ビジネスの現場から学術研究、さらには日々のマーケティング施策の検証に至るまで、2つのデータの結びつきを数値化する「相関係数」の重要性は年々増しています。しかし、統計学の教科書を開くと現れる複雑なシグマ記号（$\sum$）や数式に圧倒され、計算を諦めてしまう方が後を絶ちません。

相関係数の本質は、数式の丸暗記ではなく「データのばらつきを揃えて関係の強さを比べる」というシンプルな仕組みにあります。基本構造を直感的に理解できれば、手計算はもちろん、エクセル（Excel）を使ってわずか数秒で算出できるようになります。本稿では、公式の分かりやすい分解解説から実務でのエクセル活用術、解釈を誤らないための目安と注意点まで、余すところなくお届けします。

• 要点1：相関係数は「共分散 ÷（Xの標準偏差 × Yの標準偏差）」で求まり、2変数の直線的な関係の強さを「-1から+1」の範囲で表す指標です。
• 要点2：実務ではエクセルの=CORREL(配列1, 配列2)関数を使うことで、手計算にかかる時間をゼロにして一瞬で算出可能です。
• 要点3：相関係数は「直線の関係」しか捉えられず外れ値に弱いため、必ず散布図で可視化し、因果関係と混同しない慎重な検証が不可欠です。

【基礎知識】統計学の相関係数をわかりやすく解説｜正の相関・負の相関と散布図の直感イメージ

相関係数（correlation coefficient）とは、「2つのデータ群にどれくらい直線的な関係があるか」を客観的な数値（-1.0から+1.0の間）で示した統計指標です。一般的に「相関係数」と呼ぶ場合、統計学の創始者の一人カール・ピアソンが考案したピアソンの積率相関係数を指します。

データ間の関係性を視覚的に把握するには、縦軸と横軸に2つのデータをプロットした散布図の確認が最も効果的です。散布図の点の散らばり方によって、データは主に以下の3つのパターンに分類されます。

• 正の相関（0 < r ≦ 1）：一方の数値が増加すると、もう一方も増加する関係（例：気温とアイスクリームの売上、広告費と来店者数）。散布図では右肩上がりの直線状に点が集まります。
• 負の相関（-1 ≦ r < 0）：一方の数値が増加すると、もう一方は減少する関係（例：標高と気温、商品の価格と販売個数）。散布図では右肩下がりの直線状にプロットされます。
• 無相関（r ≒ 0）：2つのデータの間に関連性が見られない状態（例：身長とテストの点数）。散布図上の点は円状またはランダムに散らばります。

なお、テストの点数や売上高のような連続した数値データではなく、アンケートの満足度順位（1位〜5位）や好感度ランキングのような順位・順序データを扱う場合は、スピアマンの順位相関係数を用いるのが統計学上の標準的なアプローチです。分析対象のデータの性質に応じて、適切な相関係数を使い分ける視点が求められます。

【完全攻略】相関係数の公式と手計算手順｜共分散と標準偏差の求め方を紐解く

難解に見える相関係数の公式ですが、構造を分解すると「共分散」と「標準偏差」という2つの基本要素の組み合わせに過ぎません。まずは公式の全体像を確認してみましょう。

【ピアソンの積率相関係数の公式】
$$r = \frac{s_{xy}}{s_x \times s_y} = \frac{\text{XとYの共分散}}{(\text{Xの標準偏差}) \times (\text{Yの標準偏差})}$$

数学的な表記では複雑な分母・分子になりますが、計算手順は以下の3つのステップに集約されます。

ステップ1：それぞれのデータの「平均値」と「標準偏差」を計算する
データX、Yそれぞれの平均値を算出し、各データと平均値の差（偏差）を二乗した合計をデータ数で割って平方根をとることで、標準偏差の計算（データのばらつき度合い）を行います。

ステップ2：2変数の「共分散」を求める
共分散の求め方の基本は、「Xの偏差（X - Xの平均）」と「Yの偏差（Y - Yの平均）」を掛け合わせ、その合計をデータ数で割ることです。共分散がプラスなら「一方が増えれば他方も増える傾向」、マイナスなら「一方が増えれば他方は減る傾向」を示します。

ステップ3：共分散を2つの標準偏差の積で割る（標準化）
共分散の弱点は、データの単位（例：円、キログラム、パーセントなど）によって数値の大きさが勝手に変わってしまう点にあります。そこで、分母にそれぞれの標準偏差の掛け算を配置することで単位の影響を打ち消し、どのようなデータ同士でも最大+1、最小-1の共通スケールで比較できるように規格化しています。