Pearson-Korrelation-Rechner

Was ist die Pearson-Korrelation?

Der Pearson-Korrelationskoeffizient ($r$) misst die Stärke und Richtung des linearen Zusammenhangs zwischen zwei stetigen Variablen. Er quantifiziert, wie eng die Datenpunkte einer Geraden folgen.

Beantwortete Frage: "Wie stark sind diese zwei Variablen linear miteinander verbunden?"

Beispiele:

• "Wie stark hängt die Lernzeit mit den Prüfungsergebnissen zusammen?"
• "Gibt es einen Zusammenhang zwischen Körpergröße und Gewicht?"
• "Bewegen sich Werbeausgaben und Umsätze gemeinsam?"

Der Korrelationskoeffizient

$r$ reicht von -1 bis +1:

Die Richtung verstehen

Positive Korrelation ($r > 0$): Wenn X steigt, tendiert Y dazu, ebenfalls zu steigen. Beispiel: Körpergröße und Gewicht

Negative Korrelation ($r < 0$): Wenn X steigt, tendiert Y dazu, zu sinken. Beispiel: Preis und Nachfrage

Null-Korrelation ($r \approx 0$): Kein lineares Muster. Hinweis: Nicht-lineare Zusammenhänge können $r \approx 0$ haben!

Die Formel

$r = \frac{\sum_{i=1}^{n}(x_i - \bar{x})(y_i - \bar{y})}{\sqrt{\sum_{i=1}^{n}(x_i - \bar{x})^2 \times \sum_{i=1}^{n}(y_i - \bar{y})^2}}$

Oder äquivalent:

$r = \frac{S_{xy}}{\sqrt{S_{xx} \times S_{yy}}}$

Wobei:

• $S_{xy}$ = Summe der Kreuzprodukte der Abweichungen
• $S_{xx}$ = Summe der quadrierten Abweichungen für X
• $S_{yy}$ = Summe der quadrierten Abweichungen für Y

Beispielrechnung

Daten: Lernstunden (X) und Prüfungsergebnisse (Y)

Berechnungen:

• $\bar{x} = 4$, $\bar{y} = 74,4$
• $S_{xy} = 36$, $S_{xx} = 10$, $S_{yy} = 258,8$

$r = \frac{36}{\sqrt{10 \times 258,8}} = \frac{36}{50,87} = 0,708$

Starke positive Korrelation: Mehr Lernstunden sind mit höheren Punktzahlen verbunden.

Bestimmtheitsmaß ($r^2$)

$r^2 = \text{Anteil der Varianz in Y, der durch X erklärt wird}$

Für $r = 0,708$: $r^2 = 0,50$

Interpretation: 50% der Variation in den Prüfungsergebnissen wird durch die Lernstunden "erklärt".

Die verbleibenden 50% sind auf andere Faktoren zurückzuführen.

Signifikanztest

Ist die Korrelation signifikant von Null verschieden?

$t = r \times \sqrt{\frac{n-2}{1-r^2}}$

Mit $df = n - 2$

Für $r = 0,708$, $n = 5$:

$t = 0,708 \times \sqrt{\frac{3}{0,50}} = 0,708 \times 2,45 = 1,73$

p-Wert $\approx 0,18$ (nicht signifikant bei $\alpha = 0,05$)

Mit nur 5 Datenpunkten kann selbst eine moderate Korrelation nicht signifikant sein.

Verwenden Sie den Korrelations-p-Wert-Rechner für genaue Werte.

Stichprobengröße und Signifikanz

Kleine Korrelationen werden bei großen Stichproben signifikant. Berichten Sie immer $r$ zusammen mit dem p-Wert.

Korrelation ≠ Kausalität

Wichtige Warnung: Korrelation impliziert keine Kausalität.

Mögliche Erklärungen für eine Korrelation:

1. X verursacht Y
2. Y verursacht X
3. Eine dritte Variable verursacht beides
4. Zufall

Beispiel: Eisverkäufe und Ertrinkungstode sind korreliert. Realität: Heißes Wetter verursacht beides. Eis verursacht kein Ertrinken.

Wann die Pearson-Korrelation versagt

Nicht-lineare Zusammenhänge

Ein perfekter parabolischer Zusammenhang kann $r = 0$ haben.

Visualisieren Sie immer zuerst Ihre Daten!

Ausreißer

Einzelne extreme Punkte können $r$ dramatisch verändern.

Ausreißer können die wahre Korrelation aufblähen oder verdecken.

Eingeschränkter Wertebereich

Wenn X eine begrenzte Variabilität hat, wird die Korrelation abgeschwächt.

Die Untersuchung nur von Einser-Schülern kann die vollständige Korrelation zwischen Lernzeit und Noten verbergen.

Heteroskedastizität

Wenn sich die Streuung von Y über die X-Werte hinweg ändert, kann der Pearson-$r$ irreführend sein.

Annahmen

Linearität

Der Zusammenhang zwischen X und Y ist linear.

Überprüfen Sie dies mit einem Streudiagramm.

Stetige Variablen

Sowohl X als auch Y werden auf Intervall- oder Verhältnisskalen gemessen.

Für ordinale Daten verwenden Sie die Spearman-Korrelation.

Bivariate Normalität

Für Signifikanztests sollte die gemeinsame Verteilung annähernd normal sein.

Keine signifikanten Ausreißer

Ausreißer beeinflussen $r$ überproportional.

Homoskedastizität

Die Varianz von Y ist über alle Stufen von X konstant.

Anwendungen

Forschung und Wissenschaft

Testen von hypothetisierten Zusammenhängen zwischen Variablen.

"Gibt es Hinweise auf einen Zusammenhang zwischen Exposition und Ergebnis?"

Finanzen

Messung, wie sich Vermögenswerte gemeinsam bewegen.

Portfolio-Diversifikation basiert auf niedrigen oder negativen Korrelationen.

Qualitätskontrolle

Beziehung von Prozessparametern zur Ausgabequalität.

"Wie stark beeinflusst die Temperatur die Produktfestigkeit?"

Psychologie

Validierung von Messinstrumenten.

Test-Retest-Reliabilität, konvergente Validität.

Medizin

Beziehung von Biomarkern zu Ergebnissen.

"Wie gut sagt dieser Marker die Krankheitsschwere voraus?"

Korrelationsmatrix

Für mehrere Variablen berechnen Sie alle paarweisen Korrelationen:

Die Matrix ist symmetrisch; die Diagonale ist immer 1.

Partielle Korrelation

Kontrolle für eine dritte Variable:

$r_{xy.z}$ = Korrelation zwischen X und Y, wobei Z konstant gehalten wird.

Zeigt, ob der X-Y-Zusammenhang nach Berücksichtigung von Z bestehen bleibt.

Konfidenzintervall für r

Verwenden Sie die Fisher-z-Transformation:

$z' = \frac{1}{2} \ln\left(\frac{1+r}{1-r}\right)$

$SE$ von $z' = 1/\sqrt{n-3}$

Berechnen Sie das KI im z-Raum und transformieren Sie dann zurück.

Korrelationen vergleichen

Um zu testen, ob sich zwei Korrelationen unterscheiden:

Konvertieren Sie beide zu $z'$ (Fisher-Transformation)

$z = \frac{z'_1 - z'_2}{\sqrt{\frac{1}{n_1-3} + \frac{1}{n_2-3}}}$

Ergebnisse berichten

APA-Format:

"Es gab eine starke positive Korrelation zwischen Lernstunden und Prüfungsergebnissen, r(3) = 0,71, p = 0,18. Mit nur 5 Teilnehmern erreichte diese Korrelation jedoch keine statistische Signifikanz."

Für signifikante Ergebnisse:

"Die Schlafstunden korrelierten signifikant mit der Reaktionszeit, r(98) = -0,45, p < 0,001, was darauf hinweist, dass weniger Schlaf mit langsameren Reaktionen verbunden war."

Historischer Kontext

Karl Pearson entwickelte diesen Korrelationskoeffizienten in den 1890er Jahren, aufbauend auf früheren Arbeiten von Francis Galton.

Galton verwendete das Konzept der Korrelation zuerst, um Vererbung zu untersuchen - wie Eltern- und Nachkommen-Merkmale zusammenhängen.

Pearson formalisierte die Mathematik und gab uns die Formel, die noch heute verwendet wird. Seine Arbeit etablierte die Korrelation als grundlegendes Werkzeug zum Verständnis von Zusammenhängen zwischen Variablen.

Häufige Fehler

Korrelation mit Kausalität verwechseln

Der häufigste Fehler. Ziehen Sie immer alternative Erklärungen in Betracht.

Nicht-Linearität ignorieren

Ein Streudiagramm zeigt Muster, die $r$ übersieht.

Kleine Korrelationen überinterpretieren

Bei großem $n$ können trivial kleine $r$ "signifikant" sein.

$r^2$ als $r$ berichten

$r = 0,30$ ist nicht dasselbe wie $r^2 = 0,30$.

Verwandte Berechnungen

• Spearman-Korrelation - Rangbasierte Korrelation
• Korrelations-p-Wert - Signifikanztest
• R-Quadrat-Rechner - Bestimmtheitsmaß
• Lineare Regression - Y aus X vorhersagen
• Streudiagramm-Interpretation - Visuelle Analyse

Zusammenfassung

Der Pearson-Korrelationskoeffizient ($r$) misst den linearen Zusammenhang zwischen zwei stetigen Variablen und reicht von -1 (perfekt negativ) bis +1 (perfekt positiv). Die Berechnung erfolgt mit der Formel der Kreuzprodukte der Abweichungen, dann wird die Signifikanz mit einem t-Test mit $df = n-2$ getestet. Visualisieren Sie Ihre Daten immer zuerst mit einem Streudiagramm - $r$ erfasst nur lineare Zusammenhänge. Berichten Sie sowohl $r$ als auch den p-Wert, erkennen Sie an, dass Korrelation keine Kausalität impliziert, und seien Sie vorsichtig mit Ausreißern. Für ordinale Daten oder nicht-lineare monotone Zusammenhänge verwenden Sie stattdessen die Spearman-Korrelation.