So kontrolliert eine dritte Variable den Zusammenhang zweier Merkmale

Benjamin LohrerFachlich geprüft von Benjamin Lohrer, Lektor bei korrektur.de · Stand: 2. Oktober 2026

Partielle Korrelation: den Einfluss einer Drittvariable Herausrechnen

Lesezeit ca. 7 Min. · zuletzt aktualisiert: 2. Oktober 2026 · Korrelation in der Statistik

Wer eine partielle Korrelation verstehen und berechnen möchte, untersucht, wie eng zwei Variablen noch zusammenhängen, wenn eine mögliche Störgröße rechnerisch ausgeschaltet wird. So kontrolliert eine dritte Variable den Zusammenhang zweier Merkmale: Beide Ausgangsgrößen werden zunächst um den gemeinsamen Einfluss dieser Drittvariable bereinigt, bevor die verbleibende Beziehung gemessen wird.

Definition und Grundprinzip: Was eine partielle Korrelation misst

Partielle Korrelationen erfassen die statistische Beziehung zweier Merkmale unter der Bedingung, dass der Einfluss einer dritten Variable rechnerisch neutralisiert wird. Sowohl das Lexikon der Psychologie bei Spektrum der Wissenschaft als auch das Methodenlehre-Wiki der Psychologie an der TU Dresden beschreiben dieses Verfahren übereinstimmend: Zwei Variablen werden auf ihre gemeinsame Variation hin untersucht, während eine dritte Größe, die mit beiden Merkmalen zusammenhängt, gezielt aus der Berechnung herausgehalten wird. Genau darin liegt der Unterschied zur einfachen Korrelation, bei der zwei Variablen unbereinigt miteinander verglichen werden, ohne eine mögliche Drittvariable zu kontrollieren.

Methodisch baut das Verfahren auf der bivariaten Korrelation nach Pearson auf: Zuerst wird der direkte Zusammenhang zwischen beiden Hauptvariablen betrachtet, bevor dieser Kennwert um den Erklärungsanteil einer zusätzlichen Kontrollvariable bereinigt wird. Wie der Wikipedia-Artikel zum partiellen Korrelationskoeffizienten anschaulich erläutert, lässt sich das Ergebnis als Korrelation von Residuen verstehen. Rechnerisch führt man dazu für jede der beiden untersuchten Variablen separat eine lineare Regression auf die Drittvariable durch und ermittelt anschließend, wie stark die nicht durch die Kontrollvariable erklärten Restwerte miteinander zusammenhängen. In welchem Ausmaß sich der Kennwert durch diesen Schritt verschiebt, ergibt sich erst, wenn man die konkreten Residuen für den jeweiligen Datensatz bestimmen und berechnen kann. Im Kern kontrolliert eine dritte Variable so den Zusammenhang zweier Merkmale, indem vorab genau jener Informationsanteil abgezogen wird, den die Störgröße an beiden Ausgangsvariablen gemeinsam hat. Auf diese Weise zeigt die Analyse verlässlicher, ob zwischen zwei Merkmalen auch ohne den Einfluss der kontrollierten Begleitvariable eine eigenständige Verbindung besteht, wobei über Ursache oder Wirkungsrichtung noch nichts ausgesagt wird.

So kontrolliert eine dritte Variable den Zusammenhang zweier Merkmale als Residuen-Berechnung

Rechenbeispiel aus dem Lernmodul ViLeS der Universität Oldenburg

Wie sich die Bereinigung in Zahlen bemerkbar macht, veranschaulicht das Lernmodul ViLeS der Universität Oldenburg anhand zweier Beteiligungsvariablen. Ohne Berücksichtigung weiterer Merkmale liegt der einfache, nicht-partielle Korrelationskoeffizient zunächst bei r = 0,69. Sobald der betriebliche Status als erste Kontrollvariable in die Analyse aufgenommen wird, verringert sich dieser Kennwert auf 0,548. Nimmt man neben dem Status zusätzlich noch Ausbildung und Geschlecht als weitere Kontrollvariablen hinzu, geht das Maß leicht weiter auf 0,528 zurück. Im direkten Vergleich zeigen die drei Ergebnisse den Effekt der schrittweisen Bereinigung: 0,69 im bivariaten Ausgangsmodell, 0,548 unter Kontrolle einer einzelnen Drittvariable sowie 0,528 bei gleichzeitiger Berücksichtigung von drei Kontrollvariablen.

Auffällig an diesem Datensatz ist, dass die herangezogenen Kontrollvariablen selbst stark miteinander zusammenhängen und die Verbindung zwischen den beiden Beteiligungsvariablen dennoch auf hohem Niveau bestehen bleibt. Welches der beiden Merkmale das andere beeinflusst oder ob überhaupt eine direkte Wirkung vorliegt, geht aus diesen Koeffizienten allerdings nicht hervor. Damit verdeutlicht das Rechenbeispiel des Lernmoduls ViLeS eine zentrale Regel für das Verhältnis von Korrelation und Kausalität: Selbst wenn ein Zusammenhang nach dem Herausrechnen mehrerer naheliegender Störgrößen stabil hoch ausfällt, ist damit noch keine Ursache nachgewiesen. Das Verfahren liefert ausschließlich einen statistisch bereinigten Zusammenhangswert und trifft keinerlei Aussage über die Wirkungsrichtung oder den inhaltlichen Ursprung der Beziehung. Ebenso wenig belegt das Absinken des Koeffizienten nach Einführung der Drittvariablen automatisch, dass zwischen den beiden Beteiligungsvariablen lediglich eine bloße Scheinkorrelation vorlag.

Anleitung: So lässt sich die partielle Korrelation in SPSS berechnen

Um eine partielle Korrelation in SPSS zu berechnen, knüpft man an die reguläre bivariate Korrelationsanalyse in SPSS an und ergänzt das Modell gezielt um mindestens eine Kontrollvariable. Im Lernmodul ViLeS der Universität Oldenburg wird dafür zunächst die direkte Berechnung über das integrierte Menü vorgestellt.

  1. In SPSS über die Menüleiste den Pfad Analysen > Korrelation > Partiell aufrufen.
  2. Im Dialogfeld die gewünschten Drittvariablen in die Rubrik Kontrollvariablen eintragen.

Daneben existiert in SPSS ein zweiter Rechenweg, bei dem die einfache partielle Korrelation in zwei Schritten mithilfe der linearen Regression ermittelt wird. Dafür wählt man zunächst das Menü Analysieren > Regression > Linear, berechnet für jede der beiden Hauptvariablen getrennt eine Regression auf die Kontrollvariable und lässt die jeweiligen nicht erklärten Restwerte als neue Variablen speichern; im zweiten Schritt werden diese gespeicherten Restwerte dann bivariat miteinander korreliert. Dieses Vorgehen veranschaulicht die mathematische Logik über Residuen besonders deutlich, da in den gespeicherten Abweichungen exakt jene Varianzanteile stecken, die nach dem Herausrechnen der Kontrollvariable verbleiben. Der resultierende Koeffizient beziffert folglich, wie stark die beiden Ausgangsmerkmale ohne den gemeinsamen Störeinfluss noch zusammenhängen. Inhaltlich führen die direkte Auswertung über das Partiell-Modul und die zweistufige Berechnung über gespeicherte Residuen zum selben Ziel: Beide Merkmale werden vorab um den Einfluss der Drittvariable bereinigt, was die partielle Analyse von der einfachen bivariaten Korrelation in SPSS unterscheidet. Bestehen Zweifel, welches Vorgehen sich für die eigene Forschungsfrage am besten eignet, empfiehlt sich eine Rücksprache mit der Methodenberatung der eigenen Hochschule.

Effekt der Drittvariablen-Kontrolle im ViLeS-Lernbeispiel

Aussagekraft und Grenzen der partiellen Korrelation

Obwohl die partielle Korrelation den Einfluss einer gezielt aufgenommenen Drittvariable rechnerisch kontrolliert, unterliegt das Verfahren bei der inhaltlichen Deutung klaren methodischen Grenzen.

  • Berücksichtigt werden ausschließlich jene Drittvariablen, die ausdrücklich in das Modell eingegeben werden, während nicht erfasste Störgrößen unkontrolliert bleiben.
  • Fällt die Korrelation nach Kontrolle einer Drittvariable geringer aus, ist dieser Rückgang allein noch kein Beweis für eine Scheinkorrelation zwischen den Ausgangsmerkmalen.
  • Das berechnete Maß erlaubt keinerlei Rückschlüsse darauf, in welche Richtung eine mögliche Wirkung zwischen den beiden untersuchten Variablen verläuft.

Wie diese drei Einschränkungen verdeutlichen, nimmt das Verfahren lediglich eine rechnerische Bereinigung vor, ersetzt aber keine theoretisch fundierte Erklärung des beobachteten Zusammenhangs. In der Forschungspraxis muss deshalb sauber zwischen partieller Korrelation sowie Mediation und Moderation unterschieden werden, da diese Ansätze die Rolle einer dritten Variable jeweils anders modellieren: Eine Mediationsanalyse prüft, ob die Drittvariable den Effekt zwischen zwei Merkmalen inhaltlich vermittelt, wohingegen eine Moderationsanalyse untersucht, ob die Drittvariable die Stärke oder Richtung dieses Zusammenhangs beeinflusst. Keine dieser beiden Fragestellungen lässt sich allein mit einer partiellen Korrelation beantworten, weil diese lediglich einen um die Kontrollvariable bereinigten Kennwert ausgibt. Für die formale Interpretation gilt dabei derselbe Maßstab wie bei einfachen Korrelationskoeffizienten: Die Skala erstreckt sich von minus eins bis plus eins und gibt sowohl die Stärke als auch das Vorzeichen des linearen Zusammenhangs an. Ob für die eigene Abschlussarbeit eine partielle Korrelation, ein Mediationsmodell oder ein anderes statistisches Verfahren zielführend ist, lässt sich im Zweifelsfall gemeinsam mit der Betreuungsperson oder der hochschuleigenen Methodenberatung klären.

So zitierst du diese Seite

Stand: 2. Oktober 2026

korrektur.de. (2026, 2. Oktober). Partielle Korrelation verstehen und berechnen. korrektur.de. https://korrektur.de/partielle-korrelation

Quellen und Stand

  • Universität Oldenburg, ViLeS: Partielle Regression und Korrelation mit SPSS: viles.uni-oldenburg.de (geprüft am 2026-10-02)
  • Wikipedia: Partieller Korrelationskoeffizient: de.wikipedia.org (geprüft am 2026-10-02)
  • Spektrum der Wissenschaft, Lexikon der Psychologie: Partialkorrelation: www.spektrum.de (geprüft am 2026-10-02)
  • TU Dresden, Methodenlehre Psychologie: Partialkorrelation: methpsy.elearning.psych.tu-dresden.de (geprüft am 2026-10-02)

Soll jemand deinen Ergebnisteil vor der Abgabe sprachlich und formal prüfen?

Datei hochladen

Häufige Fragen zur partiellen Korrelation in Statistik und SPSS

Warum unterscheidet sich eine partielle Korrelation von der einfachen Korrelation zwischen zwei Variablen?

Während eine einfache Korrelation zwei Merkmale direkt und unbereinigt gegenüberstellt, schaltet die partielle Korrelation den gemeinsamen Einfluss einer zusätzlich berücksichtigten Drittvariable rechnerisch aus. Infolgedessen fällt der bereinigte Kennwert häufig niedriger aus, was auch das Beispiel aus dem Lernmodul ViLeS der Universität Oldenburg belegt: Dort geht der Zusammenhang von 0,69 ohne Bereinigung auf 0,548 unter Einbezug einer Kontrollvariable zurück.

Lässt sich die partielle Korrelation als Zusammenhang von Residuen verstehen?

Ja, genau diesen Zugang stellt der Wikipedia-Artikel zum partiellen Korrelationskoeffizienten dar: Rechnerisch entspricht der Kennwert der einfachen Korrelation jener Residuen, die entstehen, wenn man beide Ausgangsmerkmale jeweils einzeln mittels linearer Regression durch die Kontrollvariable vorhersagt. Wie stark diese verbleibenden Restwerte miteinander korrelieren, gibt Aufschluss über die Enge der Beziehung nach Abzug des Drittvariableneinflusses.

Welche konkreten Zahlen nennt das Oldenburger Beispiel zur partiellen Korrelation?

Im Rechenbeispiel aus dem Lernmodul ViLeS der Universität Oldenburg erreichen die beiden untersuchten Beteiligungsvariablen zunächst einen einfachen, nicht-partiellen Koeffizienten von r = 0,69. Wird der betriebliche Status als Kontrollvariable herausgerechnet, reduziert sich das Ergebnis auf 0,548, und bei simultaner Kontrolle von Status, Ausbildung und Geschlecht liegt der Wert schließlich bei 0,528.

Welche zwei Wege nennt die Quelle, um eine partielle Korrelation in SPSS zu berechnen?

Einerseits führt der direkte Menüweg über Analysen, Korrelation, Partiell zum Ziel, wobei die gewünschten Drittvariablen einfach in die Rubrik Kontrollvariablen aufgenommen werden. Andererseits kann man die einfache partielle Korrelation zweistufig über Analysieren, Regression, Linear ermitteln, indem man aus zwei getrennten Regressionen auf die Drittvariable jeweils die Residuen speichert und diese anschließend miteinander korreliert.

Beweist eine gesunkene partielle Korrelation, dass der ursprüngliche Zusammenhang eine Scheinkorrelation war?

Nein, wenn der Koeffizient nach dem Herausrechnen einer Drittvariable kleiner ausfällt, ist dieser Rückgang allein noch kein Nachweis für eine Scheinkorrelation zwischen den beiden Ausgangsvariablen. Wie das Oldenburger Beispiel verdeutlicht, kann der verbleibende Zusammenhang zudem auch dann stabil hoch bleiben, wenn mehrere Kontrollvariablen gleichzeitig einbezogen werden.

Sagt die partielle Korrelation etwas über die Richtung einer Wirkung zwischen zwei Variablen aus?

Nein, aus einer partiellen Korrelation lässt sich nicht ableiten, in welche Richtung eine mögliche Wirkung zwischen den beiden untersuchten Merkmalen verläuft. Das Verfahren bestimmt lediglich einen um den Einfluss einer Drittvariable bereinigten Zusammenhangswert, liefert aber keinen Beleg für kausale Ursachen oder Wirkungsrichtungen.

Wie unterscheidet sich die partielle Korrelation von einer Mediations- oder Moderationsanalyse?

Bei der partiellen Korrelation wird der Einfluss einer angegebenen Drittvariable lediglich rechnerisch neutralisiert, ohne zu prüfen, ob dieses dritte Merkmal die Beziehung inhaltlich vermittelt oder deren Stärke verändert. Solche Wirkmechanismen betreffen die Abgrenzung zwischen Mediation und Moderation und lassen sich durch eine bloße Partialkorrelation nicht klären.

Unsere Partner