ピアソン相関係数（詳細）計算ツール｜r・r²・有意性・散布図の解釈
ピアソン相関係数rと決定係数r²を2変数8組のデータから計算する無料電卓。相関の強さ判定、t分布による有意性検定、外れ値・非線形関係の落とし穴、スピアマン/ケンドール順位相関との使い分け、心理学・医学・経済学の実務基準まで、統計学の教科書（東京大学出版会「統計学入門」・Cohen 1988）に沿って解説します。
ピアソン相関係数（詳細）ツール
計算式と考え方
ピアソン相関係数rは2変数x, yの線形関係の強さを−1〜+1の値で表す統計指標です。1900年前後にKarl Pearsonによって定式化され、正規分布を仮定する古典統計の基礎指標。
r = Σ(xᵢ − x̄)(yᵢ − ȳ) / √(Σ(xᵢ − x̄)² · Σ(yᵢ − ȳ)²)
同義：r = 共分散(x,y) / (σx · σy)
直感的な意味
- r = +1：xが増えるとyが完全に比例して増える（点が右上がりの直線上）
- r = 0：xとyに線形関係がない（散布図はランダムな雲）
- r = −1：xが増えるとyが完全に反比例して減る（点が右下がりの直線上）
前提条件
- x・yは間隔尺度または比例尺度（順位・カテゴリではない）
- 2変数の同時分布が近似的に2変量正規分布に従う
- 関係が線形である（曲線関係は検出不可）
- 外れ値の影響を受けやすい
相関の強さの解釈基準
相関係数の解釈は分野・目的により基準が異なります。以下は心理学（Cohen 1988）・自然科学の一般的な区分です。
| \|r\| | Cohen（1988）心理学 | 自然科学（工学・物理） | 医学・疫学 |
|---|---|---|---|
| 0.0-0.1 | ほぼなし | ほぼなし | 相関なし |
| 0.1-0.3 | 弱い（Small） | ほぼなし | 弱い |
| 0.3-0.5 | 中程度（Medium） | 弱い | 中程度 |
| 0.5-0.7 | 強い（Large） | 中程度 | 強い |
| 0.7-0.9 | 非常に強い | 強い | 非常に強い |
| 0.9以上 | ほぼ完全 | 非常に強い | ほぼ確実 |
社会科学では r=0.3〜0.5でも「意味ある発見」とされる一方、自然科学ではr=0.9以上を「相関あり」と見なすことも多く、絶対的な基準はありません。分野の慣習と論文の記述習慣に合わせて判断します。
決定係数r²の意味
r² = 相関係数の2乗＝説明された分散の割合
rを2乗したr²（決定係数、寄与率）は、「yの変動のうちxで説明できる割合」を意味します。
- r = 0.9 → r² = 0.81 → yの変動の81%はxで説明できる
- r = 0.7 → r² = 0.49 → yの変動の49%はxで説明できる
- r = 0.5 → r² = 0.25 → yの変動の25%はxで説明できる
- r = 0.3 → r² = 0.09 → yの変動の9%しか説明できない
r=0.3程度でも「統計的有意」になることがありますが、r²=9%はほとんど予測に使えないレベル。予測モデルの実用性はr²で判断するのが実務的です。単回帰分析のR²もこれと同一値になります。
有意性検定（t分布）
相関係数rが「偶然0ではない」ことを検定するには、以下のt統計量を計算し、自由度 n−2 のt分布と比較します。
t = r × √(n−2) / √(1−r²)
両側検定 p<0.05 の臨界値（サンプル数別）
| サンプル数 n | 自由度 df | 有意となる \|r\| |
|---|---|---|
| 5 | 3 | 0.878以上 |
| 10 | 8 | 0.632以上 |
| 20 | 18 | 0.444以上 |
| 30 | 28 | 0.361以上 |
| 50 | 48 | 0.279以上 |
| 100 | 98 | 0.197以上 |
| 200 | 198 | 0.139以上 |
| 500 | 498 | 0.088以上 |
サンプル数が多いと、小さな相関でも有意になります。逆にサンプル数が少ないと、直感的には強く見えるr=0.6でも有意にならないことがあります。「有意＝重要」ではなく、r²と有意性の両方で判断するのが安全です。
よくある落とし穴
非線形関係を検出できない
ピアソン相関は直線関係のみを測定。放物線・U字カーブ・指数関数などの強い曲線関係があってもr≈0になります。散布図を必ず可視化し、非線形が疑われる場合は変数変換（log・平方根等）またはスピアマン相関を使います。
外れ値に極めて敏感
1点の異常値で相関係数が0.2から0.8に激変することがあります。散布図で外れ値を確認し、必要に応じて外れ値の除外・変数変換・ロバスト相関（M推定量）を検討します。データ収集ミス・入力ミスも疑うべきです。
相関≠因果
「アイスクリーム売上と溺死者数に強い正の相関」は、共通の第三変数（気温）によるもので、アイスが溺死を起こすわけではありません。因果推論には、実験（RCT）・傾向スコア・操作変数法など別の統計手法が必要です。
範囲制限（Range Restriction）
変数の範囲を限定すると相関が過小評価されます。例：東大生の入試偏差値と成績の相関を見ると、入試で選抜されているため範囲が狭く、r≈0.1程度に見える。全人口では強い相関があっても、選抜集団では隠れる現象です。
集約の錯覚（Ecological Fallacy）
都道府県レベルの平均値で相関を見ると強く出ても、個人レベルでは相関しない現象（生態学的誤謬）。集計単位が変わると相関の意味も変わることを常に意識します。
疑似相関
時間経過とともに両方が増加する変数同士（例：GDPとインターネット普及率）は、相関があるように見えても実質的な関係がない場合があります。時系列データではトレンド除去・階差処理が必要です。
スピアマン・ケンドールとの使い分け
| 指標 | 算出方法 | 前提 | 使いどころ |
|---|---|---|---|
| ピアソンr | 実測値の共分散 | 正規分布・線形 | 正規分布に近い連続量、線形関係が期待できる場合 |
| スピアマンρ | 順位を用いた相関 | 単調関係 | 外れ値が多い、順序尺度、非線形単調関係を検出したい場合 |
| ケンドールτ | 順序対の一致数 | 単調関係 | サンプル数が少ない場合、頑健性重視の順位相関 |
| ポリ系相関 | 順序カテゴリカルデータ | 潜在正規分布 | アンケートのリッカート尺度など |
迷ったら①散布図で確認、②外れ値がある/順序データならスピアマン、③線形関係ならピアソンという手順が実務的です。
分野別の実務基準
心理学・教育学
心理検査の信頼性（テスト再テストなど）はr≥0.7が最低基準、r≥0.8が望ましいとされます（Nunnally 1978）。認知検査と学業成績の相関は通常r=0.3〜0.5程度で、「中程度の効果量」として論文に掲載されます。
医学・疫学
診断検査の一致度はr≥0.8が実用ライン。血圧・血糖値などの生理指標間の相関はr=0.3〜0.6が典型的で、「相関あり」として臨床解釈されます。原因物質の投与量と反応の相関はr≥0.9が期待されます。
金融・経済
株式ポートフォリオのリスク分散では、資産間の相関がr<0.7で分散効果あり、r>0.9では効果薄。マクロ経済指標同士（GDPと失業率など）はr=0.3〜0.7が一般的で、政策効果の議論に使われます。
マーケティング・広告
広告支出と売上、SNSエンゲージメント率とコンバージョン率の相関は多くの場合r=0.2〜0.5。r²で20%程度説明できれば実務判断材料として十分。ABテスト・広告効果測定では相関＋実験計画法を併用します。
工学・物理学
物理量間の理論的関係が想定される場合、r≥0.95が期待水準。r=0.7以下は測定誤差・モデル不備を疑う目安。実験結果の相関はr²＝寄与率としてグラフに記載するのが慣例です。
環境・社会統計
気温と電力消費、人口密度と犯罪率など、集計データ間の相関はr=0.5〜0.8が典型。ただし生態学的誤謬（集計単位で相関が変わる現象）に注意が必要です。個人レベルの因果推論には別分析が必要。
よくある間違い・注意点
- 散布図を見ずに相関係数だけ報告 — 非線形関係・外れ値・データの偏りは散布図でしか見つかりません。Anscombeの四重奏（同じrで全く異なる散布図）は統計学の教科書事例。必ず散布図をセットで確認してください。
- 「相関がある＝因果関係」と結論 — 相関は関係性を示すが因果は示しません。因果を主張するには、RCT・傾向スコア・操作変数法・DID等の因果推論手法が必要です。
- rを平均化して報告 — 複数のrを単純平均するのは統計的に不適切。Fisher's Z変換で正規化してから平均し、rに逆変換する必要があります。メタ分析でも使う技術。
- 小さいサンプルでrを信じる — n=5でr=0.9は偶然の可能性が高い。サンプル数が少ないと相関係数の信頼区間が広くなり、r=0.9でも実際は0.3〜1.0の幅があり得ます。
- 有意性だけで判断する — n=1,000ならr=0.1でも有意ですが、r²=1%で予測にはほぼ使えません。有意性（p値）と効果量（r²）を両方見るのが標準です。
- 正規分布を仮定しない場合にピアソンを使う — 極端に歪んだ分布・カテゴリ変数にピアソンを適用すると誤った結論に。スピアマン・ケンドール・ポリコリック相関を使うべきです。
- 変数の単位変換で相関が変わると思う — 単位変換（cm→m、円→ドル）では相関係数は変わりません。線形変換の性質です。ただし対数変換・平方根変換では変わります。
参考文献・公的資料
- 東京大学出版会 統計学入門（東京大学教養学部統計学教室編） ― 日本の統計学教育のスタンダード教科書。相関係数・回帰分析の基礎から検定まで網羅。
- 総務省統計局 なるほど統計学園 ― 統計学の基本用語・相関係数の解説を無料で公開。
- 統計数理研究所 ― 日本の統計学研究の中核機関。統計手法の技術資料・研究成果を公開。
- 日本統計学会 ― 統計学の学術団体。学会誌「日本統計学会誌」で相関・回帰の応用研究を掲載。
- The R Project for Statistical Computing ― オープンソース統計解析ソフト。cor()関数でピアソン・スピアマン・ケンドール相関を計算可能。
- OECD PISA 統計データ ― 国際比較調査の相関分析事例。学力と社会経済要因の相関研究。
- WHO Global Health Observatory ― 世界保健機関の公衆衛生統計。医学・疫学的相関分析の一次データ。
- 内閣府 経済社会総合研究所（ESRI） ― 日本のマクロ経済統計。経済変数間の相関分析事例。
- e-Stat（政府統計の総合窓口） ― 日本政府の公式統計データベース。相関分析の元データ入手に。
よくある質問（FAQ）
r=0.5は強い相関？
分野で解釈が異なります。心理学・社会科学ではCohen基準で「強い」ですが、自然科学では「中程度」、工学では「弱い」とされることも。r²=0.25（yの変動の25%を説明）と考えると、予測実用性の観点では中程度と言えます。
スピアマン相関との違いは？
ピアソンrは実測値から線形関係を測定、スピアマンρは順位から単調関係を測定します。スピアマンは外れ値耐性があり、非線形でも単調なら検出可能。順序尺度データや歪んだ分布ではスピアマンが適切です。
相関は因果関係を表す？
表しません。相関は「一緒に動く」ことを示すのみで、原因-結果ではない。「アイスクリーム売上と溺死者数の相関」は共通要因（気温）による疑似相関の典型例。因果推論にはRCT・傾向スコア・操作変数法など別手法が必要です。
r²（決定係数）って何？
相関係数の2乗で、yの変動のうちxで説明できる割合を示します。r=0.9ならr²=0.81で「yの81%が説明可能」。予測モデルの実用性はr²で判断するのが標準で、単回帰分析のR²と同一値です。
サンプル数が少ないとrはどう扱う？
n=5でr=0.9は偶然の可能性が高く、信頼区間は0.1〜1.0と極めて広い。最低でもn=20〜30、可能ならn=100以上が信頼できる相関分析の目安。n=10なら\|r\|≥0.63、n=30なら\|r\|≥0.36で有意（両側p<0.05）です。
散布図はなぜ必要？
相関係数は数値1つでは限界があります。Anscombeの四重奏（同じr=0.816でまったく異なる4つの散布図）は統計学の教科書事例で、非線形・外れ値・データクラスタ等は散布図でしか判別できません。相関係数の報告時は散布図を必ずセットにするのが原則です。
外れ値があるときどうする？
①散布図で確認、②外れ値の原因調査（入力ミス、測定ミス、真の異常値）、③スピアマン相関で代替、④ロバスト相関（M推定量）を使用、⑤外れ値除外の判断根拠を明記して報告、が典型的な対応。単純に除外するとバイアスがかかるため慎重に。
複数変数の相関を一度に見るには？
相関行列（Correlation Matrix）で全変数ペアの相関係数を一覧表示。R/Pythonで簡単に作成でき、ヒートマップで視覚化するのが実務的。多重共線性の検出、変数選択の初期判断に使います。
相関係数の信頼区間はどう計算する？
Fisher's Z変換で正規化してから信頼区間を計算し、rに逆変換します。95%信頼区間はz±1.96×SEで、SE=1/√(n−3)。n=100・r=0.5なら95%CI≈0.34〜0.63と、r=0.5に相当の幅があることが分かります。
ピアソン相関の前提が満たされないと？
2変量正規分布に大きく違反する場合、rの値そのものは計算できますが、有意性検定の結果が信頼できません。ブートストラップ法で信頼区間を得るか、スピアマン・ケンドール等のノンパラメトリック手法に切り替えるのが安全です。
相関係数を平均するには？
単純平均は不適切。Fisher's Z変換で各rをzに変換→zを平均→rに逆変換します。メタ分析でも使う技術で、分散が均等化されるため統計的に妥当な平均が計算できます。
相関を高めるにはどうする？
相関を「操作」するのはデータ改竄になり不適切。分析目的なら、①測定精度向上（測定誤差の減少）、②外れ値の適切な処理、③関連変数の追加測定、④サンプルサイズの拡大、が科学的なアプローチです。因果を主張するなら実験計画（RCT）が必要です。