피어슨 상관계수와 스피어만 상관계수 (Pearson vs Spearman Correlation)

한 줄 정의: 두 변수 사이의 관계 강도를 재는 대표적인 두 방법으로, 피어슨 상관계수는 값 그대로의 직선적(선형) 관계를, 스피어만 상관계수는 값을 순위(등수)로 바꾼 뒤의 관계를 나타냅니다.

쉽게 풀면

키와 몸무게처럼 실제 측정값이 있고 그 값들이 비교적 일직선 관계로 늘어난다면 피어슨 상관계수를 씁니다. 반면 "이번 시험 등수"와 "만족도 등수"처럼 순서만 의미가 있거나, 값에 극단치가 섞여 있거나, 관계가 곡선 형태에 가까울 때는 원래 값 대신 순위로 바꿔서 비교하는 스피어만 상관계수가 더 안정적입니다. 둘 다 -1에서 1 사이 값으로 관계의 강도와 방향을 나타내지만, "무엇을 기준으로 관계를 재는가"가 다릅니다.

왜 중요한가

두 상관계수 중 무엇을 선택했는지는 통계 분석의 타당성을 좌우하는 기본적인 결정이기 때문에, 거의 모든 실증연구 분야의 논문에서 방법론 절에 명시된다. 자료 분포나 척도 수준을 잘못 판단해 부적절한 상관계수를 쓰면 관계의 강도가 과소·과대 추정될 수 있어, 재현성과 결과 신뢰도를 평가하는 데도 중요한 판단 근거가 된다.

계산과 범위

피어슨 r = 두 변수의 공분산 ÷ (표준편차의 곱). 직선 관계의 강도와 방향을 나타냅니다.
스피어만 ρ = 각 변수를 순위로 바꾼 뒤 그 순위 사이의 피어슨 상관. 단조(증가만 또는 감소만 하는) 관계의 강도를 나타냅니다.
두 값 모두 범위는 −1~1이고, 제곱 r²은 한 변수의 변동 중 직선 관계로 설명되는 비율입니다.

작은 예(가상의 값, 계산 결과).

자료	피어슨 r	스피어만 ρ	설명
x = 1~10, y = e^x/2	.865	1.000	완전한 단조 증가지만 직선이 아님
x = 1~10, y = 2, 1, 4, 3, 6, 5, 8, 7, 10, 30	.757	.952	마지막 값 하나가 r을 끌어내림
같은 자료에서 30을 9로 바꿈	.939	.939	이상치가 없으면 비슷

해석 기준

Cohen(1988)은 r = .10, .30, .50을 작은·중간·큰 효과의 기준점으로 제안했는데, 이는 일반 지침이며 분야에 따라 의미가 다릅니다.
표본 크기가 작으면 큰 r도 우연히 나올 수 있습니다. 양측 5% 유의성에 필요한 |r|는 n = 10에서 약 .63, n = 30에서 약 .36, n = 100에서 약 .20입니다(계산 결과). n이 크면 아주 작은 상관도 유의해지므로 크기를 함께 봅니다.
r이 0이어도 변수가 무관하다는 뜻은 아닙니다. U자형 같은 곡선 관계는 r ≈ 0일 수 있습니다. 산점도를 먼저 그립니다(Anscombe, 1973).
스피어만은 이상치와 비선형 단조 관계에 강하지만, 값의 간격 정보를 버립니다. 서열척도 자료나 정규성이 의심되는 자료에 쓰는 것이 관례입니다.
동점(같은 순위)이 많으면 계산식이 달라집니다(소프트웨어는 보통 자동 처리).

보고 방법

어떤 상관계수인지, 표본 크기(또는 자유도), 값, 신뢰구간, p를 적습니다.

학습 시간과 성적은 유의한 양의 상관을 보였다(r(58) = .42, 95% CI [.19, .61], p < .001). 순위상관은 ρ = .38(n = 60, p = .003)이었다. (형식을 보여 주려는 가상의 문장)

Pearson인지 Spearman인지 반드시 쓰고, 왜 그 방법을 골랐는지 한 줄 적습니다(예: ‘정규성 가정 위배로 스피어만 상관을 사용’).
여러 쌍의 상관을 한꺼번에 검정했다면 다중비교 보정 여부를 밝힙니다.
상관은 인과를 뜻하지 않으며, 제3의 변수를 통제한 관계가 필요하면 편상관을 씁니다.

논문에서는 이렇게 쓰입니다

실제 논문에서

국내 학술지 논문에서 이 용어가 쓰인 문장을 그대로 옮겼습니다. 제목·학술지·연도와 원문 링크를 함께 적었습니다.

“근력 변화량과 균형 능력 변화량 간의 관련성은 Pearson 상관분석을 이용하여 분석하였다.”
만성 발목 불안정성 환자의 수술 전 발목 근력이 수술 후 기능 회복에 미치는 영향: 후향적 관찰 연구, The Korean Journal of Sports Medicine, 2026 · KoreaMed Synapse · 원문 보기 ↗
“Statistical analyses included Mann-Whitney tests, Bootstrap analysis of covariance, and Spearman correlations.”
노인 조현병 환자에서 항콜린 부담과 인지기능 및 임상적 중증도와의 연관성, Korean Journal of Schizophrenia Research, 2026 · KoreaMed Synapse · 원문 보기 ↗
“Data were analyzed using descriptive statistics and Pearson correlation coefficients.”
웨어러블 기기 연동 조산 위험 예방 모바일 애플리케이션프로토타입 개발 및 콘텐츠 구성 평가: 예비연구, Journal of Korean Maternal and Child Health, 2026 · KoreaMed Synapse · 원문 보기 ↗

예시 문장

아래는 용어의 쓰임을 보여 주려고 만든 예시로, 실제 논문에서 가져온 문장이 아닙니다.

"자료가 정규성 가정을 만족하지 않아 피어슨 상관 대신 스피어만 순위상관을 이용해 분석하였다 (rs = 0.54, p < .01)."

원본 자료의 분포가 한쪽으로 치우쳐 있어 직선 관계를 전제로 하는 피어슨 대신, 순위 기반으로 계산하는 스피어만 방법을 골라 상관을 구했다는 뜻입니다.

"설문 응답이 리커트 척도로 수집되어 서열척도 특성을 고려해 스피어만 상관계수를 산출하였다."

설문 자료가 순서만 의미 있는 서열척도이므로, 등간척도를 전제로 하는 피어슨 대신 스피어만 방법을 사용했다는 뜻입니다.

"두 생리 지표 간에는 강한 선형 관계가 관찰되어 피어슨 상관계수를 이용해 관계의 강도를 정량화하였다 (r = 0.71, p < .001)."

연속형 생리 측정값들이 대체로 직선 관계를 보여 피어슨 상관계수를 표준적으로 적용했다는 의미입니다.

조금 더 깊게 보면

피어슨 상관계수는 두 변수의 공분산을 각 표준편차의 곱으로 나눠 계산하며, 직선 관계의 강도만을 포착하므로 뚜렷한 곡선 관계나 이상치가 있으면 실제 관계를 왜곡해 나타낼 수 있다.

스피어만 상관계수는 원래 값을 순위로 변환한 뒤 그 순위에 대해 피어슨 상관계수를 계산하는 방식이어서, 단조증가·단조감소 관계라면 직선이 아니어도 비교적 안정적으로 포착한다는 특징이 있다.

두 방법 모두 두 변수 사이의 연관성만을 나타낼 뿐 인과관계를 보장하지 않으며, 표본 크기가 작거나 극단치가 많은 경우 결과 해석에 더욱 주의가 필요하다.

주의할 점

피어슨 상관계수는 두 변수가 등간척도 이상이고 관계가 직선에 가까울 때 적합하며, 순서만 있는 자료(서열척도)나 뚜렷한 곡선 관계에는 적합하지 않습니다. 어떤 상관계수를 썼는지에 따라 결과 해석이 달라질 수 있으므로 논문에서는 반드시 어떤 방법을 썼는지 명시해야 하며, 상관관계가 곧 인과관계를 뜻하지 않는다는 점도 두 방법 모두에 동일하게 적용됩니다.

헷갈리기 쉬운 용어

상관계수는 ‘어떤 관계를 보느냐’에 따라 고릅니다.

지표	보는 관계	적합한 자료
피어슨 r	직선(선형)	연속형, 이상치 적음, 직선에 가까움
스피어만 ρ	단조(증가·감소)	서열 자료, 이상치·비선형 단조
켄달의 τ	순위쌍의 일치·불일치	표본이 작거나 동점이 많은 서열 자료
편상관계수	제3 변수를 통제한 상관	교란 변수 영향을 제거하고 싶을 때
상관관계	연관성이라는 개념	인과관계와는 별개

r = .5와 ρ = .5는 같은 눈금이 아닙니다. 계산 방식이 달라 같은 자료에서도 값이 다를 수 있습니다.

참고 문헌

Pearson, K. (1895). Note on regression and inheritance in the case of two parents. Proceedings of the Royal Society of London, 58, 240–242.
Spearman, C. (1904). The proof and measurement of association between two things. The American Journal of Psychology, 15(1), 72–101.
Anscombe, F. J. (1973). Graphs in statistical analysis. The American Statistician, 27(1), 17–21.
Cohen, J. (1988). Statistical Power Analysis for the Behavioral Sciences (2nd ed.). Lawrence Erlbaum.
de Winter, J. C. F., Gosling, S. D., & Potter, J. (2016). Comparing the Pearson and Spearman correlation coefficients across distributions and sample sizes: A tutorial using simulations and empirical data. Psychological Methods, 21(3), 273–290.

표의 기준값은 위 문헌에 근거한 관례이며, 분야·학술지마다 다른 기준을 쓸 수 있습니다.