Cum citești un asemenea tabel e explicat în articolul despre interpretarea regresiei multiple.
Când folosești fiecare metodă
Alegerea depinde de întrebarea de cercetare. Dacă întrebi „există o legătură între X și Y?”, corelația e unealta potrivită. Întrebarea „există o corelație semnificativă între nivelul de anxietate și performanța academică la 150 de studenți la psihologie?” cere r al lui Pearson (sau ρ al lui Spearman dacă datele nu sunt normale). Raportezi coeficientul, valoarea p și gradele de libertate, și ai terminat.
Dacă întrebarea ta ține de predicție, direcție sau mai multe variabile, ai nevoie de regresie. „Prezic orele de studiu, prezența la curs și durata somnului media generală?” e o întrebare de regresie. La fel și „cu cât se schimbă media la fiecare oră de studiu în plus?”. Cuvântul „prezice” e semnalul cel mai clar. Dacă ipoteza ta îl folosește, coordonatorul aproape sigur se așteaptă la o regresie.
Există și o zonă gri. Unii studenți își formulează întrebarea ca pe o corelație, dar coordonatorul o citește ca pe o regresie. „Care e legătura dintre folosirea rețelelor sociale și stima de sine?” poate merge în oricare direcție. Dacă vrei doar să afli dacă cele două sunt asociate, corelația e suficientă. Dar dacă recenzia literaturii încadrează folosirea rețelelor sociale drept un factor care ar putea scădea stima de sine, coordonatorul s-ar putea aștepta să tratezi folosirea rețelelor ca factor de predicție și stima de sine ca rezultat. În astfel de cazuri, clarifică formularea înainte să aplici ceva. Dacă nu ești sigur ce test statistic se potrivește planului tău, pornește de acolo.
Corelație față de regresie: comparație directă
| Caracteristică | Corelație | Regresie |
|---|---|---|
| Scop | Măsoară tăria și direcția unei legături | Prezice o variabilă din una sau mai multe |
| Direcție | Simetrică (fără factor/rezultat) | Asimetrică (factor → rezultat) |
| Ce scoate | Coeficient de corelație (r sau ρ) | Ecuație de regresie (Y = b0 + b1X), coeficienți, R² |
| Număr de factori | Doar două variabile | Unul (simplă) sau mai mulți (multiplă) |
| Mărimea efectului | r în sine (sau r² ca varianță comună) | R², R² ajustat, β standardizat |
| Întrebare-tip | „Sunt X și Y legate?” | „Prezice X pe Y?” sau „cu cât se schimbă Y la o unitate de X?” |
| Cauzalitate | Nu dovedește cauzalitatea | Nici ea nu dovedește cauzalitatea |
Greșeli pe care le vedem
Eroarea cea mai frecventă e folosirea unei corelații când întrebarea de cercetare e clar despre predicție. Un student scrie „acest studiu cercetează dacă venitul părinților prezice nivelul de educație al copiilor” și apoi raportează un r Pearson = 0,42. Cuvântul „prezice” din întrebare cere un model de regresie. Coeficientul de corelație răspunde la o întrebare diferită, mai slabă. Din experiența noastră de peste 300 de lucrări verificate, nepotrivirea dintre întrebarea de cercetare și metoda statistică e printre primele motive pentru care coordonatorii trimit ciorna înapoi la revizuire.
A doua greșeală e să tratezi r² dintr-o corelație ca și cum ar fi R² dintr-o regresie. Ridicarea la pătrat a lui r Pearson îți dă proporția de varianță comună între două variabile. În cazul simplu, bivariat, numărul ăsta e egal cu R² dintr-o regresie liniară simplă cu aceleași două variabile. Dar studenții ridică uneori la pătrat un r Pearson dintr-o corelație bivariată și apoi îl interpretează în limbajul regresiei („modelul explică 29% din varianță”), fără să fi făcut vreodată un model de regresie. Tehnic nu e greșit în cazul simplu, bivariat, dar zăpăcește cititorii și membrii comisiei, fiindcă împrumuți vocabularul unei metode în timp ce raportezi rezultatul alteia. Odată ce adaugi un al doilea factor, R² din regresia multiplă și r² din orice corelație devin numere complet diferite.
A treia greșeală e capcana cauzalității, iar ea merge în ambele sensuri. Studenții știu că „o corelație nu înseamnă cauzalitate”. Unii presupun însă că regresia înseamnă, fiindcă are un factor și un rezultat. Nu înseamnă. O regresie a vânzărilor de înghețată pe temperatură scoate o pantă semnificativă statistic, dar temperatura nu provoacă achiziția de înghețată printr-un mecanism pe care îl testează regresia. Cauzalitatea cere plan experimental, repartizare aleatorie și controlul variabilelor care încurcă. Nici corelația, nici regresia, luate singure, nu stabilesc cauza și efectul. Pentru ce înseamnă de fapt valorile p din aceste teste, citește ghidul despre interpretarea valorii p.
A patra problemă e ignorarea condițiilor. r al lui Pearson presupune că ambele variabile sunt continue, aproximativ normale și legate liniar. Regresia liniară adaugă condiții asupra reziduurilor: să fie normal distribuite, să aibă varianță constantă (homoscedasticitate) și să fie independente. O corelație Pearson pe două variabile cu o legătură clar curbă (să zicem U-ul răsturnat dintre activare și performanță) scoate un r care induce în eroare prin cât de mic e, fiindcă Pearson măsoară doar asocierea liniară. Cu n = 60 și un tipar cu adevărat curb, ai putea obține r = 0,12, p = 0,36 și să concluzionezi că nu există legătură, când ea e clar acolo.
Cum le raportezi în lucrare
Pentru o corelație Pearson în stil APA 7, raportezi gradele de libertate, coeficientul și valoarea p: r(118) = 0,54, p < 0,001. Dacă folosești Spearman, scrii rs(83) = 0,47, p < 0,001. Raportezi mereu valoarea p exactă, nu doar „p < 0,05”, dacă nu cumva e sub 0,001.
Pentru regresia liniară simplă, raportezi potrivirea de ansamblu a modelului și coeficienții: F(1, 118) = 47,12, p < 0,001, R² = 0,29. Apoi raportezi panta: b = 0,09, SE = 0,013, t(118) = 6,86, p < 0,001, β = 0,54. Pentru regresia multiplă, raportezi întâi testul F de ansamblu și R², urmate de coeficientul nestandardizat (b) al fiecărui factor, eroarea standard, valoarea t, valoarea p și coeficientul standardizat (β). Pașii concreți în SPSS sunt în ghidul despre regresie liniară în SPSS. Iar dacă vrei rezultate gata de publicat fără să formatezi fiecare număr de mână, Academic Stats Agent generează tabele și text conforme cu APA 7, atât pentru corelații, cât și pentru regresii.
De reținut: corelația îți spune dacă două variabile sunt legate și cât de puternic. Regresia îți spune cu cât se schimbă o variabilă când cealaltă crește cu o unitate și îți permite să faci predicții. Dacă întrebarea de cercetare e despre legătură, folosești corelația. Dacă e despre predicție sau are mai mulți factori, folosești regresia. Niciuna nu dovedește cauzalitatea.