> ## Content Index > Fetch the complete content index at: https://www.rockyourstudium.de/llms.txt > Use this file to discover other available public pages before exploring further. # Korrelation zum Anfassen - URL: https://www.rockyourstudium.de/forschungslabor/korrelation/ - Published: 2026-07-19T15:39:14.000Z - Updated: 2026-08-09T14:25:09.000Z - Description: Was der Korrelationskoeffizient r wirklich misst — und wann er dich anlügt. Zieh selbst an den Datenpunkten, statt Formeln auswendig zu lernen. - Author: Patricia Findel - Tags: #Forschungslabor, Statistik Korrelation zum Anfassen ![](https://vg07.met.vgwort.de/na/8d07d56d120d4713be011aecf97a7e51) Korrelation zum Anfassen ## Was ist Korrelation? **Korrelation ist in der Statistik ein Zusammenhang zwischen zwei Merkmalen: Verändert sich das eine, verändert sich das andere tendenziell mit. Der Korrelationskoeffizient r misst Richtung und Stärke des Zusammenhangs auf einer Skala von −1 bis +1 — er beweist aber keine Ursache-Wirkung.** **Was zeigt dieses Tool?** Du siehst eine kleine fiktive Studie: 12 Studierende, von jeder Person zwei Angaben — wie viele **Stunden pro Woche** sie gelernt hat (x-Achse) und wie viele **Punkte** sie in der Statistik-Klausur geholt hat (y-Achse). Jeder Punkt im Diagramm ist also eine Person. Darunter rechnet das Tool live die Korrelation aus: Pearsons r, Spearmans ρ und die Regressionsgerade. Du kannst Punkte verschieben, neue hinzufügen und fertige Beispiel-Situationen laden — die Auswertung reagiert sofort. --- ## Worum geht's? **Hängen zwei Dinge zusammen — und wie stark?** Lernen Studierende, die mehr Stunden investieren, wirklich erfolgreicher? Steigt die Arbeitszufriedenheit mit dem Gehalt? Das Vorzeichen von r verrät dir die Richtung (je mehr, desto mehr — oder desto weniger), der Betrag die Stärke: Bei +1 liegen alle Punkte perfekt auf einer steigenden Geraden, bei 0 fehlt jeder lineare Zusammenhang. Formal ist Pearsons r die **standardisierte Kovarianz**: `r = cov(x,y) / (sx · sy)`. Die Kovarianz misst, ob beide Merkmale gemeinsam von ihren Mittelwerten abweichen; die Division durch die beiden Standardabweichungen macht daraus ein einheitsfreies Maß zwischen −1 und +1\. Deshalb ist r unabhängig davon, ob du in Stunden, Euro oder Klausurpunkten misst — und nur deshalb kannst du Korrelationen aus verschiedenen Studien überhaupt miteinander vergleichen. Der Preis dieser Verdichtung: r sieht ausschließlich die lineare Komponente des Zusammenhangs, und jeder Datenpunkt geht mit seinem vollen Abstand ein. Beides hat Konsequenzen, die du oben direkt ausprobieren kannst. So funktioniert Korrelation · in 4 Karten 1 ### Was r wirklich rechnet Jeder Punkt geht mit dem **Produkt seiner Abweichungen** von beiden Mittelwerten ein: (x−x̄)(y−ȳ). Liegen große x-Abweichungen systematisch bei großen y-Abweichungen, wächst die Summe — das ist die **Kovarianz**. Standardisiert an sx·sy wird daraus r. In r steckt keine Magie: nur Mittelwerte, Abstände und Produkte. 2 ### Linear vs. monoton **r** prüft, wie gut eine **Gerade** die Punktwolke beschreibt. **ρ (Spearman)** ersetzt jeden Wert durch seinen **Rangplatz** und fragt nur noch: Steigt y tendenziell, wenn x steigt — egal wie krumm? Ein U-förmiger Zusammenhang entgeht beiden, weil sich steigende und fallende Hälfte rechnerisch aufheben. Genau darum ersetzt keine Kennzahl das Streudiagramm. 3 ### Ausreißer & Hebelwirkung Weil r mit echten Abständen rechnet, bekommt ein Punkt weit draußen **überproportionales Gewicht** — er wirkt wie ein Hebel auf die Gerade (hoher **Leverage**). In Rängen ist derselbe Punkt nur „Platz n von n", deshalb bleibt ρ gelassen. Eine deutliche Differenz zwischen r und ρ ist darum ein **Diagnose-Signal**: erst nach Ausreißern schauen, dann berichten. 4 ### r², p und n **r²** ist der Anteil gemeinsamer Varianz: r = 0,5 klingt nach „der Hälfte", erklärt aber nur **25 %**. Der **p-Wert** beantwortet eine andere Frage — wäre dieses r plausibel, wenn in Wahrheit kein Zusammenhang bestünde? — und hängt stark an **n**: Bei n = 1.000 wird auch r = 0,08 „signifikant". Berichte deshalb immer r, p und n zusammen. ## Wofür brauchst du das? Sobald deine Arbeit zwei metrische Variablen vergleicht, landest du bei der Korrelation: im Ergebnisteil deiner Umfrage, beim Interpretieren einer SPSS-, R- oder Excel-Ausgabe, beim Lesen fremder Studien für dein Theoriekapitel. Prüfungsklassiker sind die Interpretation („Was heißt r = 0,45?"), die Wahl des richtigen Koeffizienten (Pearson oder Spearman?) und die Abgrenzung zur Kausalität. In der fertigen Arbeit taucht Korrelation an drei Stellen auf: im **Methodenteil** (Begründung der Koeffizienten-Wahl über Skalenniveau und Streudiagramm-Befund), im **Ergebnisteil** (das Zahlentrio r, p und n plus Interpretation der Stärke) und in der **Diskussion** (Grenzen: keine Kausalaussage, Stichprobengröße, mögliche Drittvariablen). ## So nutzt du das Tool Vier kleine Experimente — jedes zeigt dir eine Eigenschaft von r, die in Klausuren und Kolloquien abgefragt wird: 1. **Preset „Linear":** der Normalfall. Beobachte, wie nah r an +1 liegt, und zieh einzelne Punkte leicht hin und her — r bleibt stabil, solange das Muster stimmt. 2. **Preset „Kurve":** ein perfekt erkennbarer Zusammenhang (erst hilft Lernen, ab einem Punkt kippt es Richtung Burnout) — und trotzdem r ≈ 0\. Merksatz: *r misst nur Geraden.* 3. **Preset „Ausreißer":** neun Personen ohne Muster, eine einzige fleißige Ausnahme — und schon behauptet Pearson einen starken Zusammenhang, während Spearman ruhig bleibt. Zieh den Ausreißer quer durchs Bild und sieh, wie er die Auswertung dominiert. 4. **Preset „Wolke":** so sieht „kein Zusammenhang" aus. Füge per Klick gezielt Punkte hinzu, bis eine Richtung entsteht — und beobachte, wie instabil r bei kleinem n ist: Schon zwei, drei gezielt gesetzte Punkte verschieben den Koeffizienten um mehrere Zehntel. Genau deshalb haben Korrelationen aus kleinen Stichproben breite Konfidenzintervalle und schrumpfen in Folgestudien häufig zusammen. > Die wichtigste Regel der Korrelationsrechnung steht in keiner Formel: Schau dir **immer zuerst das Streudiagramm** an — die Zahl allein lügt schneller, als du rechnen kannst. ## So liest du die Werte Für die Interpretation der Stärke haben sich Daumenregeln etabliert (nach Cohen; je nach Lehrbuch leicht abweichend — nimm die Konvention deines Skripts): | \|r| | Interpretation | Beispiel-Formulierung | | ----------- | ----------------- | ------------------------------------------ | | < 0,10 | kein Zusammenhang | „kein nennenswerter linearer Zusammenhang" | | 0,10 – 0,30 | schwach | „ein schwacher positiver Zusammenhang" | | 0,30 – 0,50 | mittel | „ein Zusammenhang mittlerer Stärke" | | \> 0,50 | stark | „ein starker negativer Zusammenhang" | **Pearson oder Spearman?** Pearsons r braucht metrische Daten und reagiert empfindlich auf Ausreißer, weil es mit den echten Abständen rechnet. Spearmans ρ rechnet nur mit Rangplätzen — es verkraftet Ausreißer und ordinale Daten (z. B. Schulnoten, Likert-Skalen) und erkennt auch krumme, aber gleichmäßig steigende Zusammenhänge. Faustregel für deine Arbeit: metrisch + halbwegs linear + keine wilden Ausreißer → Pearson; sonst → Spearman. ## Typische Fehler bei der Interpretation - **Korrelation als Kausalität verkaufen.** r = 0,6 zwischen Lernstunden und Note beweist nicht, dass Lernen die Note *verursacht*. Dahinter kann eine Drittvariable stehen, die beide Merkmale antreibt (etwa Motivation oder Vorwissen) — oder die Wirkrichtung läuft umgekehrt: Wer gute Zwischenergebnisse sieht, lernt vielleicht lieber weiter. Aus Querschnittsdaten (eine Messung, ein Zeitpunkt) lässt sich die Richtung grundsätzlich nicht bestimmen; dafür bräuchtest du Längsschnitt- oder Experimentaldaten. Formuliere deshalb „hängt zusammen mit", nie „führt zu". - **r berichten, ohne das Streudiagramm geprüft zu haben.** Das berühmteste Gegenbeispiel ist das *Anscombe-Quartett*: vier Datensätze mit praktisch identischem r ≈ 0,82, deren Bilder radikal verschieden aussehen — saubere Gerade, Kurve, Ausreißer-Artefakt, Hebelpunkt. Die Kennzahl allein kann diese Fälle nicht unterscheiden; das Preset „Ausreißer" oben ist genau so ein Fall. Erwähne die visuelle Prüfung ruhig im Methodenteil — sie ist ein Qualitätsmerkmal deiner Auswertung, kein Füllsatz. - **„r ≈ 0, also gibt es keinen Zusammenhang."** Es gibt dann keinen *linearen* Zusammenhang. Das Kurven-Preset zeigt ein umgekehrtes U mit r ≈ 0 — der Zusammenhang ist mit bloßem Auge erkennbar, nur eben nicht gerade. Prüfe in so einem Fall, ob der Zusammenhang wenigstens monoton ist (dann greift ρ), oder benenne die Nicht-Linearität explizit und modelliere sie, z. B. mit einem quadratischen Term in einer Regression. - **Pearson auf Likert-Skalen ohne Begründung.** Einzelne Likert-Items sind streng genommen ordinal: Dass der Abstand zwischen „stimme eher zu" und „stimme voll zu" genauso groß ist wie zwischen den übrigen Stufen, ist nicht belegbar — damit ist ρ (oder Kendalls τ bei vielen gleichen Rängen) die sichere Wahl. Verbreitete Praxis ist, *Summen- oder Mittelwertscores* aus mehreren Items als quasi-metrisch zu behandeln; das ist vertretbar, aber begründungspflichtig. Unterscheide sauber zwischen Einzelitem und Skalenwert und nenne die Konvention deines Lehrstuhls. - **Signifikanz mit Stärke verwechseln.** Der p-Wert misst nur, wie unvereinbar dein Ergebnis mit „kein Zusammenhang in der Grundgesamtheit" wäre — und das hängt massiv von n ab. Bei n = 1.000 ist r = 0,08 hochsignifikant, erklärt aber unter 1 % der Varianz; bei n = 12 kann ein beachtliches r = 0,5 die Signifikanzschwelle verfehlen. „Signifikant" heißt also weder „stark" noch „praktisch bedeutsam". Berichte die Kombination aus r, p und n — und beurteile die Stärke über r bzw. r². ## Für deinen Methodenteil So kannst du ein Korrelationsergebnis sauber berichten — Platzhalter ersetzen und anpassen: ✦ Formulierungshilfe Ergebnisteil Kopieren Zwischen {Variable A} und {Variable B} zeigt sich ein {schwacher/mittlerer/starker}, {positiver/negativer} linearer Zusammenhang (Pearsons r = {Wert}, n = {Anzahl}). Die visuelle Prüfung des Streudiagramms ergab keine Hinweise auf Ausreißer oder nicht-lineare Muster. Ein kausaler Schluss ist auf Basis der Querschnittsdaten nicht möglich. ## Weitere Fragen & Fachbegriffe ### Was ist Pearsons Korrelationskoeffizient r? **Pearsons r** (auch Bravais-Pearson-Korrelation) ist das Standardmaß für den linearen Zusammenhang zweier metrischer Merkmale. Es rechnet mit den tatsächlichen Abständen aller Datenpunkte vom Mittelwert — deshalb ist es präzise bei sauberen Daten, aber empfindlich gegenüber Ausreißern. Voraussetzung: beide Variablen sind metrisch skaliert und der Zusammenhang ist annähernd linear. ### Was ist Spearmans Rangkorrelation ρ? **Spearmans ρ** (Rho) misst den Zusammenhang nicht über die Messwerte selbst, sondern über deren Rangplätze — wer ist Erster, Zweiter, Dritter? Dadurch verkraftet es Ausreißer, funktioniert schon ab ordinalem Skalenniveau (z. B. Schulnoten, Likert-Skalen) und erkennt auch krumme, aber gleichmäßig steigende oder fallende Zusammenhänge. ### Was ist ein Skalenniveau? Das **Skalenniveau** beschreibt, wie viel Information in einer Variable steckt: *nominal* (nur Kategorien, z. B. Studiengang), *ordinal* (Rangfolge ohne gleiche Abstände, z. B. Noten) oder *metrisch* (echte Zahlen mit Abständen, z. B. Lernstunden). Es entscheidet, welcher Koeffizient und welcher Test überhaupt erlaubt ist — üben kannst du das im [Skalen-Sortierer](https://www.rockyourstudium.de/forschungslabor/skalen-sortierer/). ### Was ist eine Scheinkorrelation? Eine **Scheinkorrelation** ist ein messbarer Zusammenhang ohne echten inhaltlichen Draht: Eine dritte Variable steckt hinter beiden Merkmalen (Eisverkauf und Sonnenbrände korrelieren — die Ursache ist der Sommer). Der Klassiker, mit dem Prüfer Kausalitäts-Schlüsse abklopfen. Wie man Drittvariablen mit partieller Korrelation entlarvt, zeigt dir das **Scheinkorrelations-Tool** *(Tool folgt)*. ## Mehr dazu - [Methodenberatung Uni Zürich — Korrelation (wann welcher Koeffizient, mit SPSS-Anleitung)](https://www.methodenberatung.uzh.ch/de/datenanalyse%5Fspss/zusammenhaenge/korrelation.html?ref=rockyourstudium.de) - [Anscombe-Quartett — vier Datensätze, identisches r, völlig verschiedene Bilder](https://de.wikipedia.org/wiki/Anscombe-Quartett?ref=rockyourstudium.de) - [Spurious Correlations — absurde Scheinkorrelationen zum Kurieren der Kausalitäts-Reflexe](https://www.tylervigen.com/spurious-correlations?ref=rockyourstudium.de) - Lehrbuch-Klassiker: Bortz & Schuster, *Statistik für Human- und Sozialwissenschaftler* — Kap. Zusammenhangsmaße (Bibliothek deiner Hochschule) ## Belege & Zitationen Die fachlichen Aussagen dieser Seite stützen sich auf: - Braunecker, C. (2023): *How to do empirische Sozialforschung. Eine Gebrauchsanleitung*, 2\. Aufl., Facultas/UTB — Kap. 8, Datenanalyse (S. 139 ff.). [Unser ausführliches Review](https://www.rockyourstudium.de/how-to-do-empirische-sozialforschung/) - Anscombe, F. J. (1973): Graphs in Statistical Analysis. *The American Statistician* 27(1), S. 17–21 — das Anscombe-Quartett.