スピアマンの順位相関係数とは？ピアソンとの違いやエクセル計算方法

スピアマンの順位相関係数とは？ピアソンとの違いやエクセル計算方法に関する質問を分かりやすくまとめました。専門的な情報をチェックしましょう。

無事にエクセルや統計ソフトでスピアマンの順位相関係数 $r_s$ が算出できたら、次はその数値が持つ意味を正しく読み解くフェーズに移ります。統計学の基礎詳細まとめとして、現場で統一的に用いられている相関係数の強さと解釈の基準（ギルフォードの基準に準拠）、およびその数値が「偶然の産物ではない」ことを証明する無相関検定とp値の目安を押さえておきましょう。

• $|r_s| = 0.7 \sim 1.0$：かなり強い相関がある（2つの変数の順位がほぼ連動して動いている状態）
• $|r_s| = 0.4 \sim 0.7$：中程度の相関がある（実務のアンケート分析や行動データでは、$0.4$ を超えれば十分に意味のある関連性として重視される）
• $|r_s| = 0.2 \sim 0.4$：弱い相関がある（サンプルサイズが大きい医療統計や社会調査では、$0.25$ 程度でも重要な示唆となるケースがある）
• $|r_s| = 0.0 \sim 0.2$：ほとんど相関がない（無相関とみなす）

「相関係数 0.8 なのに意味がない？」無相関検定とp値の決定的な役割

ここで初心者が必ず陥る罠が、「$r_s = 0.80$ が出たから強い相関があると断定してレポートに書いてしまう」ことです。もし調査対象がたった4人（$n = 4$）しかいなかった場合、まったく無関係なサイコロを振っても、偶然に順位が揃って $r_s = 0.80$ になる確率は20%（5回に1回）も存在します。

そこで不可欠となるのが無相関検定（母集団の本当の順位相関係数 $\rho_s$ が $0$ であるという帰無仮説を棄却するための検定）です。サンプルサイズ $n$ が10以上（より厳密には $n \ge 20$）であれば、以下の検定統計量 $t$ が自由度 $n - 2$ の $t$ 分布に近似的に従う性質を利用します。

$$t = \frac{r_s \sqrt{n - 2}}{\sqrt{1 - r_s^2}}$$

エクセルでこのp値（有意確率）まで一気に出したい場合は、算出された $t$ 値（の絶対値）を使って =T.DIST.2T(ABS(t値), n-2) という関数を入力します。算出されたp値が $p < 0.05$（5%水準）、あるいはより厳格な $p < 0.01$（1%水準） を下回って初めて、「この順位相関係数は偶然ではなく、統計的に有意な相関である」と胸を張って発表できるのです。たとえば同じ $r_s = 0.45$ という中程度の相関係数であっても、$n = 10$ なら $p = 0.19$（有意ではない・偶然の可能性大）と棄却されないのに対し、$n = 30$ あれば $p = 0.012$（$p < 0.05$ で統計的に有意！）と判定が一変します。

【プロの結論】数値への「共依存」を断ち切る心理的バウンダリーと、向いている人・おすすめできない人の判断基準

なぜビジネスの現場や組織の評価制度において、不適切な相関係数の乱用が繰り返されるのでしょうか。社会心理学および組織社会学の観点から分析すると、そこには現代日本組織に根深く存在する「数値への共依存関係（データ絶対視という呪縛）」と、主観と客観を切り分けられない「分析上のバウンダリー（境界線）の崩壊」という構造的課題が浮かび上がります。

人間が誰かを5段階で評価する人事考課や顧客満足度調査において、「評価4」と「評価5」の間隔は、「評価1」と「評価2」の間隔と心理的に決して等間隔ではありません。それにもかかわらず、管理職や分析者が「数字になっているのだから平均もピアソン相関も出せるはずだ」と過剰に数値へ依存（共依存）し、データが持つ本来の限界（順序尺度という境界線）を踏み越えてしまうことで、見かけ上の『偽の相関』に振り回される悲劇が起きています。健全なデータ意思決定を行うためには、「ここまでは実測値の距離として扱えるが、ここからは順序（ランク）としてしか扱えない」という冷徹な統計的バウンダリー（境界線）を引くリテラシーこそが最大の防御策となります。

以上の構造的分析を踏まえ、スピアマンの順位相関係数を「積極的に選ぶべき人（向いているケース）」と「使用を避けるべき人（おすすめできないケース）」の判断基準を明確に提示します。

• ⭕ スピアマンの順位相関係数が向いている人・選ぶべきケース：
  • 顧客満足度（1〜5点）、重症度ステージ、成績ランキングなど順序尺度のデータ分析を行う人。
  • 年収、資産額、Webページの滞在時間、購買金額など、一部のヘビーユーザーによる極端な外れ値が含まれるデータを、恣意的なデータ削除なしで誠実に分析したい人。
  • 2つの変数が直線ではなく、曲線的（単調増加・単調減少）に連動しているかを検証したい人。
• ❌ スピアマンの順位相関係数をおすすめできない人・避けるべきケース：
  • 身長と体重、気温と電力消費量のように、データがきれいな正規分布に従う比例・間隔尺度であり、「Xが1単位増えたときにYが何単位増えるか」という厳密な線形回帰モデルを作りたい人（→この場合は迷わずピアソンの積率相関係数を使用すべきです）。
  • サンプルサイズが極端に少なく（$n < 10$）、かつ3段階評価（松・竹・梅など）のように同順位（タイ）がデータ全体の半分以上を占めるような粗いカテゴリデータを扱う人（→この場合はペアの逆転率を直接数え上げるケンドールの順位相関係数 $\tau_b$ を使う方が統計的検出力と精度が圧倒的に高くなります）。
  • U字型や逆U字型（二次関数的）の関係性、たとえば「ストレスが低すぎても高すぎてもパフォーマンスが落ち、適度な時に最大化する」といった非単調な関係を探している人（→順位相関でもピアソンでも相関係数は $0$ 付近になるため、必ず散布図の目視確認を併用してください）。