相関係数とは？因果関係と混同する人が続出！数値の目安と求め方を完全図解

ビジネスの現場やマーケティング施策の検証において、切っても切り離せない存在となったデータ分析。その中でも基本中の基本として頻繁に使われる指標が「相関係数」です。売上と広告費の連動性や、顧客満足度とリピート率の結びつきを数値化できる便利な道具である一方、その意味を誤解したまま施策を打ち、手痛い失敗を招くケースが後を絶ちません。

相関係数は、2つのデータにどれだけの直線的な関係があるかを「-1から+1」の数値で明確に示してくれる統計指標です。本稿では、統計学の専門知識がない方でも直感的に理解できるよう、相関係数の基礎知識から実務での判断目安、エクセルでの算出手順、そして誰もが陥りがちな落とし穴までを整理して解説します。

📌 【この記事の重要ポイントまとめ】

• 要点1：相関係数は「2つの変数の連動性」を-1〜+1の範囲で数値化する指標であり、0は無相関を意味する。
• 要点2：「相関関係がある＝因果関係がある」は大誤解であり、第3の要因が潜む疑似相関の見極めが不可欠。
• 要点3：実務ではエクセルのCORREL関数で即座に算出可能だが、外れ値の影響や無相関検定の確認が精度を左右する。

【超入門】相関係数とは？意味と「-1から+1」の範囲をわかりやすく解説

相関係数（Correlation Coefficient）とは、「一方のデータが増えたとき、もう一方のデータがどのように変化するか」という連動の度合いを数値化したものです。統計学の相関分析における中心的な指標であり、アルファベットの小文字「r」で表されます。

最大の特徴は、どのような単位のデータ同士（例えば「気温（℃）」と「ビールの売上（本）」、「勉強時間（分）」と「テストの点数（点）」など）を比較しても、必ず「-1.0から+1.0」の範囲内に収まるという点です。単位に左右されず、純粋に関係の強さだけを比較できるため、実務の現場で重宝されています。

数値の符号と大きさによって、データの関係性は次の3パターンに分かれます。

• 正の相関（0 < r ≦ 1）：一方の値が増加すると、もう一方の値も増加する傾向（例：気温の上昇とアイスクリームの売上）。+1.0に近いほど一直線に並ぶ強い関係になります。
• 負の相関（-1 ≦ r < 0）：一方の値が増加すると、もう一方の値が減少する傾向（例：スキー場の来場者数と周辺気温）。-1.0に近いほど逆方向への連動が強固です。
• 無相関（r ≒ 0）：2つのデータの間に関連性や規則的な連動が見られない状態（例：靴のサイズと数学のテストの点数）。

【数値の目安と基準】0.7以上は強い相関？散布図パターンと読み解き方

算出した相関係数をどのように評価すべきか、一般的な判断基準を押さえておきましょう。学術分野やビジネスの実務では、以下の目安が広く使われています。

• |r| = 0.70 〜 1.00：「強い相関あり」（データがかなり密接に連動している）
• |r| = 0.40 〜 0.69：「中程度の相関あり」（ある程度の連動性が認められる）
• |r| = 0.20 〜 0.39：「弱い相関あり」（わずかに関連している可能性がある）
• |r| = 0.00 〜 0.19：「ほとんど相関なし（無相関）」（関係性はほぼ見られない）

ただし、相関係数の数値だけを見て安心するのは危険です。データを視覚化する散布図のパターンを必ずセットで確認する習慣をつけましょう。

例えば、データ全体としては美しいU字型を描く「二次関数的な関係」がある場合でも、直線的な関係を見る相関係数を計算すると「r ≒ 0（無相関）」と判定されてしまいます。また、本来は無相関であるデータ群の中に、1点だけ極端に離れたデータ（外れ値）が混ざるだけで、相関係数が0.8などに跳ね上がるケースもあります。数値とグラフの両輪で確認することが鉄則です。

なぜ失敗が続出するのか？「相関関係」と「因果関係」の決定的な違い

データ分析の現場で最も頻発するミスが、相関関係と因果関係の混同です。「AとBの間に高い相関があったから、Aを増やせばBが増えるはずだ」と短絡的に結論づけて施策を打ち、巨額の予算を無駄にする事例は後を絶ちません。

両者の違いを一言で言えば以下の通りです。

• 相関関係：「Aが増えるとBも増えている」という、事実としての連動関係（原因と結果は問わない）。
• 因果関係：「Aが原因となってBという結果が引き起こされている」という、原因と結果の結びつき。

典型的な罠が「疑似相関（見せかけの相関）」です。例えば、「街の交番の数」と「犯罪発生件数」には強い正の相関が見られます。しかし、「交番を増やしたから犯罪が増えた」わけでも、「犯罪が増えたから交番を作った」だけでもありません。背後にある「街の人口規模」という第3の共通要因（交絡因子）が両方を同時に増やしているに過ぎないのです。

疑似相関を見分けるためには、「時間的前後関係（原因は結果より先に起きているか）」「他の隠れた要因が存在しないか」「メカニズムとして論理的に説明がつくか」を丁寧に検証する必要があります。

【ピアソンvsスピアマン】2大相関係数の使い分けと外れ値の影響

一般的に「相関係数」と呼ぶ場合、多くはピアソンの積率相関係数を指します。しかし、扱うデータの性質によっては別の計算手法を選ぶ必要があります。

実務で押さえておくべき代表的な2つの相関係数を比較してみましょう。

項目	ピアソンの積率相関係数	スピアマンの順位相関係数
対象データ	身長・体重・売上などの「連続的な量的データ」	満足度ランキング、成績順位などの「順序データ」
前提条件	データが正規分布に近く、直線的な関係を想定	正規分布を仮定しない（ノンパラメトリック）
外れ値への耐性	極めて弱い（1つの異常値で数値が歪む）	強い（順位に変換するため極端な値の影響を受けにくい）

アンケート調査の「5段階評価（リッカート尺度）」や、売上データの中に数件だけ億単位の桁違いなレコードが含まれている場合などは、スピアマンの順位相関係数を採用するか、事前に外れ値を除外・補正する処理を行うのがセオリーです。

【実務で使える】エクセル（Excel）での相関係数の求め方と無相関検定の手順

相関係数は、手作業で複雑な分散や共分散を計算しなくても、Microsoft Excelを使えば一瞬で算出できます。

最も手軽なのはCORREL関数（またはPEARSON関数）を使用する方法です。

 =CORREL(配列1, 配列2) 例：=CORREL(A2:A50, B2:B50) 

A列に広告宣伝費、B列に新規獲得件数が入力されていれば、セルに上記を入力するだけで相関係数が返されます。また、複数の変数（例：広告費、クリック数、商談数、売上）同士の関係を一度に俯瞰したい場合は、エクセルの「データ分析」アドインから「相関」を選択すると、綺麗な相関行列表を一括作成できます。

ただし、データ数が少ない（サンプルサイズが小さい）場合は要注意です。偶然偏ったデータが集まっただけで高い相関係数が出てしまうことがあるため、統計的に意味がある関係なのかを確かめる無相関検定（t検定）を行います。「母集団の相関係数が0である」という仮説（帰無仮説）を立て、p値が0.05（有意水準5%）未満であるかを確認することで、単なる偶然による相関ではないかを客観的に担保できます。

【相関係数】に関するよくある質問（FAQ）

Q1：相関係数がマイナスになった場合、関係性がないという意味ですか？
A1：いいえ、関係がないわけではありません。マイナスの値は「負の相関」を意味し、「片方が増えればもう片方が減る」という強い規則性があることを示しています。関係性がない状態は「相関係数が0に近いとき（概ね-0.2〜+0.2程度）」です。

Q2：相関係数が0.8以上あれば、因果関係があると判断して施策を進めてよいですか？
A2：危険です。高い相関があっても、第三の共通因子が影響している「疑似相関」や、単なる偶然の一致である可能性があります。施策を実行する前に、論理的な因果メカニズムが存在するか、ABテストなどで検証可能かを確認してください。

Q3：データ数が10件程度しかない場合でも相関係数を信頼して使えますか？
A3：サンプルサイズが小さい場合、外れ値1点によって数値が大きく歪んだり、偶然高い数値が出やすくなります。小規模データの場合は散布図を丹念に観察するとともに、無相関検定を実施して統計的な有意性を確認することが推奨されます。

まとめ：データに踊らされないための正しい相関分析の視点

相関係数は、複雑なデータの関係性を「-1から+1」という極めてシンプルなスケールで捉え直すことができる強力な武器です。散布図の可視化と組み合わせることで、直感や経験則に頼っていたビジネスの意思決定をデータドリブンに引き上げることができます。

しかし、道具がシンプルであるがゆえに、「相関と因果の取り違え」や「外れ値の見落とし」といった罠に陥るリスクも常に隣り合わせです。数字の表面的な高さに惑わされず、その背後にあるメカニズムやデータの質を多角的に見極める姿勢こそが、分析結果を確かな成果へと結びつける鍵となります。 （出典: 相 関係 数 と は（Yahoo!ニュース））