Korrelations-P-Wert-Rechner

Was ist ein Korrelations-p-Wert?

Der Korrelations-p-Wert testet, ob eine beobachtete Korrelation statistisch signifikant ist - ob die Beziehung wahrscheinlich real ist oder zufällig entstanden sein könnte.

Beantwortete Frage: "Unterscheidet sich diese Korrelation signifikant von Null?"

Beispiel: Wenn r = 0,35 mit n = 50, ist das ein Beweis für eine echte Beziehung, oder könnten wir r = 0,35 rein zufällig aus unkorrelierten Daten erhalten?

Der Hypothesentest

Nullhypothese (H₀): ρ = 0 (keine Korrelation in der Grundgesamtheit)

Alternativhypothese (H₁):

• Zweiseitig: ρ ≠ 0 (es gibt eine Korrelation)
• Einseitig: ρ > 0 oder ρ < 0 (Korrelation in bestimmter Richtung)

Hinweis: ρ (Rho) ist die Populationskorrelation; r ist der Stichprobenschätzwert.

Die Teststatistik

t = r × √[(n - 2) / (1 - r²)]

Diese folgt einer t-Verteilung mit df = n - 2.

Beispiel:

• r = 0,45
• n = 30

t = 0,45 × √[28 / (1 - 0,2025)] t = 0,45 × √[28 / 0,7975] t = 0,45 × √35,11 t = 0,45 × 5,93 t = 2,67

Für df = 28, p ≈ 0,012 (zweiseitig)

Schlussfolgerung: Die Korrelation ist statistisch signifikant.

Signifikanzschwellen

Kritische Werte von r für zweiseitigen Test bei α = 0,05:

| n | Kritischer |r| | |---|----------| | 5 | 0,878 | | 10 | 0,632 | | 15 | 0,514 | | 20 | 0,444 | | 30 | 0,361 | | 50 | 0,279 | | 100 | 0,197 | | 500 | 0,088 |

Mit größeren Stichproben werden kleinere Korrelationen signifikant.

Der Stichprobengrößeneffekt

Zentrale Erkenntnis: Statistische Signifikanz hängt stark von der Stichprobengröße ab.

Implikationen:

• Kleine Studien können echte Korrelationen übersehen (geringe Teststärke)
• Große Studien finden winzige Korrelationen "signifikant" (nicht unbedingt bedeutsam)

Signifikanz vs. Wichtigkeit

Statistische Signifikanz: Könnte das zufällig entstanden sein?

Praktische Signifikanz: Ist diese Korrelation groß genug, um relevant zu sein?

Beispiel:

• r = 0,10, n = 1000, p < 0,001 (statistisch signifikant)
• r² = 0,01 (nur 1% der Varianz erklärt)

Die Korrelation ist real, aber praktisch winzig.

Berichten Sie immer r (oder r²) zusammen mit dem p-Wert.

Teststärkeanalyse

Teststärke = Wahrscheinlichkeit, eine echte Korrelation zu erkennen.

Hängt ab von:

• Wahrer Populationskorrelation (ρ)
• Stichprobengröße (n)
• Signifikanzniveau (α)

Benötigte Stichprobengrößen für 80% Teststärke (α = 0,05):

Kleine Korrelationen erfordern große Stichproben für zuverlässige Erkennung.

Konfidenzintervall für r

Aussagekräftiger als der p-Wert allein.

Fisher-z-Transformation:

1. Umwandlung von r in z': z' = 0,5 × ln[(1+r)/(1-r)]
2. SE von z' = 1/√(n-3)
3. KI im z-Raum: z' ± 1,96 × SE
4. Rücktransformation in den r-Raum

Beispiel: r = 0,45, n = 30

z' = 0,485 SE = 1/√27 = 0,192 95%-KI für z': (0,108; 0,862) 95%-KI für r: (0,11; 0,70)

Das breite Intervall spiegelt die Unsicherheit bei kleinem n wider.

Einseitige Tests

Verwenden wenn:

• Vorherige Theorie eine bestimmte Richtung vorhersagt
• Nur eine Richtung sinnvoll ist

P-Wert: Zweiseitigen p durch 2 teilen (wenn Ergebnis in vorhergesagter Richtung liegt).

Warnung: Die Richtung muss vor Betrachtung der Daten festgelegt werden.

Testen spezifischer Hypothesen

Test auf ρ = 0: Standard-Korrelationstest.

Test auf ρ = ρ₀ (ein bestimmter Wert):

Fisher-z-Transformation verwenden:

z = (z'_beobachtet - z'_hypothetisiert) × √(n-3)

Vergleich mit der Standardnormalverteilung.

Vergleich zweier Korrelationen

Aus unabhängigen Stichproben:

z = (z'₁ - z'₂) / √[1/(n₁-3) + 1/(n₂-3)]

Aus derselben Stichprobe (korrelierte Korrelationen): Komplexer; spezielle Formeln verwenden (Meng, Rosenthal, Rubin, 1992).

Für Spearman-Korrelation

Dieselbe t-Test-Formel funktioniert für Spearmans ρ:

t = rs × √[(n - 2) / (1 - rs²)]

Für kleine Stichproben können exakte Tabellen genauer sein.

Häufige Fehlinterpretationen

"P < 0,05 beweist, dass die Beziehung existiert"

Nein. Es bedeutet: Wenn keine Beziehung bestünde, wäre dieses r unwahrscheinlich. In 5% der Fälle erhält man p < 0,05 rein zufällig.

"P > 0,05 beweist, dass keine Beziehung besteht"

Nein. Es bedeutet unzureichende Evidenz. Die Beziehung könnte existieren, aber mit Ihrer Stichprobengröße nicht nachweisbar sein.

"Kleinerer p-Wert bedeutet stärkere Beziehung"

Nein. Der p-Wert hängt sowohl von r als auch von n ab. Ein kleines r mit großem n kann einen kleineren p-Wert haben als ein großes r mit kleinem n.

"Der p-Wert gibt die Wahrscheinlichkeit an, dass die Korrelation real ist"

Nein. Der p-Wert nimmt an, dass H₀ wahr ist, und sagt aus, wie überraschend Ihre Daten sind. Es ist nicht P(H₁|Daten).

Annahmen

Für Pearsons r

• Lineare Beziehung
• Bivariate Normalverteilung (für exakten Test)
• Unabhängigkeit der Beobachtungen
• Stetige Variablen

Für Spearmans rs

• Monotone Beziehung
• Unabhängigkeit
• Ordinale oder stetige Variablen

Stichprobengröße

• Minimum n ≈ 10 für approximativen Test
• n > 30 für robuste Inferenz

Ergebnisdarstellung

APA-Format:

"Die Korrelation zwischen Lernstunden und Prüfungsergebnissen war statistisch signifikant, r(28) = ,45, p = ,012, 95%-KI [,11; ,70]."

Nicht-signifikantes Ergebnis:

"Die Korrelation zwischen Alter und Reaktionszeit war nicht statistisch signifikant, r(18) = -,23, p = ,32, 95%-KI [-,60; ,23]."

Angeben:

• r-Wert
• Freiheitsgrade (n - 2)
• p-Wert
• Konfidenzintervall
• Richtung und Interpretation

Historische Anmerkung

Der t-Test für Korrelationssignifikanz wurde als Teil der breiteren Entwicklung des Hypothesentestens im frühen 20. Jahrhundert etabliert.

Ronald Fisher formalisierte einen Großteil der Theorie, einschließlich der z-Transformation für Korrelations-Konfidenzintervalle.

Die Unterscheidung zwischen statistischer und praktischer Signifikanz wurde zunehmend betont, als große Datensätze im späten 20. Jahrhundert verbreitet wurden.

Verwandte Berechnungen

• Pearson-Korrelation — r berechnen
• Spearman-Korrelation — Rangkorrelation
• t-Verteilungsrechner — p-Werte
• Stichprobengrößenrechner — Teststärkeanalyse
• R-Quadrat — Erklärte Varianz

Zusammenfassung

Der Korrelations-p-Wert testet, ob die beobachtete Korrelation sich signifikant von Null unterscheidet, unter Verwendung von t = r × √[(n-2)/(1-r²)]. Die Signifikanz hängt stark von der Stichprobengröße ab - kleine Korrelationen können bei großem n signifikant sein, während moderate Korrelationen bei kleinem n möglicherweise nicht signifikant sind. Berichten Sie immer r zusammen mit dem p-Wert; noch besser ist die Angabe von Konfidenzintervallen. Denken Sie daran, dass statistische Signifikanz keine praktische Bedeutung impliziert - eine Korrelation von 0,10 mag mit 1000 Beobachtungen "signifikant" sein, erklärt aber nur 1% der Varianz.