Zurück
Correlation in Survey Data (und warum sie nicht gleich Causation ist)
Matthieu Saussaye
Ein Korrelationskoeffizient ist eine einzelne Zahl zwischen -1 und +1, die beschreibt, wie sich zwei Variablen zusammen bewegen. Positiv bedeutet, dass sie zusammen steigen, negativ bedeutet, dass eine steigt, während die andere fällt, und Null bedeutet, dass kein konsistentes lineares Muster vorliegt. Er sagt nichts darüber aus, welche Variable die andere verursacht oder ob dies überhaupt der Fall ist.
Die Essentials für die Umfrageforschung (Survey Work):
Pearson misst die lineare Assoziation (linear association) zwischen zwei kontinuierlichen Variablen. Es setzt voraus, dass die Beziehung eine gerade Linie ist, und reagiert empfindlich auf Ausreißer (Outlier).
Spearman misst die monotone Assoziation (monotonic association), indem Ränge anstelle von Rohwerten korreliert werden. Es ist der richtige Standard für ordinale Umfragedaten, wie z. B. einzelne Rating-Scale-Items: Schober, Boer und Schwarte, Anesthesia & Analgesia, 2018 weisen darauf hin, dass es „für ordinale Daten verwendet werden kann“ und „relativ robust gegenüber Outliern“ ist.
Das Vorzeichen ist die Richtung, die absolute Höhe ist die Stärke. Ein Koeffizient von -0,6 ist exakt genauso stark wie +0,6.
„Keine Korrelation“ bedeutet kein lineares oder monotones Muster, nicht „keine Beziehung“. Eine U-förmige Beziehung kann einen Koeffizienten nahe Null erzeugen.
Korrelation ist keine Kausalität (Correlation is not causation), und Umfragedaten sind hier besonders anfällig: Störvariablen (Confounder), umgekehrte Kausalität und die Tatsache, dass beide Antworten von derselben Person in denselben fünf Minuten stammen.
Die Signifikanz hängt stark von der Stichprobengröße (Sample Size) ab. Bei einer ausreichend großen Sample Size wird eine trivial kleine Korrelation statistisch signifikant. Berichten Sie den Koeffizienten selbst, nicht nur den p-Value.
Welchen Korrelationskoeffizienten man verwenden sollte
Die Wahl wird durch das Messniveau Ihrer beiden Variablen bestimmt, nicht durch persönliche Vorlieben.
Koeffizient | Geeignete Daten | Was er erkennt | Schlüsselannahme oder Einschränkung |
|---|---|---|---|
Pearson r | Zwei kontinuierliche, Intervall- oder Verhältnisvariablen | Lineare Assoziation | Setzt Linearität voraus; verzerrt durch Ausreißer und eingeschränkte Spannweiten |
Spearman rho | Ordinale Daten oder kontinuierliche Daten, die schiefverteilt sind | Monotone Assoziation in jede Richtung | Verwendet Ränge, ignoriert daher die Größe der Abstände zwischen den Werten |
Kendall tau | Ordinale Daten, insbesondere bei vielen Bindungen (tied values) | Übereinstimmung in der Rangordnung zwischen Paaren von Fällen | Behandelt Bindungen besser als Spearman; meist von geringerem Ausmaß |
Punktbiseriale Korrelation | Eine kontinuierliche Variable und eine binäre Variable | Mittelwertsunterschied, ausgedrückt als Korrelation | Mathematisch gesehen ein Pearson r, angewendet auf eine 0/1-Variable |
Cramer V | Zwei nominale Variablen | Stärke der Assoziation in einer Kreuztabelle (Cross-Tabulation) | Liegt nur zwischen 0 und 1, hat also keine Richtung |
Die meisten Survey-Variablen sind ordinal, weshalb Spearman in der Frageborgen-Analyse so häufig vorkommt. Schober et al. (2018) stellen dieselbe Regel auf: Pearson "is typically used for jointly normally distributed data", während "for nonnormally distributed continuous data, for ordinal data, or for data with relevant outliers, a Spearman rank correlation can be used as a measure of a monotonic association". Wenn es sich bei Ihren beiden Variablen um einzelne Items aus einer Rating-Batterie handelt, ist Spearman die sicherere Wahl als Pearson.
Was ein Korrelationskoeffizient tatsächlich misst
Pearsons r fasst zusammen, wie konsistent zwei Variablen in dieselbe Richtung von ihren eigenen Mittelwerten abweichen. Wenn Personen, die bei einer Variable überdurchschnittlich abschneiden, tendenziell auch bei der anderen überdurchschnittlich abschneiden, ist r positiv. Wenn ein überdurchschnittlicher Wert bei der einen Variable mit einem unterdurchschnittlichen Wert bei der anderen einhergeht, ist r negativ. Wenn kein konsistentes Muster erkennbar ist, liegt r nahe Null.
Drei Eigenschaften von r sollte man im Hinterkopf behalten:
Er ist auf -1 und +1 begrenzt. Diese Extremwerte bedeuten, dass jeder Datenpunkt exakt auf einer geraden Linie liegt.
Er ist dimensionslos und symmetrisch. Die Korrelation von Zufriedenheit mit dem Einkommen ergibt denselben Wert wie die Korrelation von Einkommen mit der Zufriedenheit, und eine Änderung der Maßeinheiten einer der beiden Variablen ändert r nicht.
Sein Quadrat lässt sich direkt interpretieren. R-Quadrat ist der Anteil der Varianz einer Variable, der mit der anderen geteilt wird. Ein r von 0,30 bedeutet einen gemeinsamen Varianzanteil von etwa 9 % – ein nützliches Korrektiv dafür, wie beeindruckend 0,30 auf den ersten Blick klingt.
Pearson versus Spearman – und wann ordinale Daten Spearman erfordern
Spearmans Rho ist schlicht Pearsons r, berechnet auf Basis der Ränge der Daten und nicht der eigentlichen Werte. Diese eine Änderung verschiebt das, was der Koeffizient erkennen kann und was er voraussetzt.
Warum ordinale Umfragedaten Sie zu Spearman drängen
Eine 5-stufige Skala von „Stimme überhaupt nicht zu“ bis „Stimme voll und ganz zu“ ist ordinal. Die Kategorien haben eine klare Reihenfolge, aber nichts beweist, dass der Abstand zwischen „Stimme überhaupt nicht zu“ und „Stimme nicht zu“ dem Abstand zwischen „Stimme zu“ und „Stimme voll und ganz zu“ entspricht. Pearsons r nimmt diese Abstände sehr genau, da er mit den numerischen Codes 1 bis 5 so arbeitet, als wären es Messungen auf einem Lineal. Jamieson, Medical Education, 2004 bringt den Punkt bezüglich Likert-Daten direkt auf den Nenner: Die Kategorien „haben eine Rangfolge, aber die Intervalle zwischen den Werten können nicht als gleich vorausgesetzt werden“, und die konventionellen Inferenzwerkzeuge für ordinale Daten sind nicht-parametrische Verfahren „wie Chi-Quadrat, Spearmans Rho oder der Mann-Whitney-U-Test“.
Spearman nutzt ausschließlich die Rangfolge, was genau der Information entspricht, die eine ordinale Skala tatsächlich liefert. Das ist das Kernargument, und deshalb ist Spearman der konventionelle Standard für die Korrelation von zwei einzelnen Likert scale Items oder zwei Zeilen einer matrix question.
In der Praxis machen Researcher oft eine Ausnahme für Multi-Item-Skalen. Wenn mehrere Likert-Items zu einem Gesamtscore aufsummiert oder gemittelt werden, hat das Ergebnis viele mögliche Werte und wird üblicherweise als intervallskaliert behandelt, weshalb Pearson weit verbreitet ist. Dies ist eine Konvention, hinter der eine langjährige methodische Debatte steht, kein unumstößlicher Fakt. Jamieson beschreibt die Behandlung ordinaler Skalen als intervallskaliert als etwas, das „seit langem umstritten ist und es scheinbar auch bleibt“. Demgegenüber argumentiert Norman, Advances in Health Sciences Education, 2010 anhand von Studien, die bis in die 1930er Jahre zurückreichen, dass „parametrische Statistiken robust gegenüber Verletzungen dieser Annahmen sind“. Die Meinungsverschiedenheit ist real und nach wie vor offen. Wenn Sie diese Konvention nutzen, weisen Sie darauf hin.
Die weiteren Gründe, die für Spearman sprechen
Nicht-lineare, aber monotone Zusammenhänge. Wenn die Zufriedenheit anfangs steil ansteigt und sich dann abflacht, ist die Beziehung monoton, aber kurvenlinig. Pearson unterschätzt dies; Spearman erfasst es vollständig.
Outliers. Ein einzelner Extremwert kann Pearsons r erheblich verzerren. Die Rangbildung komprimiert ihn auf lediglich eine weitere Position in der Reihenfolge.
Schiefe Verteilungen. Einkommens-, Ausgaben- und Nutzungsdaten sind meist schief verteilt. Ränge kommen damit ohne vorherige Transformation aus.
Zwei Einschränkungen: Spearman vernachlässigt die physikalische Größe (Magnitude) – er kann Ihnen also nicht sagen, ob ein Unterschied groß oder klein war, sondern nur, dass er in einer bestimmten Richtung existierte. Und wenn eine Skala viele identische Werte (Ties) aufweist, was bei 5-stufigen Items ständig vorkommt, benötigt Spearman die korrigierte Formel anstelle der vereinfachten Shortcut-Version; hier ist Kendalls Tau oft die stabilere Wahl.
Stärke und Richtung richtig interpretieren
Das Vorzeichen verrät Ihnen die Richtung. Negative Korrelationen sind nicht schwächer als positive – ein Punkt, über den in Reports häufiger gestolpert wird, als es sein sollte. Eine Korrelation von -0,55 zwischen Wartezeit und Zufriedenheit ist ein starkes Ergebnis.
Bei der Effektstärke hängt die Interpretation stark vom Kontext ab. Cohen schlug konventionelle Benchmarks für die Verhaltenswissenschaften vor. In A Power Primer, Psychological Bulletin, 1992, einer Zusammenfassung des Buchs von 1988, stellt er fest, dass für die Signifikanz eines Stichproben-r „kleine, mittlere und große Effektstärken (ES) bei .10, .30 und .50 liegen“. Er betont ausdrücklich, dass es sich hierbei um Konventionen und nicht um feste Messungen handelt: „Die Definitionen wurden subjektiv getroffen, mit ersten geringfügigen Anpassungen“. Sie sind Faustregeln für ein Fachgebiet, die bewusst als solche angeboten werden und immer im eigenen Kontext betrachtet werden sollten. In der Survey Research zu menschlichen Einstellungen sind Korrelationen von über 0,60 zwischen zwei verschiedenen Konstrukten selten; wenn Sie 0,90 sehen, prüfen Sie zuerst, ob die beiden Fragen nicht einfach dasselbe mit anderen Worten abfragen.
Unabhängig vom Wert sollten Sie vor der Interpretation zwei Dinge tun: Erstellen Sie einen Scatterplot, da völlig unterschiedliche Datenmuster identische Koeffizienten erzeugen können. Und geben Sie ein Konfidenzintervall an, da ein einzelner Punktschätzer verschleiert, wie stark sich der Wert in einer anderen Stichprobe verschieben könnte. Schober et al. geben denselben Rat: „Die visuelle Überprüfung von Scatterplots ist immer ratsam, da Korrelationen nicht-lineare oder nicht-monotone Beziehungen nicht adäquat beschreiben und unterschiedliche Beziehungen zwischen Variablen zu ähnlichen Korrelationskoeffizienten führen können.“
Was „keine Korrelation“ tatsächlich bedeutet
Ein Koeffizient nahe Null ist eine spezifische, eingegrenzte Aussage: Es gibt in dieser Stichprobe kein konsistentes lineares Muster (bei Pearson) bzw. kein konsistentes monotones Muster (bei Spearman). Es ist kein Beleg für Unabhängigkeit.
Vier Faktoren führen regelmäßig zu einem Koeffizienten nahe Null, obwohl eine echte Beziehung existiert:
Eine nicht-monotone Beziehung. Wenn mittlere Werte einer Variable mit den höchsten Werten der anderen einhergehen und beide Extremwerte mit niedrigen Werten korrespondieren, heben sich Auf- und Abwärtsbewegung gegenseitig auf. Der Scatterplot zeigt ein unübersehbares umgekehrtes U, der Koeffizient zeigt nichts.
Eingeschränkte Varianz (Restricted range). Korrelation setzt Varianz voraus. Wenn Sie nur Ihre loyalsten Kunden befragen, variiert die Zufriedenheit unter ihnen kaum, und ihre Korrelation mit anderen Faktoren wird abgeschwächt. Die Untersuchung nur eines Teils des Spektrums kann eine Beziehung verbergen, die über die gesamte Bandbreite hinweg existiert.
Gegensätzliche Subgruppen. Eine positive Beziehung in einem Segment und eine negative in einem anderen können sich im Gesamtergebnis zu Null aufheben. Korrelieren Sie innerhalb der Segmente, bevor Sie schlussfolgern, dass kein Zusammenhang existiert.
Messrauschen (Measurement noise). Unzuverlässige Fragen bringen zufällige Varianz hinein, die die beobachteten Korrelationen in Richtung Null zieht. Ein schlecht formuliertes Item kann eine echte Assoziation nivellieren.
Der ehrlichste Weg, ein Nullresultat zu berichten, lautet: „Wir haben in dieser Stichprobe keinen linearen Zusammenhang zwischen X und Y gefunden“, gefolgt vom Koeffizienten und seinem Konfidenzintervall. Ein Konfidenzintervall, das von -0,05 bis +0,35 reicht, ist kein Beweis für das Nichtvorhandensein einer Beziehung – sondern der Beweis dafür, dass die Studie keine verlässliche Aussage darüber treffen konnte.
Warum Korrelation nicht Kausalität ist – aus Sicht der Umfrageforschung
Eine Korrelationsstudie beobachtet Variablen so, wie sie natürlich vorkommen, und misst, wie sie zusammenhängen. Es wird nichts manipuliert, und erst eine Manipulation erlaubt kausale Aussagen. Schober et al. (2018) formulieren die Regel für Leser jeglicher Korrelationen so: "researchers should avoid inferring causation from correlation". Fast die gesamte Umfrageforschung (Survey Research) ist korrelativ, was bedeutet, dass der Begriff "drives" (treibt an/beeinflusst) in jedem darauf basierenden Bericht mit großer Vorsicht verwendet werden sollte.
Wenn zwei Umfragevariablen korrelieren, sind mindestens fünf Erklärungen gleichzeitig denkbar.
1. X verursacht Y
Die Erklärung, an die jeder zuerst denkt – und nur eine von fünf Möglichkeiten.
2. Y verursacht X, oder umgekehrte Kausalität (Reverse Causality)
Die Häufigkeit von Support-Kontakten korreliert mit geringerer Zufriedenheit. Machen Support-Interaktionen die Menschen unzufrieden, oder kontaktieren unzufriedene Menschen einfach häufiger den Support? Eine einzelne Querschnittsstudie (cross-sectional survey) kann dies nicht trennen, da beide Variablen zum selben Zeitpunkt gemessen wurden.
3. Ein Confounder (Störvariable) verursacht beides
Das ist der entscheidende Punkt. Kunden, die Ihre mobile App nutzen, berichten von einer höheren Zufriedenheit. Die App-Nutzung kann die Zufriedenheit steigern, oder aber intensivere Nutzer nutzen sowohl eher die App als auch sind allgemein zufriedener, weil sie insgesamt mehr Wert aus dem Produkt ziehen. Die Nutzungsintensität ist hier der Confounder, der den scheinbaren App-Effekt künstlich aufbläht. Die Aufnahme des Confounders als Kontrollvariable – durch partielle Korrelation oder Regression – ist die standardmäßige Teil-Lösung. Sie funktioniert jedoch nur für Confounder, an die Sie gedacht und die Sie auch gemessen haben.
4. Selektionseffekte (Selection Effects)
Korrelationen werden auf Basis der Personen berechnet, die geantwortet haben. Wenn das Antwortverhalten mit beiden Variablen zusammenhängt, ist die Korrelation zum Teil eine Eigenschaft Ihrer Stichprobe (Sample) und nicht Ihres Marktes. Zufriedene Kunden nehmen eher an Zufriedenheitsumfragen teil, was jede Beziehung, die Zufriedenheit beinhaltet, verzerrt. Dies ist einer der Gründe, warum Ihre Sampling Method einschränkt, was eine Korrelation bedeuten darf.
5. Common-Method-Variance
Spezifisch für Umfragen und weithin unterschätzt. Wenn beide Variablen von derselben Person im selben Fragebogen stammen, resultiert ein Teil ihrer gemeinsamen Varianz aus der Person und dem Instrument selbst und nicht aus den eigentlichen Konstrukten. Jemand mit guter Laune bewertet alles besser. Jemand, der Ihre Marke mag, bewertet jedes Attribut positiv (Halo-Effekt). Konsistenzbestrebungen verleiten Befragte dazu, spätere Fragen im Einklang mit früheren zu beantworten. All dies erzeugt künstliche Korrelationen zwischen beliebigen Einstellungsfragen im selben Survey.
Die praktische Konsequenz: Korrelationen zwischen verschiedenen Einstellungen (Attitude-to-Attitude) innerhalb eines einzigen Fragebogens sind die schwächste Evidenz in Ihrem Datensatz. Korrelationen zwischen einer Umfrageantwort und an anderer Stelle erfassten Verhaltensdaten (Behavioral Data) sind erheblich aussagekräftiger, da die beiden Messungen nicht dieselbe Quelle teilen.
Was ein kausales Argument stärkt
Mit einer Querschnittsbefragung (cross-sectional survey) können Sie zwar keinen endgültigen Beweis erbringen, aber Sie können ihm näher kommen.
Zeitliche Abfolge etablieren (Time Order). Messen Sie die vermutete Ursache vor der vermuteten Wirkung. Ein Längsschnitt- oder Panel-Design ( longitudinal/panel design), bei dem dieselben Personen zu zwei Zeitpunkten befragt werden, schließt zumindest die einfachste Variante der umgekehrten Kausalität aus.
Kontrollieren, was messbar ist. Partielle Korrelationen und Regressionen eliminieren den Einfluss von Confoundern, für die Ihnen Daten vorliegen. Machen Sie jedoch explizit deutlich, dass sie diejenigen, die Sie nicht gemessen haben, nicht ausschließen können.
Nach einem Dosis-Wirkungs-Muster (Dose-Response) suchen. Wenn mehr Exposition mit einer konsistent ansteigenden Wirkung einhergeht, ist die kausale Interpretation plausibler, als wenn die Beziehung nur bei einem einzigen willkürlichen Schwellenwert auftritt.
Eine andere Datenquelle für eine Seite nutzen. Verknüpfen Sie Einstellungen aus der Umfrage mit Verhaltensprotokollen (behavioral logs) oder Transaktionsdaten, um der Common-Method-Variance zu entgehen.
Ein Experiment durchführen, wenn die Entscheidung teuer ist. Ein randomisierter Test (randomized test) klärt auf, was eine Korrelation nur nahelegt. Wenn eine Korrelation als Rechtfertigung für eine große Investition dienen soll, ist genau das der Moment, in dem sich ein Experiment lohnt.
Direkt fragen und zuhören. Befragte können ihre eigenen Beweggründe nicht immer präzise wiedergeben, aber eine Erklärung in ihren eigenen Worten offenbart oft Mechanismen oder Confounder, die keine Korrelationsmatrix jemals aufzeigen würde. Hier verdient der Qualitative-Ansatz seinen berechtigten Platz.
Die Signifikanz hängt von Ihrer Sample Size ab
Ein p-Wert für eine Korrelation testet eine enge Hypothese: dass die tatsächliche Korrelation in der Grundgesamtheit exakt null ist. Wie leicht Sie diese Hypothese widerlegen können, hängt fast ausschließlich davon ab, wie viele Befragte Sie haben.
Die ungefähre Korrelation, die erforderlich ist, um eine statistische Signifikanz auf dem herkömmlichen 5-Prozent-Niveau (zweiseitig) zu erreichen, verdeutlicht diesen Punkt:
Sample size | Ungefähr das kleinste r, das p < 0,05 erreicht | Erklärte Varianz (Shared Variance) bei diesem Wert |
|---|---|---|
n = 30 | Etwa 0,36 | Etwa 13% |
n = 100 | Etwa 0,20 | Etwa 4% |
n = 400 | Etwa 0,10 | Etwa 1% |
n = 1.000 | Etwa 0,06 | Unter 1% |
Aus dieser Tabelle lassen sich zwei Schlussfolgerungen ziehen. Bei einer großen Stichprobe kann eine Korrelation von 0,07 als statistisch signifikant ausgewiesen werden, obwohl sie weit unter 1 % der Varianz erklärt – was fast nie eine tragfähige Entscheidungsgrundlage ist. Und bei einer kleinen Stichprobe kann eine substanziell bedeutsame Korrelation von 0,30 die Signifikanz verfehlen, was eher eine Aussage über Ihre Sample Size ist als ein Beweis dafür, dass kein Zusammenhang existiert.
Berichten Sie den Koeffizienten, das Konfidenzintervall und die Sample Size zusammen. Ein „signifikant“ allein ist nahezu aussagelos.
Die Falle der Korrelationsmatrix
Jede Variable gegen jede andere laufen zu lassen, ist der schnellste Weg, um False Positives zu finden. Zwanzig Variablen ergeben 190 Paare. Bei einer Schwelle von 5 % wäre zu erwarten, dass etwa zehn davon signifikant ausfallen, selbst wenn in den Daten überhaupt kein Zusammenhang bestünde.
Wenn Sie eine Matrix durchsuchen, betrachten Sie Ihre Funde eher als Hypothese und nicht als Ergebnis. Passen Sie entweder das Verfahren für Mehrfachvergleiche an, oder legen Sie vor der Analyse fest, welche Beziehungen Sie interessieren, oder halten Sie einen Teil der Stichprobe zurück und prüfen Sie, ob das Muster in der nicht untersuchten Hälfte bestehen bleibt.
Eine kurze Checkliste, bevor Sie eine Korrelation berichten
Prüfen Sie das Skalenniveau. Ordinale Variablen gehören zu Spearman. Zusammengesetzte Skalen (Composite Scales) können auf Pearson zurückgreifen, wenn Sie dies entsprechend begründen.
Erstellen Sie einen Scatterplot. Achten Sie auf Krümmungen, Cluster und Ausreißer, bevor Sie dem Wert vertrauen.
Berichten Sie r, n und das Konfidenzintervall, nicht nur einen p-Wert.
Quadrieren Sie den Wert. Fragen Sie sich, ob die erklärte Varianz (Shared Variance) die Aussage rechtfertigt, die Sie gerade schreiben wollten.
Führen Sie plausible Störvariablen (Confounder) im Bericht auf, auch diejenigen, die Sie nicht messen konnten.
Wählen Sie das Verb sorgfältig. „Ist assoziiert mit“ ist das, was die Daten stützen. „Beeinflusst“ oder „steuert“ ist das, was ein Experiment belegt.
Korrelationen sind äußerst nützlich. Sie grenzen das Feld ein, weisen auf Untersuchungsschwerpunkte hin und machen aus einer großen Tabelle von closed ended question Ergebnissen eine kurze Liste von Dingen, die es zu verstehen lohnt. Was sie nicht leisten können, ist Ihnen zu sagen, was passiert, wenn Sie eine Änderung vornehmen.
Referenzen
Schober, P., Boer, C. und Schwarte, L. A. Correlation Coefficients: Appropriate Use and Interpretation. Anesthesia & Analgesia 126(5), 2018, S. 1763-1768.
Cohen, J. A Power Primer. Psychological Bulletin 112(1), 1992, S. 155-159. Zusammenfassung der Konventionen aus Statistical Power Analysis for the Behavioral Sciences (1988).
Jamieson, S. Likert Scales: How To (Ab)Use Them. Medical Education 38(12), 2004, S. 1217-1218.
Norman, G. Likert scales, levels of measurement and the "laws" of statistics. Advances in Health Sciences Education 15(5), 2010, S. 625-632.
Finden Sie das Muster, und fragen Sie dann nach dem Warum
Eine Korrelationsmatrix zeigt Ihnen, dass sich zwei Dinge zusammen bewegen. Sie verrät Ihnen nie das Warum – und genau dieses Warum entscheidet darüber, ob entsprechende Maßnahmen erfolgreich sind. Die meisten Teams geben sich mit der Matrix zufrieden, weil ein tieferes Vordringen die Durchführung von Interviews erfordert, und Interviews zeitaufwendig sind.
SmartInterview schließt diese Lücke. Es führt Befragungen per Sprache oder Text mit einer KI durch, die die Gründe für eine Antwort in der jeweiligen Landessprache des Teilnehmers hinterfragt und die offenen Antworten (open responses) automatisch in Themes codiert. Sie behalten die quantitative Struktur, die Ihre Korrelationen benötigen, und erhalten den dahinter liegenden Mechanismus aus derselben Studie statt aus einem separaten Projekt drei Monate später.
Finden Sie das Warum hinter Ihrer nächsten Erkenntnis: Kostenlos starten oder einen Termin vereinbaren.
Häufig gestellte Fragen
Wann sollte ich Pearson durch Spearman ersetzen?
Nutzen Sie die Spearman-Korrelation, wenn mindestens eine Variable ordinal ist (wie ein einzelnes Likert-Item), wenn die Beziehung monoton, aber gekrümmt ist, wenn Outlier (Ausreißer) vorliegen oder wenn eine Verteilung stark schief ist. Spearman korreliert die Ränge statt der Rohwerte und stützt sich daher nur auf die Reihenfolge. Pearson eignet sich für kontinuierliche Variablen mit einer annähernd linearen Beziehung.
Was sagt der Spearman-Korrelationskoeffizient aus?
Er gibt an, wie konsistent sich zwei Variablen in dieselbe Richtung bewegen, wenn beide als Ränge ausgedrückt werden. Der Wert liegt zwischen -1 und +1, wobei +1 bedeutet, dass die beiden Rangfolgen identisch sind, -1, dass sie genau umgekehrt sind, und 0, dass kein monotones Muster vorliegt. Da Spearman Ränge verwendet, erfasst er die Richtung und Konsistenz, nicht aber die Größe der Abstände zwischen den Werten.
Was bedeutet "keine Korrelation"?
Es bedeutet, dass der Koeffizient nahe bei Null liegt, sodass in dieser Stichprobe kein konsistentes lineares Muster für Pearson oder kein konsistentes monotones Muster für Spearman vorliegt. Das bedeutet nicht, dass die Variablen in keinem Verhältnis zueinander stehen. Eine gekrümmte Beziehung, ein eingeschränkter Wertebereich, gegensätzliche Subgruppen oder fehlerbehaftete Messungen können alle zu einem Koeffizienten nahe Null führen, obwohl eine tatsächliche Beziehung existiert.
Was ist eine Korrelationsstudie?
Eine Korrelationsstudie misst Variablen so, wie sie natürlich vorkommen, und untersucht, wie sie zusammenhängen, ohne dass etwas manipuliert wird. Fast die gesamte Survey-Forschung ist korrelativ. Sie kann nachweisen, dass zwei Dinge zusammengehören und wie stark, aber da keine randomisierte Zuweisung stattgefunden hat, kann sie weder eine umgekehrte Kausalität noch eine nicht gemessene Drittvariable, die beide beeinflusst, ausschließen.
Was gilt in Umfragedaten als starke Korrelation?
Das hängt vom Fachbereich und den abgefragten Konstrukten ab. Cohens konventionelle Benchmarks für die Verhaltenswissenschaften stufen etwa 0,10 als gering, 0,30 als mittel und 0,50 als hoch ein, wobei diese eher als Faustregeln denn als feste Gesetze gedacht sind. Im Bereich der Einstellungsforschung (Attitude Research) sind Werte über 0,60 zwischen zwei wirklich unterschiedlichen Konstrukten selten. Sehr hohe Werte sind oft ein Zeichen dafür, dass zwei Fragen im Grunde dasselbe messen.
Warum kann eine Korrelation in einer Umfrage keine Kausalität beweisen?
Da es keine randomisierte Zuweisung gab, bleiben mindestens fünf Erklärungen offen: X verursacht Y, Y verursacht X, eine Drittvariable verursacht beide, das Muster spiegelt wider, wer sich für die Teilnahme entschieden hat (Selection Bias), oder beide Antworten teilen sich Varianz, schlicht weil dieselbe Person sie im selben Fragebogen ausgefüllt hat. Zeitlich versetzte Messungen, Kontrollvariablen, unabhängige Datenquellen und Experimente schränken diese Möglichkeiten ein; eine einfache Querschnittsumfrage (Cross-Sectional Survey) tut dies nicht.
