Korrelationsrechner (Pearson & Spearman)
Messen Sie Stärke und Richtung des Zusammenhangs zwischen zwei numerischen Variablen. Fügen Sie zwei Spalten direkt aus Excel, Google Sheets oder SPSS ein und erhalten Sie Pearsons r mit Signifikanztest und Fisher-95%-Konfidenzintervall — und Spearmans Rangkorrelation ρ auf demselben Bildschirm, sodass Sie sofort sehen, ob Ausreißer oder Nichtlinearität die Schlussfolgerung verändern. Eine Shapiro-Wilk-Normalverteilungsprüfung läuft automatisch und weist darauf hin, wann der rangbasierte Spearman-Koeffizient die sicherere Wahl ist. Dies ist ein statistisches Korrelationstool (kein Aktienportfolio-Rechner); die Ergebnisse stimmen mit cor.test() in R auf mindestens sechs signifikante Stellen überein.
KI-Bericht
Lassen Sie Ihre Ergebnisse von KI interpretieren: ein Word-Dokument im APA-7- / Geschäftsberichtsformat.
Häufig gestellte Fragen
Wie berichte ich eine Korrelation nach APA 7?
Berichten Sie r mit Freiheitsgraden (N − 2), den p-Wert und idealerweise das Konfidenzintervall, z. B.: "Lernzeit und Prüfungsergebnis waren stark positiv korreliert, r(10) = .99, p < .001, 95%-KI [.96, 1.00]." Der KI-Bericht schreibt den vollständigen APA-Satz samt Interpretation für Sie.
Sollte ich die Pearson- oder die Spearman-Korrelation verwenden?
Pearson r misst den linearen Zusammenhang und setzt annähernd normalverteilte Variablen ohne extreme Ausreißer voraus. Spearman ρ arbeitet mit Rängen, ist daher robust gegenüber Ausreißern und erfasst jeden monotonen Zusammenhang. Weichen die beiden deutlich voneinander ab, betrachten Sie ein Streudiagramm — dieses Tool zeigt standardmäßig beide.
Was gilt als starke Korrelation?
Übliche Richtwerte (Cohen): |r| ≈ .10 klein, .30 mittel, .50+ groß. Der Kontext zählt — in der Psychologie kann .40 beeindruckend sein, in der Physik schwach. Statistische Signifikanz besagt nur, dass die Korrelation wahrscheinlich nicht null ist, nicht, dass sie groß ist.
Bedeutet Korrelation Kausalität?
Nein. Eine signifikante Korrelation bedeutet, dass sich die Variablen gemeinsam verändern; sie sagt nicht, welche Variable welche verursacht oder ob eine dritte Variable beide antreibt. Kausale Aussagen erfordern experimentelle oder sorgfältige quasi-experimentelle Designs.