Pearson correlation

Meet hoe sterk twee numerieke metingen rechtlijnig samenhangen, van −1 tot 1.

Statistisch beoordeeld door Daniel Wolff op 5 november 2026 (op basis van de Engelse versie).

Klinisch voorbeeld

Hoe sterk de body-mass-index en de systolische bloeddruk samen bewegen in een groep patiënten. Leeftijd beïnvloedt beide, dus om daarvoor te corrigeren stapt u over op lineaire regressie.

Wanneer te gebruiken

U hebt twee metingen per patiënt en wilt weten hoe sterk ze samen bewegen.
Het verband is een rechte lijn in een spreidingsdiagram. Voor het BI en de p-waarde moeten beide variabelen ongeveer normaal zijn, en uitschieters tellen zwaarder dan normaliteit.
U beschrijft een samenhang. U laat niet zien dat twee methoden dezelfde waarden geven.
Correlatie beschrijft alleen samenhang. Voor hoeveel de ene variabele verandert per eenheid van de andere, of om te corrigeren voor een confounder, gebruikt u lineaire regressie.

Aannames om te controleren

Een rechtlijnig verband

Maak eerst een spreidingsdiagram. Een kromme die steeds dezelfde kant op gaat (een monotoon verband) wijst op Spearman. Een U-vormig of omgekeerd U-vormig verband kan zowel Pearson als Spearman rond 0 laten uitkomen: gebruik regressie met een gekromde term, bijvoorbeeld een spline.

Ongeveer normaal, voor het BI en de p-waarde

Als beschrijvende maat heeft r geen normaliteit nodig. Voor het BI en de p-waarde moeten beide variabelen ongeveer normaal zijn: kijk naar een histogram van elk. Uitschieters tellen zwaarder: één extreme patiënt kan r maken of breken.

Onafhankelijke waarnemingen

Eén paar waarden per patiënt. Meerdere metingen per patiënt vragen herhaalde-metingencorrelatie of een gemengd model.

Het volledige waardenbereik

De steekproef moet het volledige bereik aan waarden beslaan waarover u conclusies wilt trekken (zie bereikbeperking onder veelgemaakte fouten).

Wat te rapporteren

r met het 95%-BI, en een spreidingsdiagram
Het aantal volledige paren dat echt is geanalyseerd
De exacte p-waarde. Die toetst alleen of r = 0, wat zelden de interessante vraag is

Veelgemaakte fouten

Correlatie is geen causaliteit

Een correlatie laat zien dat twee metingen samengaan, niet dat de een de ander veroorzaakt. Een confounder zoals leeftijd drijft vaak beide.

Correlatie laat geen overeenstemming zien

Twee methoden kunnen perfect correleren en toch systematisch verschillen. Gebruik een Bland-Altman plot.

Plot de gegevens voordat u een correlatie rapporteert

Een coëfficiënt rond 0 kan een U-vormig verband verbergen, en één extreme patiënt kan een correlatie maken of vernietigen. Kijk naar het spreidingsdiagram.

Let op het bereik van uw steekproef

Een correlatie hangt af van hoe gespreid de steekproef is. Alleen patiënten met hypertensie bestuderen geeft een lagere coëfficiënt voor hetzelfde onderliggende verband, dus correlaties vergelijken tussen studies met verschillende populaties is misleidend.

Significant is niet sterk

Bij een grote steekproef is een minuscule correlatie significant. Rapporteer de coëfficiënt met zijn 95%-BI. De p-waarde toetst alleen of de coëfficiënt 0 is.

Voeg verschillende subgroepen niet blind samen

Samenvoegen, bijvoorbeeld mannen en vrouwen of twee ziekenhuizen, kan een correlatie creëren of verbergen.

Correleer verandering niet met de uitgangswaarde

Regressie naar het gemiddelde bouwt een negatieve correlatie in tussen de verandering en de beginwaarde.

Herhaalde metingen zijn niet onafhankelijk

Meerdere metingen per patiënt behandelen als aparte patiënten maakt betrouwbaarheidsintervallen te smal en p-waarden te klein.

Alternatieven

Als uw situatie is…	Gebruik
Scheve of ordinale gegevens, of een kromme die steeds dezelfde kant op gaat (monotoon)	Spearman rank correlation
U wilt de grootte van de verandering per eenheid, moet corrigeren voor andere variabelen, of het verband is U-vormig (regressie met een gekromde term)	Linear regression
Meerdere metingen per patiënt (herhaalde-metingencorrelatie, of een gemengd model)	Linear mixed model
U wilt eigenlijk laten zien dat twee methoden dezelfde waarden geven	Bland-Altman plot and ICC

In uw software

# R
plot(d$bmi, d$sbp)   # plot altijd eerst
res <- cor.test(d$bmi, d$sbp, method = "pearson")
res                  # de schatting is r, en het 95%-BI is voor r (Fisher z)
sum(complete.cases(d$bmi, d$sbp))   # geanalyseerde paren: onvolledige paren vallen stilzwijgend weg

SPSS

* Pearson Correlation is r, Sig. (2-tailed) is de p-waarde, en N is het aantal paren.
* NOSIG markeert significante correlaties met sterretjes.
* Het BI vraagt SPSS 27 of nieuwer. In oudere versies berekent u het met de hand met Fisher z.
CORRELATIONS
  /VARIABLES=bmi sbp
  /PRINT=TWOTAIL NOSIG
  /CI CILEVEL(95).