Korrelation in SPSS und R berechnen
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 minus 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.
