人事データの「相関」を正しく読む　人事データ分析の基本と実務上の5つの注意点

1. 相関とは

「相関（Correlation）」とは、2 つの変数（データ）が、互いにどのように関連して変動するかを表す概念です。
例えば、人事領域では適性検査の得点と入社後の営業成績のようなデータの組み合わせで相関を検討します。
2つの変数の関係性を視覚的に捉える際、まず用いられるのが散布図です。横軸（X軸）に一方の変数、縦軸（Y軸）にもう一方の変数をプロットした際、点の集まり方に以下のような傾向が現れます。

2. 相関係数（ピアソンの積率相関係数）の算出

散布図を見ることで全体的な傾向は把握できますが、「どのくらい強い関係なのか」を客観的・定量的に比較するために算出されるのが相関係数（一般に $r$ で表されます）です。
相関係数 $r$ は、-1 から +1 の間の値をとります。

相関係数の計算ロジック
相関係数 $r$ は、2つの変数の「共分散（Covariance）」を、それぞれの「標準偏差（Standard Deviation）」の積で割ることで算出されます。

数式は難しく見えますが、計算の考え方はシンプルです。

分子（共分散）：

X と Y それぞれの「平均からのズレ」を掛け合わせ、その値をもとに算出したものです（標本の共分散では、一般に偏差の積の合計を (N-1) で割って求めます）。
X と Y がそれぞれの平均値から同じ方向に離れる傾向があると、共分散はプラスになり、反対方向に離れる傾向があると、マイナスになります。

分母（標準偏差の積）：

単位（テストの「点数」や入社後の「売上金額」など）の違いを排除し、相関係数が最大で +1、最小で -1 の範囲に収まるよう標準化するための役割を果たしています。
この標準化によって、「適性検査と売上」の相関も、「適性検査と面接評価」の相関も、同じ -1 ～ +1 という共通の尺度で強さを比較できるようになるのが大きな特徴です。

3. 相関の解釈と人事実務での基準

算出された相関係数$r$ をどう見ればよいのでしょうか。以下は相関の強さを理解するための大まかな目安であり、解釈は分析の目的や対象によって異なります。

当社がご提供する適性検査と業績評価との妥当性検証などでは、$r=0.3～0.4$程度の相関が得られた場合、予測の参考となる関係が認められたと考えます。人間の行動や業績にはさまざまな外部要因（上司との相性、配置、業務状況など）が影響するので、自然科学のように極めて高い相関（$r=0.8$ 以上など）が出にくいためです。

4. 人事データ分析・解釈における「5つの重大な注意点」

算出された数値（r）だけを鵜呑みにすると、実態とは異なる誤った解釈をしてしまう恐れがあります。人事実務で特に注意すべき点は以下の5点です。

① 切断効果（範囲制限：Restriction of Range）

② 外れ値（Outlier）の影響

③ 非線形（曲線の関係）の見落とし

ピアソンの相関係数は、主に2変数間の直線的な関係の強さを表します。
例えば、「適度な緊張感やストレスはパフォーマンスを高めるが、過度なストレスはパフォーマンスを低下させる」という逆U字型の関係が存在する場合、データの分布によっては、相関係数が $r=0$ となり、直線的な相関がほとんど見られないことがあります。
「相関が 0 だから関係がない」と結論づけるのではなく、散布図上で曲線的なパターンが見られないか確認することが重要です。

④ 「相関関係」と「因果関係」の混同

相関が高いからといって、「Xが原因でYが結果である」とは限りません。
例えば、「研修の受講時間」と「営業成績」に高い正の相関があったとしても、直ちに「研修を増やせば成績が上がる（因果関係）」とは言えません。「もともと学習意欲が高い社員（第三の変数）」が、自主的に研修を多く受け、かつ成果も出している可能性もあるためです。
このように、2つの変数に相関があっても、第三の変数などが関係している可能性があるため、相関だけから因果関係を結論づけないことが重要です。

⑤ 統計的有意性とサンプルサイズ（人数）の関係

「統計的に有意」とは、「相関がないという仮定のもとでは、今回の結果が偶然に得られるとは考えにくい」ことを意味します。しかし、この「有意性」は分析対象の人数（サンプルサイズ）に左右されるという特徴があります。

サンプルサイズが大きい場合：

社員数千人レベル（$N=\mathrm{3,000}$人など）の大規模データでは、相関係数が $r＝0.08$と小さく、実務上の意味は限定的と考えられる場合でも、統計的に有意と判定されることがあります。「有意だから重要だ」と飛びつくのではなく、相関の強さ（$r$ の大きさ）そのものが実用的なレベルかを必ず見る必要があります。

サンプルサイズが小さい場合：

逆に 10 人〜20 人程度の小規模な集団では、仮に $r=0.40$ という相関が得られていても、統計的に有意とは判定されないことがあります。ただし、有意でないことは、関係がないことを意味するわけではありません。実務においては、「統計的に有意か（$p$ 値）」だけで即断せず、「相関の大きさはどの程度か（相関係数 $r$）」も併せて判断することが重要です。

おわりに

相関は、感覚や経験則に頼りがちな人事の意思決定に対して、データに基づく客観的な指標を与えてくれる強力なツールです。
昨今では、生成AIの発達により、データの集計や検定、グラフの作成、分析結果の解釈などを、以前よりも容易に行えるようになりました。しかし、分析を容易に行えることと、その結果を正しく理解し、活用できることは別です。
今回紹介した注意点を踏まえ、分析対象者や選考プロセス、データが収集された背景などを理解したうえで生成AIを活用することが、より適切な分析と解釈につながります。人事担当者が持つ現場への理解と統計的な視点を組み合わせることで、データをより有効な意思決定に生かしていきましょう。