Zum Inhalt springen

Korrelationsrechner — Schritt-für-Schritt-Lösungen

Der Korrelationsrechner berechnet den Pearson-Korrelationskoeffizienten r zwischen zwei Datensätzen sowie R^2 und die Regressionsgerade.

Geben Sie x- und y-Werte ein.

0 valid points detected

So verwenden Sie den Korrelationsrechner

  1. Wählen Sie den Modus: "Pearson r" berechnet den Korrelationskoeffizienten, "R-Quadrat" zeigt die erklärte Varianz, "Streudiagramm" konzentriert sich auf die Regressionsgleichung.
  2. Geben Sie Ihre Daten als x,y-Paare ein, eines pro Zeile (z.B. "1, 2" in der ersten Zeile, "3, 4" in der zweiten). Mindestens zwei Datenpunkte sind erforderlich.
  3. Die Ergebnisse aktualisieren sich automatisch. Das Streudiagramm mit Regressionsgerade bietet eine visuelle Darstellung.
  4. Überprüfen Sie die Schritt-für-Schritt-Berechnungen, um nachzuvollziehen, wie Korrelation und Regression berechnet werden.

Formel und Theorie

Der Pearson-Korrelationskoeffizient (r) misst die Stärke und Richtung des linearen Zusammenhangs zwischen zwei Variablen. Er reicht von -1 (perfekt negativ) über 0 (kein linearer Zusammenhang) bis +1 (perfekt positiv).

R-Quadrat (das Bestimmtheitsmaß) ist das Quadrat des Pearson r. Es gibt den Anteil der Varianz in y an, der durch den linearen Zusammenhang mit x erklärt wird. Ein R^2 von 0.85 bedeutet, dass 85% der Variabilität in y durch x vorhergesagt werden können.

Die Regressionsgerade y = mx + b minimiert die Summe der quadrierten Residuen. Die Steigung m entspricht der Kovarianz von x und y geteilt durch die Varianz von x. Korrelation und Regression sind verwandt, aber verschieden: Korrelation misst die Stärke, Regression liefert eine Vorhersagegleichung.

Durchgerechnete Beispiele

Beispiel 1: Starke positive Korrelation

Aufgabe: Datenpunkte (1,2), (2,4), (3,5), (4,4), (5,5). Berechnen Sie Pearson r.

Lösung: Mittelwert x = 3, Mittelwert y = 4. Summe(xi-xbar)(yi-ybar) = 5. Summe(xi-xbar)^2 = 10. Summe(yi-ybar)^2 = 6. r = 5 / sqrt(60) = 0.6455.

Antwort: r = 0.6455 (mäßig positive Korrelation)

Beispiel 2: Regressionsgerade

Aufgabe: Mit denselben Daten die Regressionsgleichung finden.

Lösung: Steigung m = 5/10 = 0.5. Achsenabschnitt b = 4 - 0.5*3 = 2.5.

Antwort: y = 0.5x + 2.5

Beispiel 3: R-Quadrat interpretieren

Aufgabe: Eine Studie findet r = 0.9 zwischen Lernstunden und Prüfungsnoten.

Lösung: R^2 = 0.9^2 = 0.81.

Antwort: R^2 = 0.81: 81% der Varianz in den Noten wird durch die Lernstunden erklärt

Beispiel 4: Praxisbeispiel: Umsatzprognose

Aufgabe: Werbeausgaben (x in Tsd.) und Umsatz (y in Tsd.): (10,100), (20,150), (30,200), (40,220), (50,270).

Lösung: r = 0.9945, y = 4.3x + 55.

Antwort: Sehr starke Korrelation. Bei 60 Tsd. Werbung: prognostizierter Umsatz = 313 Tsd.

Häufig gestellte Fragen

Was ist der Unterschied zwischen Korrelation und Kausalität?
Korrelation misst die Stärke eines linearen Zusammenhangs, impliziert aber nicht, dass eine Variable die andere verursacht. Ein starker Zusammenhang kann durch eine dritte Variable oder Zufall entstehen.
Was bedeutet ein Pearson r von 0?
Es bedeutet, dass kein linearer Zusammenhang zwischen den Variablen besteht. Es könnte jedoch ein nicht-linearer Zusammenhang vorliegen (z.B. quadratisch oder kreisförmig).
Wie viele Datenpunkte brauche ich?
Mathematisch mindestens 2, aber für aussagekräftige Ergebnisse werden mindestens 10 bis 20 Datenpunkte empfohlen. Bei sehr wenigen Punkten kann die Korrelation irreführend sein.
Kann ich dies für nicht-lineare Daten verwenden?
Der Pearson r misst nur lineare Zusammenhänge. Für nicht-lineare Daten sollten Sie den Spearman-Rangkorrelationskoeffizienten verwenden oder die Daten vor der Berechnung transformieren.
Was sind gängige Schwellenwerte für die Interpretation von r?
Allgemeine Richtlinien: |r| < 0.3 schwach, 0.3 bis 0.5 mäßig, 0.5 bis 0.8 stark, über 0.8 sehr stark. Die Schwellenwerte variieren je nach Fachgebiet.