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.

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.

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)
• Anscombe-Quartett — vier Datensätze, identisches r, völlig verschiedene Bilder
• Spurious Correlations — absurde Scheinkorrelationen zum Kurieren der Kausalitäts-Reflexe
• 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
• Anscombe, F. J. (1973): Graphs in Statistical Analysis. The American Statistician 27(1), S. 17–21 — das Anscombe-Quartett.

Als Nächstes im Labor

BaldDaten verstehenMittelwert vs. Median — der Chef-Effekt

BaldOrientierungMethoden-Kompass — welche Forschung passt?

ZusammenhängeSkalen-Sortierer — nominal, ordinal, metrisch Alle Tools →