Rechner

Korrelationen statistisch vergleichen

Genauso wie andere Statistiken können auch Korrelationen miteinander verglichen werden. Die Berechnung ist dabei abhängig von der Art der Korrelationen und der Stichprobe. Die drei möglichen Fälle werden hier besprochen und können direkt berechnet werden.

Drei verschiedene Vergleiche

Die Aufteilung unterscheidet in ersten Linie, ob die Korrelationen beide aus derselben Stichprobe stammen (d.h. abhängig sind) oder aus zwei verschiedenen Stichproben (d.h. unabhängig sind). Insgesamt können drei verschiedene Arten von Vergleichen von Korrelationen durchgeführt werden:

  1. zwei Korrelationen aus zwei verschiedenen Stichproben vergleichen (unabhängig)
  2. zwei Korrelationen aus einer Stichprobe vergleichen, die eine Drittvariable gemeinsam haben
  3. zwei Korrelationen aus einer Stichprobe vergleichen, die keine Drittvariable gemeinsam haben

Unabhängige Gruppen

In der Regel werden wir zwei Korrelationen aus zwei unabhängigen Gruppen haben, die wir statistisch vergleichen wollen. Dies kann beispielsweise gegeben sein, wenn wir die Korrelationen aus zwei verschiedenen Studien miteinander vergleichen wollen oder wenn die Stichprobe unabhängig voneinander ist.

Beispielsweise könnten wir die Korrelationskoeffizienten aus zwei Studien zu Intelligenz und Lebenszufriedenheit vergleichen wollen. Beide Studien würden Korrelationskoeffizienten zu Intelligenz und Lebenszufriedenheit angeben, die wir mit Angabe der Stichprobengröße so statistisch vergleichen könnten.

Abhängige Gruppen, mit einer Drittvariablen

Alternativ können wir auch die Korrelation innerhalb einer Stichprobe (abhängig) vergleichen. Eine Möglichkeit hierbei ist, dass die beiden Korrelationen überschneidend sind, und daher eine Variable gemeinsam haben. Wir könnten beispielsweise die Korrelationen von Intelligenz und Lebenszufriedenheit mit der Korrelation von Intelligenz und Einkommen vergleichen wollen. Da die Signifikanz auf der Interkorrelation zwischen Lebenszufriedenheit und Einkommen beruht, muss diese Korrelation ebenfalls als Parameter angegeben werden.

Abhängige Gruppen, keine Drittvariable

Zuletzt wollen wir zwei Korrelationen von abhängige Gruppen vergleichen, die keine Drittvariable gemeinsam haben. Wir könnten beispielsweise wissen wollen, ob die Korrelation zwischen Intelligenz und Einkommen und zwischen Lebenszufriedenheit und Selbstwirksamkeitserwartung statisch unterschiedlich sind. Die hier die die Signifikanz von allen beteiligten Interkorrelationen abhängig ist, müssen sie jeweils als Parameter angegeben werden.

Rechner

1. Korrelation
1. Korrelation
2. Korrelation
2. Korrelation
n1
Größe der ersten Gruppe
n2
Größe der zweiten Gruppe

rA,B
Korrelation zwischen A und B
rA,C
Korrelation zwischen A und C
rB,C
Korrelation zwischen B und C
n
Stichprobengröße

rA,B
Korrelation zwischen A und B
rC,D
Korrelation zwischen A und C
rA,C
Korrelation zwischen A und C
rA,D
Korrelation zwischen A und D
rB,C
Korrelation zwischen B und C
rB,D
Korrelation zwischen B und D
n
Stichprobengröße

Alphaniveau
Grenze für ein signifikantes Ergebnis, meist .05  oder .01 .
Alternativhypothese.
Signifikanzen berechnen

 

Literaturverzeichnis

  1. Boyer, J. E., Palachek, A. D., & Schucany, W. R. (1983). An Empirical Study of Related Correlation Coefficients. Journal of Educational Statistics, 8(1), 75. doi:10.2307/1164871
  2. Cohen, J. (2003). Applied multiple regression/correlation analysis for the behavioral sciences (3rd ed.). Mahwah, N.J.: L. Erlbaum Associates.
  3. Diedenhofen, B., & Musch, J. (2015). cocor: A comprehensive solution for the statistical comparison of correlations. PloS one, 10(3), e0121945. doi:10.1371/journal.pone.0121945
  4. Dunn, O. J., & Clark, V. (1969). Correlation Coefficients Measured on the Same Individuals. Journal of the American Statistical Association, 64(325), 366. doi:10.2307/2283746
  5. Dunn, O. J., & Clark, V. (1971). Comparison of Tests of the Equality of Dependent Correlation Coefficients. Journal of the American Statistical Association, 66(336), 904. doi:10.2307/2284252
  6. Fisher, R. A. Statistical methods for research workers. Edinburgh, Scotland: Oliver and Boyd.
  7. Fisher, R. A. (1921). On the probable error of a coefficient of correlation deduced from a small sample. Metron, 1, 3–32.
  8. Glass, G. V., & Stanley, J. C. (1970). Statistical methods in education and psychology. New Jersey: Prentice-Hall.
  9. Hendrickson, G. F., Stanley, J. C., & Hills, J. R. (1970). Olkin’s New Formula for Significance of r 13 vs. r 23 Compared with Hotelling’s Method. American Educational Research Journal, 7(2), 189. doi:10.2307/1162159
  10. Hittner, J. B., & May, K. (1998). DEPCORR: A SAS Program for Comparing Dependent Correlations. Applied Psychological Measurement, 22(1), 93–94. doi:10.1177/01466216980221010
  11. Hotelling, H. (1940). The Selection of Variates for Use in Prediction with Some Comments on the General Problem of Nuisance Parameters. The Annals of Mathematical Statistics, 11(3), 271–283. doi:10.1214/aoms/1177731867
  12. May, K., & Hittner, J. B. (1997a). Tests for Comparing Dependent Correlations Revisited: A Monte Carlo Study. The Journal of Experimental Education, 65(3), 257–269. doi:10.1080/00220973.1997.9943458
  13. May, K., & Hittner, J. B. (1997b). A note on statistics for comparing dependent correlations. Psychological Reports, 80(2), 475–480. doi:10.2466/pr0.1997.80.2.475
  14. Meng, X.-l., Rosenthal, R., & Rubin, D. B. (1992). Comparing correlated correlation coefficients. Psychological Bulletin, 111(1), 172–175. doi:10.1037//0033-2909.111.1.172
  15. Miller, P. F. (1941). Statistical procedures and their mathematical bases. The Eugenics Review, 33(2), 50.
  16. Neill, J. J., & Dunn, O. J. (1975). Equality of Dependent Correlation Coefficients. Biometrics, 31(2), 531. doi:10.2307/2529435
  17. Olkin, I. (1967). Correlations revisited. In J. C. Stanley (Ed.), Improving experimental design and statistical analysis (pp. 102–128). Chicago, IL: Rand McNally.
  18. Pearson, K., & Filon, L. N. G. (1898). Mathematical Contributions to the Theory of Evolution. IV. On the Probable Errors of Frequency Constants and on the Influence of Random Selection on Variation and Correlation. Philosophical Transactions of the Royal Society A: Mathematical, Physical and Engineering Sciences, 191(0), 229–311. doi:10.1098/rsta.1898.0007
  19. Raghunathan, T. E., Rosenthal, R., & Rubin, D. B. (1996). Comparing correlated but nonoverlapping correlations. Psychological Methods, 1(2), 178–183. doi:10.1037//1082-989X.1.2.178
  20. Silver, N. C. (2006). A FORTRAN 77 Program for Comparing Dependent Correlations. Applied Psychological Measurement, 30(2), 152–153. doi:10.1177/0146621605277132
  21. Silver, N. C., & Dunlap, W. P. (1987). Averaging correlation coefficients: Should Fisher’s z transformation be used? Journal of Applied Psychology, 72(1), 146–148. doi:10.1037//0021-9010.72.1.146
  22. Silver, N. C., Hittner, J. B., & May, K. (2004). Testing Dependent Correlations With Nonoverlapping Variables: A Monte Carlo Simulation. The Journal of Experimental Education, 73(1), 53–69. doi:10.3200/JEXE.71.1.53-70
  23. Steiger, J. H. (1980). Tests for comparing elements of a correlation matrix. Psychological Bulletin, 87(2), 245–251. doi:10.1037//0033-2909.87.2.245
  24. Wilcox, R. R., & Tian, T. (2008). Comparing dependent correlations. The Journal of general psychology, 135(1), 105–112. doi:10.3200/GENP.135.1.105-112
  25. Williams, E. J. (1959). The Comparison of Regression Variables. Journal of the Royal Statistical Society. Series B (Methodological), 21(2), 396–399. Retrieved from http://www.jstor.org/stable/2983809
  26. Zou, G. Y. (2007). Toward using confidence intervals to compare correlations. Psychological Methods, 12(4), 399–413. doi:10.1037/1082-989X.12.4.399