Je kunt de bivariate ('zero order') correlatie gewoon kwadrateren; dan zie je wat elke variabele verklaart.
Als je bedoelt welk percentage van de variantie in de afhankelijke variabele een voorspeller verklaart als de variantie die ook wordt verklaard door andere voorspellerd is verwijderd, dan moet je de partiele of demipartiele correlatie uitrekenen en kwadrateren. Deze vallen echter buiten het curriculum.
Je kunt ook een regressiemodel draaien met alle voorspellers, en dan eentje zonder de betreffende voorspeller, en de R^2 vergelijken. Je ziet dan hoeveel die voorspeller toevoegt aan de R^2.
Bij al deze dingen is het belangrijk om te onthouden dat overlap tussen voorspellers vaak geen ruis of confounding is, maar een gevolg van het feit dat die voorspellers conceptueel overlappen; de betreffende constructen hebben bijvoorbeeld betrekking op dezelfde delen van de menselijk psychologie.
Het verwijderen van overlap (wat in de statistiek ook wel "corrigeren voor" heet, wat in deze context helaas verwarrend is omdat het als iets positiefs of wenselijks klinkt) kan dus gevaarlijk zijn: tenzij je heel goed weet wat je doet, kun je zomaar belanden in een situatie dat de resultaten niet langer betrekking hebben op een construct waarin je geinteresseerd bent.
Zie voor meer achtergrond deze twee bronnen: