Spearman-Rangkorrelationsrechner
Geben Sie zwei gepaarte Datenreihen ein, und dieser Rechner ermittelt den Rangkorrelationskoeffizienten nach Spearman (ρ), bildet die Ränge beider Variablen und prüft den Zusammenhang mit einem ungefähren p-Wert.
Zwei Variablen in Ränge überführen und ihren monotonen Zusammenhang prüfen
Formel der Spearman-Rangkorrelation
- \(d_i\) — Differenz zwischen dem Rang der i-ten Beobachtung in X und ihrem Rang in Y
- \(n\) — Anzahl der gepaarten Beobachtungen
Spearman-Rangkorrelation – Rechenbeispiel
Beispiel: Zehn Studierende lernen immer mehr Stunden (X) und erzielen die in Y aufgeführten Punkte in einem Test. Es werden die Standardwerte des Rechners verwendet: X = 2; 4; 6; 8; 10; 12; 14; 16; 18; 20 und Y = 55; 62; 58; 70; 70; 71; 80; 85; 82; 90.
Die Ränge von X sind einfach 1 bis 10. Die Rangbildung für Y ergibt 1, 3, 2, 4,5; 4,5; 6, 7, 9, 8, 10 (die beiden Werte 70 teilen sich den Mittelwert der Ränge 4 und 5). Wegen dieser Bindung wird \(\rho\) als Pearson-Korrelation der Ränge berechnet:
\[ \rho = \frac{\sum r_x r_y - n \bar{r}_x \bar{r}_y}{\sqrt{\left(\sum r_x^2 - n \bar{r}_x^2\right)\left(\sum r_y^2 - n \bar{r}_y^2\right)}} = \frac{80}{\sqrt{82.5 \times 82}} \approx 0.973 \]
Der Test von \(H_0: \rho = 0\) mit \(t = \rho\sqrt{\frac{n-2}{1-\rho^2}} \approx 11.84\) bei 8 Freiheitsgraden ergibt \(p < 0{,}0001\).
Ergebnis: \(\rho \approx 0.973\) bei \(n = 10\) Paaren — ein sehr starker gleichläufiger (monoton steigender) Zusammenhang, statistisch signifikant auf dem 0,05-Niveau.
So verwenden Sie den Rechner
- Geben Sie die X-Werte in das erste Feld ein — eine Zahl pro Beobachtung, getrennt durch Leerzeichen, Semikolons oder Zeilenumbrüche (Dezimalkommas sind zulässig).
- Geben Sie die Y-Werte in das zweite Feld ein, und zwar in exakt derselben Reihenfolge, damit jedes X dem richtigen Y zugeordnet ist.
- Wählen Sie die Alternativhypothese: zweiseitig (\(\rho \neq 0\)), rechtsseitig (\(\rho > 0\)) oder linksseitig (\(\rho < 0\)). Damit legen Sie fest, welche Seite des Signifikanztests für den p-Wert verwendet wird.
- Lesen Sie die Ergebnisse ab: Spearman-\(\rho\), die Anzahl der gepaarten Beobachtungen \(n\), den ungefähren p-Wert sowie eine ausführliche Tabelle mit jedem Wert, seinen Rängen, den Rangdifferenzen und der verwendeten Methode.
Beide Listen müssen dieselbe Anzahl von Werten enthalten (mindestens 3), und keine der beiden Variablen darf konstant sein, da die Korrelation sonst nicht definiert ist.
Was ist die Rangkorrelation nach Spearman?
Der Rangkorrelationskoeffizient nach Spearman, meist als \(\rho\) (rho) oder \(r_s\) geschrieben, misst Stärke und Richtung des monotonen Zusammenhangs zwischen zwei Variablen: Tendiert die eine Variable dazu zu steigen, wenn die andere steigt (\(\rho > 0\)), oder zu sinken, wenn die andere steigt (\(\rho < 0\))? Das Verfahren ersetzt jeden Wert durch seinen Rang innerhalb der eigenen Variable und korreliert anschließend die Ränge. \(\rho\) liegt immer zwischen −1 und +1, wobei +1 bedeutet, dass beide Rangfolgen identisch sind, und −1, dass sie exakt umgekehrt sind.
Der entscheidende Unterschied zum Korrelationskoeffizienten nach Pearson liegt in der Art des erfassten Zusammenhangs. Pearson misst, wie gut eine Gerade zu den Daten passt, während Spearman nur prüft, ob der Zusammenhang durchgängig steigend oder fallend ist — jede monotone Kurve zählt. Deshalb ist Spearman die natürliche Wahl, wenn die Daten ordinal sind (Ränge, Bewertungen, Noten), stark schief verteilt oder mit Ausreißern behaftet sind, denn ein einziger extremer Wert kann Pearsons \(r\) stark verzerren, während er einen Rang kaum verschiebt.
Der p-Wert beantwortet die Frage: Wie wahrscheinlich wäre eine derart große Stichprobenkorrelation allein durch Zufall, wenn in der Grundgesamtheit tatsächlich kein monotoner Zusammenhang bestünde (\(\rho = 0\))? Ein kleiner p-Wert (üblicherweise unter 0,05) spricht für einen echten Zusammenhang. Falls Sie mit p-Werten allgemein noch unsicher sind, erklärt der p-Wert-Rechner das Konzept ausführlicher.
Wie Sie das Ergebnis interpretieren
Beachten Sie Vorzeichen und Betrag von \(\rho\) gemeinsam mit dem p-Wert:
- Vorzeichen: \(\rho > 0\) zeigt einen steigenden Zusammenhang an, \(\rho < 0\) einen fallenden.
- Betrag (grobe Orientierung): |\(\rho\)| ≥ 0,9 sehr stark, 0,7–0,9 stark, 0,4–0,7 mittel, 0,2–0,4 schwach, unter 0,2 vernachlässigbar.
- p-Wert: Er sagt Ihnen, ob sich der Zusammenhang statistisch von null unterscheidet. Ein großes \(\rho\) aus einer winzigen Stichprobe kann trotzdem insignifikant sein.
Bedenken Sie, dass Korrelation keine Kausalität ist: Selbst ein sehr starker monotoner Zusammenhang beweist nicht, dass die eine Variable die andere antreibt. Beide können von einem dritten Faktor beeinflusst werden, oder das Muster kann zufällig zustande gekommen sein.
Voraussetzungen, Grenzen und praktische Hinweise
- Monoton, nicht linear: Spearman erkennt jedes durchgängig steigende oder fallende Muster. Steigt der Zusammenhang erst und fällt dann (etwa in U-Form), kann \(\rho\) nahe null liegen, obwohl die Variablen klar zusammenhängen.
- Ordinale Daten sind kein Problem: Es wird keine Normalverteilung vorausgesetzt — nur, dass sich die Werte sinnvoll ordnen lassen.
- Bindungen: Tritt derselbe Wert mehrfach in einer Variable auf, erhalten die gebundenen Beobachtungen den Durchschnitt ihrer Ränge, und \(\rho\) wird als Pearson-Korrelation der Ränge berechnet. Die klassische Formel \(1 - 6\sum d^2 / (n(n^2-1))\) stimmt nur ohne Bindungen exakt; bei vielen Bindungen ist der Rang-Pearson-Ansatz der korrekte — deshalb verwendet der Rechner ihn durchgängig.
- Kleine Stichproben: Der p-Wert beruht auf der Standardnäherung \(t = \rho\sqrt{(n-2)/(1-\rho^2)}\) mit \(n-2\) Freiheitsgraden, die ab \(n \geq 10\) genau ist. Für \(n < 10\) sollten Sie \(\rho\) vor Schlussfolgerungen mit exakten kritischen Werten der Spearman-Verteilung vergleichen.
- Die Paarung entscheidet: Das k-te X muss zum k-ten Y gehören. Eine verdrehte Y-Liste liefert ein sinnloses Ergebnis.
- Ausreißer: Rangbasierte Kennzahlen sind robust dagegen — prüfen Sie aber, ob eine extreme Beobachtung ein echter Datenpunkt oder ein Erfassungsfehler ist.
Wenn Sie über den Zusammenhang hinausgehend eine Variable durch die andere vorhersagen möchten, passt der Rechner für lineare Regression ein Modell an und liefert dessen Koeffizienten; der Cohens-d-Rechner ist nützlich, wenn Sie Unterschiede zwischen Gruppen quantifizieren wollen statt Zusammenhänge.
Häufig gestellte Fragen
Wie berechne ich Spearmans rho von Hand?
Bilden Sie für jede Variable separat die Ränge vom kleinsten (1) bis zum größten Wert (n), ziehen Sie für jedes Paar die beiden Ränge voneinander ab, um \(d_i\) zu erhalten, quadrieren und summieren Sie diese Differenzen und wenden Sie dann \( \rho = 1 - \frac{6\sum d_i^2}{n(n^2-1)} \) an. Bei 5 Paaren und \(\sum d^2 = 4\) ergibt sich \( \rho = 1 - \frac{6 \times 4}{5(25-1)} = 0.8 \). Bei Bindungen weisen Sie den gebundenen Werten den Durchschnitt ihrer Ränge zu und nutzen stattdessen die Pearson-auf-Rängen-Methode, da die Kurzformel dann verzerrt ist.
Was ist ein guter oder starker Spearman-Korrelationswert?
Es gibt keine universelle Grenze — das hängt vom Fachgebiet und vom Stichprobenumfang ab. Als grobe Orientierung gilt |ρ| über 0,7 meist als stark und über 0,9 als sehr stark, während Werte unter 0,2 vernachlässigbar sind. Lesen Sie den Betrag immer zusammen mit dem p-Wert: Ein ρ von 0,9 aus 4 Beobachtungen kann statistisch insignifikant sein, während ein ρ von 0,25 aus 1.000 Paaren hochsignifikant, aber praktisch klein sein kann.
Wann sollte ich Spearmans rho statt Pearsons r verwenden?
Verwenden Sie Spearman, wenn der Zusammenhang monoton, aber nicht linear sein kann (exponentielles Wachstum, Sättigungskurven), wenn Ihre Daten ordinal sind (Ranglisten, Likert-Skalen, Noten), wenn die Verteilungen stark schief sind oder wenn Ausreißer vorliegen — Ränge begrenzen extreme Werte, sodass sie das Ergebnis nicht dominieren können. Pearson ist vorzuziehen, wenn Sie gezielt einen geradlinigen Zusammenhang auf annähernd intervallskalierten Daten messen wollen.
Wie werden Bindungen in der Spearman-Korrelation behandelt?
Gebundene Beobachtungen erhalten den Durchschnitt der Ränge, die sie eingenommen hätten — zwei Werte, die sich Platz 4 und 5 teilen, erhalten beide den Rang 4,5. Durch diese Mittelung ist die klassische Formel \( 1 - 6\sum d^2/(n(n^2-1)) \) nicht mehr exakt; der Koeffizient sollte daher als Pearson-Korrelation der Ränge berechnet werden, was dieser Rechner tut. Bei einzelnen Bindungen ist der Unterschied winzig, bei vielen Bindungen spielt er aber eine Rolle.
Kann Spearmans rho mit Rang- oder Ordinaldaten berechnet werden?
Ja — das ist eine seiner Hauptstärken. Sie können Daten eingeben, die bereits Ränge, Bewertungen oder geordnete Kategorien sind (z. B. 1., 2., 3. Platz oder Punktwerte 1–5), da das Verfahren nur voraussetzt, dass sich die Werte ordnen lassen. Eine Normalverteilung wird nicht angenommen. Achten Sie nur darauf, dass beide Listen in dieselbe Richtung sortiert sind: Wenn hohe Zahlen in der einen Variable „am besten“ bedeuten, in der anderen aber „am schlechtesten“, wird ρ zu Recht negativ ausfallen.
Warum ist meine Spearman-Korrelation niedrig, obwohl die Variablen klar zusammenhängen?
Spearman erkennt nur monotone Muster — solche, die durchgängig steigen oder durchgängig fallen. Ist der Zusammenhang U-förmig, steigt er erst und flacht dann ab oder kehrt sich um, kann ρ trotz starken Zusammenhangs nahe null liegen. Zeichnen Sie Ihre Daten zuerst. Weitere Ursachen sind eine kleine Anzahl von Paaren, eine falsch zugeordnete X-Y-Reihenfolge oder viele Bindungen, die die effektive Rangvariation zusammenstauchen.
Beweißt eine signifikante Spearman-Korrelation einen Kausalzusammenhang?
Nein. Ein signifikantes ρ zeigt nur einen monotonen Zusammenhang zwischen den beiden Variablen in Ihrer Stichprobe an. Die eine Variable kann die andere antreiben, beide können von einem dritten Faktor abhängen, oder das Muster kann Zufall sein. Behandeln Sie Signifikanz — gerade bei Beobachtungsdaten — als Anlass für weitere Untersuchungen: Kontrollierte Experimente und das Studiendesign, nicht die Korrelation selbst, begründen Kausalität.