Pearson-Korrelationskoeffizient-Rechner
Geben Sie zwei gepaarte Datensätze ein und erhalten Sie sofort den Pearson-Korrelationskoeffizienten r, das Bestimmtheitsmaß r², die Kovarianz sowie eine leicht verständliche Interpretation der Stärke und Richtung des Zusammenhangs.
Pearson-Korrelation berechnen
Formel des Korrelationskoeffizienten
Dabei gilt:
- \(r\) — Pearson-Korrelationskoeffizient, liegt stets zwischen \(-1\) und \(+1\)
- \(x_i, y_i\) — die gepaarten Datenwerte
- \(\bar{x}, \bar{y}\) — die Mittelwerte der beiden Datensätze
- \(n\) — die Anzahl der Paare
Der Zähler ist die Summe der Kreuzprodukte der Abweichungen (der Kovarianz-Zähler); der Nenner skaliert sie mit dem Produkt der Streuungen von X und Y, sodass das Ergebnis eine dimensionslose Zahl wird. Daher ist r unabhängig von den Einheiten oder der Skalierung Ihrer Daten.
Der Rechner gibt zusätzlich das Bestimmtheitsmaß \( r^2 \) und die Kovarianz aus:
\[ r^2 = r \times r, \qquad \operatorname{cov}(X,Y) = \frac{\sum_{i=1}^{n} (x_i - \bar{x})(y_i - \bar{y})}{n - 1 \ \text{(Stichprobe)} \ \text{oder} \ n \ \text{(Grundgesamtheit)}} \]
Korrelationskoeffizient – Rechenbeispiel
Beispiel: Ein Forscher erhebt bei acht Studierenden die Lernstunden (X) und die Testergebnisse (Y): X = 1, 2, 3, 4, 5, 6, 7, 8 und Y = 53, 61, 68, 74, 80, 85, 90, 95.
\[ \bar{x} = \frac{1+2+\cdots+8}{8} = 4.5, \qquad \bar{y} = \frac{53+61+\cdots+95}{8} = 75.75 \]
\[ \sum (x_i - \bar{x})(y_i - \bar{y}) = 248, \qquad \sum (x_i - \bar{x})^2 = 42, \qquad \sum (y_i - \bar{y})^2 = 1475.5 \]
\[ r = \frac{248}{\sqrt{42 \times 1475.5}} = \frac{248}{248.94} \approx 0.9962 \]
Ergebnis: r ≈ 0,9962 — ein sehr starker positiver linearer Zusammenhang. Das Bestimmtheitsmaß beträgt r² ≈ 0,9925, d. h. rund 99,25 % der Variation der Testergebnisse werden durch die Lernstunden erklärt. Beim Kovarianz-Typ „Stichprobe“ ergibt sich cov(X, Y) = 248 / 7 ≈ 35,43; bei „Grundgesamtheit“ cov(X, Y) = 248 / 8 = 31. Es liegen n = 8 Paare vor.
So bedienen Sie den Rechner
- Geben Sie die Werte Ihrer ersten Variable in das Feld Datensatz X ein. Trennen Sie Zahlen durch Kommas, Leerzeichen, Semikolons oder Zeilenumbrüche — ganz wie Sie möchten.
- Geben Sie die zugehörigen Werte in Datensatz Y ein, in derselben Reihenfolge wie X. Jeder X-Wert muss mit genau einem Y-Wert gepaart sein, und beide Datensätze müssen gleich viele Werte enthalten.
- Wählen Sie den Kovarianz-Typ: „Stichprobe (Division durch n − 1)“, wenn Ihre Paare eine Stichprobe aus einer größeren Grundgesamtheit sind, oder „Grundgesamtheit (Division durch n)“, wenn Sie Daten für die gesamte Population haben. Diese Wahl beeinflusst nur die angegebene Kovarianz — der Korrelationskoeffizient r ist in beiden Fällen identisch.
- Lesen Sie die Ergebnisse ab: Pearson-r, das Bestimmtheitsmaß r², die Kovarianz, die Anzahl der Paare n sowie eine leicht verständliche Interpretation des Zusammenhangs.
Was ist der Pearson-Korrelationskoeffizient?
Der Pearson-Korrelationskoeffizient (meist einfach r genannt) misst die Stärke und Richtung eines linearen Zusammenhangs zwischen zwei numerischen Variablen. Er liegt stets zwischen \(-1\) und \(+1\):
- +1 — ein perfekter positiver linearer Zusammenhang: Jede Zunahme von X geht mit einer proportionalen Zunahme von Y einher.
- 0 — kein linearer Zusammenhang zwischen den Variablen.
- −1 — ein perfekter negativer linearer Zusammenhang: Wenn X zunimmt, nimmt Y proportional ab.
Das Vorzeichen gibt die Richtung des Zusammenhangs an, während der Absolutbetrag zeigt, wie eng die Datenpunkte um eine Gerade gruppieren. Da r standardisiert ist, hängt er nicht von den Maßeinheiten ab: Die Korrelation zwischen Körpergröße und Gewicht ist dieselbe, egal ob Sie in Kilogramm und Zentimetern oder in Pfund und Zoll messen.
Das Bestimmtheitsmaß r² beantwortet eine verwandte Frage: Wie viel der Variation von Y wird durch den linearen Zusammenhang mit X erklärt. So ergibt etwa r = 0,7 ein r² = 0,49 — rund 49 % der Variation von Y gehen auf den linearen Trend zurück. Das ist oft eine anschaulichere und ehrlichere Art, die praktische Größe eines Zusammenhangs anzugeben.
Die zusätzlich zu r angegebene Kovarianz ist die unskalierte Variante desselben Konzepts. Sie beschreibt die Richtung der gemeinsamen Variation, ihr Zahlenwert hängt aber von den Einheiten ab — genau deshalb ist das standardisierte r meist die nützlichere Kennzahl.
Die Interpretation des Ergebnisses: Eine grobe Orientierung
Die Interpretationsskala dieses Rechners ist eine gängige beschreibende Konvention. Betrachten Sie die Grenzwerte als ungefähre Richtwerte, nicht als strenge Regeln — der Kontext zählt:
| |r| | Beschreibende Stärke |
|---|---|
| 0,90 – 1,00 | Sehr stark |
| 0,70 – 0,89 | Stark |
| 0,50 – 0,69 | Mittel |
| 0,30 – 0,49 | Schwach |
| 0,00 – 0,29 | Sehr schwach bis kein Zusammenhang |
Voraussetzungen, Grenzen und praktische Hinweise
- Linearität: Pearson-r erkennt nur Geradenmuster. Ein Zusammenhang kann sehr stark, aber gekrümmt sein (z. B. Y = X²) und trotzdem ein r nahe 0 liefern. Zeichnen Sie Ihre Daten immer graphisch, bevor Sie aus r allein Schlüsse ziehen.
- Korrelation ist keine Kausalität: Ein hoher r-Wert zeigt, dass zwei Variablen sich gemeinsam bewegen, nicht dass die eine die andere verursacht. Möglicherweise treibt eine verborgene dritte Variable beide an.
- Ausreißer: r reagiert empfindlich auf Extremwerte. Ein einziger ungewöhnlicher Punkt kann den Koeffizienten drastisch nach oben oder unten verzerren, besonders bei kleinen Stichproben.
- Gepaarte Daten: Die Berechnung setzt voraus, dass jeder X-Wert mit genau einem Y-Wert gepaart ist (gleiche Quelle bzw. Einheit). Zwei zusammenhanglose Zahlenlisten ergeben ein sinnloses r.
- Stichprobengröße: Bei sehr wenigen Paaren kann selbst ein großes r zufällig entstehen. Mit n = 2 ist der Koeffizient immer exakt +1 oder −1; deshalb sind mindestens 2 Paare erforderlich und deutlich mehr dringend zu empfehlen.
- Kontinuierliche Daten: Pearson-r ist für kontinuierliche, annähernd numerische Daten konzipiert. Bei ordinalen (Rang-)Daten ist die Rangkorrelation nach Spearman meist die besser geeignete Wahl.
Denken Sie schließlich an den Unterschied zwischen den Kovarianz-Optionen: Der Divisor (n − 1 gegenüber n) verändert zwar den Kovarianzwert, aber nie r oder r², da derselbe Faktor in Zähler und Nenner der Korrelationsformel auftaucht.
Häufig gestellte Fragen
Wie berechne ich den Pearson-Korrelationskoeffizienten Schritt für Schritt von Hand?
Berechnen Sie zunächst die Mittelwerte \( \bar{x} \) und \( \bar{y} \). Bestimmen Sie dann für jedes Paar die Abweichungen \( (x_i - \bar{x}) \) und \( (y_i - \bar{y}) \) und bilden Sie drei Summen: die Kreuzprodukte \( \sum (x_i - \bar{x})(y_i - \bar{y}) \) sowie die quadrierten Abweichungen \( \sum (x_i - \bar{x})^2 \) und \( \sum (y_i - \bar{y})^2 \). Teilen Sie zum Schluss die Kreuzproduktsumme durch die Quadratwurzel des Produkts der beiden Abweichungsquadratsummen. Eine Tabellenkalkulation mit einer Spalte pro Rechenschritt hält die Rechnung übersichtlich.
Ist mein Korrelationskoeffizient statistisch signifikant?
Dieser Rechner gibt die Größe von r aus, aber keinen p-Wert. Zur groben Prüfung können Sie \( t = r \sqrt{\frac{n-2}{1-r^2}} \) berechnen und mit einer t-Verteilung mit \( n - 2 \) Freiheitsgraden vergleichen. Bei n = 30 Paaren ist |r| oberhalb von etwa 0,36 auf dem 0,05-Niveau signifikant; bei n = 100 genügt |r| über rund 0,20. Kleine Stichproben benötigen deutlich stärkere Korrelationen, um aussagekräftig zu sein — grenzwertige Ergebnisse sollten Sie daher mit Vorsicht interpretieren.
Kann Pearson-r je größer als 1 oder kleiner als −1 sein?
Nein. Mathematisch liegt r stets zwischen −1 und +1, weil der Nenner \( \sqrt{\sum(x_i-\bar{x})^2 \cdot \sum(y_i-\bar{y})^2} \) nie kleiner sein kann als der Zähler (das ist die Cauchy-Schwarz-Ungleichung). Ergibt Ihre eigene Rechnung ein Wert außerhalb dieses Bereichs, deutet das auf einen Rechen- oder Eingabefehler hin — meist falsch gepaarte Werte oder ein verrutschtes Minuszeichen. Werte von exakt +1 oder −1 bei nur zwei Paaren sind mathematisch erzwungen und kein Beleg für einen perfekten Zusammenhang.
Was ist der Unterschied zwischen Pearson- und Spearman-Korrelation?
Pearson-r misst, wie gut die Daten einer Geraden folgen, und setzt annähernd kontinuierliche, intervallskalierte Variablen voraus. Die Rangkorrelation nach Spearman wandelt die Werte zunächst in Ränge um und korreliert dann diese Ränge; sie erfasst dadurch jeden konsequent monotonen Zusammenhang — ob geradlinig oder gekrümmt — und ist robust gegenüber Ausreißern. Verwenden Sie Spearman bei ordinalen Daten (Bewertungen, Ranglisten) oder wenn ein Streudiagramm ein gekrümmtes, aber stets steigendes oder fallendes Muster zeigt. Verwenden Sie Pearson, wenn Linearität und annähernd normale Daten plausibel sind.
Verändert eine Umrechnung der Einheiten, etwa Zentimeter in Zoll, die Korrelation?
Nein — Pearson-r ist dimensionslos und gegenüber linearen Skalenänderungen invariant. Multiplizieren oder Addieren von Konstanten bei einer der Variablen (Währungsumrechnung, Verschiebung eines Nullpunkts, Umrechnung von Punktwerten) lässt r exakt unverändert, weil der Skalierungsfaktor in Zähler und Nenner auftaucht und sich herauskürzt. Nur wenn Sie eine Variable mit einer negativen Zahl multiplizieren, kehrt sich das Vorzeichen um. Die Kovarianz hingegen verändert sich mit den Einheiten — ein Grund mehr, warum r meist die bevorzugte Kennzahl ist.
Warum wirkt sich ein einziger Ausreißer so stark auf mein Ergebnis aus?
Weil r aus Summen von Abweichungen aufgebaut ist, trägt ein einzelner extremer Punkt unverhältnismäßig große Kreuzproduktterme bei. Bei kleinen Stichproben kann ein Ausreißer r von 0,8 auf nahe 0 drücken oder einen schwachen Zusammenhang stark erscheinen lassen. Prüfen Sie Ihre Daten zuerst auf Tippfehler und Messfehler und erstellen Sie dann ein Streudiagramm, um zu sehen, ob ein Punkt dominiert. Ist der Ausreißer legitim, verzerrt aber das Bild, ziehen Sie in Betracht, zusätzlich zu Pearson-r die Rangkorrelation nach Spearman oder eine robuste Alternative anzugeben.
Welche Fehler treten bei der Berechnung einer Korrelation am häufigsten auf?
Der größte Fehler sind ungepaarte oder falsch geordnete Daten — der i-te X-Wert muss zum i-ten Y-Wert gehören, und beide Listen müssen gleich lang sein. Weitere häufige Fehler: r bei gekrümmten Zusammenhängen zu verwenden (wo er den Zusammenhang unterschätzt), r mit r² zu verwechseln, wenn man „Prozent der erklärten Variation“ angibt, und einen großen r-Wert als Kausalitätsnachweis zu deuten. Beachten Sie außerdem: Bei einem konstanten Datensatz ist r undefiniert, da seine Streuung null ist.