相関分析の基礎｜ピアソン・スピアマン相関係数と『相関≠因果』の見抜き方

「広告費とCV（コンバージョン）が一緒に伸びている」「滞在時間が長いページほど検索順位が高い」「メルマガ開封率と解約率に関係がありそうだ」――データを2つ並べて関係を見るとき、私たちは無意識に相関分析をしています。ExcelのCORREL関数やBI（ビジネスインテリジェンス）ツールの相関マトリクスで数字を出すだけなら数秒です。だからこそ、相関分析はもっとも頻繁に使われ、もっとも誤読されやすい手法になっています。

01.まず結論：相関は『2つの数字が一緒に動くか』を測るだけ

相関とは、一方の変数が大きいとき、もう一方も大きい（または小さい）傾向があるかという関係のことです。気温が高い日はアイスがよく売れる、ページの表示速度が遅いほど離脱率が高い――こうした「片方が動くともう片方も動く」傾向を、相関分析は1つの数字に要約します。

その数字が相関係数で、記号は r、値は必ず −1 から +1 の間に収まります。符号が関係の向きを、絶対値が関係の強さを表します。

• r が正（0〜+1）：一方が増えると他方も増える（正の相関）。広告費とインプレッション数など。
• r が負（−1〜0）：一方が増えると他方は減る（負の相関）。表示速度の遅さと回遊ページ数など。
• r が 0 付近：一緒に動く傾向がない（無相関）。一方の値から他方は予測しにくい。

ここで最初に強調しておきたいのが、相関係数が答える問いはたった1つだけだということです。それは「2つの数字が一緒に動く傾向があるか、あるならどのくらい強いか」です。「なぜ動くのか」「どちらが原因か」「片方を変えれば他方も変わるのか」には、相関係数は何も答えません。この線引きを曖昧にしたまま相関を使うと、データ分析の結論は簡単に的を外します。本記事は前半で相関係数の正しい計算と読み方を扱い、後半で相関と因果の決定的な違いを整理します。

02.ピアソン相関係数｜直線的な関係の強さを測る

単に「相関係数」と言ったとき、ほとんどの場合はピアソンの積率相関係数を指します。ExcelのCORREL、Google スプレッドシートのCORREL、多くのBIツールの「相関」がこれです。ピアソン相関係数が測っているのは、2つの変数がどれだけ直線（一次関数）に近い形で並んでいるかです。

計算の考え方はシンプルです。各データ点について「x が平均からどれだけ離れているか」と「y が平均からどれだけ離れているか」を掛け合わせ、その平均（共分散）を、それぞれのばらつき（標準偏差）で割って −1〜+1 に正規化します。x が平均より上のとき y も上、x が下のとき y も下、という点が多ければ r は +1 に近づきます。

# ピアソン相関係数を計算する（pandas / scipy）
import pandas as pd
from scipy.stats import pearsonr

df = pd.DataFrame({
    "page_speed_ms": [800, 1200, 1500, 2200, 3000, 3600],
    "bounce_rate":   [0.32, 0.36, 0.41, 0.48, 0.55, 0.61],
})

# 相関行列だけならこれで十分
print(df.corr(method="pearson"))

# 相関係数と p値（偶然この相関が出る確率）をセットで
r, p = pearsonr(df["page_speed_ms"], df["bounce_rate"])
print(f"ピアソン r = {r:.3f}, p = {p:.4f}")

ピアソン相関係数を使うときに前提となるのが、次の3つです。これを外れたデータにそのまま当てはめると、本文で扱う落とし穴に直結します。

ピアソン相関係数には、相関係数本体とは別にp値がセットで出てきます。これは「本当は無相関（r=0）なのに、偶然この大きさの r が出てしまう確率」で、帰無仮説を「相関は0」とした統計的仮説検定の結果です。p値が小さければ「相関が0ではないとは言える」ものの、サンプルが大きいと、ごく弱い相関でも p値は小さくなります。「有意な相関」と「強い相関」は別物で、見るべきは r の大きさと散布図の形です。

03.スピアマン相関係数｜順位で単調関係を測る

ピアソンが「直線か」を測るのに対し、スピアマンの順位相関係数は「単調か」を測ります。単調とは「x が増えれば y は必ず増える（または必ず減る）」という関係で、増え方が一定（直線）である必要はありません。曲線でも、右肩上がりでありさえすれば単調です。

計算の仕組みは「値そのものではなく順位に直してから、ピアソン相関係数を計算する」というものです。データを小さい順に並べて1位・2位・3位…と順位をつけ、その順位どうしの相関を取ります。順位に変換するため、値の絶対的な大きさや分布の形は無視され、大小の並び順だけが反映されます。

上の図のように、x が3乗で増えるような曲線では、x が増えれば y は必ず増えるので順位は完全に一致し、スピアマンは 1.00 になります。一方ピアソンは「直線からのズレ」を減点するため 0.93 程度にとどまります。ここで「ピアソンが 0.93 だから関係はやや弱い」と読むのは誤りです。関係そのものは完璧で、ただ直線ではないだけです。

順位に直すことから、スピアマン相関係数には実務上うれしい性質がいくつも生まれます。

• 外れ値に強い：値を順位に変換するため、極端な1点も「いちばん大きい1つ」としか扱われず、結果を支配しにくくなります。
• 曲線関係を捉えられる：右肩上がり・右肩下がりでありさえすれば、形が曲がっていても強い相関として検出できます。
• 順位データに使える：満足度の5段階評価、検索順位、ランキングなど、間隔が等しいとは限らない順序データにそのまま使えます。

# スピアマン相関係数を計算する（pandas / scipy）
from scipy.stats import spearmanr

# 検索順位（1位が最良）とクリック率の関係を見る例
search_rank = [1, 2, 3, 4, 5, 8, 12, 20]
click_rate  = [0.31, 0.18, 0.11, 0.08, 0.06, 0.03, 0.02, 0.01]

rho, p = spearmanr(search_rank, click_rate)
print(f"スピアマン rho = {rho:.3f}, p = {p:.4f}")
# 順位が下がるほどCTRも下がる強い単調関係 → rho は -1 に近い

04.ピアソンとスピアマンの使い分け

どちらを使うかは、データの性質と知りたいことで決まります。迷ったときの基本方針は「まず散布図を見て、関係が直線的でなければスピアマン、外れ値が気になってもスピアマン」です。

実務では「まずスピアマンも一緒に出しておく」のが安全です。ピアソンとスピアマンの値が大きく食い違ったら、それは『散布図を見ろ』というサインです。たとえばピアソンが 0.4 でスピアマンが 0.9 なら、関係はあるのに直線ではない（曲線か、外れ値が直線評価を崩している）可能性が高い。逆にピアソンが 0.8 でスピアマンが 0.3 なら、少数の外れ値がピアソンの値を吊り上げている疑いがあります。

下のツールに、SEO記事の指標を模したサンプルデータ（文字数・滞在時間・被リンク数・検索順位）を読み込んであります。試しに「文字数」と「被リンク数」を選ぶと、ピアソンは約 0.21 と弱いのに、スピアマンは約 0.78 と強く出ます。これは被リンクが突出して多いバズ記事が1本（外れ値）混じってピアソンを押し下げているためで、順位に直すスピアマンはその影響を受けにくい――まさに本章で見た食い違いをその場で確認できます。3列以上あるので、全組み合わせの相関行列（ヒートマップ）も表示されます。

文字数,滞在時間,被リンク数
1800,95,6
2400,60,3

05.相関係数の3つの落とし穴｜外れ値・非線形・範囲制限

相関係数は、何百何千ものデータ点をたった1つの数字に圧縮します。圧縮である以上、必ず情報が落ちます。落ちた情報のせいで誤読が生まれる典型が、次の3つです。

落とし穴1：外れ値が相関を作る・消す

ピアソン相関係数は外れ値に弱く、たった1点で値が大きく変わります。本当は無相関のデータでも、遠くにポツンと1点あるだけで相関が「ある」ように見えることがあります。逆に、きれいな相関があるデータに外れ値が1つ混じると、相関が「弱まった」ように見えることもあります。原因は、外れ値が平均から極端に離れているため、共分散の計算で他の全データを足し合わせたよりも大きな影響を持ってしまうことです。

落とし穴2：非線形な関係を見逃す

ピアソン相関係数は直線しか測れません。U字型や山型（逆U字）のように、途中で向きが変わる関係は、ピアソンでは r ≈ 0 と出ます。たとえば「メール配信頻度」と「エンゲージメント」は、少なすぎても多すぎても下がり、ほどよい頻度で最大になる山型の関係になりがちです。これをピアソンで測ると「無相関」と出て、本当は強い関係があるのに『関係なし』と切り捨ててしまいます。

落とし穴3：範囲制限（データの幅を狭めると相関が弱まる）

分析対象の範囲を狭めると、相関は実際より弱く見えます。これを範囲制限といいます。たとえば「広告予算」と「成果」の相関を見るとき、すでに予算を絞り込んだ少数のキャンペーンだけで計算すると、予算の幅が狭いため相関は小さく出ます。全予算帯を含めれば見えるはずの関係が、一部だけ切り出したことで隠れてしまうのです。「優良顧客だけ」「上位ページだけ」のようにフィルタした後のデータで相関を見るときは、この効果を必ず意識します。

06.散布図を必ず見る｜アンスコムの数値例

相関係数を計算したら必ず散布図を描く――この習慣の重要性を、これ以上ないほど鮮やかに示すのが、統計学者フランク・アンスコムが1973年に作ったアンスコムの数値例（Anscombe's quartet）です。これは4組のデータセットで、平均・分散・相関係数・回帰直線のすべてがほぼ一致します。数字の上では「同じデータ」に見えます。

ところが散布図を描くと、4組はまったくの別物だと一目で分かります。

• ①だけが、相関係数 0.82 を素直に信じてよい、ふつうの直線関係です。
• ②はきれいな曲線（放物線）で、本当は完全な関係がありますが、直線の指標であるピアソンでは 0.82 としか出ません。
• ③は直線上にほぼ全点が並んでいるのに、たった1点の外れ値が直線評価を崩し、r を 0.82 まで下げています。外れ値を除けば r はほぼ 1.0 です。
• ④に至っては、x が1点を除いてすべて同じ値です。相関係数 0.82 は右上の1点だけで決まっており、その点が無ければ相関は計算すらできません。

アンスコムの数値例が突きつけるのは、相関係数という1つの数字は、データの形について驚くほど何も語らないという事実です。同じ「0.82」が、信頼してよい関係にも、見逃された曲線にも、外れ値が作った幻にも対応します。だから順序は逆ではいけません。先に散布図を見て形を把握し、その上で相関係数を要約として読む――これが相関分析の正しい手順です。

下のツールには①のデータを読み込んであります。②〜④は②・③・④のリンクからツール単体ページで開けます。どれも r ≈ 0.82・ほぼ同じ回帰直線が出るのに、散布図だけが別物であることをその場で確認できます。

広告費,売上
10,182
12,210
15,250

07.相関≠因果｜交絡・擬似相関・逆因果

ここからが相関分析の最大の注意点です。仮に散布図もきれいで、外れ値もなく、強い相関 r = 0.85 が確かに存在したとします。それでもなお、「だから X が Y の原因だ」と結論することはできません。相関は「一緒に動く」という事実を示すだけで、「片方がもう片方を起こしている」という因果関係は、まったく別の証拠を必要とします。

「X と Y に相関がある」とき、その裏で起きていることには、少なくとも次の4つの可能性があります。

1. X → Y：X が本当に Y の原因（私たちが期待している関係）。
2. Y → X（逆因果）：実は因果の向きが逆で、Y が X を起こしている。
3. Z → X かつ Z → Y（交絡）：第3の要因 Z が両方を動かしていて、X と Y の間に直接の因果はない。
4. 偶然の一致：因果も共通要因もなく、たまたま似た動きをしただけ。

相関係数が教えてくれるのは「相関がある」という事実だけで、それが上のどれなのかは区別できません。因果を主張するには、残りの2・3・4の可能性を1つずつ潰す必要があります。

交絡：いちばん多い誤読の原因

実務でもっとも頻繁に相関を因果と取り違えさせるのが交絡です。X と Y の両方に影響する第3の要因 Z が存在すると、X と Y は Z を通じて連動し、見かけ上の相関が生まれます。古典的な例が「アイスの売上」と「水難事故」の相関です。両者は確かに相関しますが、アイスが事故を起こすわけではありません。気温という共通要因が、夏に両方を押し上げているだけです。

マーケティングの現場でも交絡は至るところにあります。「メルマガを開封した人ほど継続率が高い」――しかし開封する人はもともと製品への関心が高い熱量の高い顧客かもしれません。その場合、メルマガ自体に継続効果がなくても相関は出ます。「熱量」という交絡要因を無視して「メルマガを送れば継続率が上がる」と結論すると、施策の効果を過大評価します。

逆因果：原因と結果が逆を向いている

因果の向きを取り違えるのが逆因果です。「広告費が多い月ほど売上が高い」というデータから「広告を増やせば売上が増える」と読みたくなりますが、実際には売上が好調な月ほど、来月の広告予算を増やしているのかもしれません。この場合、因果は「売上 → 広告費」で、データから読み取った向きとは逆です。「カスタマーサポートへの問い合わせが多い顧客ほど解約率が高い」も同様で、解約を考えている顧客ほど問い合わせる、という逆向きの可能性があります。

擬似相関と偶然の一致

交絡や逆因果のように説明のつく構造すらなく、まったくの偶然で相関が出ることもあります。とくに時系列データは危険です。長期的に増え続けている2つの指標（たとえば「スマホ普及率」と「ある病気の患者数」）は、互いに無関係でも、どちらも右肩上がりというだけで高い相関を示します。「年々増えているもの」どうしは、何でも相関してしまうのです。データ点が少なく、変数の候補が多いほど、こうした偶然の相関は拾われやすくなります。

08.実務での使い方｜SEO・マーケのデータを例に

ここまでの内容を、よくある場面に当てはめてみます。SEO担当者が、自社サイトの数百ページについて「記事の文字数」と「検索順位」のデータを集め、相関を計算したとします。出た数字は r = −0.42 でした。検索順位は1位を最良とする順位数なので、この負の相関は「文字数が多い記事ほど順位の数値が小さい＝上位にある」という意味です。「記事を長くすれば順位が上がる」――この結論には、本記事で見た落とし穴がほぼ全部詰まっています。順を追って点検します。

手順1：散布図を描いて形を確認する

まずアンスコムの教訓どおり、散布図を描きます。点検する観点は3つです。

• 外れ値：極端に長い数本の記事が、見かけの相関を強めていないか。あれば除いて再計算します。
• 非線形：ある文字数まではプラスに効き、長すぎると逆効果になる――途中で向きが変わる関係ではないか。そうならピアソンは関係を大きく過小評価します。
• 範囲制限：そもそも上位表示されているページだけを集めていないか。順位の幅を狭く切り出すと、相関は弱く出ます。

手順2：順位データなのでスピアマンも見る

検索順位は「1位・2位・3位」という順序データで、1位と2位の差と、50位と51位の差が同じ価値とは限りません。こういうデータにはスピアマン相関係数が向いています。ピアソンとスピアマンの両方を出し、値が食い違えば散布図を見直すサインと考えます。

手順3：交絡を疑う――いちばん重要な点検

最大の問題は交絡です。文字数の多い記事は、たまたま網羅性が高く、検索意図に深く応えている記事である傾向があります。さらに、力を入れて長く書いた記事は内部リンクや被リンクも集まりやすい。つまり「コンテンツの質」や「リンク評価」という第3の要因が、文字数の多さと上位表示の両方をもたらしている可能性が高いのです。

もし交絡が真相なら、内容の薄い記事をただ文字数だけ水増ししても順位は上がりません。むしろ冗長な記事は検索意図から外れ、評価を下げかねません。相関 r = −0.42 が教えてくれたのは「文字数と検索順位には関係がありそうだ」という仮説までで、「長くすれば上がる」という施策の根拠にはならないのです。

手順4：因果を確かめたいなら実験する

「記事を長くすると順位が上がるのか」を本当に知りたいなら、相関を眺めるのをやめて実験します。質の条件をそろえた記事群をランダムに2群に分け、片方だけ加筆して、数週間後の順位変化を比較します。ランダムに分けることで「もともとの質」のような交絡要因が両群で打ち消され、出た差を加筆の効果と見なせます。相関分析はどこを実験するかの当たりをつける段階の道具であり、施策の意思決定はその先の検証で行います。

09.よくある質問（FAQ）

10.まとめ

相関分析は、2つの変数が一緒に動く傾向を −1〜+1 の相関係数に要約する手法です。直線関係を測るのがピアソン相関係数、順位に直して単調関係を測るのがスピアマン相関係数で、データが曲線的だったり外れ値があったり順位データだったりするときはスピアマンが向きます。両者の値が食い違ったら、それは散布図を見直すサインです。

実務で押さえる要点は、次の3つです。

• 相関係数は1つの数字への圧縮です。外れ値・非線形・範囲制限で簡単に誤読されるため、アンスコムの数値例が示すとおり、必ず散布図を描いて形を確認します。
• 相関は因果ではありません。強い相関が出ても、その裏には交絡・逆因果・偶然の一致が潜んでいて、相関係数だけではどれか区別できません。
• 相関は仮説を見つける道具であって、施策の根拠ではありません。因果を主張したいなら、A/Bテストか因果推論の手法で確かめる必要があります。

この3点を守るだけで、「相関が出たから施策をやる」という、もっとよくあるデータ分析の事故を大きく減らせます。