Der Rangkorrelationskoeffizient nach Spearman misst, wie konsistent sich zwei Variablen gemeinsam in die gleiche (oder entgegengesetzte) Richtung bewegen – auch wenn diese Beziehung keine gerade Linie ist. Anstatt mit Rohwerten wie Pearsons r zu arbeiten, ordnet es jede Variable zuerst ein und korreliert die Ränge, was es robuster gegenüber Ausreißern macht und in der Lage ist, jede monotone Beziehung zu erfassen, nicht nur eine lineare.
So funktioniert die Rangtransformation
Spearmans ρ beginnt mit der Umwandlung jeder Variablen in Ränge: Der kleinste Wert in einer Liste erhält Rang 1, der nächstkleinere Wert erhält Rang 2 und so weiter. Sobald sowohl X als auch Y eingestuft sind, wird die Differenz d zwischen den Rängen jedes Paars berechnet, quadriert und zu Σd² summiert. Bei einem Datensatz ohne gebundene Werte wird diese Summe direkt in die Abkürzungsformel ρ = 1 − 6Σd² / (n(n²−1)) eingefügt, die genau wie Pearsons r einen Wert zwischen −1 und +1 erzeugt – der jedoch vollständig auf der Rangfolge und nicht auf der Größe der ursprünglichen Zahlen basiert.
Warum Krawatten die Formel verändern
Wenn zwei oder mehr Werte in derselben Liste gleich sind, können ihnen ohne einen willkürlichen Tiebreaker keine unterschiedlichen Ränge zugewiesen werden. Die Standardlösung besteht darin, jedem gleichwertigen Wert den Durchschnitt der Ränge zu geben, die sie gemeinsam belegen würden – zum Beispiel erhalten Werte, die für den 3. und 4. Platz gleich sind, beide den Rang 3,5. Sobald die Ränge auf diese Weise gemittelt werden, ist die einfache Abkürzungsformel nicht mehr exakt: Sie wurde unter der Annahme abgeleitet, dass jeder Rang eine eindeutige ganze Zahl ist. Der richtige Ansatz besteht stattdessen darin, den gewöhnlichen Pearson-Korrelationskoeffizienten auf den gemittelten Rängen zu berechnen, der unabhängig von der Anzahl vorhandener Gleichstände exakt ist und sich auf die gleiche Antwort wie die Abkürzungsformel reduziert, wenn überhaupt keine Gleichstände vorliegen.
Wann sollte man Spearman gegenüber Pearson wählen?
Pearsons r misst, wie gut eine Beziehung zu einer geraden Linie passt – es kann eine starke Beziehung unterschätzen, wenn diese Beziehung eine Kurve macht, selbst wenn sie durchgehend in eine Richtung verläuft. Spearmans ρ kümmert sich nur um die Ordnung: Solange Y zuverlässig steigt (oder zuverlässig fällt), wenn X steigt, liegt ρ unabhängig von der genauen Form der Kurve nahe bei ±1. Spearman reagiert auch weniger empfindlich auf Ausreißer, da ein einzelner Extremwert nur einen Rang verschiebt, anstatt den Mittelwert oder die Quadratsumme drastisch zu verschieben. Greifen Sie zu Spearman, wenn Ihre Daten ordinal sind (Rankings, Bewertungen, Zufriedenheitswerte) oder wenn ein Streudiagramm einen klaren, aber gekrümmten Trend zeigt; Greifen Sie zu Pearson, wenn Sie speziell wissen müssen, wie linear eine Beziehung ist, beispielsweise vor der Anpassung einer linearen Regression.
Auswahl des richtigen Korrelationstools
Spearmans ρ ist eine von mehreren Methoden zur Quantifizierung, wie sich zwei Variablen gemeinsam bewegen. Wenn Ihre Daten linear und nicht nur monoton aussehen oder Sie eine vollständige Regressionslinie wünschen, verwenden Sie den Korrelationskoeffizientenrechner für Pearson r oder die lineare Regression, um diese Linie anzupassen und vorherzusagen. Probieren Sie den Kovarianzrechner aus, um die rohe gemeinsame Variabilität anzuzeigen, bevor sie in einen einheitenlosen Koeffizienten standardisiert wird. Um zu sehen, wie viel von der Y-Varianz eine lineare Anpassung tatsächlich erklärt, verwenden Sie den Standardabweichungsrechner ein nützlicher Begleiter zum Verständnis Ihrer Eingaben.