Spearman rank correlation

Meet hoe sterk twee metingen samen bewegen aan de hand van rangen, dus scheefheid en krommen die één kant op gaan (monotoon) zijn geen probleem.

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

Klinisch voorbeeld

Hoe sterk een pijnscore van 0 tot 10 en het aantal giften pijnstiller samenhangen. Beide variabelen hebben veel gelijke waarden (zie ties). Kijk ook wanneer elke meting is gedaan: giften als reactie op later gemeten pijn zouden de interpretatie verzwakken.

Wanneer te gebruiken

U hebt twee metingen per patiënt en wilt weten hoe sterk ze samen bewegen.
De variabelen zijn scheef of geordende scores, of het verband is monotoon: het gaat steeds dezelfde kant op, ook als het buigt. Spearmans ρ (ook geschreven als r_s) meet monotone samenhang.
U beschrijft een samenhang. U laat niet zien dat twee methoden dezelfde waarden geven.
Correlatie beschrijft alleen samenhang. Voor de grootte van de verandering per eenheid, of om te corrigeren voor een confounder, gebruikt u regressie.

Aannames om te controleren

Een monotoon verband

Het moet steeds stijgen of steeds dalen, niet beide. Maak eerst een spreidingsdiagram. Een U-vormig of omgekeerd U-vormig verband kan ρ rond 0 laten uitkomen: gebruik regressie met een gekromde term, bijvoorbeeld een spline.

Minstens ordinale gegevens

Beide variabelen hebben een volgorde nodig die iets betekent. Alleen de rangen worden gebruikt, dus de afstanden tussen waarden doen er niet toe.

Ties

Veel gelijke waarden, zoals bij een pijnscore van 0 tot 10 of een aantal giften, verminderen de informatie in de rangen. ρ is nog steeds geldig, berekend op gemiddelde rangen, maar bij veel ties en een kleine steekproef heeft Kendalls tau-b vaak de voorkeur.

Uitschieters

Rangen verminderen de invloed van uitschieters maar halen die niet weg. Eén patiënt die op beide variabelen extreem is, trekt ρ nog steeds mee.

Onafhankelijke waarnemingen

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

Wat te rapporteren

ρ met het 95%-BI, en een spreidingsdiagram
Het aantal volledige paren dat echt is geanalyseerd
De exacte p-waarde. Die toetst alleen of ρ = 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.

Herhaalde metingen zijn niet onafhankelijk

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

ρ lezen alsof het de ruwe waarden beschrijft. Het is de correlatie van de rangen, dus ρ² is niet het aandeel verklaarde variantie van de oorspronkelijke metingen.

Alternatieven

Als uw situatie is…	Gebruik
Beide variabelen zijn ongeveer normaal, met een rechtlijnig verband	Pearson correlation
U wilt de grootte van de verandering, moet corrigeren voor andere variabelen, of het verband is U-vormig (regressie met een gekromde term). Gebruik ordinale logistische regressie voor een geordende uitkomst, en Poisson- of negatief-binomiale regressie voor tellingen zoals giften	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$pain, d$doses)
# exact = FALSE: bij gelijke waarden (ties) is een exacte p-waarde niet te berekenen
res <- cor.test(d$pain, d$doses, method = "spearman", exact = FALSE)
res   # rho is de schatting; S is de toetsgrootheid en kunt u negeren
sum(complete.cases(d$pain, d$doses))   # geanalyseerde paren: onvolledige paren vallen stilzwijgend weg
# cor.test geeft geen BI voor rho. Een bootstrapinterval:
set.seed(1)
ok <- complete.cases(d$pain, d$doses)
x <- d$pain[ok]; y <- d$doses[ok]
boot <- replicate(2000, {
  i <- sample(length(x), replace = TRUE)
  cor(x[i], y[i], method = "spearman")
})
quantile(boot, c(0.025, 0.975), na.rm = TRUE)   # 95%-BI voor rho
# Bij veel ties en een kleine steekproef: Kendalls tau-b:
cor.test(d$pain, d$doses, method = "kendall", exact = FALSE)

SPSS

* Spearman's rho is de correlatie, Sig. (2-tailed) is de p-waarde, en N is het aantal paren.
* NOSIG markeert significante correlaties met sterretjes. Voor Kendalls tau-b gebruikt u /PRINT=KENDALL.
* NONPAR CORR drukt geen BI af. Gebruik een bootstrapinterval, bijvoorbeeld in R.
NONPAR CORR
  /VARIABLES=pain doses
  /PRINT=SPEARMAN TWOTAIL NOSIG.

Bronnen

Een betrouwbaarheidsinterval voor ρ

cor.test geeft geen betrouwbaarheidsinterval voor Spearmans ρ. Een bootstrap-betrouwbaarheidsinterval neemt steekproeven van de patiënten en is de makkelijkste manier om er een te krijgen. Het is bij benadering, en het redt een zeer kleine steekproef niet.