Korrelation in SPSS und R
Korrelation berechnen und interpretieren
Die Korrelation ist eines der häufigsten statistischen Verfahren in Bachelorarbeiten. Sie misst, wie stark zwei Variablen zusammenhängen – ohne aber Aussagen über Ursache und Wirkung zu erlauben. Wir zeigen dir, wann du Pearson und wann Spearman nutzt, wie du sie in SPSS und R berechnest und wie du die Ergebnisse interpretierst.
Pearson vs. Spearman
- Pearson-Korrelation (r): Misst linearen Zusammenhang. Voraussetzung: beide Variablen intervall- oder verhältnisskaliert, näherungsweise normalverteilt.
- Spearman-Korrelation (ρ oder rs): Misst monotonen Zusammenhang. Verwendet die Ränge der Daten. Geeignet für ordinalskalierte oder nicht-normalverteilte Daten.
Interpretation der Stärke
Korrelationswerte liegen zwischen -1 und +1. Faustregeln nach Cohen:
- |r| < 0.10: trivial / kein Effekt.
- |r| = 0.10: kleiner Effekt.
- |r| = 0.30: mittlerer Effekt.
- |r| = 0.50: großer Effekt.
- |r| > 0.70: sehr starker Zusammenhang.
Negative Werte sind genauso aussagekräftig wie positive – nur die Richtung ist anders.
SPSS: Korrelation berechnen
- Analysieren → Korrelation → Bivariat.
- Variablen auswählen.
- Pearson oder Spearman wählen.
- Zweiseitig oder einseitig wählen.
- OK klicken.
R: Korrelation berechnen
cor.test(daten$PlattformNutzung, daten$Lernerfolg, method = "pearson")
# Output: Pearson's correlation, t-Wert, df, p-Wert, 95% KI, Korrelation
Bericht in der Arbeit
„Plattform-Nutzung und Selbsteinschätzung des Lernerfolgs korrelierten signifikant positiv, r(238) = 0.34, p < 0.001."
Format: r mit Freiheitsgraden in Klammern (n − 2), Wert auf zwei Nachkommastellen, p-Wert.
Korrelation ≠ Kausalität
Eine Korrelation sagt nur, dass zwei Variablen zusammenhängen – nicht, dass eine die andere verursacht. Drei mögliche Erklärungen:
- X verursacht Y.
- Y verursacht X.
- Eine dritte Variable Z verursacht beide (Confound).
Klassisches Beispiel: Eisverkauf und Sonnenbrandfälle korrelieren stark. Beides hängt von der Temperatur ab. Eis verursacht keinen Sonnenbrand.
Korrelationsmatrix
Bei mehreren Variablen erstellst du eine Matrix mit allen paarweisen Korrelationen. SPSS und R machen das automatisch. In der Bachelorarbeit oft als Tabelle im Ergebnisteil dargestellt.
Häufige Fehler
- Korrelation als Beleg für Kausalität interpretiert.
- Pearson auf ordinalskalierte Daten angewendet (z. B. Schulnoten).
- Bei Ausreißern Pearson statt Spearman genutzt.
- p-Wert > 0.05 als „keine Korrelation" interpretiert (richtig: „nicht signifikant nachweisbar").
Mehr typische Stolperfallen findest du in unserem Beitrag zu häufigen Fehlern in Bachelorarbeit und Masterarbeit. Im Lektorat wird die statistische Berichtsweise geprüft.