Partielle-Korrelation-Rechner

Verwenden Sie die partielle Korrelation, wenn Sie die Beziehung zwischen zwei Variablen messen möchten und dabei den Einfluss einer oder mehrerer anderer Variablen kontrollieren wollen. Dies hilft, echte Beziehungen von solchen zu unterscheiden, die entstehen, weil beide Variablen mit einer dritten Variable zusammenhängen.

Was ist partielle Korrelation?

Die partielle Korrelation misst die lineare Beziehung zwischen zwei Variablen X und Y, nachdem der Einfluss einer oder mehrerer Kontrollvariablen Z entfernt wurde.

$r_{XY.Z} = \frac{r_{XY} - r_{XZ} \times r_{YZ}}{\sqrt{(1 - r_{XZ}^2)(1 - r_{YZ}^2)}}$

Wobei:

• $r_{XY.Z}$ = partielle Korrelation von X und Y, kontrolliert für Z
• $r_{XY}$ = Korrelation zwischen X und Y
• $r_{XZ}$ = Korrelation zwischen X und Z
• $r_{YZ}$ = Korrelation zwischen Y und Z

Warum partielle Korrelation verwenden?

Scheinkorrelationen erkennen

Zwei Variablen können nur deshalb korrelieren, weil sie eine gemeinsame Ursache haben:

Beispiel: Eisverkäufe und Ertrinkungsfälle sind korreliert. Aber wenn man die Temperatur kontrolliert, ist die partielle Korrelation nahe null. Die Temperatur verursacht beides.

Direkte Effekte isolieren

Trennen Sie direkte von indirekten Beziehungen:

Beispiel: Bildung → Einkommen. Aber wie viel ist direkt, und wie viel erfolgt über den Beruf? Die partielle Korrelation, die für den Beruf kontrolliert, zeigt den direkten Effekt.

Störvariablen kontrollieren

Entfernen Sie Konfundierung, um kausale Beziehungen besser zu schätzen:

Beispiel: Kaffeekonsum korreliert mit Herzkrankheiten. Aber wenn man für Rauchen kontrolliert (Raucher trinken mehr Kaffee), wird die Beziehung schwächer oder kehrt sich um.

Beispielrechnung

Daten:

• $r_{XY}$ = 0,60 (Korrelation zwischen Sport und Gewichtsverlust)
• $r_{XZ}$ = 0,50 (Korrelation zwischen Sport und Ernährungsqualität)
• $r_{YZ}$ = 0,70 (Korrelation zwischen Ernährungsqualität und Gewichtsverlust)

Berechne die partielle Korrelation von Sport und Gewichtsverlust, kontrolliert für Ernährung:

$r_{XY.Z} = \frac{0,60 - (0,50)(0,70)}{\sqrt{(1 - 0,50^2)(1 - 0,70^2)}}$ $r_{XY.Z} = \frac{0,60 - 0,35}{\sqrt{(0,75)(0,51)}}$ $r_{XY.Z} = \frac{0,25}{\sqrt{0,3825}} = \frac{0,25}{0,618} = 0,40$

Interpretation: Nach Kontrolle für Ernährungsqualität sinkt die Korrelation zwischen Sport und Gewichtsverlust von 0,60 auf 0,40. Ein Teil des scheinbaren Sporteffekts war tatsächlich auf bessere Ernährung zurückzuführen.

Veränderungen interpretieren

Signifikanztest

Um zu testen, ob $r_{XY.Z} = 0$:

$t = r_{XY.Z} \sqrt{\frac{n - k - 2}{1 - r_{XY.Z}^2}}$

Wobei:

• n = Stichprobengröße
• k = Anzahl der Kontrollvariablen
• df = n - k - 2

Vergleichen Sie mit der t-Verteilung zur Signifikanzprüfung.

Mehrere Kontrollvariablen

Für die Kontrolle mehrerer Variablen verwenden Sie die rekursive Formel oder den Matrixansatz:

Zwei Kontrollvariablen: $r_{XY.ZW} = \frac{r_{XY.Z} - r_{XW.Z} \times r_{YW.Z}}{\sqrt{(1 - r_{XW.Z}^2)(1 - r_{YW.Z}^2)}}$

Zuerst Z aus allen Paaren herauspartialisieren, dann W.

Matrixansatz: $R_{XY.Z_1...Z_k} = \frac{R_{XY} - R_{XZ}R_{ZZ}^{-1}R_{ZY}}{\sqrt{(1 - R_{XZ}R_{ZZ}^{-1}R_{ZX})(1 - R_{YZ}R_{ZZ}^{-1}R_{ZY})}}$

Partielle vs. Semipartielle Korrelation

Die semipartielle (Teil-)Korrelation wird in der multiplen Regression verwendet, um den einzigartigen Beitrag von Prädiktoren zu bewerten.

Anwendungen

Psychologie

• Persönlichkeitsmerkmale unter Kontrolle des Alters
• Leistung unter Kontrolle von Angst
• IQ unter Kontrolle des sozioökonomischen Status

Medizin

• Medikamentenwirkung unter Kontrolle der Ausgangsschwere
• Behandlungsergebnis unter Kontrolle von Alter und Komorbiditäten
• Biomarker-Beziehungen unter Kontrolle des BMI

Wirtschaft

• Einkommen und Bildung unter Kontrolle der Erfahrung
• BIP und Lebenserwartung unter Kontrolle der Gesundheitsausgaben
• Preis und Nachfrage unter Kontrolle des Einkommens

Sozialwissenschaften

• Wahlverhalten unter Kontrolle der Demografie
• Kriminalitätsraten unter Kontrolle der Armut
• Testergebnisse unter Kontrolle der Vorleistung

Suppressorvariablen

Manchmal erhöht die Kontrolle für eine Variable die Korrelation. Dies geschieht, wenn die Kontrollvariable:

• Nicht mit einem Prädiktor korreliert ist
• Mit dem anderen Prädiktor korreliert ist
• Irrelevante Varianz "unterdrückt"

Beispiel: Verbale und quantitative Fähigkeiten sagen beide die Arbeitsleistung vorher. Bei Kontrolle für quantitative Fähigkeiten zeigen verbale Fähigkeiten eine stärkere Beziehung zur Leistung.

Annahmen

1. Linearität: Beziehungen zwischen allen Variablen sind linear
2. Normalität: Variablen sind annähernd normalverteilt (für Inferenz)
3. Keine perfekte Multikollinearität: Kontrollvariablen sind nicht perfekt miteinander korreliert

Partielle Korrelation vs. Regression

Beide Methoden kontrollieren für Variablen:

In der multiplen Regression bezieht sich der standardisierte Koeffizient für X unter Kontrolle von Z auf die partielle Korrelation: $\beta_X = r_{XY.Z} \times \frac{SD_Y.Z}{SD_X.Z}$

Visualisierung

Um die partielle Korrelation zu visualisieren:

1. Regressieren Sie X auf Z, erhalten Sie Residuen $e_X$
2. Regressieren Sie Y auf Z, erhalten Sie Residuen $e_Y$
3. Plotten Sie $e_X$ gegen $e_Y$

Die Korrelation dieser Residuen entspricht der partiellen Korrelation.

Vorsichtsmaßnahmen

Korrelation ≠ Kausalität

Partielle Korrelation kontrolliert für beobachtete Variablen, aber:

• Kann nicht für ungemessene Störvariablen kontrollieren
• Stellt keine kausale Richtung fest
• Kann Collider-Bias einführen, wenn Sie für die falschen Variablen kontrollieren

Überkontrolle

Die Kontrolle für Mediatoren (Variablen auf dem kausalen Pfad) entfernt den Effekt, den Sie messen möchten.

Beispiel: Wenn Sport → Fitness → Gewichtsverlust, entfernt die Kontrolle für Fitness den Sporteffekt.

Stichprobengröße

Bei mehreren Kontrollvariablen benötigen Sie größere Stichproben. Faustregel: mindestens 10-20 Beobachtungen pro Variable.

Verwandte Berechnungen

• Pearson-Korrelation — Korrelation nullter Ordnung
• Multiple Regression — Kontrolle mittels Regression
• Spearman-Korrelation — Rangbasierte Korrelation
• R-Quadrat-Rechner — Erklärte Varianz

Zusammenfassung

Die partielle Korrelation misst die Beziehung zwischen zwei Variablen, während sie für andere kontrolliert. Sie hilft, Scheinkorrelationen zu erkennen, direkte Effekte zu isolieren und Störvariablen zu kontrollieren. Berechnen Sie sie mit der Formel oder der Residuenmethode. Interpretieren Sie Veränderungen gegenüber der Korrelation nullter Ordnung sorgfältig – Abnahmen deuten auf Konfundierung hin, während Zunahmen auf Suppression hindeuten. Denken Sie daran, dass partielle Korrelation keine Kausalität herstellen kann und eine sorgfältige Überlegung erfordert, welche Variablen kontrolliert werden sollen.