Phi-Koeffizient-Rechner

Verwenden Sie den Phi-Koeffizienten, wenn Sie eine 2×2-Kontingenztafel haben und die Stärke des Zusammenhangs zwischen zwei binären Variablen messen möchten. Er entspricht dem Pearson-Korrelationskoeffizienten, berechnet für zwei dichotome Variablen.

Was ist der Phi-Koeffizient?

Der Phi-Koeffizient (φ) misst den Zusammenhang zwischen zwei binären Variablen. Er reicht von -1 bis +1:

• φ = 1: Perfekter positiver Zusammenhang
• φ = 0: Kein Zusammenhang
• φ = -1: Perfekter negativer Zusammenhang

Für eine 2×2-Tabelle:

$\phi = \frac{ad - bc}{\sqrt{(a+b)(c+d)(a+c)(b+d)}}$

Beziehung zum Chi-Quadrat

Phi steht in direktem Zusammenhang mit der Chi-Quadrat-Statistik:

$\phi = \sqrt{\frac{\chi^2}{n}}$

Oder äquivalent:

$\chi^2 = n \times \phi^2$

Das bedeutet, dass Sie einfach zwischen Phi und Chi-Quadrat umrechnen können.

Beispielrechnung

Daten: Behandlung vs. Genesung

• a = 45, b = 15, c = 25, d = 35
• n = 120

$\phi = \frac{(45)(35) - (15)(25)}{\sqrt{(60)(60)(70)(50)}}$ $\phi = \frac{1575 - 375}{\sqrt{12.600.000}}$ $\phi = \frac{1200}{3550} = 0{,}338$

Interpretation: Mäßig positiver Zusammenhang zwischen Behandlung und Genesung.

Interpretation der Phi-Werte

| |φ| | Interpretation | |-----|----------------| | 0,00 - 0,10 | Vernachlässigbar | | 0,10 - 0,20 | Schwach | | 0,20 - 0,40 | Mäßig | | 0,40 - 0,60 | Relativ stark | | 0,60 - 0,80 | Stark | | 0,80 - 1,00 | Sehr stark |

Diese Richtlinien sind ungefähr; der Kontext ist entscheidend.

Phi im Vergleich zu anderen Maßen

Für 2×2-Tabellen gilt: φ = V (Cramér's V entspricht Phi).

Vorzeichen von Phi

Im Gegensatz zu Cramér's V kann Phi negativ sein:

• Positives φ: Variablen neigen dazu, dieselbe Kategorie zu haben (beide 1 oder beide 0)
• Negatives φ: Variablen neigen dazu, entgegengesetzte Kategorien zu haben (eine 1, eine 0)

Das Vorzeichen hängt davon ab, wie Sie die Variablen kodieren.

Konfidenzintervall für Phi

Für große Stichproben beträgt der Standardfehler von Phi ungefähr:

$SE(\phi) \approx \frac{1}{\sqrt{n}}$

95%-Konfidenzintervall:

$\phi \pm 1{,}96 \times \frac{1}{\sqrt{n}}$

Für das obige Beispiel: $0{,}338 \pm 1{,}96 \times \frac{1}{\sqrt{120}} = 0{,}338 \pm 0{,}179 = [0{,}159; 0{,}517]$

Signifikanzprüfung

Um zu testen, ob φ ≠ 0:

1. Berechnen Sie Chi-Quadrat: $\chi^2 = n \times \phi^2$
2. Vergleichen Sie mit der Chi-Quadrat-Verteilung bei df = 1
3. Oder verwenden Sie den p-Wert aus einem Chi-Quadrat-Test

Für das Beispiel: $\chi^2 = 120 \times 0{,}338^2 = 13{,}7$

Bei df = 1 ist p < 0,001, daher ist der Zusammenhang statistisch signifikant.

Anwendungen

Medizinische Forschung

Zusammenhang zwischen:

• Behandlung und Ergebnis
• Risikofaktor und Krankheit
• Zwei diagnostischen Tests

Psychologie

Zusammenhang zwischen:

• Geschlecht und Reaktion
• Bedingung und Verhalten
• Zwei binären Umfrage-Items

Bildung

Zusammenhang zwischen:

• Lehrmethode und Bestehen/Nichtbestehen
• Intervention und Abschluss

Marketing

Zusammenhang zwischen:

• Werbekontakt und Kauf
• Segment und Konversion

Phi als Pearson-Korrelation

Wenn beide Variablen mit 0/1 kodiert sind, entspricht Phi der Pearson-Korrelation:

$\phi = r_{XY}$

Dies liegt daran, dass:

• Die Pearson-Korrelation mit beliebigen numerischen Daten funktioniert
• Binäre 0/1-Variablen numerisch sind
• Die Phi-Formel algebraisch äquivalent zu Pearsons r für diesen Fall ist

Maximal mögliches Phi

Phi kann nur ±1 erreichen, wenn die Randverteilungen identisch sind. Wenn die Randverteilungen unterschiedlich sind, ist das Maximum von |φ| kleiner als 1.

Maximales Phi bei gegebenen Randverteilungen:

$\phi_{max} = \sqrt{\frac{\min(p_1, p_2) \times \min(q_1, q_2)}{\max(p_1, p_2) \times \max(q_1, q_2)}}$

Wobei $p_1, q_1$ und $p_2, q_2$ die Anteile in jeder Zeile/Spalte sind.

Phi vs. tetrachorische Korrelation

Wenn die binären Variablen dichotomisierte stetige Variablen sind, die tatsächlich normalverteilt sind, schätzt die tetrachorische Korrelation, wie hoch die Pearson-Korrelation gewesen wäre. Phi unterschätzt diese zugrunde liegende Korrelation.

Verwenden Sie die tetrachorische Korrelation, wenn:

• Variablen wirklich stetig sind, aber als binär gemessen werden
• Sie die latente Korrelation schätzen möchten

Verwenden Sie Phi, wenn:

• Variablen wirklich dichotom sind
• Sie den beobachteten Zusammenhang wollen

Annahmen

1. Zwei binäre Variablen: Jede Variable hat genau zwei Kategorien
2. Unabhängige Beobachtungen: Jede Beobachtung ist unabhängig
3. Zufallsstichprobe: Die Daten stammen aus einer Zufallsstichprobe

Es sind keine Verteilungsannahmen erforderlich.

Historischer Kontext

Der Phi-Koeffizient wurde von Karl Pearson in den frühen 1900er Jahren als Teil seiner Arbeit über Korrelation entwickelt. Er erweiterte die Produkt-Moment-Korrelation auf binäre Daten.

Die Beziehung zum Chi-Quadrat wurde früh erkannt, wodurch Phi zu einem natürlichen Effektstärkemaß für 2×2-Tabellen wurde.

Verwandte Berechnungen

• Cramér's V Rechner — Für größere Tabellen
• Chi-Quadrat-Test — Signifikanzprüfung
• Odds Ratio Rechner — Alternatives Effektmaß
• Pearson-Korrelation — Für stetige Variablen
• Punkt-biseriale Korrelation — Binär vs. stetig

Zusammenfassung

Der Phi-Koeffizient misst den Zusammenhang zwischen zwei binären Variablen in einer 2×2-Tabelle. Er reicht von -1 bis +1, wobei das Vorzeichen die Richtung angibt. Phi entspricht der Pearson-Korrelation für 0/1-kodierte Variablen und steht mit Chi-Quadrat in Beziehung durch φ = √(χ²/n). Verwenden Sie Phi für einfache, interpretierbare Effektstärken in 2×2-Tabellen; verwenden Sie Cramér's V für größere Tabellen oder wenn Sie ein ungerichtetes Maß benötigen.