So nutzen Sie den Pearson-Korrelationskoeffizient-Rechner
Der Pearson-Korrelationskoeffizient-Rechner ermöglicht eine präzise und transparente Ermittlung des linearen Zusammenhangs zwischen zwei metrischen Variablen. Ob in der empirischen Sozialforschung, Psychologie, Wirtschaftswissenschaft oder Data Science – dieses Werkzeug liefert nicht nur das Endergebnis $r$, sondern auch alle Zwischenschritte:
- Werte für Variable X eingeben — Tragen Sie die Beobachtungswerte der ersten Variablen in das Feld ein. Sie können Zahlen per Komma, Semikolon, Leerzeichen oder Zeilenumbruch trennen.
- Werte für Variable Y eingeben — Geben Sie die zugehörigen Werte der zweiten Variablen ein. Beide Listen müssen exakt die gleiche Anzahl an Beobachtungen ($n$) umfassen.
- Ergebnisse sofort ablesen — Der Pearson-Korrelationskoeffizient-Rechner berechnet in Echtzeit den Korrelationskoeffizienten $r$, die Kovarianz, die arithmetischen Mittelwerte sowie die Standardabweichungen.
- Rechenweg nachvollziehen — Die integrierte Detailtabelle stellt alle Differenzen $(x_i - \bar{x})$, $(y_i - \bar{y})$ und Kreuzprodukte übersichtlich dar.
Der Pearson-Korrelationskoeffizient-Rechner erkennt Eingabefehler wie ungleiche Listenlängen oder fehlende Streuung automatisch und unterstützt Sie bei der zuverlässigen Datenbereinigung.
Formeln & mathematische Methodik der Pearson-Korrelation
Der Pearson-Korrelationskoeffizient-Rechner basiert auf der klassischen Formel der Produkt-Moment-Korrelation nach Karl Pearson und Auguste Bravais:
$$r = \frac{\sum_{i=1}^{n} (x_i - \bar{x})(y_i - \bar{y})}{\sqrt{\sum_{i=1}^{n} (x_i - \bar{x})^2 \cdot \sum_{i=1}^{n} (y_i - \bar{y})^2}}$$
Alternativ lässt sich der Korrelationskoeffizient als Quotient aus der Stichproben-Kovarianz $s_{xy}$ und dem Produkt der Stichproben-Standardabweichungen $s_x$ und $s_y$ ausdrücken:
$$r = \frac{s_{xy}}{s_x \cdot s_y} = \frac{\frac{1}{n-1}\sum (x_i - \bar{x})(y_i - \bar{y})}{\sqrt{\frac{1}{n-1}\sum (x_i - \bar{x})^2} \cdot \sqrt{\frac{1}{n-1}\sum (y_i - \bar{y})^2}}$$
Der Pearson-Korrelationskoeffizient-Rechner führt die Berechnung in vier Einzelschritten durch:
- Berechnung der Mittelwerte $\bar{x} = \frac{1}{n}\sum x_i$ und $\bar{y} = \frac{1}{n}\sum y_i$.
- Bestimmung der zentrierten Abweichungen $(x_i - \bar{x})$ und $(y_i - \bar{y})$.
- Aufsummierung der quadrierten Abweichungen (Quadratsummen $SS_{xx}$ und $SS_{yy}$).
- Aufsummierung der Kreuzprodukte $SS_{xy} = \sum (x_i - \bar{x})(y_i - \bar{y})$ zur Bildung des Zählers.
Interpretation des Korrelationskoeffizienten r
Die Einordnung der Effektstärke nach Cohen liefert praktische Richtwerte für empirische Studien:
- $r = +1{,}0$: Perfekt positiver linearer Zusammenhang (steigt X, steigt Y proportional).
- $0{,}5 \le r < 1{,}0$: Starker positiver Zusammenhang.
- $0{,}3 \le r < 0{,}5$: Moderater bzw. mittlerer positiver Zusammenhang.
- $0{,}1 \le r < 0{,}3$: Schwacher positiver Zusammenhang.
- $r = 0{,}0$: Kein linearer Zusammenhang zwischen den Variablen.
- $-0{,}3 < r \le -0{,}1$: Schwacher negativer Zusammenhang.
- $-0{,}5 < r \le -0{,}3$: Moderater negativer Zusammenhang.
- $-1{,}0 < r \le -0{,}5$: Starker negativer Zusammenhang.
- $r = -1{,}0$: Perfekt negativer linearer Zusammenhang (steigt X, sinkt Y proportional).
Mit dem Bestimmtheitsmaß $R^2 = r^2$ zeigt der Pearson-Korrelationskoeffizient-Rechner, wie viel Prozent der Varianz der einen Variable durch die andere Variable linear erklärt werden.
Praxisbeispiel: Berechnung Schritt für Schritt
Untersucht wird der Zusammenhang zwischen Lernzeit in Stunden ($X$) und erzielter Klausurpunktzahl ($Y$) bei $n = 5$ Studierenden:
| Person | Stunden ($X$) | Punkte ($Y$) | $(x_i - \bar{x})$ | $(y_i - \bar{y})$ | $(x_i - \bar{x})^2$ | $(y_i - \bar{y})^2$ | Kreuzprodukt |
|---|---|---|---|---|---|---|---|
| 1 | 2 | 50 | -4 | -20 | 16 | 400 | +80 |
| 2 | 4 | 60 | -2 | -10 | 4 | 100 | +20 |
| 3 | 6 | 70 | 0 | 0 | 0 | 0 | 0 |
| 4 | 8 | 80 | +2 | +10 | 4 | 100 | +20 |
| 5 | 10 | 90 | +4 | +20 | 16 | 400 | +80 |
| Summe | 30 | 350 | 0 | 0 | 40 | 1000 | +200 |
Mittelwerte: $\bar{x} = 6{,}0$ und $\bar{y} = 70{,}0$.
Eingesetzt in die Formel ergibt sich:
$$r = \frac{200}{\sqrt{40 \cdot 1000}} = \frac{200}{\sqrt{40000}} = \frac{200}{200} = 1{,}00$$
Der Pearson-Korrelationskoeffizient-Rechner bestätigt einen perfekt positiven linearen Zusammenhang ($r = 1{,}00$, $R^2 = 100%$).
Wichtige Voraussetzungen und typische Anwendungsbereiche
Damit die Ergebnisse verlässlich interpretiert werden können, sollten folgende Voraussetzungen geprüft werden:
- Metrisches Skalenniveau: Beide Merkmale müssen intervall- oder verhältnisskaliert sein. Für Ordinaldaten eignet sich die Spearman-Rangkorrelation.
- Linearität der Beziehung: Pearson misst ausschließlich lineare Zusammenhänge. U-förmige oder exponentielle Zusammenhänge werden unterschätzt.
- Empfindlichkeit gegenüber Ausreißern: Einzelne Extremwerte können den Korrelationskoeffizienten drastisch verfälschen.
- Keine Scheinkorrelationen: Eine hohe Korrelation impliziert keine Kausalität, da dritte Störvariablen (Confounder) vorliegen können.
Verwenden Sie den Pearson-Korrelationskoeffizient-Rechner für fundierte Auswertungen in Studium, Forschung und Berufsalltag.