Korrelationsanalyse
Die Korrelationsanalyse zeigt, wie sich zwei oder mehr Variablen gemeinsam verändern: mit der Pearson-Korrelation für lineare Zusammenhänge und der Spearman-Rangkorrelation für ordinale Daten oder monotone Zusammenhänge. Sie dient dazu, Zusammenhänge zu untersuchen, Daten zu sichten und Variablen auszuwählen. Die Daten sollten stetig oder ordinal sein, mit n von mindestens 25 und annähernd bivariat normalverteilt. Ausgabe: paarweise Korrelationskoeffizienten mit p-Werten und optionalen Streudiagrammen.
Zuletzt geprüft
Kernaussage
Die Korrelationsanalyse quantifiziert Stärke und Richtung des linearen Zusammenhangs zwischen zwei oder mehr stetigen oder ordinalen Variablen, meist mit dem Pearson-Koeffizienten von -1 bis +1, ohne Kausalität zu unterstellen.
Auf dieser Seite
Was ist eine Korrelationsanalyse?
Die Korrelationsanalyse ist ein statistisches Verfahren, das Stärke und Richtung des linearen Zusammenhangs zwischen zwei oder mehr Variablen quantifiziert. Sie dient vor allem dazu, zu untersuchen, wie sich Variablen mit konstanter Rate gemeinsam verändern, ohne Kausalität zu unterstellen. Das gebräuchlichste Maß ist der Pearson-Korrelationskoeffizient, der von -1 (perfekter negativer Zusammenhang) bis +1 (perfekter positiver Zusammenhang) reicht, wobei 0 keinen linearen Zusammenhang anzeigt. Die Analyse gilt für stetige oder ordinale Variablen; für ordinale Daten oder monotone Zusammenhänge wird die Spearman-Rangkorrelation verwendet.
Wann wird die Korrelationsanalyse eingesetzt?
Sie wird in vielen Bereichen eingesetzt, darunter Statistik, Sozialwissenschaften, Volkswirtschaft, Finanzwesen und Marktforschung. In folgenden Situationen kann die Korrelationsanalyse nützlich sein:
- Zusammenhänge untersuchen: Die Korrelationsanalyse hilft Ihnen, den Zusammenhang zwischen zwei Variablen zu verstehen. Sie kann zeigen, ob die Variablen positiv korreliert sind (gemeinsam steigen oder fallen), negativ korreliert sind (eine Variable steigt, während die andere fällt) oder gar nicht korreliert sind.
- Daten sichten: Die Korrelationsanalyse wird häufig als Vorstufe genutzt, um mögliche Zusammenhänge zu erkennen, bevor komplexere Analysen durchgeführt werden. Sie hilft Forschenden zu erkennen, welche Variablen eine genauere Untersuchung lohnen.
- Hypothesentests: Mit der Korrelationsanalyse lassen sich Hypothesen über die Zusammenhänge zwischen Variablen prüfen. Beispielsweise möchten Sie testen, ob eine signifikante Korrelation zwischen Einkommen und Bildungsniveau oder zwischen Kundenzufriedenheit und Kaufverhalten besteht.
- Prognosen: Die Korrelationsanalyse kann in Prognosemodellen eingesetzt werden. Besteht in historischen Daten eine starke Korrelation zwischen zwei Variablen, deutet dies darauf hin, dass Änderungen der einen Variablen bei der Vorhersage von Änderungen der anderen hilfreich sein können.
- Variablenauswahl: Beim Aufbau von Vorhersagemodellen kann die Korrelationsanalyse bei der Auswahl der Variablen helfen. Sind zwei Variablen stark korreliert, kann die Aufnahme beider in das Modell zu Multikollinearität führen. In solchen Fällen können Sie nur eine der Variablen aufnehmen oder Verfahren zur Dimensionsreduktion verwenden.
- Qualitätskontrolle: In Prozessen der Qualitätskontrolle lässt sich die Korrelationsanalyse einsetzen, um Zusammenhänge zwischen Variablen zu erkennen, die die Produktqualität beeinflussen können. In der Fertigung können Sie beispielsweise die Korrelation zwischen bestimmten Prozessvariablen und Produktfehlern analysieren.
- Portfoliomanagement: Im Finanzwesen wird die Korrelationsanalyse häufig genutzt, um die Zusammenhänge zwischen verschiedenen Anlagewerten zu beurteilen. Die Kenntnis der Korrelation zwischen Anlagewerten hilft beim Aufbau diversifizierter Portfolios, die das Risiko potenziell verringern können.
Hinweise zur richtigen Anwendung der Korrelationsanalyse
- Verwenden Sie mindestens 2 Spalten mit numerischen oder Datums-/Zeitdaten
- Alle Spalten müssen dieselbe Anzahl von Zeilen haben
- Die Daten sollten stetig oder ordinal sein
- Führen Sie für kategoriale Daten eine Kreuztabellierung mit Chi-Quadrat-Test durch
- Der Stichprobenumfang sollte mittel bis groß sein (n ≥ 25)
- Größere Stichproben liefern genauere und präzisere Schätzungen
- Der Zusammenhang zwischen den Variablen sollte linear oder monoton sein
- Verwenden Sie eine Matrixdarstellung, um Ausreißer zu erkennen und zu untersuchen
- Die Daten sollten einer bivariaten Normalverteilung folgen
- Die p-Wert-Verfahren für Korrelationen sind bei n ≥ 25 robust gegenüber Abweichungen von der Normalverteilung
- Konfidenzintervalle für die Pearson-Korrelation reagieren empfindlich auf die Normalverteilungsannahme
- Konfidenzintervalle für Spearman-Korrelationen beruhen auf Rängen und reagieren weniger empfindlich auf die Verteilungsannahme
Alternativen: Wann Sie keine Korrelationsanalyse verwenden sollten
- Regressionsmodell anpassen: Das Anpassen eines Regressionsmodells ist in der Regel besser geeignet als eine Korrelationsanalyse, wenn Sie Vorhersagen treffen oder die Werte der abhängigen Variablen anhand der unabhängigen Variablen schätzen möchten.
- Streudiagramm: Ein Streudiagramm kann besser geeignet sein als eine Korrelationsanalyse, wenn in den Daten nichtlineare Zusammenhänge oder Ausreißer vorliegen können.
Beispiel für eine Korrelationsanalyse
Die Bank verlangt von Kreditantragstellern acht bestimmte Angaben, nämlich Einkommen, Bildungsniveau, Alter, Wohndauer am aktuellen Wohnort, Beschäftigungsdauer beim aktuellen Arbeitgeber, Ersparnisse, Schulden und Anzahl der Kreditkarten. Ein Bankmitarbeiter möchte wissen, welche dieser Angaben stark miteinander zusammenhängen. Er erhebt diese Daten für 30 Kreditantragsteller und führt eine Korrelationsanalyse durch, um die paarweisen Korrelationskoeffizienten und ihre p-Werte für die acht Variablen zu erhalten. Die folgenden Schritte:
- Die erforderlichen Daten wurden erhoben.

- Analysieren Sie die Daten nun in Zometric Statistical Software unter https://statsai.zometric.com/.
- Um die Korrelationsanalyse zu finden, wählen Sie Statistical module> Graphical analysis> correlation analysis.
- Geben Sie im Werkzeug die Daten zusammen mit den weiteren Eingaben wie folgt ein:

5. Nach Anwendung des oben genannten Werkzeugs erhalten Sie folgende Ausgabe:

Anleitung: Korrelationsanalyse durchführen
Gehen Sie wie folgt vor:
- Melden Sie sich bei Zometric Statistical Software an: https://statsai.zometric.com/
- Wählen Sie auf der Startseite Statistical Tool> Graphical analysis > correlation analysis.
- Geben Sie die Daten anschließend manuell ein, oder kopieren Sie die Daten vollständig (Strg+C) aus einer Excel-Tabelle und fügen Sie sie ein (Strg+V); alternativ gibt es die Option Load Example, mit der die Beispieldaten geladen werden.
- Ordnen Sie anschließend die Spalten den Parametern zu.
- Klicken Sie abschließend unten auf der Seite auf calculate, um die gewünschten Ergebnisse zu erhalten.
Auf dem Dashboard der Korrelationsanalyse ist das Fenster in zwei Bereiche geteilt.

Im linken Bereich befindet sich der Datenbereich (Data Pane). Im Data Pane bildet jede Zeile eine Teilgruppe. Die Daten können manuell eingegeben oder vollständig aus einer Excel-Tabelle kopiert (Strg+C) und hier eingefügt (Strg+V) werden.
Load example: Beispieldaten werden geladen.
Load File: Damit werden Excel-Daten direkt geladen.
Im rechten Bereich müssen Sie nur Folgendes angeben:
Variables: Um mehrere Variablen für die Korrelationsanalyse auszuwählen, bestimmen Sie zunächst die relevanten quantitativen Variablen in Ihrem Datensatz. Berechnen Sie dann die paarweisen Korrelationskoeffizienten zwischen diesen Variablen, um Stärke und Richtung ihrer linearen Zusammenhänge zu verstehen. So lässt sich ermitteln, welche Variablen stark zusammenhängen, was die Merkmalsauswahl und multivariate Analysen für weitere Untersuchungen oder Modellierungen unterstützt.
Display Scatter: Ein Streudiagramm in der Korrelationsanalyse stellt den Zusammenhang zwischen zwei Variablen grafisch dar und zeigt ihre Beziehung in einem kartesischen Koordinatensystem. Es hilft, Muster, Trends und Ausreißer zu erkennen, und ergänzt den numerischen Korrelationskoeffizienten. Diese Darstellung vermittelt ein klareres Bild von Stärke und Richtung des linearen Zusammenhangs zwischen den Variablen.
Download as Excel: Damit wird das Ergebnis im Excel-Format ausgegeben, das sich leicht bearbeiten und über die Option load file erneut für Berechnungen laden lässt.
Häufig gestellte Fragen
Was sagt ein Korrelationskoeffizient aus?
Der Pearson-Korrelationskoeffizient misst Stärke und Richtung des linearen Zusammenhangs zwischen zwei Variablen. Er reicht von -1, einem perfekten negativen Zusammenhang, bis +1, einem perfekten positiven Zusammenhang, wobei 0 keinen linearen Zusammenhang bedeutet. Die Korrelation zeigt, wie sich Variablen gemeinsam verändern, unterstellt aber keine Kausalität.
Welche Annahmen gelten für die Korrelationsanalyse?
Verwenden Sie mindestens zwei Spalten mit stetigen oder ordinalen Daten und derselben Anzahl von Zeilen. Der Zusammenhang sollte linear oder monoton sein, und die Daten sollten einer bivariaten Normalverteilung folgen. Konfidenzintervalle für die Pearson-Korrelation reagieren empfindlich auf die Normalverteilungsannahme; Spearman-Intervalle beruhen auf Rängen und reagieren weniger empfindlich darauf.
Wie viele Stichprobenwerte braucht man für eine Korrelationsanalyse?
Empfohlen wird eine mittlere bis große Stichprobe von mindestens 25; größere Stichproben liefern genauere und präzisere Schätzungen. Bei n von mindestens 25 sind die p-Wert-Verfahren für Korrelationen robust gegenüber Abweichungen von der Normalverteilung. Verwenden Sie eine Matrixdarstellung, um Ausreißer zu erkennen und zu untersuchen, bevor Sie sich auf die Koeffizienten stützen.
Wann sollte man statt einer Korrelation eine Regression oder ein Streudiagramm verwenden?
Passen Sie ein Regressionsmodell an, wenn Sie die Werte der abhängigen Variablen aus den unabhängigen Variablen vorhersagen oder schätzen möchten. Verwenden Sie ein Streudiagramm, wenn der Zusammenhang nichtlinear sein kann oder Ausreißer vorliegen können. Verwenden Sie für kategoriale Daten statt einer Korrelationsanalyse eine Kreuztabellierung mit Chi-Quadrat-Test.
