Kendall-Tau-Rechner
Geben Sie zwei gepaarte Wertelisten ein, um Kendall-Tau-b zu berechnen – samt Anzahl der konkordanten und diskordanten Paare, z-Statistik und p-Wert für den Rangzusammenhang zwischen den Variablen.
Rangkorrelation zwischen zwei gepaarten Variablen berechnen
Formel für Kendalls Tau
Dabei gilt:
- \(C\) — Anzahl der konkordanten Paare (X und Y verändern sich in dieselbe Richtung)
- \(D\) — Anzahl der diskordanten Paare (X und Y laufen in entgegengesetzte Richtungen)
- \(T_x\) — Paare, die nur in X gebunden sind, \(T_y\) — Paare, die nur in Y gebunden sind
- \(S\) — Kendalls Statistik, \(S = C - D\)
- \(n\) — Anzahl der gepaarten Beobachtungen
- \(\Phi\) — Verteilungsfunktion der Standardnormalverteilung
\(\tau_B\) vergleicht alle möglichen Paare von Beobachtungen miteinander: Überwiegen die Paare, bei denen beide Variablen in derselben Reihenfolge stehen, ist Tau positiv; überwiegen die Paare mit umgekehrter Reihenfolge, ist Tau negativ. Mit der z-Statistik wird die Nullhypothese \(\tau = 0\) anhand der Normalapproximation geprüft.
Kendalls Tau – Rechenbeispiel
Beispiel: zehn gepaarte Beobachtungen mit \(X = 1; 2; 3; 4; 5; 6; 7; 8; 9; 10\) und \(Y = 2; 2; 1; 4; 5; 5; 7; 6; 9; 10\) (die Standardwerte des Rechners).
Von den \(\frac{10 \times 9}{2} = 45\) Paaren entfallen \(C = 40\) auf konkordante und \(D = 3\) auf diskordante Paare, \(T_x = 0\) und \(T_y = 2\), also \(S = 40 - 3 = 37\).
\[ \tau_B = \frac{37}{\sqrt{(40 + 3 + 0)(40 + 3 + 2)}} = \frac{37}{\sqrt{43 \times 45}} = \frac{37}{\sqrt{1935}} \approx 0.8412 \]
\[ z = \frac{37}{\sqrt{10 \times 9 \times 25 / 18}} = \frac{37}{\sqrt{125}} \approx 3.3094 \]
Ergebnis: \(\tau_B \approx 0.8412\) – ein sehr starker positiver monotoner Zusammenhang; der zweiseitige p-Wert beträgt \(\approx 0.0009\) und ist damit auf dem 1-%-Niveau signifikant.
So benutzen Sie den Rechner
- Geben Sie die Werte der ersten Variable (X) in das erste Textfeld ein – eine Zahl pro Beobachtung, getrennt durch Leerzeichen, Semikolons oder Zeilenumbrüche. Ränge oder Rohwerte funktionieren gleichermaßen, denn Tau hängt nur von der Reihenfolge ab.
- Geben Sie die Werte der zweiten Variable (Y) in das zweite Textfeld ein, mit derselben Anzahl an Einträgen. Jeder Y-Wert gehört zum X-Wert an derselben Position.
- Wählen Sie die Alternativhypothese: Zweiseitig (τ ≠ 0) für den üblichen Test auf einen beliebigen Zusammenhang oder eine der einseitigen Optionen, wenn Sie nur einen positiven bzw. negativen Trend erwarten.
- Lesen Sie die Ergebnisse ab: Kendall-Tau-b, die Paarzählungen (konkordant, diskordant und gebunden), \(S\), die z-Statistik, den p-Wert sowie eine kurze Interpretation von Stärke, Richtung und Signifikanz.
Was ist Kendalls Tau?
Kendalls Tau ist ein nichtparametrisches Zusammenhangmaß für zwei Variablen. Statt die tatsächlichen Werte zu vergleichen, betrachtet es die Reihenfolge der Beobachtungen: Ein Paar von Datenpunkten ist konkordant, wenn die Beobachtung mit dem größeren X auch das größere Y besitzt, und diskordant, wenn es umgekehrt ist. Tau ist im Wesentlichen der Unterschied zwischen dem Anteil der konkordanten und dem der diskordanten Paare, skaliert auf einen Bereich von \(-1\) (perfekt abnehmender Zusammenhang) über 0 (kein monotoner Zusammenhang) bis \(+1\) (perfekt zunehmender Zusammenhang).
Die hier berechnete Variante, Tau-b, korrigiert für Bindungen: Paare mit gleichem X-Wert oder gleichem Y-Wert lassen sich nicht als konkordant oder diskordant einordnen, und Tau-b nimmt sie aus dem Nenner heraus, sodass die Extremwerte \(\pm 1\) auch dann erreichbar bleiben, wenn die Daten perfekt monoton sind, ohne einander widersprechende Bindungen. Enthalten Ihre Daten gar keine Bindungen, ist Tau-b gleich Tau-a und auch der vertrauteren Form \(S / \binom{n}{2}\).
Weil Tau mit Rängen arbeitet, erfasst es jeden monotonen Zusammenhang – exponentielles Wachstum, sich sättigende Kurven, ordinale Skalen – und nicht nur geradlinige Muster; zudem ist es robust gegenüber Ausreißern und nicht normalverteilten Daten. Als Faustregel gilt: |τ| unter 0,2 ist sehr schwach, 0,2–0,4 schwach, 0,4–0,6 mittel, 0,6–0,8 stark und über 0,8 sehr stark. Eine gängige Vergleichsgröße ist \(\tau_B \approx \frac{2}{\pi}\arcsin(r)\), wobei \(r\) die Korrelation nach Pearson ist; einer Pearson-Korrelation von 0,9 entspricht also ungefähr \(\tau \approx 0.71\).
Der p-Wert beantwortet die Frage: Wären X und Y tatsächlich unabhängig, wie wahrscheinlich wäre es, allein durch Zufall ein mindestens so extremes Tau zu beobachten? Ein kleiner p-Wert (konventionell unter 0,05) zeigt einen statistisch signifikanten monotonen Zusammenhang an. Um für andere Tests eine z-Statistik in einen p-Wert umzurechnen, können Sie auch unseren P-Wert-Rechner nutzen.
Kendalls Tau oder Spearman-Rho?
Beide Kennzahlen messen den monotonen Zusammenhang anhand von Rängen und führen meist zu denselben Schlüssen. Kendalls Tau beruht auf paarweisen Vergleichen und lässt sich unmittelbarer deuten (Unterschied zwischen zustimmenden und widersprechenden Paaren); es reagiert weniger empfindlich auf Fehler und Ausreißer, und seine Stichprobenverteilung ist bei kleinen Stichproben bessermütiger. Spearman-Rho ist eine Pearson-Korrelation auf Rängen und lässt sich von Hand leichter berechnen. Bei den meisten Datensätzen führen beide zu ähnlichen Signifikanzentscheidungen – um die alternative Kennzahl auf denselben Daten zu prüfen, verwenden Sie unseren Rechner für die Spearman-Rangkorrelation.
Voraussetzungen, Grenzen und Tipps
- Gepaarte Daten: Zu jedem X-Wert muss ein Y-Wert derselben Beobachtung gehören; beide Listen müssen gleich lang sein, und die Paarung muss sinnvoll sein (die Reihenfolge der Einträge legt fest, welche Werte zusammengehören).
- Monoton, nicht linear: Tau erkennt Zusammenhänge, die beständig zu- oder abnehmen. Ein U-förmiger Zusammenhang kann ein Tau nahe null aufweisen, obwohl X und Y eng zusammenhängen.
- Geeignet für ordinale Daten: Da nur Ränge zählen, funktioniert Tau auch bei geordneten Kategorien (z. B. Zufriedenheitsbewertungen), nicht nur bei kontinuierlichen Messwerten. Für ungeordnete Kategorien in einer Kontingenztabelle verwenden Sie stattdessen den Chi-Quadrat-Test oder den Exakten Test nach Fisher.
- Normalapproximation: Der p-Wert beruht auf \(z = S/\sqrt{n(n-1)(2n+5)/18}\), was ab etwa \(n \ge 10\) hinreichend genau ist. Bei kleineren Stichproben oder vielen Bindungen greifen Sie besser auf exakte Tabellen oder Statistiksoftware zurück, die die exakte Varianz von S berechnet.
- Unabhängigkeit: Die Beobachtungen müssen voneinander unabhängig sein; bei wiederholten Messungen an denselben Personen sind spezielle Varianten wie Kendalls W nötig.
Auf einen Blick: Interpretation von Tau
| \(|\tau_B|\) | Stärke des Zusammenhangs |
|---|---|
| 0,00 – 0,19 | Sehr schwach |
| 0,20 – 0,39 | Schwach |
| 0,40 – 0,59 | Mittel |
| 0,60 – 0,79 | Stark |
| 0,80 – 1,00 | Sehr stark |
Denken Sie daran, dass dies unverbindliche Orientierungswerte sind und keine festen Grenzen: Bei einer ausreichend großen Stichprobe kann auch ein winziges Tau statistisch signifikant sein, während bei wenigen Beobachtungen sogar ein großes Tau die Signifikanz verfehlen kann. Geben Sie daher immer die Stichprobengröße zusammen mit Tau und dem p-Wert an.
Häufig gestellte Fragen
Wie berechne ich Kendalls Tau von Hand?
Schreiben Sie Ihre gepaarten Beobachtungen auf und vergleichen Sie jedes mögliche Zeilenpaar – bei n Beobachtungen sind das \(\frac{n(n-1)}{2}\) Paare. Markieren Sie jedes Paar als konkordant, wenn das größere X zum größeren Y gehört, als diskordant, wenn das größere X zum kleineren Y gehört, und als Bindung, wenn einer der beiden Werte gleich ist. Zählen Sie dann C, D, \(T_x\) und \(T_y\) und setzen Sie die Werte in \(\tau_B = (C - D)/\sqrt{(C+D+T_x)(C+D+T_y)}\) ein. Der Rechner erledigt all das automatisch und zeigt sämtliche Paarzählungen an.
Worin unterscheiden sich Kendalls Tau-a und Tau-b?
Tau-a ist schlicht \(S/\binom{n}{2}\) – der Unterschied zwischen konkordanten und diskordanten Paaren, dividiert durch die Gesamtzahl der Paare. Bei Bindungen kann es ±1 nicht erreichen. Tau-b passt den Nenner an, sodass gebundene Paare ausgeschlossen werden, und kann deshalb auch bei gebundenen Daten die Extremwerte −1 oder +1 erreichen. Wenn Ihre Daten gar keine Bindungen enthalten, liefern beide Versionen identische Ergebnisse – und beide unterscheiden sich vom Spearman-Rho, das eine Pearson-Korrelation der Ränge ist.
Wie viele Beobachtungen brauche ich für ein verlässliches Ergebnis?
Tau-b lässt sich schon ab 2 Paaren berechnen, doch der p-Wert beruht auf einer Normalapproximation, die erst ab etwa n ≥ 10 genau ist. Darunter sollten Sie exakte Tabellen der Kendall-Verteilung oder Statistiksoftware mit einem exakten Test verwenden. Beachten Sie außerdem, dass kleine Stichproben Signifikanz schwer erreichen lassen: Bei n = 5 liefert selbst eine perfekt monotone Rangfolge womöglich kein p < 0,05.
Warum ist mein Tau signifikant, obwohl es klein wirkt?
Statistische Signifikanz und Effektstärke sind zwei verschiedene Dinge. Bei einer großen Stichprobe kann auch ein sehr schwacher Zusammenhang (etwa \(\tau = 0.08\)) einen winzigen p-Wert erzeugen, weil genügend Paare vorhanden sind, um ihn zuverlässig nachzuweisen. Geben Sie Tau stets zusammen mit n und dem p-Wert an, und beurteilen Sie die praktische Relevanz anhand der Größe von Tau, nicht allein anhand der Signifikanz. Die inoffiziellen Stärkebereiche (sehr schwach unter 0,2, sehr stark über 0,8) helfen bei dieser Einschätzung.
Was passiert, wenn meine beiden Listen unterschiedlich lang sind oder Tippfehler enthalten?
Der Rechner verlangt exakt gleich viele Einträge in beiden Listen, denn die Paarung erfolgt über die Position – das erste X gehört zum ersten Y und so weiter. Weichen die Anzahlen voneinander ab oder lässt sich ein Wert nicht als Zahl einlesen, erhalten Sie statt eines Ergebnisses eine Fehlermeldung. Trennzeichen dürfen Leerzeichen, Semikolons oder Zeilenumbrüche sein; Dezimalkommas (z. B. 3,5) werden ebenso akzeptiert wie Dezimalpunkte.
Kann ich Kendalls Tau für ordinale oder gerankte Daten verwenden?
Ja – das gehört zu seinen Hauptstärken. Da Tau nur die Reihenfolge der Werte nutzt, funktioniert es bei geordneten Kategorien wie Likert-Skalen, Platzierungen aus Wettbewerben oder Schweregraden, ohne gleichen Abstand zwischen den Stufen vorauszusetzen. Nicht geeignet ist es für ungeordnete Kategorien wie Blutgruppe oder Land: Dafür eignen sich ein Chi-Quadrat-Test oder der exakte Test nach Fisher auf einer Kontingenztabelle.
Lässt sich Kendalls Tau in einen Pearson-Korrelationskoeffizienten umrechnen?
Nur näherungsweise, und nur wenn der Zusammenhang in etwa linear ist und die Variablen stetig und ohne Bindungen sind. Die übliche Näherung ist \(r \approx \sin(\pi\tau/2)\), die Umkehrung von \(\tau \approx \frac{2}{\pi}\arcsin(r)\). So entspricht zum Beispiel \(\tau = 0.6\) etwa \(r \approx 0.95\). Bei ordinalen oder stark gebundenen Daten ist Vorsicht geboten – dort sind beide Kennzahlen nicht unmittelbar vergleichbar.