Korrelationsrechner

Der Pearson-Korrelationskoeffizient (r) misst die Stärke und Richtung einer linearen Beziehung zwischen zwei Variablen. Er reicht von -1 bis +1. Werte nahe +1 zeigen eine starke positive Beziehung (wenn X steigt, steigt Y), Werte nahe -1 zeigen eine starke negative Beziehung (wenn X steigt, sinkt Y), und Werte nahe 0 zeigen keine lineare Beziehung. Interpretation: |r| > 0,7 ist stark, 0,5-0,7 ist moderat, 0,3-0,5 ist schwach, und < 0,3 ist sehr schwach oder keine Korrelation.

R-Quadrat (r²) ist das Bestimmtheitsmaß, berechnet durch Quadrieren des Korrelationskoeffizienten. Es stellt den Prozentsatz der Varianz in Y dar, der durch X erklärt wird. Zum Beispiel bedeutet r² = 0,64, dass 64% der Variation in Y durch seine lineare Beziehung zu X erklärt werden können. Die restlichen 36% sind auf andere Faktoren oder zufällige Variation zurückzuführen. R-Quadrat liegt immer zwischen 0 und 1, unabhängig davon, ob die Korrelation positiv oder negativ ist.

Korrelation misst den statistischen Zusammenhang zwischen zwei Variablen—wenn eine sich ändert, tendiert die andere dazu, sich ebenfalls zu ändern. Kausalität bedeutet, dass eine Variable direkt die Änderung in der anderen verursacht. Eine hohe Korrelation beweist KEINE Kausalität. Beispiel: Eisverkauf und Ertrinkungstode sind korreliert (beide steigen im Sommer), aber Eis verursacht kein Ertrinken—heißes Wetter ist eine Störvariable, die beide beeinflusst. Um Kausalität festzustellen, benötigt man kontrollierte Experimente oder rigorose Kausalanalysemethoden.

Verwende Pearson-Korrelation wenn: beide Variablen stetig und annähernd normalverteilt sind, die Beziehung linear ist, und es keine extremen Ausreißer gibt. Verwende Spearman-Korrelation für ordinale Daten, nicht-lineare monotone Beziehungen, oder wenn Ausreißer vorhanden sind (sie basiert auf Rängen, nicht Rohwerten). Verwende Kendalls Tau für kleine Stichproben oder wenn es viele gebundene Ränge gibt. Für kategoriale Variablen verwende Chi-Quadrat oder Cramers V statt Korrelation.

Die lineare Regressionsgleichung y = mx + b beschreibt die beste Anpassungslinie durch deine Datenpunkte. Die Steigung (m) sagt dir, um wie viel Y sich für jede Einheit Zunahme in X ändert. Zum Beispiel bedeutet m = 2,5, dass Y um 2,5 steigt für jede 1-Einheit-Erhöhung in X. Der Y-Achsenabschnitt (b) ist der vorhergesagte Wert von Y wenn X = 0. Du kannst diese Gleichung verwenden, um Y für jeden X-Wert vorherzusagen, aber nur innerhalb des Bereichs deiner Originaldaten (Extrapolation darüber hinaus ist unzuverlässig).