1 スピアマンの順位相関係数の概要
1.1 定義と目的
1.1.1 単調関係を測る意義
スピアマンの順位相関係数は、2変数の間にみられる「単調な関係」の強さを、数値そのものではなく順位の対応として評価する指標である。単調関係とは、片方が増加するにつれてもう片方も概ね増える（単調増加）か、概ね減る（単調減少）傾向があることを指す。値のスケールや分布の形に強く依存しないため、観測値の取り扱いを順位化することで、関係の有無や方向性を把握しやすくなる。
1.1.2 相関の方向と強さの解釈
係数は一般に -1 から 1 の範囲で解釈される。正の値は順位が同じ方向に動く傾向（上位同士が対応しやすい）を示し、負の値は逆方向の対応（上位と下位が対応しやすい）を示す。大きな絶対値は、順位の並びがより整然としており、単調な関連が強いことを意味する。極端に近い値は、順位の一致や反転がほぼ完全である場合に現れる。
1.2 算出の基本概念
1.2.1 順位への変換
まず、各変数の観測値をそれぞれ順位に変換する。高い値を高い順位とするなど、順位付けの規則に従って並べ替えを行い、各データ点に対応する順位を割り当てる。これにより、測定尺度の単位や外れ値の“距離”といった情報は順位に吸収される一方で、相対的な並びの対応関係が中心となる。
1.2.2 差（順位差）に基づく考え方
順位変換後、各データ点について2つの順位の差を考える。差が小さいほど、2変数の順位が近い対応をしていることになる。順位の一致が多いほど差の合計が縮み、相関が高い方向へ寄る仕組みである。逆に、順位が系統的に反対へずれていると差のパターンが大きくなり、符号を含めて負の方向へ反映される。
1.3 指標の性質
1.3.1 ノンパラメトリック性
スピアマンの順位相関係数はノンパラメトリックに分類される。ここでの中心は、変数が特定の分布に従うことや、関係が線形であることを厳密に仮定しない点にある。順位を用いるため、外れ値や極端な観測が直接的に大きく効きにくい。さらに、単調性が成り立つ限り、非線形な変形があっても順位の整合が保たれれば高い係数につながる。
1.3.2 外れ値への頑健性
外れ値が“距離”として順位に与える影響は限定的である。例えば値が極端であっても、順位が入れ替わるかどうかという形でのみ影響するため、平均との差や分散のような量に基づく相関係数より頑健になることが多い。結果として、データの中心から大きく外れた点が存在しても、単調な並びが崩れない限りは係数が極端にゆがみにくい。
2 算出方法
2.1 通常の計算手順
2.1.1 データの順位付け
2.1.1.1 値の並べ替えと順位付与のルール
各変数について、観測値を大小順に並べ、順位を付与する。一般的には最小値を1位、最大値を最終順位とする。順位付与の際、同一値が存在しない（タイがない）場合は、各値がそれぞれ異なる順位を得る。タイが存在する場合の規則は後述するが、通常の手順はタイがない前提で説明されることが多い。
2.1.2 順位差の整理
データ点をi番目とし、Xの順位を \(R_{X,i}\)、Yの順位を \(R_{Y,i}\) とする。各点について順位差 \(d_i = R_{X,i} - R_{Y,i}\) を計算し、これを二乗して合計する。順位差の総和は、2つの順位の対応が一致しているか、あるいはどれほどずれているかを反映する量として働く。
2.1.3 係数への変換
タイがない場合、順位相関係数は次の形で計算されることが多い。 \[ \rho = 1 - \frac{6\sum_{i=1}^{n} d_i^2}{n(n^2-1)} \] ここで \(n\) はデータ数である。分母は順位の最大ばらつきに対応する基準であり、分子は順位差の大きさを表す。これにより、順位が一致すれば \(d_i=0\) が多くなって \(\rho\) は1に近づき、反対の並びなら差が大きくなって \(\rho\) は-1に近づく。
2.2 同順位（タイ）の扱い
2.2.1 タイが生じる条件
タイは、同じ値が複数回観測されるときに発生する。例えば整数の得点やランキング対象の測定など、離散的で重複が起こりやすいデータでは頻繁に見られる。タイがあると単純な順位付けができず、順位差に基づく計算式をそのまま適用するには補正が必要になる。
2.2.2 タイ補正の考え方
タイがある場合、同じ値の観測は同一順位として扱うのではなく、通常は同順位の平均的な順位（平均順位）を割り当てる。この割り当てにより順位の尺度が連続的な仮想順位に近づく一方、分散の計算基準が変わるため、係数の計算には補正項が加えられる。タイ補正は、タイの程度とその個数に応じて係数の推定が過度に理想化されないよう調整する役割を持つ。
2.2.3 実装時の注意点
実装では、(1) タイに対して平均順位を与えるか、(2) 補正式でタイのサイズに応じた補正を入れるか、(3) ライブラリの仕様がどの定義に基づくか、を確認する必要がある。特にソフトウェアによっては、タイを含む場合の扱いが内部で自動補正されることがあるため、同じ入力データでも計算結果の微妙な差が生じ得る。再現性が重要な場面では、計算方法の文書化が望ましい。
2.3 計算例と結果の確認
2.3.1 小標本での手計算例
小規模なデータでは、順位付け→順位差の計算→二乗和→係数への変換、という流れを追いかけることで挙動を確かめやすい。例えば、Xの高い順とYの高い順が同じなら全点で順位差は小さくなり、係数は高い値に寄る。逆に、Xの高い順に対応するYが一貫して低い側に並ぶなら順位差が系統的に大きくなり、負方向の値が現れる。
2.3.2 期待される相関パターン
順位相関では、完全一致（全順位が同一対応）に近いほど正の極大へ、完全反転（全順位が逆対応）に近いほど負の極小へ移る。中間的なケースでは、局所的には一致しているが一部で入れ替わりが起きる、あるいは単調性は保たれるが揺らぎが大きい、といった特徴に応じて係数は0より上または下に位置する。直線的な回帰形の一致というより、順位の整列度が反映される。
2.3.3 値の丸めと検算
計算では分数や二乗和が絡むため、途中での丸め誤差が結果に影響することがある。手計算では小数点以下を保持せずに進めると係数が見かけ上変わる可能性があるため、検算では可能な限り分数の形で整理するか、最後に高精度で再計算するのがよい。タイがある場合は補正項も含めて同じ精度で扱う必要がある。
3 解釈と利用上の注意
3.1 係数の範囲と意味
3.1.1 正の相関・負の相関の読み取り
正の値は、Xの順位が高いほどYの順位も高くなりやすい（またはその逆が起きにくい）ことを示す。負の値は、Xの順位が高いほどYの順位が低くなる傾向が強いことを意味する。符号は順位の対応方向を反映するため、変数の原単位の増減と直接対応するとは限らない点に注意が必要である。
3.1.2 0に近い場合の解釈
係数が0に近い場合は、単調な関係が弱い、または順位の対応がランダムに近いことを示す。ただし「まったく相関がない」と断定するには追加の検定や信頼区間の確認が必要である。特にサンプル数が少ないと偶然の揺らぎで0付近に収まり得るため、推定の不確実性を併せて読むのが適切である。
3.1.3 極端な値の注意
値が1または-1に近い場合、順位がほぼ完全に一致または反転している可能性が高い。一方で、タイが多いデータや、順位が離散的にしか変わらないデータでは、見かけの極端さが別の要因で生じる場合もある。さらに、変数の定義が同じ情報源に強く依存しているときは、因果を示すものではなく共通要因の反映である可能性にも留意する。
3.2 単調性と線形性の違い
3.2.1 「線形ではないが単調」の扱い
スピアマンの順位相関は線形回帰の当てはまりを評価するものではない。例えば、Xが増えるにつれてYは減少するがその曲がり方が非線形である場合でも、順位が一貫して対応していれば高い絶対値が得られる。したがって、係数が高いからといって「比例関係」や「直線的な関係」を意味するわけではない。
3.2.2 逆関係（単調減少）の読み取り
単調減少の関係は負の符号で表れる。順位が高い側のXに対して、Yの順位が低い側へ系統的に移っているなら負の相関が強くなる。解釈では、どちらの変数が増加方向にあるかではなく、順位の対応方向に着目することが中心となる。
3.3 仮定・前提条件と限界
3.3.1 独立性に関する考え方
相関係数の解釈や検定には、観測の独立性が望ましい前提として関わる。データ点が時系列で相互に依存していたり、同一被験者からの繰り返し測定が含まれていたりすると、実効的な情報量が減り、統計的な評価が変わる。順位相関は頑健でも、依存構造そのものは吸収しないため、設計上の工夫やモデル化が必要になる場合がある。
3.3.2 データ型（順序・順位）との適合
この指標は順序情報を重視する。測定値が実際に順序関係を持ち、上位下位が意味を持つ領域では適合性が高い。逆に、値の差や比率が重要で、順序に意味がない場面では、順位化によって情報が失われる。順序尺度か連続値か、離散値でタイが頻繁かといった特性は、結果の安定性に影響する。
3.3.3 サンプルサイズが解釈へ与える影響
小標本では推定のばらつきが大きく、係数の値が偶然の変動に左右されやすい。そのため、単に大きさだけを見るよりも、検定結果や信頼区間によって不確実性を織り込む必要がある。サンプル数が増えれば順位の傾向がより安定して現れ、推定誤差が相対的に小さくなる。
4 仮説検定・信頼区間・関連指標
4.1 相関の有意性検定
4.1.1 帰無仮説の設定
典型的な帰無仮説は「2変数の間に単調な関連はない」、すなわち順位の対応が偶然に近いという設定である。対立仮説は「単調な関連がある」であり、方向（正か負か）を含める場合もある。検定の枠組みはデータの性質やタイの有無により選択が変わる。
4.1.2 p値の考え方
p値は、帰無仮説が正しいと仮定したときに、観測された（あるいはそれ以上に極端な）係数が得られる確率として解釈される。p値が小さいほど、単調関連が偶然に起きた可能性は低いと判断される。ただし、統計的有意性が直ちに実務的な大きさや因果を保証するわけではないため、効果量と併せた読み方が必要である。
4.1.3 検定の選択（近似と厳密）
サンプル数が大きい場合は近似に基づく検定が用いられることがある。タイが多い場合やサンプルが小さい場合には、近似の精度が落ちる可能性があるため、厳密計算や置換分布に基づく方法が選択されることが多い。実務では使用する統計ソフトのデフォルト手法が何を前提としているかを確認し、必要に応じて手法を切り替えるのが望ましい。
4.2 信頼区間の考え方
4.2.1 係数推定の不確実性
信頼区間は、同じ母集団から繰り返し標本を取った場合に、真の関連の強さがどの程度の範囲にある可能性が高いかを示す。係数の一点推定はサンプル固有の変動を含むため、不確実性の幅を把握することが解釈の質を高める。順位相関では特に、サンプル数が少ないと幅が広くなりやすい。
4.2.2 算出方法の概要
信頼区間の算出には、近似的な方法やブートストラップのような再標本化を用いる方法がある。タイの存在やデータの離散性は分布形状に影響し得るため、方法選択の前提を確認することが重要である。実務上は、ライブラリが提供する区間推定の方式（正規近似、変換、再標本化など）がどれに該当するかを把握しておくと、解釈の誤差を抑えやすい。
4.3 関連指標との比較
4.3.1 ケンドールの順位相関係数との違い
ケンドールの順位相関係数も順位に基づく指標であるが、考え方の中心が「順位の整合の数（ペアの一致・不一致）」に置かれやすい点でスピアマンと異なる。一般に、データのタイが多い場合や、小標本での振る舞いが異なることがあり、用途やデータ特性に応じて選択される。両者は単調関連の検出という目的で共通点がある一方、推定の感度は必ずしも一致しない。
4.3.2 ピアソンの相関係数との使い分け
ピアソンの相関係数は、変数が数値として線形に関連することを前提に近い形で解釈されることが多い。外れ値や分布の歪みの影響を受けやすい場合があるため、単調だが非線形な関係や外れ値が気になる状況では順位相関が適していることがある。一方で、線形性が妥当でノイズ構造が扱いやすい場合はピアソンが解釈しやすいこともある。
4.3.3 回帰・順位モデルとの位置づけ
順位相関は「単調な関連の有無と強さ」の要約として位置づけられる。より詳細に説明変数として複数の要因を扱うなら、回帰モデルや順位モデルが適切になる場合がある。例えば、単独の関連評価で十分か、多変量での調整が必要か、タイの扱いをどう組み込むかといった点で選択が変わる。順位相関は探索的理解や要約に強みがあり、必要に応じてモデル化へ拡張する考え方が採られる。