Spearman-Korrelation: Rangordnung und Grenzen prüfen

1. Die gewünschte Aussage über den Zusammenhang formulieren

Sollen höhere Werte einer Variablen tendenziell mit höheren oder niedrigeren Werten der anderen einhergehen? Eine solche Frage kann zu einer Rangkorrelation führen. Die SciPy-Dokumentation beschreibt Spearman als Maß für einen monotonen Zusammenhang. Monoton bedeutet hier eine durchgehend gleichgerichtete Tendenz, nicht zwingend eine Gerade. Eine gekrümmte Beziehung kann diese Tendenz erfüllen. Ein U-förmiger Verlauf enthält dagegen unterschiedliche Richtungen und kann trotz eines deutlichen Musters durch einen einzelnen Rangkoeffizienten schlecht beschrieben werden.

Als eigene Vorübung zeichnest du zwei rein fiktive Punktmuster: einmal einen durchgehend steigenden, gebogenen Verlauf; einmal hohe Werte an beiden Enden und niedrige in der Mitte. Schreibe unter jedes Muster, was ein einziger gleichgerichteter Zusammenhang erfassen könnte und was nicht. Diese Übung berechnet keinen Studienbefund. Sie zwingt dazu, die Formfrage vor dem Testnamen zu klären. Ein nicht signifikanter oder kleiner Koeffizient schließt nicht jede denkbare Beziehung zwischen den Variablen aus.

Weiterführend: SciPy: spearmanr, Definition und Hinweise zum Test

2. Die Rangordnung und gleiche Werte nachvollziehbar behandeln

Die R-Dokumentation beschreibt Spearman im Kern als Korrelation der Ränge. Die Abstände zwischen den ursprünglichen Messwerten stehen damit nicht mehr in derselben Weise im Mittelpunkt wie bei Pearson. Verwechsle eine solche Transformation nicht mit einer inhaltlichen Gleichsetzung aller Datenarten. Die Reihenfolge der Ausprägungen muss fachlich sinnvoll sein. Willkürliche Codes für unverbundene Kategorien erhalten durch das Sortieren keine begründete Rangordnung. Kläre deshalb zuerst die Bedeutung und Kodierung beider Variablen.

Für ein eigenes kleines Übungsblatt verwende Werte wie zwei, vier, vier und neun. Markiere, dass zwei Personen denselben Wert vier besitzen. Vergib keine künstlich unterschiedlichen Positionen, nur weil eine Zeile zuerst in der Datei steht. Halte die verwendete Regel für gleiche Werte und die Softwarefassung fest. Bei wenigen Antwortstufen können viele Rangbindungen auftreten. Das ist kein Anlass, die Daten zufällig zu verändern, sondern ein Merkmal, das bei Verfahren und Ergebnisdarstellung berücksichtigt werden muss.

Weiterführend: R stats: cor, rangbasierte Zusammenhangsmaße und fehlende Werte

3. Beobachtungseinheiten und fehlende Werte vorab klären

Lege eine eigene Planungskarte an: Untersuchungsfrage, Variable eins, Variable zwei, sinnvolle Reihenfolge, Beobachtungseinheit und fehlende Angaben. Jeder berücksichtigte Wertepaarvergleich muss zur tatsächlich gleichen Untersuchungseinheit gehören. Mehrere Zeitpunkte derselben Person werden nicht allein durch die Wahl von Spearman unabhängig. Wenn du solche Daten hast, muss der Auswertungsansatz die Abhängigkeit angemessen berücksichtigen. Eine rangbasierte Rechnung repariert keine falsch zusammengesetzten Paare und macht eine verzerrte Stichprobe nicht repräsentativ.

Halte getrennt fest, wie viele Personen insgesamt vorhanden sind und wie viele vollständige Paare in den betrachteten Zusammenhang eingehen. Unterschiedliche Regeln zum Umgang mit fehlenden Werten können unterschiedliche ausgewertete Bestände erzeugen. Die R-Hilfe dokumentiert hierfür verschiedene Einstellungen. Übernimm keinen Standard ungeprüft. Beschreibe die tatsächlich gewählte Behandlung und ihre Konsequenz für die Fallzahl. Fehlen gerade besonders hohe oder niedrige Angaben, löst bloßes Weglassen die mögliche Verzerrung nicht automatisch.

Kontrolliere auch, ob eine Variable überhaupt variiert. Gibt jede Person dieselbe Antwort, fehlt eine informative Rangfolge für diesen Zusammenhang. Die SciPy-Hilfe weist für konstante Eingaben auf einen nicht definierten Koeffizienten hin. Ein solcher Fall ist weder ein bestätigter Nullzusammenhang noch ein Softwareergebnis, das als null umbeschriftet werden darf. Notiere den tatsächlichen Grund und prüfe Kodierung sowie Datenquelle, bevor du eine inhaltliche Schlussfolgerung formulierst.

4. Koeffizient und Unsicherheit passend zum Verfahren berichten

Der Koeffizient beschreibt Richtung und Ausmaß der rangbasierten Beziehung im ausgewerteten Bestand. Er beweist keine Ursache und erlaubt keine automatische Aussage über einen linearen Anstieg in Originaleinheiten. Halte daneben Fallzahl, Umgang mit Bindungen, Testalternative und das tatsächlich verwendete Verfahren zur Unsicherheitsbewertung fest. SciPy weist ausdrücklich auf Grenzen seiner approximativen P-Werte bei kleineren Stichproben hin. Kläre geeignete Alternativen mit der Methodenliteratur oder fachlicher Unterstützung, statt einen universellen Schwellenwert aus einer Softwarehilfe abzuleiten.

Der Statistikfinder kann die Verfahrenswahl anhand deiner Forschungsfrage und Variablenbeschreibung unterstützen. Bereite Messniveau, Kodierung, Design, Stichprobengröße und die Frage nach einem Zusammenhang vor. Prüfe die Empfehlung gegen das Punktmuster und deine Planungskarte. Er berechnet keine Rohdaten und liefert keinen bestätigten Spearman-Koeffizienten aus deiner Datei. Vertrauliche Werte sind für die Planung nicht nötig. Die tatsächliche Auswertung erfolgt in geeigneter Software; deren Optionen und Resultate musst du gesondert kontrollieren und nachvollziehbar berichten.