Correlazione statistica: cos’è e come leggerla nei dati

La correlazione statistica misura quanto due variabili tendono a muoversi insieme: quando una cresce, l’altra cresce (correlazione positiva), diminuisce (negativa) o non mostra alcun legame (correlazione nulla). Si quantifica con un coefficiente che va da −1 a +1, e si visualizza tipicamente con uno scatter plot. È uno strumento fondamentale per esplorare i dati, ma anche una delle fonti più comuni di errori di interpretazione, perché correlazione non significa mai, da sola, causalità.

Capire davvero cos’è una correlazione — come si misura, come si legge, e quali trappole nasconde — è essenziale per chiunque lavori con i dati e voglia trarne conclusioni affidabili. In questa guida vediamo la definizione, il coefficiente di correlazione, come interpretare uno scatter plot, e perché la distinzione tra correlazione e causa è la cosa più importante da tenere a mente.

Che cos’è la correlazione

La correlazione descrive la relazione tra due variabili: se, osservando molti casi, al variare dell’una varia anche l’altra in modo sistematico. Se studenti che studiano più ore tendono ad avere voti più alti, c’è una correlazione positiva tra ore di studio e voti. Se all’aumentare del prezzo di un prodotto le vendite tendono a calare, c’è una correlazione negativa tra prezzo e vendite. Se non c’è alcun legame sistematico — per esempio tra il colore di un’auto e i suoi consumi — la correlazione è nulla.

È importante notare che la correlazione riguarda una tendenza generale, non ogni singolo caso: che due variabili siano correlate non significa che la relazione valga per tutti gli individui, ma che, mediamente, si muovono insieme. È una misura statistica, e come tale descrive l’insieme, non il singolo.

Il coefficiente di correlazione

Per quantificare la correlazione si usa un coefficiente (il più comune è quello di Pearson), un numero che va da −1 a +1. Un valore vicino a +1 indica una forte correlazione positiva: le due variabili crescono insieme in modo quasi perfetto. Un valore vicino a −1 indica una forte correlazione negativa: quando una cresce, l’altra cala. Un valore vicino a 0 indica assenza di correlazione lineare: le variabili non mostrano un legame sistematico.

I valori intermedi indicano correlazioni più deboli: 0,7 è una correlazione forte, 0,4 moderata, 0,1 debole o trascurabile. Il segno dice la direzione (positiva o negativa), il valore assoluto dice la forza. Un dettaglio importante: il coefficiente di Pearson misura solo le relazioni lineari; due variabili possono avere un legame forte ma non lineare (per esempio a U) e mostrare comunque un coefficiente vicino a zero. Per questo il numero da solo non basta: va sempre affiancato al grafico.

Come si legge una correlazione in uno scatter plot

Lo strumento visivo per eccellenza è lo scatter plot (grafico a dispersione): ogni punto rappresenta un caso, con una variabile sull’asse orizzontale e l’altra sul verticale. La forma della nuvola di punti racconta la correlazione: se i punti tendono a disporsi lungo una linea che sale da sinistra a destra, la correlazione è positiva; se scende, è negativa; se sono sparsi senza direzione, è nulla. Più i punti sono vicini a una linea, più forte è la correlazione.

Spesso si aggiunge una retta di regressione, la linea che meglio approssima la nuvola, e un indicatore chiamato R² (R quadro), che dice quale percentuale della variabilità di una variabile è “spiegata” dall’altra. Un R² alto significa che i punti sono vicini alla retta; un R² basso che sono dispersi. Attenzione, però: guardare solo i numeri può ingannare. Il celebre “quartetto di Anscombe” mostra quattro insiemi di dati con statistiche descrittive identiche — stessa media, stessa correlazione — ma forme completamente diverse quando li disegni. È la prova che il grafico non è un optional: la correlazione va sempre vista, non solo calcolata.

Correlazione non è causalità (mai, da sola)

È il punto più importante, e quello su cui si sbaglia di più: una correlazione non dimostra che una variabile causi l’altra. Che due grandezze si muovano insieme può dipendere da tre situazioni molto diverse. Può esserci una relazione causale reale (studiare di più causa voti migliori). Può esserci una terza variabile nascosta che muove entrambe: gelati venduti e annegamenti sono correlati, ma non perché il gelato causi annegamenti — è il caldo estivo a far crescere entrambi. Oppure la correlazione può essere del tutto spuria, cioè una coincidenza casuale senza alcun legame reale, come le tante correlazioni bizzarre tra fenomeni scollegati che si trovano nei dati.

Nessuno strumento statistico, da solo, distingue una correlazione causale da una spuria: serve il ragionamento, la conoscenza del fenomeno e, quando possibile, l’esperimento. Approfondiamo questo punto cruciale nella guida dedicata a perché correlazione non è causalità. Per ora, tienilo come regola d’oro: davanti a una correlazione, chiediti sempre se c’è un nesso causale plausibile, una terza variabile o solo una coincidenza. Capire come i dati raccontano — e a volte ingannano — è al centro del metodo che insegniamo nella Data Shaping Masterclass.

Correlazione positiva, negativa e nulla: esempi concreti

Per fissare i concetti, qualche esempio. Una correlazione positiva: all’aumentare della superficie di un appartamento, tende ad aumentare il prezzo. Le due variabili crescono insieme, e in uno scatter plot i punti salgono verso destra. Una correlazione negativa: all’aumentare del numero di ore di allenamento settimanale, tende a diminuire il tempo impiegato a correre una certa distanza. Una cresce, l’altra cala, e i punti scendono verso destra. Una correlazione nulla: tra il giorno della settimana in cui una persona è nata e il suo reddito non c’è alcun legame sistematico, e i punti appaiono sparsi senza direzione.

Questi esempi mostrano anche quanto il concetto sia intuitivo una volta visualizzato: la correlazione è, in fondo, la “pendenza” della tendenza generale nella nuvola di punti. Il coefficiente traduce quella tendenza in un numero, ma è il grafico a renderla immediata — motivo per cui i due vanno sempre insieme.

Correlazione e regressione: che differenza c’è?

Correlazione e regressione sono legate ma non identiche, e confonderle genera errori. La correlazione misura quanto forte è la relazione tra due variabili, con un numero simmetrico: la correlazione tra X e Y è la stessa che tra Y e X. La regressione fa un passo in più: costruisce un modello (la retta) che permette di stimare una variabile a partire dall’altra, e non è simmetrica, perché distingue una variabile dipendente da una indipendente.

In pratica: la correlazione ti dice “queste due grandezze si muovono insieme e quanto”; la regressione ti dice “dato un valore di X, quanto mi aspetto per Y”. Sono strumenti complementari, ma nessuno dei due, da solo, dimostra un rapporto di causa: anche una retta di regressione ben adattata descrive un’associazione, non necessariamente un meccanismo causale.

Il quartetto di Anscombe: perché disegnare sempre i dati

Vale la pena tornare sul quartetto di Anscombe, perché è la lezione più efficace sul tema. Negli anni Settanta lo statistico Francis Anscombe costruì quattro insiemi di dati che condividono le stesse statistiche descrittive — stessa media, stessa varianza, stessa correlazione, stessa retta di regressione — ma che, una volta disegnati, rivelano forme completamente diverse: uno è una relazione lineare pulita, un altro una curva, un altro è dominato da un singolo valore anomalo.

La morale è netta: le statistiche riassuntive possono nascondere la realtà dei dati. Fidarsi del solo coefficiente di correlazione, senza guardare lo scatter plot, significa rischiare di descrivere come “relazione lineare” ciò che in realtà è una curva o l’effetto di un outlier. È il motivo per cui, nell’analisi seria, il grafico non è un abbellimento finale ma un passaggio obbligato: si guarda prima di trarre conclusioni.

Attenzione ai valori anomali e alla dimensione del campione

Due fattori tecnici influenzano pesantemente una correlazione. Il primo sono i valori anomali (outlier): un solo punto molto lontano dagli altri può gonfiare o abbattere il coefficiente, creando o cancellando una correlazione che, per il resto dei dati, non esiste o esiste. Individuarli — cosa che si fa guardando lo scatter plot — è essenziale prima di fidarsi del numero.

Il secondo è la dimensione del campione: su pochi dati, una correlazione anche forte può essere frutto del caso, mentre su molti dati anche una correlazione debole può essere statisticamente affidabile. Il coefficiente da solo non dice quanti dati ci sono dietro: una correlazione di 0,8 su cinque punti vale molto meno di una di 0,4 su mille. Per questo, oltre alla forza, conta sempre chiedersi su quanti casi è calcolata.

Casi celebri di correlazioni spurie

Le correlazioni spurie — forti ma prive di qualsiasi nesso reale — sono un genere quasi comico, e utile per non prendersi troppo sul serio. Esistono raccolte di correlazioni statistiche altissime tra fenomeni completamente scollegati: il consumo di un certo alimento e un tasso di divorzi, il numero di film usciti con un certo attore e gli annegamenti in piscina, e così via. Sono coincidenze che emergono inevitabilmente quando si confrontano moltissime serie di dati: con abbastanza variabili, qualche correlazione altissima salta fuori per puro caso.

Il valore di questi esempi è didattico: mostrano in modo evidente che un coefficiente vicino a 1 non significa nulla se manca un meccanismo plausibile. Prima di celebrare una correlazione, la domanda da farsi è sempre: esiste una ragione per cui queste due cose dovrebbero essere legate, o è solo il caso ad averle fatte incontrare?

Gli errori più comuni nei report

Nella pratica aziendale, la correlazione genera errori ricorrenti. Il primo, già visto, è confondere correlazione e causa, e prendere decisioni su un nesso che non esiste. Il secondo è fidarsi del solo coefficiente senza guardare lo scatter plot, perdendo relazioni non lineari o l’effetto di pochi valori anomali che gonfiano o abbattono la correlazione. Il terzo è sovrainterpretare correlazioni deboli: un coefficiente di 0,2 dice pochissimo, ma spesso viene presentato come una relazione solida. Il quarto è ignorare la dimensione del campione: su pochi dati, correlazioni anche forti possono essere frutto del caso.

Un buon report non nasconde questi limiti: mostra il grafico, indica la forza della relazione con onestà e distingue chiaramente ciò che è osservazione (le variabili sono correlate) da ciò che è ipotesi (una causa l’altra). È la differenza tra usare i dati per capire e usarli per confermare ciò che si voleva già credere.

Come si calcola la correlazione, in pratica

Calcolare un coefficiente di correlazione è oggi immediato con qualsiasi strumento. In Excel e Google Sheets esiste una funzione dedicata (CORREL) che, date due colonne di dati, restituisce il coefficiente di Pearson. In Power BI, Tableau e nei linguaggi di analisi come Python o R il calcolo è altrettanto diretto, spesso insieme alla retta di regressione e all’R². La parte facile, quindi, è ottenere il numero.

La parte difficile, come abbiamo visto, è interpretarlo: verificare che la relazione sia lineare guardando lo scatter plot, controllare i valori anomali, considerare la dimensione del campione e — soprattutto — non saltare alla causa. Lo strumento fornisce il coefficiente in un istante; la competenza sta nel sapere cosa quel numero significa davvero e cosa non può dire. È un buon promemoria del fatto che, nell’analisi dei dati, la parte tecnica è quasi sempre la più facile: il valore aggiunto di chi lavora con i dati non è calcolare, ma interpretare con onestà e comunicare con chiarezza.

Correlazione tra più variabili: la matrice di correlazione

Quando le variabili da confrontare sono molte, calcolare le correlazioni a coppie diventa dispersivo. Si usa allora una matrice di correlazione: una tabella che incrocia tutte le variabili e riporta, in ogni cella, il coefficiente tra la variabile di riga e quella di colonna. Spesso la si visualizza come una heatmap, colorando le celle in base al valore, così da individuare a colpo d’occhio le coppie più correlate.

È uno strumento potente nella fase esplorativa dell’analisi, perché fa emergere rapidamente quali variabili si muovono insieme e meritano approfondimento. Ma amplifica anche i rischi già visti: con molte variabili aumenta la probabilità di trovare correlazioni forti per puro caso, e la tentazione di leggere nessi causali dappertutto. La matrice di correlazione è un punto di partenza per fare domande, non un elenco di risposte.

Come comunicare una correlazione

Comunicare bene una correlazione significa mostrarla e contestualizzarla. Il grafico di riferimento è lo scatter plot, possibilmente con la retta di regressione se la relazione è lineare, e con i pochi punti anomali evidenziati se rilevanti. Il testo dovrebbe accompagnare il numero con parole chiare: “esiste una correlazione moderata (r ≈ 0,5) tra X e Y” comunica più di un coefficiente lasciato solo. E, soprattutto, va sempre esplicitato se si sta affermando una semplice associazione o un’ipotesi causale — perché il lettore, per default, tende a leggere un nesso di causa anche dove non c’è.

La responsabilità di chi comunica i dati è proprio questa: presentare la correlazione in modo che informi senza indurre in errore. Un grafico onesto e una formulazione prudente valgono più di una conclusione forte ma ingiustificata, e proteggono sia chi comunica sia chi decide da errori che possono costare cari.

In sintesi

La correlazione statistica misura quanto due variabili si muovono insieme, si quantifica con un coefficiente da −1 a +1 e si legge in uno scatter plot, meglio se accompagnato dalla retta di regressione e dall’R². Ma il suo insegnamento più importante è un avvertimento: la correlazione, da sola, non prova la causa. Distinguere una relazione reale da una terza variabile nascosta o da una coincidenza richiede ragionamento, non solo statistica. Usata con questa consapevolezza, la correlazione è uno strumento prezioso per esplorare i dati; usata male, è una delle scorciatoie più pericolose verso conclusioni sbagliate. La regola pratica da portare con sé è semplice: calcola il coefficiente, ma guarda sempre il grafico; e prima di parlare di causa, chiediti se esiste un meccanismo plausibile o se potrebbe trattarsi di una terza variabile o del caso. Questa piccola disciplina mentale distingue chi usa i dati per capire da chi li usa per confermare ciò che già pensava.

—

Domande frequenti

Cos’è la correlazione statistica?

È la misura di quanto due variabili tendono a muoversi insieme: quando una cresce, l’altra cresce (correlazione positiva), diminuisce (negativa) o non mostra legame (nulla). Descrive una tendenza generale su molti casi, non ogni singolo individuo, e si quantifica con un coefficiente che va da −1 a +1.

Come si interpreta il coefficiente di correlazione?

Il segno indica la direzione (positiva o negativa), il valore assoluto la forza: vicino a ±1 la correlazione è forte, vicino a 0 è assente. In genere 0,7 è forte, 0,4 moderata, 0,1 trascurabile. Attenzione: il coefficiente di Pearson misura solo relazioni lineari, quindi va sempre affiancato allo scatter plot per non perdere legami non lineari.

Perché correlazione non significa causalità?

Perché due variabili possono muoversi insieme per tre motivi diversi: una causa davvero l’altra, una terza variabile nascosta muove entrambe, oppure è una coincidenza casuale (correlazione spuria). Nessun calcolo statistico da solo distingue questi casi: serve il ragionamento e la conoscenza del fenomeno. Per questo da una correlazione non si può dedurre automaticamente un rapporto di causa-effetto.

Cos’è lo scatter plot e perché serve per le correlazioni?

È il grafico a dispersione in cui ogni punto rappresenta un caso, con una variabile su ciascun asse. La forma della nuvola mostra la correlazione: punti allineati verso l’alto indicano correlazione positiva, verso il basso negativa, sparsi assenza di correlazione. Serve perché il solo coefficiente può ingannare, mentre il grafico rivela relazioni non lineari e valori anomali.

Che cos’è l’R quadro (R²) in una correlazione?

L’R² (coefficiente di determinazione) indica quale percentuale della variabilità di una variabile è “spiegata” dall’altra secondo la retta di regressione. Un R² alto significa che i punti sono vicini alla retta, uno basso che sono dispersi. È un’utile misura di quanto la relazione lineare descriva bene i dati, ma non dice nulla sulla causalità.

Quali errori si fanno più spesso con le correlazioni nei report?

Confondere correlazione e causa, fidarsi del solo coefficiente senza guardare il grafico, sovrainterpretare correlazioni deboli come se fossero solide, e ignorare la dimensione del campione (su pochi dati anche correlazioni forti possono essere casuali). Un buon report mostra lo scatter plot, indica la forza con onestà e distingue l’associazione osservata dall’ipotesi causale.

Una correlazione forte è sempre importante?

No. Una correlazione forte è statisticamente rilevante, ma la sua importanza dipende dal contesto: può riguardare una terza variabile, valere solo per il campione osservato o non avere implicazioni pratiche. Al contrario, una correlazione moderata su un fenomeno rilevante può essere molto utile. Il valore del coefficiente va sempre interpretato insieme al significato reale delle variabili.