Der Korrelationskoeffizient (r) ist ein Maß dafür, wie stark zwei Variablen linear zusammenhängen. Der Korrelationskoeffizient kann Werte zwischen -1 und 1 annehmen. Liegt der Korrelationskoeffizient nahe null, dann besteht kein linearer Zusammenhang zwischen den Variablen. Je näher der Korrelationskoeffizient bei 1 bzw. bei -1 liegt, desto stärker ist der Zusammenhang zweier Variablen.


r > 0: Ist der Korrelationskoeffizient größer als null, spricht man von einer positiven Korrelation. In diesem Fall gilt „je mehr desto mehr“, d.h. je höher die Werte der einen Variablen sind, desto höher sind auch die Werte der anderen Variable. Ein Beispiel ist der Zusammenhang zwischen Alter und Berufserfahrung: Je älter jemand ist, desto mehr Berufserfahrung kann er/sie auch schon gesammelt haben.

r < 0: Ist der Korrelationskoeffizient kleiner als null, spricht man von einer negativen Korrelation. In diesem Fall gilt „je mehr desto weniger", d.h. jedie Werte der einen Variablen sind, desto niedrigerer sind die Werten der anderen Variable. Ein Beispiel ist der Zusammenhang zwischen der Anzahl der Lernstunden und der erreichten Note auf einen Test: Je mehr jemand gelernt hat, desto niedriger wird seine/ihre Note (in Ziffern) ausfallen, d.h. umso wahrscheinlicher ist es einen Einser zu erhalten.

r ~ 0: Liegt der Korrelationskoeffizient nahe 0 so gibt es keinen linearen Zusammenhang zwischen den Variablen. Folglich kann man keine Aussage darüber treffen, wie sich die Werte der einen Variablen verändern, wenn die Werte der anderen Variable steigen. Beachten Sie bitte jedoch, dass der Korrelationskoeffizient nur lineare Zusammenhänge abbildet. Es kann also sein, dass deine Variablen vielleicht trotzdem zusammenhängen, nur eben nicht linear sondern quadratisch oder exponentiell.

Konkrete Analyseverfahren:

1. Zusammenhang von zwei intervallskalierten oder ordinalskalierten Variablen Die Pearson-Korrelationsanalyse berechnet den linearen Zusammenhang zweier intervallskalierten Variablen (z.B. Alter, 5-stufige Likertskala), während die Spearman-Rangkorrelationsanalyse den linearen Zusammenhang zweier Variablen berechnet von denen eine mindestens mind. einer ordinalskaliert ist (z.B. Altersgruppen, Schulabschluss). Als Ergebnis wird jeweils der Korrelationskoeffizient (r) berichtet, der standardisiert ist und Werte zwischen -1 und 1 annehmen kann. Hier finden Sie eine Videoanleitung zur Durchführung von Korrelationsanalysen in SPSS, hier eine für JASP.

2. Zusammenhang von zwei nominalskalierten Variablen mit 2 Ausprägungen Bei der Korrelation nominalskalierter Variablen mit zwei Ausprägungen (auch dichotome Variablen genannt, z.B. ja/nein-Fragen, Mann/Frau) wenden Sie den Phi-Koeffizienten an, er wird auch als r-Wert angeführt, kann jedoch nur eine Ausprägung zwischen 0 und 1 haben (kann nur Abhängigkeit und Unabhängigkeit zweier dichotomer Variablen einschätzen aber keine Richtung - die Richtung muss bei signifikantem r aus den Häufigkeiten geschlossen werden). Hier finden Sie eine Videoanleitung zur Berechnung des Phi-Koeffizienten in SPSS.

3. Zusammenhang von zwei nominalskalierten Variablen mit mehr als 2 Ausprägungen Bei der Korrelation nominalskalierter Variablen mit mehr als zwei Ausprägungen (z.B. Beruf, Arbeitsort) wenden Sie den Kontingenzkoeffizienten an, er wird auch als r-Wert angeführt, kann jedoch nur eine Ausprägung zwischen 0 und 1 haben (kann nur Abhängigkeit und Unabhängigkeit zweier dichotomer Variablen einschätzen aber keine Richtung - die Richtung muss bei signifikantem r aus den Häufigkeiten geschlossen werden). Hier finden Sie eine Videoanleitung zur Berechnung des Kontingenzkoeffizienten in SPSS.

Last modified: Saturday, 27 January 2024, 1:30 PM