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
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.
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.
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:
Die rechte Form ist für Klausuren am praktischsten: Die Faktoren bzw. 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 r | Interpretation |
|---|---|
| unter 0,2 | kein bzw. sehr schwacher linearer Zusammenhang |
| 0,2 bis unter 0,5 | schwacher Zusammenhang |
| 0,5 bis unter 0,8 | mittlerer Zusammenhang |
| ab 0,8 | starker Zusammenhang |
Eine Bäckereikette testet in sechs Filialen unterschiedlich hohe lokale Werbebudgets und notiert den Monatsumsatz (jeweils in Tausend Euro):
| Filiale | Werbung x | Umsatz y | Produkt | ||||
|---|---|---|---|---|---|---|---|
| A | 2 | 42 | −4 | −12 | 48 | 16 | 144 |
| B | 4 | 45 | −2 | −9 | 18 | 4 | 81 |
| C | 5 | 52 | −1 | −2 | 2 | 1 | 4 |
| D | 7 | 50 | 1 | −4 | −4 | 1 | 16 |
| E | 8 | 64 | 2 | 10 | 20 | 4 | 100 |
| F | 10 | 71 | 4 | 17 | 68 | 16 | 289 |
| Summe | 36 | 324 | 0 | 0 | 152 | 42 | 634 |
Schritt 1: Mittelwerte
und (Tausend Euro).
Schritt 2: Abweichungen und Produkte
Siehe Tabelle. Kontrolle: Die Abweichungen summieren sich jeweils zu 0.
Schritt 3: Korrelationskoeffizient
Schritt 4: Probe über Kovarianz und Standardabweichungen (Variante mit 1/n)
, ,
✓
Schritt 5: Bestimmtheitsmaß
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’sPearson 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 :
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 und
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.
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.
| Kennzahl | Wertebereich | Aussage |
|---|---|---|
| Kovarianz | beliebig, mit Einheit | nur die Richtung ist sinnvoll interpretierbar |
| Korrelationskoeffizient r | −1 bis +1 | Richtung und Stärke des linearen Zusammenhangs, symmetrisch in x und y |
| Bestimmtheitsmaß | 0 bis 1 | Anteil der erklärten Streuung |
| Regressionssteigung b | beliebig, mit Einheit | um 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.
1. Welche Aussage über den Korrelationskoeffizienten nach Bravais-Pearson ist richtig?
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 , und . Wie groß ist r?
Richtig: B) 0,6. . 0,36 wäre das Bestimmtheitsmaß .
3. Städte mit mehr Filialen einer Fast-Food-Kette haben auch mehr Arztpraxen (r = 0,85). Was ist die beste Erklärung?
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.
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.
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.
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.
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.
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.
Teil die Seite mit deiner Lerngruppe oder schick sie deiner Fachschaft.
Thema 4 von 10 · Abschnitt „Beschreibende Statistik“. Alle 10 Themen in Lernreihenfolge