Korrelationskoeffizient
Bild von maniacvector auf Freepik
Der Korrelationskoeffizient ist eine statistische Kennzahl, die die Stärke und Richtung des linearen Zusammenhangs zwischen zwei Variablen misst. Er gibt an, inwieweit Änderungen in einer Variablen mit Änderungen in einer anderen Variablen verbunden sind. Der Wert des Korrelationskoeffizienten liegt immer im Bereich von -1 bis +1.
Interpretation des Korrelationskoeffizienten:
- +1: Ein perfekter positiver Zusammenhang. Wenn eine Variable steigt, steigt die andere in genau demselben Maße.
- 0: Kein linearer Zusammenhang. Es besteht keine lineare Beziehung zwischen den beiden Variablen.
- -1: Ein perfekter negativer Zusammenhang. Wenn eine Variable steigt, sinkt die andere in genau demselben Maße.
Berechnung:
Der Korrelationskoeffizient wird üblicherweise mit der Pearson-Korrelation berechnet, die wie folgt aussieht: r=n(∑xy)−(∑x)(∑y)[n∑x2−(∑x)2][n∑y2−(∑y)2]r = \frac{n(\sum{xy}) – (\sum{x})(\sum{y})}{\sqrt{[n\sum{x^2} – (\sum{x})^2][n\sum{y^2} – (\sum{y})^2]}}
- n: Anzahl der Paare (Datenpunkte)
- x und y: die beiden Variablen, deren Korrelation gemessen wird
- Σxy: Summe der Produkte der jeweiligen x- und y-Werte
- Σx² und Σy²: Summe der quadrierten x- bzw. y-Werte
Beispiel:
Stellen wir uns vor, wir haben Daten über die Stunden, die jemand pro Woche arbeitet, und dessen wöchentliche Einnahmen. Wenn der Korrelationskoeffizient nahe +1 liegt, bedeutet dies, dass mit zunehmender Arbeitszeit auch die Einnahmen steigen, was auf eine starke positive Korrelation hinweist.
Wichtige Hinweise:
- Der Korrelationskoeffizient misst nur den linearen Zusammenhang zwischen den Variablen. Nicht-lineare Zusammenhänge werden möglicherweise nicht korrekt erfasst.
- Eine hohe Korrelation bedeutet nicht, dass die eine Variable die andere verursacht (Korrelation impliziert keine Kausalität).
- Der Korrelationskoeffizient kann durch Ausreißer stark beeinflusst werden.
Weitere Varianten:
- Spearman-Korrelation: Eine nicht-parametrische Version des Korrelationskoeffizienten, die für ordinale Daten oder bei nichtlinearen Zusammenhängen verwendet wird.
- Kendall’s Tau: Eine weitere Variante, die bei ordinalen Daten oder kleinen Stichproben nützlich ist.
Fazit:
Der Korrelationskoeffizient ist ein nützliches Werkzeug, um den Zusammenhang zwischen zwei Variablen zu quantifizieren, insbesondere wenn man verstehen möchte, ob und wie stark zwei Variablen miteinander zusammenhängen.
Du möchtest zu diesen Begriff oder einem anderen Thema mit uns ins Gespräch kommen?
Dann kontaktiere uns einfach hier! 😊