Spearman-Korrelation-Rechner

Was ist die Spearman-Korrelation?

Der Spearman-Rangkorrelationskoeffizient (ρ oder rs) misst die Staerke und Richtung der monotonen Beziehung zwischen zwei Variablen. Im Gegensatz zu Pearson arbeitet er mit Raengen anstatt mit Rohwerten.

Beantwortete Frage: "Tendieren diese Variablen dazu, gemeinsam zu steigen oder zu fallen?"

Beispiele:

• "Besteht ein Zusammenhang zwischen Arbeitszufriedenheit und Berufserfahrung?" (ordinale Bewertung)
• "Stimmen die Bewertungen zweier Gutachter ueberein?"
• "Gibt es einen Zusammenhang zwischen Klassenrang und Testleistung?"

Wann Spearman verwenden

Spearman statt Pearson wenn:

• Daten ordinal sind (Rangfolgen, Likert-Skalen)
• Die Beziehung monoton, aber nicht linear ist
• Die Daten Ausreisser enthalten
• Verteilungen stark schief sind
• Die Normalitaetsannahme verletzt ist

Pearson statt Spearman wenn:

• Beide Variablen stetig und annaehernd normalverteilt sind
• Die Beziehung spezifisch linear ist
• Sie die Staerke der linearen Beziehung quantifizieren moechten

Monotone vs. lineare Beziehungen

Linear: Y aendert sich um einen konstanten Betrag fuer jede Einheitsaenderung in X. Gerade: Y = a + bX

Monoton: Y nimmt konsistent zu (oder ab) wenn X zunimmt, aber nicht notwendigerweise mit konstanter Rate. Kann gekruemmt, stufenfoermig oder jedes konsistent gerichtete Muster sein.

Beispiel: Eine logarithmische Kurve ist monoton, aber nicht linear. Spearman erfasst sie; Pearson kann sie unterschaetzen.

Funktionsweise

Schritt 1: Beide Variablen rangieren

Konvertieren Sie Rohwerte in Raenge (1 = niedrigster, n = hoechster).

Schritt 2: Korrelation der Raenge berechnen

Wenden Sie die Pearson-Formel auf die Raenge an.

Oder verwenden Sie die vereinfachte Formel (wenn keine Bindungen):

$\rho = 1 - \frac{6\sum d^2}{n(n^2-1)}$

Wobei d = Differenz zwischen den Raengen fuer jedes Paar.

Schritt 3: Berechnung

ρ = 1 - [6 × 6] / [5 × 24] = 1 - 36/120 = 1 - 0,3 = 0,70

Umgang mit Bindungen

Bei gleichen Werten werden Durchschnittsraenge vergeben:

Werte: 10, 15, 15, 15, 20 Raenge: 1, 3, 3, 3, 5 (Positionen 2, 3, 4 gebunden → Durchschnitt = 3)

Bei Bindungen verwenden Sie die vollstaendige Pearson-Formel fuer Raenge anstatt der vereinfachten d²-Formel.

Interpretation

Gleiche Skala wie Pearson:

Staerke-Richtlinien:

• |ρ| > 0,7: Stark
• |ρ| = 0,4-0,7: Mittel
• |ρ| < 0,4: Schwach

Signifikanzpruefung

Fuer n > 10: Verwenden Sie die t-Verteilung

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

$df = n - 2$

Fuer kleines n: Verwenden Sie exakte Tabellen fuer Spearmans ρ.

Anwendungen

Ordinale Daten

Likert-Skalen, Zufriedenheitsbewertungen, Praeferenzrangfolgen.

"Haengt Kundenzufriedenheit mit der Weiterempfehlungswahrscheinlichkeit zusammen?"

Nicht-normalverteilte Daten

Wenn Verteilungen schief oder schwerschwaezig sind.

"Haengt Einkommen mit Glueck zusammen?" (Einkommen ist typischerweise schief verteilt)

Uebereinstimmung zwischen Bewertern

Bewerten zwei Gutachter Elemente aehnlich?

"Korrelieren Expertenrankings?"

Psychologie und Sozialwissenschaften

Viele psychologische Messinstrumente verwenden ordinale Skalen.

Qualitaetsbewertung

Wenn Messungen Rangfolgen sind statt absoluter Werte.

Spearman vs. Pearson

Wichtige Erkenntnis: Fuer normalverteilte Daten mit linearer Beziehung ist Pearson etwas maechtiger. Fuer andere Daten ist Spearman sicherer.

Beispiel: Ordinale Daten

Szenario: Kundenzufriedenheit (1-5 Skala) und Kaufhaeufigkeit

Σd² = 2,5

ρ = 1 - [6 × 2,5] / [5 × 24] = 1 - 15/120 = 0,875

Starke positive Beziehung zwischen Zufriedenheit und Kaeufen.

Beispiel: Nicht-linear monoton

Daten: X und Y = X² (perfekt nicht-linear, aber monoton)

Raenge sind identisch fuer X und Y: 1, 2, 3, 4, 5

Spearman ρ = 1,0 (perfekt monoton) Pearson r ≈ 0,98 (stark, aber nicht perfekt linear)

Spearman erfasst die perfekte monotone Beziehung, die Pearson leicht unterschaetzt.

Annahmen

Ordinale oder stetige Variablen

Beide Variablen muessen mindestens ordinal (rangierbar) sein.

Monotone Beziehung

Die Beziehung sollte konsistent gerichtet sein.

Spearman wird U-foermige oder andere nicht-monotone Muster verpassen.

Unabhaengigkeit

Beobachtungen sind voneinander unabhaengig.

Keine systematischen Bindungen (fuer exakten Test)

Viele Bindungen reduzieren die Power und erfordern angepasste Formeln.

Kendalls Tau als Alternative

Kendalls τ ist eine weitere rangbasierte Korrelation:

• Robuster bei kleinen Stichproben
• Hat unterschiedliche Interpretationen fuer Signifikanz
• Rechenintensiver

Wann waehlen:

• Kleine Stichproben: Erwaegen Sie Kendalls τ
• Groessere Stichproben: Spearman und Kendall fuehren zu aehnlichen Schlussfolgerungen

Konfidenzintervall

Verwenden Sie die Fisher-z-Transformation (wie bei Pearson):

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

Berechnen Sie das KI im z-Raum und transformieren Sie zurueck.

Ergebnisse berichten

APA-Format:

"Spearmans Korrelation zeigte eine starke positive Beziehung zwischen Kundenzufriedenheit und Kaufhaeufigkeit, rs(3) = 0,88, p = 0,05."

Mit Interpretation:

"Es gab eine signifikante positive Korrelation zwischen Berufserfahrung und Arbeitszufriedenheit, rs(48) = 0,42, p = 0,003, was darauf hindeutet, dass erfahrenere Mitarbeiter tendenziell hoehere Zufriedenheit berichten."

Haeufige Fehler

Verwendung bei nicht-monotoner Beziehung

Spearman nimmt eine konsistente Richtung an. Pruefen Sie das Streudiagramm.

Ignorieren von Bindungen

Starke Bindungen erfordern angepasste Signifikanztests.

Behandlung als lineares Mass

Spearman misst Monotonie, nicht Linearitaet.

Ueberinterpretation kleiner Unterschiede zu Pearson

Oft fuehren beide Koeffizienten zu aehnlichen Schlussfolgerungen.

Historischer Kontext

Charles Spearman entwickelte diesen Koeffizienten 1904, motiviert durch seine Arbeit zur Intelligenztestung.

Spearman musste Testergebnisse korrelieren, die nicht normalverteilt waren und oft Rangfolgen statt praeziser Messungen beinhalteten.

Sein rangbasierter Ansatz wurde grundlegend in der Psychologie und den Sozialwissenschaften, wo ordinale Daten ueblich sind.

Verwandte Berechnungen

• Pearson-Korrelation — Lineare Beziehungen
• Korrelations-p-Wert — Signifikanzpruefung
• Kendalls Tau Rechner — Alternative Rangkorrelation
• Mann-Whitney-U-Test — Rangbasierter Gruppenvergleich

Zusammenfassung

Spearmans Rangkorrelation (ρ) misst monotone Beziehungen durch Anwendung der Korrelation auf rangierte Daten. Verwenden Sie sie fuer ordinale Daten, nicht-normale Verteilungen oder wenn Beziehungen monoton, aber nicht strikt linear sind. Berechnen Sie sie durch Rangierung beider Variablen und Berechnung der Korrelation der Raenge. Der Koeffizient reicht von -1 bis +1, wobei die Signifikanz bei groesseren Stichproben ueber die t-Verteilung geprueft wird. Spearman ist robuster gegenueber Ausreissern und Verteilungsverletzungen als Pearson, was ihn zu einer sichereren Wahl macht, wenn Annahmen unsicher sind. Visualisieren Sie immer die Daten, um zu pruefen, ob die Beziehung monoton ist.