I punti chiave da portare via subito
- Il coefficiente di correlazione misura forza e direzione del legame tra due variabili.
- Il valore va da -1 a +1: il segno indica la direzione, l’ampiezza la forza.
- La versione più usata, quella di Pearson, standardizza la covarianza dividendo per le deviazioni standard.
- Un valore alto non prova una causa: dice solo che le variabili si muovono insieme in modo lineare.
- Outlier, dati mancanti e relazioni non lineari possono alterare molto il risultato.
- Se i dati sono ordinali o la relazione non è lineare, spesso conviene passare a Spearman o Kendall.
Che cosa misura davvero il coefficiente di correlazione
Io lo tratto sempre come un indicatore di associazione lineare, non come una sentenza assoluta sui dati. Se due variabili crescono o calano insieme, il coefficiente tende a essere positivo; se una sale mentre l’altra scende, tende a essere negativo. Se invece non emerge una relazione lineare chiara, il valore si avvicina a zero, ma questo non significa automaticamente che i dati non abbiano alcun legame.
La cosa importante è distinguere tra correlazione e causalità. Due serie possono muoversi nella stessa direzione perché dipendono da un terzo fattore, da un ciclo economico comune o da una stagionalità condivisa. In analisi economica e sociale questo succede spesso: prezzi, redditi, consumi, occupazione e spesa pubblica possono apparire collegati anche quando la relazione vera è più complessa di quanto dica un singolo numero.
Un altro punto spesso trascurato è che il coefficiente è simmetrico: non decide chi “spiega” chi. Per questo è utile come primo filtro esplorativo, ma non sostituisce una regressione, un’analisi causale o una lettura istituzionale del fenomeno.
La formula di Pearson e il senso dei suoi elementi
La forma più comune è il coefficiente di Pearson, indicato con r. La formula essenziale è questa:r = cov(X, Y) / (σX · σY)
In parole semplici, prendi la covarianza tra due variabili e la dividi per il prodotto delle loro deviazioni standard. Il risultato è un numero senza unità di misura, quindi confrontabile anche tra serie diverse. È proprio questa standardizzazione a rendere il coefficiente così pratico.
- cov(X, Y): misura se le due variabili si muovono nella stessa direzione o in direzione opposta.
- σX: la deviazione standard della prima variabile, cioè quanto i suoi valori si disperdono attorno alla media.
- σY: la deviazione standard della seconda variabile.
Nei software statistici il calcolo della versione campionaria viene gestito automaticamente; quello che conviene controllare, invece, è la qualità dei dati: coppie allineate correttamente, valori mancanti trattati in modo coerente e outlier verificati prima di fidarsi del risultato.
Come si calcola passo per passo
Quando voglio spiegare il processo in modo davvero chiaro, parto da un esempio piccolo. Prendiamo due serie ordinate per osservazione:
- X = 1, 2, 3, 4, 5
- Y = 2, 1, 4, 3, 5
Le medie sono entrambe pari a 3. Da lì in poi il ragionamento diventa meccanico, ma solo se i dati sono stati messi in ordine nel modo giusto.
- Calcolo la media di X e la media di Y.
- Sottraggo a ogni valore la rispettiva media.
- Moltiplico tra loro gli scarti corrispondenti.
- Sommo tutti i prodotti ottenuti.
- Divido il risultato per il prodotto delle deviazioni standard.
Leggi anche: Tabella della distribuzione normale standard - come leggerla bene
Un esempio rapido
| Osservazione | X | Y | X - 3 | Y - 3 | Prodotto |
|---|---|---|---|---|---|
| 1 | 1 | 2 | -2 | -1 | 2 |
| 2 | 2 | 1 | -1 | -2 | 2 |
| 3 | 3 | 4 | 0 | 1 | 0 |
| 4 | 4 | 3 | 1 | 0 | 0 |
| 5 | 5 | 5 | 2 | 2 | 4 |
La somma dei prodotti è 8. La somma degli scarti quadratici è 10 per X e 10 per Y, quindi il denominatore vale 10. Il coefficiente finale è r = 0,80. È una correlazione positiva e piuttosto forte: le due serie si muovono insieme, ma non in modo perfettamente lineare.
In un dataset reale io non mi fermerei mai al numero: guarderei subito il grafico a dispersione per capire se il valore nasce da una nuvola compatta di punti o da pochi valori estremi che tirano su il risultato. Ed è proprio qui che l’interpretazione diventa decisiva.
Come leggere il risultato su un grafico a dispersione
Il grafico a dispersione è il compagno naturale del coefficiente di correlazione. Se i punti si dispongono in una fascia che sale da sinistra verso destra, il rapporto è positivo; se la fascia scende, è negativo. Se la nuvola è larga e disordinata, il coefficiente tende verso lo zero.
| Valore di r | Lettura pratica | Cosa controllare |
|---|---|---|
| da 0,00 a 0,19 | Relazione lineare molto debole o quasi assente | Può esistere un legame non lineare |
| da 0,20 a 0,39 | Correlazione debole | Il contesto decide se è utile o no |
| da 0,40 a 0,59 | Correlazione moderata | Verificare qualità dei dati e stabilità nel tempo |
| da 0,60 a 0,79 | Correlazione forte | Controllare outlier, trend comune e stagionalità |
| da 0,80 a 1,00 | Correlazione molto forte | Attenzione a variabili derivate o quasi duplicate |
Le soglie sono indicative, non universali. In economia e nelle scienze sociali un valore “medio” può già essere interessante, perché i fenomeni reali sono rumorosi e influenzati da molte variabili. Un altro dettaglio conta parecchio: un coefficiente può essere statisticamente significativo ma poco rilevante sul piano pratico, oppure il contrario, soprattutto quando il campione è piccolo. Io guardo sempre entrambe le cose.
Infine, ricordati che un valore vicino a zero non esclude una relazione importante. Se la relazione è curva e non lineare, Pearson può “non vederla” bene. In quel caso il grafico dice più del numero.
Quando conviene usare Pearson, Spearman o Kendall
Non tutte le correlazioni si trattano allo stesso modo. La scelta del coefficiente giusto dipende dalla natura dei dati e dal tipo di relazione che sospetti. Quando i dati sono quantitativi e la nuvola di punti è abbastanza lineare, Pearson resta la prima scelta. Quando invece la relazione è monotona ma non lineare, o quando i dati sono ordinali, Spearman spesso è più adatto. Kendall è utile soprattutto con campioni piccoli o con molti pareggi.
| Metodo | Quando usarlo | Punto forte | Limite principale |
|---|---|---|---|
| Pearson | Dati quantitativi e relazione lineare | È il più standard e immediato | Sensibile agli outlier e alle relazioni curve |
| Spearman | Dati ordinali o relazioni monotone non lineari | Più robusto rispetto agli estremi | Perde informazione sulla distanza tra i valori |
| Kendall | Campioni piccoli o molti valori uguali | Molto solido nella lettura dei ranghi | Meno usato nei flussi di analisi rapidi |
Nel mio lavoro la regola è semplice: se il grafico è pulito e quasi rettilineo, parto con Pearson; se vedo asimmetrie, code lunghe o curve, cambio strada. È una scelta pratica, non ideologica.
Come ottenerlo con gli strumenti più comuni
Oggi il calcolo manuale serve soprattutto a capire la logica. Nella pratica operativa, invece, quasi sempre si usa un software. In Excel e Google Sheets basta applicare la funzione di correlazione ai due intervalli già allineati; in R la chiamata tipica è cor(x, y, method = "pearson"); in Python puoi usare Series.corr() oppure numpy.corrcoef(). La differenza reale non è tanto nel comando, quanto nella pulizia del dataset.
- Fogli di calcolo: rapidi per controlli veloci e analisi descrittive.
- R: utile quando vuoi ripetibilità, script puliti e analisi statistiche più ampie.
- Python: comodo se lavori con grandi moli di dati o pipeline automatizzate.
Quando le variabili diventano molte, conviene costruire una matrice di correlazione. In pochi secondi capisci quali indicatori si muovono insieme e quali no, prima ancora di passare a modelli più complessi. Per serie economiche o istituzionali è spesso il modo più rapido per orientarsi senza perdere il quadro generale.
Gli errori che fanno sembrare utile un numero che non lo è
Qui secondo me si gioca la parte più importante. Il coefficiente può essere calcolato correttamente e, allo stesso tempo, raccontare male la realtà se lo usi nel contesto sbagliato. I casi più frequenti sono sempre gli stessi.
- Confondere correlazione e causa: due variabili possono muoversi insieme senza che una generi l’altra.
- Ignorare gli outlier: pochi valori estremi possono alzare o abbassare molto il coefficiente.
- Usare Pearson su una relazione curva: il numero può risultare basso anche se il legame è forte.
- Mescolare frequenze diverse: dati mensili, trimestrali e annuali non si confrontano senza una normalizzazione coerente.
- Trascurare la stagionalità: due serie possono salire insieme solo perché seguono lo stesso calendario economico.
- Leggere un coefficiente senza guardare il campione: un valore con poche osservazioni ha un peso molto diverso da uno ottenuto su molte rilevazioni.
Nel campo economico questo succede spesso con indicatori come inflazione, occupazione, redditi o spesa dei consumi. Una correlazione alta può essere reale, ma può anche nascere da un trend comune o da un fattore terzo. Per questo io considero il coefficiente un punto di partenza, non un punto di arrivo.
Quando il coefficiente aiuta davvero a leggere dati economici e sociali
Se devo riassumere il senso operativo di tutto questo, direi che il coefficiente di correlazione è utile quando vuoi una prima risposta rapida e ordinata a una domanda concreta: le due variabili si muovono insieme, e quanto? In analisi economica e sociale questa informazione vale molto, perché aiuta a selezionare le serie da approfondire, a costruire una matrice di relazioni e a capire dove serve un modello più forte.
La mia regola pratica è questa: usa il coefficiente quando hai dati puliti, osservazioni comparabili e una relazione che sembra lineare; cambia metodo quando il grafico dice altro. Se vuoi una lettura affidabile, il numero va sempre letto insieme al contesto, alla qualità delle osservazioni e al tipo di fenomeno che stai studiando. Solo così diventa uno strumento davvero utile, e non un valore elegante ma vuoto.
