Statistik

Korrelation einfach erklärt

Aktualisiert am 30. Oktober 2026 · mit Rechenbeispiel, Klausurfehlern und Mini-Quiz

✓ Gegengeprüft · Quellen: Gabler Wirtschaftslexikon

So ist diese Seite geprüft: Jede Rechnung, jede Tabelle und jede Quizlösung ist von unserem Rechen-Algorithmus ohne KI nachgerechnet. Fachlich wurde der Text in zwei unabhängigen Prüfrunden kontrolliert und gegen 23 belegte Kernaussagen aus festen Quellen abgeglichen.

Quellen

So prüfen wir · Fehler gefunden? Melde ihn uns

Kurz erklärt

Die Korrelation misst Stärke und Richtung des linearen Zusammenhangs zwischen zwei metrischen Merkmalen. Der Korrelationskoeffizient nach Bravais-Pearson r ist definiert, wenn beide Merkmale eine positive Varianz haben (bei einem konstanten Merkmal ist r nicht definiert), und liegt dann immer zwischen −1 und +1: Werte nahe +1 bedeuten einen starken positiven, Werte nahe −1 einen starken negativen und Werte nahe 0 keinen linearen Zusammenhang. Korrelation beweist keine Kausalität.

Was ist Korrelation?

Mit der Korrelation beantwortest du eine typische Frage der Wirtschaftsstatistik: Bewegen sich zwei Merkmale gemeinsam? Steigt der Umsatz, wenn mehr für Werbung ausgegeben wird? Sinkt die Nachfrage, wenn der Preis steigt? Hängt das Gehalt mit der Berufserfahrung zusammen?

Die Korrelation liefert dafür eine einzige Zahl, den Korrelationskoeffizienten. Er sagt dir zwei Dinge:

Wichtig ist das Wort linear. Der Pearson-Koeffizient erkennt nur Zusammenhänge, die sich durch eine Gerade beschreiben lassen. Ein U-förmiger Zusammenhang – etwa zwischen Lagerbestand und Gesamtkosten – kann trotz perfekter Abhängigkeit ein r nahe 0 liefern.

Korrelation misst, wie eng zwei Merkmale linear zusammenhängen – nicht, ob das eine das andere verursacht.

Wie berechnet man den Korrelationskoeffizienten?

Grundlage ist die Kovarianz. Sie misst, ob die Abweichungen beider Merkmale vom jeweiligen Mittelwert in dieselbe Richtung zeigen. Ihr Problem: Sie hängt von den Einheiten ab. Rechnest du Umsatz in Euro statt in Tausend Euro, wird die Kovarianz tausendmal größer – über die Stärke sagt sie also wenig. Deshalb teilt man durch beide Standardabweichungen und erhält eine einheitenlose Kennzahl:

sxy=1n∑i=1n(xi−xˉ)(yi−yˉ)s_{xy} = \frac{1}{n} \sum_{i=1}^{n} (x_i - \bar{x})(y_i - \bar{y})r=sxysx⋅sy=∑i=1n(xi−xˉ)(yi−yˉ)∑i=1n(xi−xˉ)2⋅∑i=1n(yi−yˉ)2r = \frac{s_{xy}}{s_x \cdot s_y} = \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}}

Die rechte Form ist für Klausuren am praktischsten: Die Faktoren 1n\dfrac{1}{n} bzw. 1n−1\dfrac{1}{n-1} kürzen sich heraus, du brauchst nur drei Summen. Ob dein Skript Kovarianz und Standardabweichung mit n oder mit n − 1 definiert, ist für r also egal – solange du überall dieselbe Variante nimmst.

Für die Interpretation gilt in vielen Lehrbüchern diese grobe Faustregel (die Grenzen variieren je nach Skript):

Betrag von rInterpretation
unter 0,2kein bzw. sehr schwacher linearer Zusammenhang
0,2 bis unter 0,5schwacher Zusammenhang
0,5 bis unter 0,8mittlerer Zusammenhang
ab 0,8starker Zusammenhang

Beispiel: Werbeausgaben und Umsatz

Eine Bäckereikette testet in sechs Filialen unterschiedlich hohe lokale Werbebudgets und notiert den Monatsumsatz (jeweils in Tausend Euro):

FilialeWerbung xUmsatz yxi−xˉx_i - \bar{x}yi−yˉy_i - \bar{y}Produkt(xi−xˉ)2(x_i - \bar{x})^2(yi−yˉ)2(y_i - \bar{y})^2
A242−4−124816144
B445−2−918481
C552−1−2214
D7501−4−4116
E864210204100
F10714176816289
Summe363240015242634

Schritt 1: Mittelwerte
xˉ=366=6\bar{x} = \dfrac{36}{6} = 6 und yˉ=3246=54\bar{y} = \dfrac{324}{6} = 54 (Tausend Euro).

Schritt 2: Abweichungen und Produkte
Siehe Tabelle. Kontrolle: Die Abweichungen summieren sich jeweils zu 0.

Schritt 3: Korrelationskoeffizient
r=15242⋅634=15226.628=152163,18≈0,93r = \frac{152}{\sqrt{42 \cdot 634}} = \frac{152}{\sqrt{26.628}} = \frac{152}{163{,}18} \approx 0{,}93

Schritt 4: Probe über Kovarianz und Standardabweichungen (Variante mit 1/n)
sxy=1526≈25,33s_{xy} = \dfrac{152}{6} \approx 25{,}33, sx=426≈2,646s_x = \sqrt{\dfrac{42}{6}} \approx 2{,}646, sy=6346≈10,279s_y = \sqrt{\dfrac{634}{6}} \approx 10{,}279
r=25,332,646⋅10,279≈0,93r = \frac{25{,}33}{2{,}646 \cdot 10{,}279} \approx 0{,}93 ✓

Schritt 5: Bestimmtheitsmaß
r2=0,93152≈0,87r^2 = 0{,}9315^2 \approx 0{,}87

Interpretation: Mit r ≈ 0,93 besteht ein starker positiver linearer Zusammenhang: Filialen mit mehr Werbung erzielen tendenziell mehr Umsatz. Das Bestimmtheitsmaß sagt, dass rund 87 % der Streuung der Umsätze durch einen linearen Zusammenhang mit den Werbeausgaben erklärt werden können. Wie viel Umsatz ein zusätzlicher Werbe-Euro bringt, verrät r dagegen nicht – dafür brauchst du die Steigung einer linearen Regression.

Nachgerechnet von unserem Rechen-AlgorithmusJede Rechnung in diesem Beispiel ist ohne KI exakt geprüft. So funktioniert’s

Was ist die Rangkorrelation nach Spearman?

Pearson setzt metrische Daten voraus und reagiert empfindlich auf Ausreißer. Hast du nur Rangfolgen (Kundenzufriedenheit „sehr gut“ bis „mangelhaft“, Platzierungen im Ranking) oder einen monotonen, aber nicht linearen Zusammenhang, nimmst du den Rangkorrelationskoeffizienten nach Spearman. Du ersetzt die Werte durch ihre Ränge und rechnest mit den Rangdifferenzen did_i:

rs=1−6⋅∑i=1ndi2n⋅(n2−1)r_s = 1 - \frac{6 \cdot \sum_{i=1}^{n} d_i^2}{n \cdot (n^2 - 1)}

Diese Kurzformel gilt nur, wenn keine Bindungen (gleiche Werte) auftreten. Im Beispiel haben die Werbebudgets die Ränge 1 bis 6. Bei den Umsätzen tauschen nur Filiale C (52, Rang 4) und D (50, Rang 3) die Plätze. Damit ist ∑di2=1+1=2\sum d_i^2 = 1 + 1 = 2 und

rs=1−6⋅26⋅(36−1)=1−12210≈0,94r_s = 1 - \frac{6 \cdot 2}{6 \cdot (36 - 1)} = 1 - \frac{12}{210} \approx 0{,}94

Auch nach Rängen zeigt sich ein starker positiver Zusammenhang. Spearman ist etwas höher als Pearson, weil er nur die Reihenfolge bewertet, nicht wie gerade die Punkte liegen.

Korrelation und Kausalität: Was darf man folgern?

Der wichtigste Satz der ganzen Korrelationsrechnung: Korrelation ist keine Kausalität. Ein hohes r zeigt nur, dass zwei Merkmale gemeinsam variieren. Für den Zusammenhang gibt es mehrere mögliche Erklärungen:

Ein Klassiker zur Scheinkorrelation: Eisverkäufe und Sonnenbrände korrelieren positiv – verursacht durch das Wetter. In der Ökonomie passiert das ständig, weil viele Größen mit der Konjunktur oder mit der Zeit gemeinsam wachsen. Zwei Zeitreihen mit Trend, etwa Umsatz eines Unternehmens und Bevölkerungszahl, korrelieren oft hoch, ohne dass ein unmittelbarer sachlicher Zusammenhang besteht: Gemeinsame Zeittrends können eine hohe Korrelation erzeugen, garantieren sie aber nicht (Richtung und überlagernde Schwankungen können abweichen).

Kausale Aussagen erlauben erst kontrollierte Experimente (etwa ein A/B-Test mit zufällig ausgewählten Filialen) oder ökonometrische Verfahren mit geeigneter Identifikationsstrategie und tragfähigen Annahmen. Die bloße Aufnahme von Kontrollvariablen genügt nicht, denn auch kontrollierte Regressionen können durch unbeobachtete Einflüsse oder umgekehrte Kausalität verzerrt sein.

Korrelation, Kovarianz und Regression: der Unterschied

KennzahlWertebereichAussage
Kovarianz sxys_{xy}beliebig, mit Einheitnur die Richtung ist sinnvoll interpretierbar
Korrelationskoeffizient r−1 bis +1Richtung und Stärke des linearen Zusammenhangs, symmetrisch in x und y
Bestimmtheitsmaß r2r^20 bis 1Anteil der erklärten Streuung
Regressionssteigung bbeliebig, mit Einheitum wie viel y im Schnitt steigt, wenn x um eine Einheit steigt

Korrelation ist symmetrisch: r zwischen Werbung und Umsatz ist dasselbe wie zwischen Umsatz und Werbung. Die Regression unterscheidet dagegen zwischen abhängiger und unabhängiger Variable und liefert eine Prognosegleichung. In der Finanzwirtschaft begegnet dir die Korrelation wieder bei der Portfoliotheorie: Je niedriger die Korrelation zweier Aktien, desto stärker sinkt das Risiko durch Diversifikation.

Vorteile des Korrelationskoeffizienten: leicht zu berechnen, einheitenlos und damit vergleichbar, schnell interpretierbar. Grenzen: erfasst nur lineare Zusammenhänge, ist ausreißeranfällig (ein einzelner Extremwert kann r stark verändern), sagt nichts über Ursache und Wirkung und nichts über die Größe des Effekts.

Typische Fehler in der Klausur

  1. Aus einem hohen r auf Ursache und Wirkung schließen: r zeigt nur gemeinsame Bewegung. Nenne in der Klausur immer mögliche Drittvariablen oder umgekehrte Kausalität.
  2. r = 0 als „kein Zusammenhang“ deuten: Es gibt dann nur keinen linearen Zusammenhang. Ein U-förmiger Zusammenhang kann trotzdem perfekt sein – schau dir das Streudiagramm an.
  3. Die Stärke an der Kovarianz ablesen: Die Kovarianz hängt von den Einheiten ab. Für die Stärke musst du durch beide Standardabweichungen teilen und r berechnen.
  4. n und n − 1 mischen: Wer die Kovarianz mit 1/n und die Standardabweichungen mit 1/(n − 1) rechnet, bekommt ein falsches r. Nimm überall dieselbe Variante oder gleich die Formel mit den drei Summen.
  5. Den Koeffizienten mit der Steigung verwechseln: r = 0,93 heißt nicht, dass jeder Werbe-Euro 0,93 € Umsatz bringt. Die Effektgröße liefert erst die Regression.

Teste dich: Mini-Quiz

1. Welche Aussage über den Korrelationskoeffizienten nach Bravais-Pearson ist richtig?

  1. Er kann Werte größer als 1 annehmen, wenn die Daten stark streuen.
  2. Er misst Stärke und Richtung des linearen Zusammenhangs.
  3. Er gibt an, um wie viel y steigt, wenn x um 1 steigt.
  4. Ein Wert von 0 beweist, dass die Merkmale unabhängig sind.
Lösung anzeigen

Richtig: B) Er misst Stärke und Richtung des linearen Zusammenhangs.. r liegt (sofern definiert) immer zwischen −1 und +1 und misst nur den linearen Zusammenhang. Die Steigung liefert die Regression, und r = 0 schließt nichtlineare Zusammenhänge nicht aus.

2. Gegeben sind ∑(xi−xˉ)(yi−yˉ)=60\sum (x_i - \bar{x})(y_i - \bar{y}) = 60, ∑(xi−xˉ)2=25\sum (x_i - \bar{x})^2 = 25 und ∑(yi−yˉ)2=400\sum (y_i - \bar{y})^2 = 400. Wie groß ist r?

  1. 0,15
  2. 0,6
  3. 2,4
  4. 0,36
Lösung anzeigen

Richtig: B) 0,6. r=6025⋅400=60100=0,6r = \frac{60}{\sqrt{25 \cdot 400}} = \frac{60}{100} = 0{,}6. 0,36 wäre das Bestimmtheitsmaß r2r^2.

3. Städte mit mehr Filialen einer Fast-Food-Kette haben auch mehr Arztpraxen (r = 0,85). Was ist die beste Erklärung?

  1. Fast Food macht krank, deshalb braucht es mehr Ärzte.
  2. Ärzte essen besonders viel Fast Food.
  3. Der Zusammenhang ist rein zufällig, weil r unter 0,9 liegt.
  4. Eine Drittvariable wie die Einwohnerzahl treibt beide Größen.
Lösung anzeigen

Richtig: D) Eine Drittvariable wie die Einwohnerzahl treibt beide Größen.. Größere Städte haben mehr Einwohner und damit mehr Filialen und mehr Arztpraxen. Das ist eine klassische Scheinkorrelation durch eine Drittvariable.

Häufige Fragen

Was sagt der Korrelationskoeffizient aus?

Er gibt Richtung und Stärke des linearen Zusammenhangs zweier metrischer Merkmale an. Das Vorzeichen zeigt die Richtung, der Betrag die Stärke. Werte nahe +1 oder −1 bedeuten, dass die Punkte im Streudiagramm eng an einer Geraden liegen.

Ab wann ist eine Korrelation stark?

Als grobe Faustregel gilt ein Betrag ab etwa 0,8 als stark, zwischen 0,5 und 0,8 als mittel und unter 0,5 als schwach. Die genauen Grenzen unterscheiden sich je nach Lehrbuch, und in den Sozialwissenschaften gelten oft schon kleinere Werte als bedeutsam.

Was ist der Unterschied zwischen Pearson und Spearman?

Pearson misst den linearen Zusammenhang metrischer Daten. Spearman arbeitet mit Rängen und misst, ob ein monotoner Zusammenhang besteht. Spearman eignet sich für ordinale Daten und ist robuster gegenüber Ausreißern.

Was ist der Unterschied zwischen Korrelation und Regression?

Die Korrelation misst nur, wie eng zwei Merkmale linear zusammenhängen, und ist symmetrisch. Die Regression schätzt eine Gerade mit Achsenabschnitt und Steigung, unterscheidet zwischen abhängiger und unabhängiger Variable und erlaubt Prognosen.

Was bedeutet ein negativer Korrelationskoeffizient?

Ein negatives r bedeutet: Steigt das eine Merkmal, sinkt das andere tendenziell. Ein typisches Beispiel aus der Ökonomie ist der Zusammenhang zwischen Preis und Absatzmenge. Die Stärke liest du am Betrag ab, r = −0,9 ist also ein starker Zusammenhang.

Hilft dir das?

Teil die Seite mit deiner Lerngruppe oder schick sie deiner Fachschaft.

Per WhatsApp teilen

Lernpfad Statistik und Wirtschaftsmathematik

Thema 4 von 10 · Abschnitt „Beschreibende Statistik“. Alle 10 Themen in Lernreihenfolge

Passt dazu