Punkt-Biseriale-Korrelation-Rechner

Verwenden Sie die punktbiseriale Korrelation, wenn Sie messen möchten, wie stark eine Ja/Nein-Gruppierung mit einer numerischen Messung zusammenhängt. Beispielsweise: Hängt das Geschlecht mit Testergebnissen zusammen? Sagt die Zugehörigkeit zur Behandlungsgruppe die Genesungszeit voraus? Diese Methode liefert einen Korrelationskoeffizienten, der die Stärke und Richtung der Beziehung zwischen Ihrer zweistufigen Variable und Ihrer kontinuierlichen Variable quantifiziert.

Was ist die punktbiseriale Korrelation?

Die punktbiseriale Korrelation ($r_{pb}$) misst die Beziehung zwischen einer binären (dichotomen) Variable und einer kontinuierlichen Variable.

Beantwortete Frage: „Gibt es eine Beziehung zwischen Gruppenzugehörigkeit und einem kontinuierlichen Ergebnis?"

Wertebereich: -1 bis +1

• Positiv: Höhere Werte sind mit der als 1 kodierten Gruppe assoziiert
• Negativ: Höhere Werte sind mit der als 0 kodierten Gruppe assoziiert
• Null: Keine Beziehung

Wann verwenden

Häufige Szenarien

• Männlich/weiblich und Testergebnisse
• Behandlung/Kontrolle und Blutdruck
• Bestanden/nicht bestanden und Lernstunden
• Ja/Nein und kontinuierliche Messungen

Beziehung zu anderen Tests

Die punktbiseriale Korrelation ist mathematisch äquivalent zu:

• Unabhängiger Stichproben-t-Test (gleicher p-Wert)
• Pearson-Korrelation mit binärer Variable, kodiert als 0/1

Die Formel

$r_{pb} = \frac{\bar{Y}_1 - \bar{Y}_0}{S_Y} \times \sqrt{\frac{n_1 n_0}{n^2}}$

Wobei:

• $\bar{Y}_1$ = Mittelwert der kontinuierlichen Variable für Gruppe 1
• $\bar{Y}_0$ = Mittelwert der kontinuierlichen Variable für Gruppe 0
• $S_Y$ = Standardabweichung der kontinuierlichen Variable (alle Daten)
• $n_1, n_0$ = Stichprobengrößen für jede Gruppe
• $n$ = Gesamtstichprobengröße

Äquivalente Formel

$r_{pb} = \frac{\bar{Y}_1 - \bar{Y}_0}{S_Y} \times \sqrt{p(1-p)}$

Wobei p = Anteil in Gruppe 1.

Beispielrechnung

Daten: Behandlung (1) vs. Kontrolle (0) und Schmerzreduktionswerte

Schritt 1: Gruppenmittelwerte berechnen

• $\bar{Y}_1 = (15+18+22+20)/4 = 18,75$
• $\bar{Y}_0 = (8+12+10+11)/4 = 10,25$

Schritt 2: Gesamt-Standardabweichung berechnen

Alle Werte: 15, 18, 22, 20, 8, 12, 10, 11 Mittelwert = 14,5, SD = 4,96

Schritt 3: Korrelation berechnen

$r_{pb} = \frac{18,75 - 10,25}{4,96} \times \sqrt{\frac{4 \times 4}{64}} = 1,71 \times 0,5 = 0,86$

Interpretation: Starke positive Korrelation — die Behandlungsgruppe zeigt eine deutlich höhere Schmerzreduktion.

Signifikanzprüfung

T-Test-Ansatz

$t = r_{pb} \sqrt{\frac{n-2}{1-r_{pb}^2}}$

Mit df = n - 2.

Beziehung zum unabhängigen t-Test

Der p-Wert der punktbiserialen Korrelation entspricht dem p-Wert des unabhängigen t-Tests bei denselben Daten.

$t = \frac{\bar{Y}_1 - \bar{Y}_0}{SE_{\text{diff}}}$

Interpretation der Effektstärke

| |$r_{pb}$| | Interpretation | |------------|----------------| | 0,10 | Klein | | 0,30 | Mittel | | 0,50 | Groß |

Diese entsprechen Cohens Konventionen für Korrelationskoeffizienten.

Beziehung zu Cohens d

$r_{pb} = \frac{d}{\sqrt{d^2 + 4}}$

Und umgekehrt:

$d = \frac{2r_{pb}}{\sqrt{1-r_{pb}^2}}$

Für unser Beispiel: $r_{pb} = 0,86$ → $d = 3,36$ (sehr großer Effekt)

Punktbiseriale vs. biseriale Korrelation

Verwenden Sie punktbiserial für natürlich dichotome Variablen.

Bestimmtheitsmaß

$r_{pb}^2 = \text{Anteil der erklärten Varianz}$

Aus dem Beispiel: $0,86^2 = 0,74$

Die Gruppenzugehörigkeit erklärt 74% der Varianz in der Schmerzreduktion.

Annahmen

Dichotome Variable

Eine Variable muss binär sein (nur zwei Kategorien).

Kontinuierliche Variable

Die andere Variable sollte annähernd kontinuierlich sein.

Normalverteilung

Für die Signifikanzprüfung sollte die kontinuierliche Variable innerhalb jeder Gruppe annähernd normalverteilt sein.

Varianzhomogenität

Gleiche Varianzen in beiden Gruppen (für gültige Signifikanzprüfung).

Unabhängigkeit

Die Beobachtungen sind unabhängig.

Anwendungen

Item-Analyse

Korrelieren Sie Item-Werte (richtig/falsch) mit Gesamttestergebnissen, um die Item-Trennschärfe zu bewerten.

Klinische Forschung

Beziehung zwischen Behandlungsgruppe und Ergebnissen.

Psychologie

Zusammenhang zwischen binären Kategorien (z.B. Diagnose) und kontinuierlichen Maßen.

Bildung

Geschlechtsunterschiede in der Testleistung.

Konfidenzintervall

Verwenden Sie Fishers z-Transformation:

$z_r = 0,5 \ln\left(\frac{1+r}{1-r}\right)$

$SE_z = \frac{1}{\sqrt{n-3}}$

$95\% \text{ KI für } z_r = z_r \pm 1,96 \times SE_z$

Rücktransformation zur Korrelationsskala.

Ergebnisse berichten

APA-Format:

„Es gab eine starke positive punktbiseriale Korrelation zwischen der Behandlungsbedingung und der Schmerzreduktion, $r_{pb}$ = 0,86, 95% KI [0,54; 0,96], p < 0,001."

Mit Effektstärke:

„Die punktbiseriale Korrelation zwischen Gruppenzugehörigkeit (Behandlung vs. Kontrolle) und Schmerzreduktionswerten betrug $r_{pb}$ = 0,86 (95% KI: 0,54-0,96), was auf einen großen Effekt hinweist (Cohens d = 3,36). Die Behandlungsgruppe (M = 18,75, SD = 2,99) zeigte eine signifikant größere Schmerzreduktion als die Kontrollgruppe (M = 10,25, SD = 1,71), t(6) = 4,72, p = 0,003."

Häufige Fehler

Verwendung mit polytomen Variablen

Die punktbiseriale Korrelation erfordert genau zwei Gruppen. Für mehrere Kategorien verwenden Sie Eta oder andere Maße.

Ignorieren ungleicher Gruppengrößen

Der maximal mögliche $r_{pb}$ nimmt bei ungleichen Gruppen ab. Bei einer 90/10-Aufteilung ist max $|r_{pb}|$ ≈ 0,6.

Verwechslung mit Biserial

Punktbiserial ist für natürlich dichotome Variablen; biserial nimmt eine zugrunde liegende Kontinuität an.

Annahmen nicht prüfen

Die Verletzung von Normalverteilung oder Homogenität beeinflusst die Signifikanztests.

Maximal möglicher Wert

Bei ungleichen Gruppengrößen:

$r_{pb,max} = \sqrt{p(1-p)} \times \frac{1}{\phi(z_p)}$

Wobei p = Anteil in der kleineren Gruppe und φ die Standardnormalverteilungsdichte ist.

Implikation: Bei sehr ungleichen Gruppen ergibt selbst perfekte Trennung $r_{pb}$ < 1.

Beziehung zu anderen Statistiken

Zur F-Statistik

$F = \frac{r_{pb}^2(n-2)}{1-r_{pb}^2}$

Zu Eta-Quadrat

Für zwei Gruppen: $\eta^2 = r_{pb}^2$

Zu Omega-Quadrat

$\omega^2 = \frac{r_{pb}^2 - (1-r_{pb}^2)/(n-2)}{1 + (1-r_{pb}^2)/(n-2)}$

Historischer Kontext

Die punktbiseriale Korrelation wird seit dem frühen 20. Jahrhundert verwendet, insbesondere in der pädagogischen und psychologischen Messung. Sie wurde zum Standard in der Item-Analyse für Tests, wo sie anzeigt, wie gut ein Item zwischen leistungsstarken und leistungsschwachen Probanden differenziert.

Verwandte Berechnungen

• Pearson-Korrelation — Zwei kontinuierliche Variablen
• Spearman-Korrelation — Rangbasierte Korrelation
• Zwei-Stichproben-t-Test — Äquivalenter Hypothesentest
• Cohens-d-Rechner — Verwandte Effektstärke

Zusammenfassung

Die punktbiseriale Korrelation misst die Beziehung zwischen einer binären Variable und einer kontinuierlichen Variable. Sie reicht von -1 bis +1 und ist mathematisch äquivalent zur Pearson-Korrelation, wenn die binäre Variable als 0/1 kodiert ist. Der Signifikanztest liefert denselben p-Wert wie ein unabhängiger t-Test. Verwenden Sie die Interpretationsrichtlinien von 0,1/0,3/0,5 für kleine/mittlere/große Effekte. Anwendungen umfassen Item-Analyse bei Tests, Bewertung von Behandlungseffekten und Gruppenvergleichsstudien. Berichten Sie die Korrelation, das Konfidenzintervall und den p-Wert.