Korrelation prüfen: warum das Streudiagramm vor dem Koeffizienten kommt

1. Zwei Werte derselben Untersuchungseinheit zusammenführen

Bevor du eine Korrelation berechnest, muss jede Wertepaarung sinnvoll sein. Welche zwei Merkmale gehören zu derselben Person, Einrichtung oder Beobachtung? Kläre außerdem, ob mehrfach gemessene Werte oder Gruppenabhängigkeiten vorliegen. Eine gewöhnliche Korrelationsanalyse behandelt nicht automatisch jede verschachtelte Datenstruktur angemessen. Halte Messniveau, Einheit und Auswahl der Fälle fest. Eine Software kann auch aus falsch zusammengefügten Spalten einen Koeffizienten berechnen. Die erfolgreiche Berechnung zeigt deshalb nicht, dass die Daten inhaltlich richtig verbunden wurden.

Im eigenen fiktiven Beispiel vergleichst du wöchentliche Lernzeit und eine Punktzahl derselben Studierenden. Wenn beide Listen unterschiedlich sortiert wurden, verbindest du sie über eine geprüfte Kennung, nicht über die Zeilenposition. Kontrolliere doppelte Kennungen und fehlende Werte. Notiere die tatsächlich verwendete Zahl vollständiger Paare. Überlege zudem, ob Lernzeit und Punktzahl denselben Zeitraum betreffen. Ein scheinbar präziser Zusammenhang kann sonst Merkmale kombinieren, die deine geplante Frage gar nicht abbilden. Diese Vorbereitung gehört zur Analyse, nicht nur zur Datenverwaltung.

2. Form und auffällige Bereiche im Streudiagramm ansehen

NIST beschreibt Streudiagramme als Werkzeug, um unter anderem lineare und nichtlineare Beziehungen, wechselnde Streuung und auffällige Beobachtungen zu erkennen. Zeichne die beiden Merkmale deshalb vor der Verdichtung zu einer einzelnen Zahl. Beschrifte Achsen und Einheiten eindeutig. Achte darauf, ob ein geradliniger Trend, eine Kurve oder getrennte Punktwolken vorliegen. Ein Diagramm macht auch sichtbar, ob die Daten nur einen engen Wertebereich abdecken. Es beweist jedoch keine Ursache-Wirkungs-Beziehung, selbst wenn das Muster sehr deutlich aussieht.

Eine eigene Rechenübung zeigt die Grenze eines linearen Maßes: Für x = −2, −1, 0, 1, 2 und y = 4, 1, 0, 1, 4 ergibt die Pearson-Korrelation null. Trotzdem besteht hier die exakte Beziehung y = x². Die Zahlen sind ein künstliches Beispiel, keine Studie. Zeichne diese fünf Punkte selbst und vergleiche das Bild mit dem Satz kein Zusammenhang. Korrekt wäre, dass der lineare Korrelationswert den gekrümmten Zusammenhang nicht beschreibt. Ein unauffälliger Koeffizient kann also eine interessante Struktur verdecken.

Weiterführend: NIST/SEMATECH: Scatter Plot

3. Pearson und Rangkorrelation nach der Frage auswählen

Die R-Dokumentation zu cor.test unterscheidet Pearson-, Spearman- und Kendall-Verfahren. Pearson bezieht sich auf lineare Zusammenhänge; die Rangverfahren beschreiben andere Aspekte der Zuordnung. Ein Rangverfahren ist deshalb nicht bloß eine reparierte Pearson-Korrelation. Überlege, welches Merkmal du zusammenfassen möchtest und welche Voraussetzungen für die zugehörige Inferenz gelten. Auch Bindungen, fehlende Werte und Stichprobengröße können die konkrete Berechnung beeinflussen. Notiere Verfahren und Optionen, statt nur den Namen der Software und einen p-Wert zu berichten.

Im fiktiven Lernzeitprojekt könnte dich interessieren, ob höhere Lernzeiten tendenziell mit höheren Punktzahlen einhergehen oder ob die Beziehung im beobachteten Bereich annähernd linear ist. Das sind verwandte, aber nicht identische Fragen. Ein streng steigender gekrümmter Zusammenhang kann sich in einer Rangkorrelation anders darstellen als in Pearson. Wähle das Maß daher vor der Suche nach einem besonders großen Wert. Bei ordinalen Antworten oder vielen gleichen Werten ist zusätzliche methodische Klärung sinnvoll, bevor eine einfache Standardausgabe interpretiert wird.

Weiterführend: R Core: Test for Association/Correlation Between Paired Samples

4. Gruppen und einflussreiche Fälle sachlich prüfen

Eine gemeinsame Punktwolke kann Unterschiede zwischen Gruppen mit Beziehungen innerhalb der Gruppen vermischen. Prüfe sachlich begründete Gruppierungen, wenn sie zum Design gehören. Das bedeutet nicht, beliebig viele Untergruppen auszuprobieren, bis eine auffällige Korrelation erscheint. Beschreibe, welche Aufteilung geplant war und welche erst beim Betrachten der Daten entstand. Ein auffälliger Einzelpunkt ist ebenfalls zunächst ein Prüfauftrag. Kontrolliere Herkunft und Einheit, bevor du über eine Korrektur oder eine ergänzende Auswertung entscheidest.

Angenommen, im fiktiven Projekt stammen Beobachtungen aus zwei Kursen mit unterschiedlichen Prüfungsformaten. Ein Gesamtzusammenhang könnte durch diese Bedingungen geprägt sein. Stelle deshalb die inhaltliche Frage, ob die Punktzahlen überhaupt direkt vergleichbar sind. Eine farbliche Markierung im Streudiagramm kann die Struktur zeigen, löst aber das Messproblem nicht. Wenn du eine Sensitivitätsanalyse mit und ohne einen begründet zu prüfenden Fall berichtest, benenne beide Ergebnisse und den Anlass. Lösche keinen gültigen Wert, nur weil er die gewünschte Geschichte schwächt.

5. Stärke, Unsicherheit und Aussagegrenze zusammen berichten

Berichte das gewählte Maß, die analysierten Paare und eine zum Verfahren passende Darstellung der Unsicherheit. Erkläre die sachliche Bedeutung des beobachteten Musters, ohne pauschale Größenschwellen als universelles Urteil zu verwenden. Ein Zusammenhang kann für eine bestimmte Anwendung relevant und für eine andere wenig hilfreich sein. Trenne außerdem beobachtete Assoziation von Erklärung und Vorhersage. Aus den beiden gemessenen Merkmalen allein folgt weder eine Wirkungsrichtung noch die Ausschließung anderer Einflussgrößen. Der Forschungsbericht muss diese Grenze auch im Fazit bewahren.

Der Abschlusswerk-Statistikassistent kann helfen, die Wahl des Zusammenhangsmaßes als Frage zu strukturieren. Er prüft nicht automatisch die Paarung oder die tatsächliche Punktwolke deiner Daten. Führe die Berechnung in deiner Statistiksoftware nachvollziehbar aus und vergleiche jede Ergebnisformulierung mit dem Diagramm. Eine gute Endkontrolle fragt: Was würde ich übersehen, wenn ich nur die Zahl sähe? Wenn Kurven, Gruppen oder einzelne Fälle für die Antwort wichtig sind, gehören sie in die Interpretation und nicht in eine unsichtbare Randnotiz.