「相関関係とは何を意味するのか」「相関関係と因果関係は何が違うのか」と疑問に感じたことはないでしょうか。ニュースやビジネスのデータ分析、学校の統計学、マーケティングなどで頻繁に登場する相関関係は、2つの事柄がどのように結びついて変化するのかを理解するための基本的な考え方です。
相関関係には、片方が増えるともう片方も増える「正の相関」、片方が増えるともう片方が減る「負の相関」、明確な直線的関係が見られない「無相関」があります。相関係数や散布図を使えば、その方向や強さを数値と視覚の両面から確認できます。ただし、相関が見つかったからといって、必ずしも原因と結果が成立するわけではありません。2026年のデータ活用でも欠かせない、正しい読み解き方を具体例とともに整理します。
【基本を理解】相関関係とは?2つの事柄が連動して変化する仕組み
相関関係とは、2つの変数の間に、一定の関連性や連動する傾向が認められる状態を指します。簡単にいえば、ある事柄の数値が変化したとき、別の事柄の数値も一定のパターンで変化する関係です。
例えば、気温が高くなるにつれてアイスクリームの売上が増える場合、気温と売上には正の相関があると考えられます。一方、商品の価格が上がるにつれて購入数量が減る場合には、負の相関が想定されます。
ここでいう変数とは、数値として測定できる対象のことです。身長、体重、気温、売上金額、勉強時間、テストの点数などが代表例です。
相関関係を調べる目的は、単に数字を比較することではありません。複数のデータに潜むパターンを把握し、次の分析や判断につながる手掛かりを得ることにあります。
相関関係と関連性の違い日常会話では「関連がある」「関係している」という言葉が幅広く使われますが、統計学における相関関係は、主に2つの変数の変動パターンを数値化して捉える概念です。
例えば、ある企業で広告費と売上高の関係を調べる場合、広告費が増えた月に売上高も増えていれば、両者に正の相関がある可能性があります。しかし、それだけでは広告が売上増加の原因だったとは判断できません。
季節的な需要の変化、新商品の発売、競合企業の動向など、別の要因が両方の数値を動かしている可能性もあるからです。
相関関係が重要視される理由相関関係は、経済、医療、教育、マーケティング、心理学、行政など、幅広い分野で利用されています。
特に、膨大なデータから重要な傾向を見つけたい場合、相関分析は有効な出発点になります。例えば、企業が顧客の購入金額とサイト閲覧時間の関係を調べれば、顧客行動を理解するための仮説を立てられます。
総務省統計局の統計活用支援サイト「Data StaRt」でも、相関係数はデータ利活用や証拠に基づく政策立案に関わる基本的な統計用語として紹介されています。統計データを正しく読むための基礎知識として、相関関係の理解は欠かせません。
【具体例で比較】正の相関・負の相関・無相関の違いとは?
相関関係を理解するうえで最初に覚えたいのが、正の相関、負の相関、無相関という3つのパターンです。それぞれの違いは、2つの変数がどの方向に動くかによって判断できます。
正の相関:片方が増えると、もう片方も増える正の相関とは、一方の変数が増加すると、もう一方の変数も増加する傾向がある関係です。反対に、一方が減少すると、もう一方も減少する傾向が見られます。
代表的な例として、次のような組み合わせが挙げられます。
- 気温とアイスクリームの売上
- 身長と体重
- 広告への接触回数とブランド認知度
- 学習時間とテストの点数
- 所得と消費支出
例えば、気温が20度の日より30度の日のほうがアイスクリームの売上が多い傾向にあれば、気温と売上には正の相関があると考えられます。
ただし、正の相関があるからといって、必ずしも一方が他方を直接引き起こしているとは限りません。学習時間とテストの点数についても、学習方法や基礎学力、学習環境などが影響している可能性があります。
負の相関:片方が増えると、もう片方は減る負の相関とは、一方の変数が増加すると、もう一方の変数が減少する傾向がある関係です。
身近な例には、次のようなものがあります。
- 商品の価格と需要量
- 移動距離と燃料残量
- 運動量と安静時の心拍数(一定の条件下での傾向)
- 作業人数と一定量の仕事を完了するまでの時間
例えば、同じ商品について価格を引き上げたとき、購入数量が減少する傾向があれば、価格と需要量には負の相関が見られます。
ただし、これらは条件をそろえた場合の説明例です。実際の市場では、所得、競合商品、商品の品質、消費者の好みなどによって関係が変わることがあります。
無相関:2つの変数に明確な連動傾向が見られない無相関とは、2つの変数の間に統計的な相関がほとんど認められない状態を指します。
例えば、ある集団における靴のサイズと国語のテストの点数には、通常、明確な直線的関係は想定されません。
ただし、ここで注意したいのは、相関係数が0に近いことと、2つの変数が完全に無関係であることは同じではないという点です。
例えば、横軸を気温、縦軸を暖房器具と冷房器具の合計使用量とした架空のデータを考えてみましょう。気温が低い場合も高い場合も使用量が多く、適温付近では少なくなるなら、散布図はU字型になります。
このような曲線的な関係では、ピアソンの相関係数が0に近くなる可能性があります。つまり、相関係数が小さくても、別の形の関連性が隠れている場合があるのです。
【数値で判断】相関係数の意味と強さの目安、ピアソン・スピアマンの違い
相関関係の方向や強さを数値で表したものが相関係数です。一般的には「r」などの記号で表され、-1から+1までの範囲を取ります。
プラスかマイナスかで関係の方向を、絶対値の大きさで関係の強さを判断します。
相関係数の強さと目安相関係数を読むときは、数値の絶対値に注目します。例えば、0.85と-0.85は方向こそ異なりますが、絶対値は同じなので、直線的な関係の強さは同程度です。
以下は、相関係数の強さを判断する際に使われる目安の一例です。
| 項目 | 相関係数の目安 | 意味・特徴 | 読み取り方 |
|---|---|---|---|
| 非常に強い相関 | |r|=0.90~1.00 | 非常に明確な直線的関係 | 一方の変化と他方の変化が強く連動する |
| 強い相関 | |r|=0.70~0.90未満 | 明確な関連傾向 | データに比較的はっきりした傾向がある |
| 中程度の相関 | |r|=0.50~0.70未満 | 一定の関連傾向 | 関係は認められるが、ばらつきもある |
| 弱い相関 | |r|=0.30~0.50未満 | 弱い関連傾向 | 関係の存在を慎重に評価する必要がある |
| ほとんど相関がない | |r|=0.00~0.30未満 | 直線的な関連が小さい | 散布図で曲線的な関係なども確認する |
| 正の相関 | rが0より大きい | 同じ方向に変化する | 片方が増えると、もう片方も増える傾向 |
| 負の相関 | rが0より小さい | 反対方向に変化する | 片方が増えると、もう片方は減る傾向 |
| ピアソンの相関係数 | -1~+1 | 線形関係を測定 | 連続的な数値データの直線的な関係に適する |
| スピアマンの順位相関係数 | -1~+1 | 順位に基づく単調関係を測定 | 順位データや一定方向に変化する関係に適する |
この区分はあくまで参考値です。相関係数の強さに絶対的な共通基準があるわけではありません。研究分野や分析目的、測定方法によって評価は異なります。
例えば、医学研究で0.3の相関が意味を持つ場合もあれば、予測精度を重視するビジネス分析では十分な強さとは評価されない場合もあります。数字だけで良し悪しを決めないことが大切です。
ピアソンの相関係数とは?ピアソンの積率相関係数は、2つの量的変数の線形関係を測定する代表的な統計指標です。
一方の数値が増えると、もう一方の数値も一定の割合で増減するような、直線的な関係を調べる際に使用します。
計算式は次のように表されます。
r=共分散÷(Xの標準偏差×Yの標準偏差)
実際には、それぞれのデータの平均値からの偏差を利用して計算します。異なる単位の変数同士でも、単位の影響を受けずに関係の方向と強さを比較できる点が特徴です。
例えば、気温と売上金額、勉強時間とテストの点数など、数値で測定できる2つの変数の直線的な関係を調べる場合に適しています。
一方で、極端に大きい値や小さい値である外れ値の影響を受けやすいという弱点があります。1つの異常なデータが相関係数を大きく変えてしまう場合もあるため、散布図との併用が基本です。
スピアマンの順位相関係数とは?スピアマンの順位相関係数は、実際の数値そのものではなく、それぞれのデータを順位に置き換えて関係性を調べる方法です。
例えば、社員の業績ランキングと勤続年数の順位、商品の顧客満足度ランキングと販売順位などを比較する場合に活用できます。
ピアソンが直線的な関係を測定するのに対し、スピアマンは単調な関係を測定します。単調関係とは、一方が増えるにつれて他方も増える、または減るという方向性が保たれている関係です。変化する割合が一定である必要はありません。
順位に置き換えるため、極端な数値の影響をピアソンより受けにくい場合があります。ただし、外れ値やデータの偏りが存在しても、無条件に正確な結果が得られるわけではありません。
実務では、連続的な数値の直線関係を確認したいならピアソン、順位データや単調な関係を調べたいならスピアマン、という使い分けが基本です。
【図解の基本】散布図の見方と相関関係の見分け方・分析方法
相関関係を正しく把握するために欠かせないのが散布図です。散布図とは、2つの変数を横軸と縦軸に設定し、データの組み合わせを点で表したグラフです。
相関係数だけでは見えないデータの分布や外れ値、曲線的な関係などを視覚的に確認できます。
散布図の基本的な見方散布図では、横軸に変数X、縦軸に変数Yを設定します。それぞれのデータを対応する位置に点として配置し、点全体の並び方を確認します。
- 右上がり:正の相関がある可能性が高い。
- 右下がり:負の相関がある可能性が高い。
- 全体にばらばら:明確な直線的関係が見られない。
- 曲線状:直線的ではない関係が存在する可能性がある。
- 一部の点が大きく離れている:外れ値の影響を確認する必要がある。
点が右上がりの直線に近い形で集まるほど、正の相関は強くなります。反対に、右下がりの直線に沿って集まるほど、負の相関は強くなります。
点の位置が広く散らばっている場合は、相関が弱い可能性があります。ただし、U字型や逆U字型など、直線とは異なる形状を見落とさないようにしてください。
相関分析の方法を6つの手順で解説実際に相関分析を行う場合は、次の手順で進めると効率的です。
STEP1:分析する2つの変数を決める
最初に、どのような関係を調べたいのかを明確にします。例えば、広告費と売上高、学習時間とテストの点数など、分析対象となる2つの変数を選択します。
STEP2:データを収集する
2つの変数について、同じ対象や同じ期間に対応したデータを集めます。対象者の選び方、測定条件、データの欠損、集計単位なども確認します。
異なる期間のデータを無理に組み合わせたり、比較対象が偏っていたりすると、正確な分析が難しくなります。
STEP3:散布図を作成する
相関係数を計算する前に、散布図を作成します。全体の傾向や外れ値、曲線的な関係がないかを確認します。
STEP4:適切な相関係数を選択する
データの種類と関係性に応じて、ピアソンまたはスピアマンを選びます。連続的な数値の線形関係ならピアソン、順位や単調な関係ならスピアマンが候補になります。
STEP5:相関係数と統計的有意性を確認する
算出した相関係数から、関係の方向と強さを読み取ります。必要に応じて無相関の検定やp値、信頼区間も確認します。
p値は、設定した帰無仮説のもとで観測結果以上に極端な結果が得られる確率を表す指標です。p値が小さいことだけで、関係が強いことや実務上の重要性が保証されるわけではありません。
STEP6:背景要因を調べて結果を解釈する
最後に、2つの変数に影響を与えている可能性のある第三の要因を確認します。季節、年齢、所得、地域、調査対象の選び方などによって、観察された関係が変化する場合があります。
この段階まで進めて初めて、相関分析の結果を実際の意思決定に活用しやすくなります。
Excelで相関係数を求める方法相関分析は、専門的な統計ソフトがなくてもExcelで実行できます。
例えば、A列に広告費、B列に売上高を入力した場合、次の関数を使用します。
=CORREL(A2:A101,B2:B101)
この関数によって、指定した2つのデータ範囲のピアソンの相関係数を計算できます。
結果が0.8なら強い正の相関、-0.7なら強い負の相関があると判断する一つの材料になります。
ただし、CORREL関数の数値だけで分析を終わらせるのは適切ではありません。Excelの散布図機能も利用し、データの形状や外れ値を必ず確認しましょう。
【最大の注意点】相関関係と因果関係の違い・疑似相関とは?
相関関係を理解するうえで、最も注意したいのが因果関係との違いです。この2つを混同すると、統計データから誤った結論を導いてしまう可能性があります。
相関関係と因果関係の決定的な違い相関関係は、2つの変数に関連する動きが見られる状態です。一方、因果関係とは、一方の事象が原因となって、もう一方の事象を引き起こす関係を指します。
例えば、気温とアイスクリームの売上が同時に増加した場合、両者には正の相関があると考えられます。
しかし、相関関係だけでは、気温が売上を増やしたのか、別の要因が影響したのかまでは判断できません。
両者の違いを整理すると、次のようになります。
- 相関関係:2つの事象が連動して変化する傾向を示す。
- 因果関係:原因となる事象が結果となる事象を引き起こす。
- 相関分析:関連性の方向や強さを調べる。
- 因果推論:原因と結果の関係を適切な研究設計や統計手法によって推定する。
重要なのは、相関関係が確認されても、それだけで因果関係が証明されたことにはならないという点です。
疑似相関とは?第三の要因が関係を生み出す仕組み疑似相関とは、2つの事象に直接的な因果関係がないにもかかわらず、別の要因が双方に影響することで、見かけ上の相関が生じる現象です。「見せかけの相関」とも呼ばれます。
代表的な例が、夏場のアイスクリームの売上と水難事故の件数です。
仮に、暑い時期にアイスクリームの売上が増えると同時に、水辺での活動が増えて水難事故も増加するなら、両者には正の相関が観察される可能性があります。
しかし、アイスクリームの販売が水難事故を引き起こしているわけではありません。背景には、気温や季節という共通の要因があります。
もう一つ、法務省ウェブサイトに掲載された千葉大学大学院社会科学研究院の大石亜希子氏による解説では、小学6年生の通塾率と学業成績を例に、隠れた要因の問題が説明されています。
通塾率と学業成績に正の相関が見られたとしても、それだけでは塾に通うことによって成績が上がったとは証明できません。親の教育水準や経済力といった要因が、通塾の有無と子どもの成績の双方に影響している可能性があるためです。
こうした第三の要因は、統計学やデータ分析では交絡要因として扱われることがあります。
相関関係から因果関係を判断するには?因果関係を推定するには、相関係数だけではなく、複数の観点から検証する必要があります。
- 時間的な順序:原因と考える事象が、結果より先に発生しているか。
- 交絡要因の確認:両方の変数に影響する第三の要因が存在しないか。
- 理論的な整合性:原因から結果に至る仕組みを合理的に説明できるか。
- 再現性:異なる対象や期間でも同様の関係が確認できるか。
- 研究設計:比較実験や縦断調査など、因果関係を検証できるデータがあるか。
例えば、総務省統計局の「Data StaRt」では、ランダム化比較試験(RCT)が政策効果を分析する方法の一つとして紹介されています。
RCTでは、対象者を無作為に介入群と比較対照群に分け、条件をそろえて結果を比較します。適切に実施できれば、交絡要因の影響を抑えて介入の効果を検討できます。
もっとも、すべてのテーマで実験ができるわけではありません。その場合は、観察データを使った回帰分析、縦断データの分析、自然実験など、研究課題に適した方法を選ぶことになります。
【誤読を防ぐ】相関関係の注意点とデータ分析のプロが重視する判断基準
相関関係は便利な統計手法ですが、使い方を誤ると、実際には存在しない関係を信じたり、データの一部だけを見て判断したりする危険があります。
分析結果を正しく活用するために、特に確認したいポイントを整理します。
注意点1:相関係数が高くても因果関係は証明されない相関係数が0.95だったとしても、それだけで一方が他方の原因であるとはいえません。第三の要因による疑似相関や、逆方向の因果関係も考えられます。
例えば、売上が増えた企業ほど広告費が増えている場合、広告によって売上が増えた可能性だけでなく、売上が増えたため広告予算を拡大した可能性もあります。
数値の大きさと因果関係の確実性は、別々に評価する必要があります。
注意点2:外れ値が相関係数を大きく変える外れ値とは、ほかのデータと比較して極端に大きい、または小さい値のことです。
例えば、通常の顧客の購入金額が数千円程度であるなか、1人だけ数百万円の商品を購入した場合、そのデータが分析結果に大きな影響を与える可能性があります。
外れ値を見つけた場合は、入力ミスなのか、特殊な顧客行動なのか、実際に存在する重要なデータなのかを確認します。理由を調べずに削除すると、かえって分析の正確性を損なうことがあります。
注意点3:サンプル数とデータの偏りを確認する相関分析では、データの件数だけでなく、どのような対象からデータを集めたのかも重要です。
例えば、特定の地域だけを対象にした調査結果を、そのまま全国の傾向として解釈することはできません。
また、サンプル数が少ない場合は、数件のデータによって相関係数が大きく変動する可能性があります。反対に、サンプル数が非常に多い場合は、実務上ほとんど意味のない小さな相関でも統計的に有意になることがあります。
相関係数、サンプル数、信頼区間、データの収集方法を総合的に確認しましょう。
注意点4:時間の経過による見せかけの相関に注意する時系列データを扱う場合には、時間の経過に伴う変化にも注意が必要です。
例えば、長期間にわたって増加しているウェブサイトの利用者数と、同じ期間に増加している広告費を比較すると、両者に高い相関が現れる場合があります。
しかし、経済成長や人口変化、市場規模の拡大など、共通する時間的な傾向が原因可能性があります。
時系列データでは、季節性、トレンド、時間差のある影響などを確認し、単純な相関係数だけで結論を出さないことが重要です。
【プロの結論】相関関係を正しく判断する5つの基準相関関係を実務や研究で利用する際は、数値の大小だけに注目するのではなく、分析の目的から結論までを一貫して確認する必要があります。
特に重要なのは、次の5つの判断基準です。
- 関係の方向を確認する:正の相関なのか、負の相関なのかを明確にする。
- 散布図で形状を確認する:直線的な関係だけでなく、曲線や外れ値も調べる。
- データの質を確認する:サンプル数、対象者の偏り、測定方法、欠損値を確認する。
- 第三の要因を探す:疑似相関や逆方向の因果関係が存在しないか検討する。
- 結論の範囲を限定する:相関分析で分かったことと、まだ証明されていないことを区別する。
この判断基準は、ビジネスの売上分析にも、学校のレポートにも、ニュースで紹介される統計データの検証にも応用できます。
特に、統計データを根拠として何らかの施策を実行する場合には、相関関係を発見した段階で判断を終わらせないことが大切です。関連性を見つけることと、効果を証明することは異なる作業だからです。
【相関関係とは】に関するよくある質問(FAQ)
Q1:相関関係とは簡単にいうと何ですか?
A1:2つの事柄が連動して変化する傾向があることです。例えば、気温が上がるとアイスクリームの売上も増える場合、気温と売上には正の相関があると考えられます。
Q2:相関関係と因果関係の違いは何ですか?
A2:相関関係は2つの事象に関連した動きがあること、因果関係は一方が原因となって他方が生じることです。相関が確認されても、それだけでは原因と結果の関係は証明できません。
Q3:正の相関と負の相関はどう違いますか?
A3:正の相関は一方が増えるともう一方も増える傾向、負の相関は一方が増えるともう一方が減る傾向です。相関係数がプラスなら正の相関、マイナスなら負の相関を示します。
Q4:相関係数が0の場合は完全に無関係ですか?
A4:必ずしもそうではありません。ピアソンの相関係数が0の場合は、直線的な関係が認められないことを意味します。U字型などの曲線的な関係が存在する可能性もあるため、散布図の確認が必要です。
Q5:相関係数はいくつ以上なら強い相関といえますか?
A5:一つの目安として、絶対値が0.7以上なら強い相関、0.9以上なら非常に強い相関と評価する区分があります。ただし、分野や分析目的によって判断基準は異なります。
Q6:ピアソンとスピアマンはどちらを使えばよいですか?
A6:数値データの直線的な関係を調べるならピアソン、順位データや単調な関係を調べるならスピアマンが基本です。データの分布や外れ値、分析目的も考慮して選択します。
Q7:疑似相関とはどのようなものですか?
A7:2つの事象に直接的な因果関係がないにもかかわらず、第三の要因によって見かけ上の相関が生じることです。夏場の気温とアイスクリームの売上、水難事故の件数などが説明例として挙げられます。
Q8:相関分析はExcelでもできますか?
A8:できます。ExcelのCORREL関数を使用すると、2つのデータ範囲のピアソンの相関係数を計算できます。散布図も作成し、数値だけでは分からないデータの特徴を確認すると、より適切な分析につながります。
相関関係とは、2つの変数がどのように連動して変化するのかを示す統計的な概念です。正の相関、負の相関、無相関という基本的な違いを理解すれば、データの動きをより具体的に把握できるようになります。
相関係数は-1から+1までの値で関係の方向と強さを示し、ピアソンの積率相関係数やスピアマンの順位相関係数を使い分けることで、データに適した分析ができます。
一方、相関関係と因果関係は明確に区別しなければなりません。第三の要因による疑似相関、外れ値、サンプル数の不足、時系列データの偏りなど、分析結果を誤って解釈する原因は少なくありません。
2026年も、企業活動や行政、研究、ニュース報道など、さまざまな場面で統計データを読み解く力が求められています。相関係数の数字だけを信じるのではなく、散布図を確認し、データの背景を考え、必要に応じて因果関係まで検証する姿勢が大切です。
相関関係を見つけることは、データ分析のゴールではなく、物事の本質を理解するための出発点です。 数字の裏側にある仕組みまで考えることで、統計情報をより正確に判断し、日常生活や仕事に役立てられるようになります。
主な参考資料
- 総務省統計局「Data StaRt」統計用語解説。
- 法務省ウェブサイト掲載・大石亜希子氏「相関関係と因果関係について」。
- 九州大学附属図書館「手計算とRで学ぶ統計学:相関分析」。
- Minitab「ピアソンの相関の方法とスピアマンの相関の方法の比較」。
- 米国国立医学図書館(NCBI)「Basic Guidelines for Reporting Non-Clinical Data」。