Spearman Korrelation

Spearman-Korrelation: Ergebnisse interpretieren

Der letzte Schritt nach der Berechnung der Spearman-Korrelation ist die Interpretation und Verschriftlichung der Ergebnisse und genau das werden wir in diesem Artikel machen.

Den Korrelationskoeffizienten bestimmen

SPSS berechnet den Korrelationskoeffizienten als Teil der Spearman-Korrelation. Der Korrelationskoeffizient ρ ist das Maß für den Zusammenhang zwischen den beiden Variablen und damit der wichtigste Wert in der Tabelle Korrelationen.

Die Tabelle mit Korrelationen sieht für unseren Beispieldatensatz so aus:

Korrelationen
Blutalkoholgehalt Attraktivitätsrating
Spearman-Rho Blutalkoholgehalt Korrelationskoeffizient 1,000 ,535**
Sig. (2-seitig) . ,000
N 100 100
Attraktivitätsrating Korrelationskoeffizient ,535** 1,000
Sig. (2-seitig) ,000 .
N 100 100
**. Die Korrelation ist auf dem 0,01 Niveau signifikant (zweiseitig).

SPSS erstellt für uns eine Tabelle die so viele Spalten und Zeile wie die Anzahl der Variablen hat, die wir im Dialogfenster eingegeben haben. Jede Spalte und jede Zeile entspricht dabei einer Variablen. Für jedes Variablenpaar werden folgende drei Werte berechnet:

  • Korrelation nach Spearman: der Spearman-Korrelationskoeffizient ρ
  • Signifikanz (2-seitig): der p-Wert. Überprüft, ob sich der Korrelationskoeffizient signifikant von Null unterscheidet.
  • N: Anzahl der Variablenpaare, die in die Berechnung eingeflossen sind.

Den Korrelationskoeffizienten interpretieren

Der Korrelationskoeffizient ist einfach und unkompliziert zu interpretieren. Am häufigsten werden die Richtlinien von Cohen (1988) für die Interpretation verwendet, wie sie unten stehen, die sowohl für die Pearson Produkt-Moment-Korrelation, als auch die Spearman-Korrelation gelten.

Interpretation von ρ nach Cohen (1988)
geringe / schwache Korrelation |ρ| = .10
mittlere / moderate Korrelation |ρ| = .30
große / starke Korrelation |ρ| = .50

Bereits ab einem Korrelationskoeffizienten von .10 können wir von einem „kleinen Effekt“ sprechen. Dabei ist das Vorzeichen irrelevant: Auch bei einem Korrelationskoeffizienten von -.10 hätten wir einen „kleinen Effekt“. In unserem Beispiel hatten wir eine Korrelation von Spearmans ρ = .535 und damit einen „großen Effekt“.

Für unsere Korrelation könnten wir schreiben:

Deutsch
Die Blutalkoholkonzentration und die wahrgenommenene eigene Attraktivität korrelierten stark miteinander, Spearmans ρ = .535, p < .001.
English
Blood alcohol concentration and perceived own attractiveness correlated strongly, Spearman’s ρ = .535, p < .001.
Auch wenn SPSS in der Spalte Signifikanz einen Wert von .000 angibt, ist dies nur ein gerundeter Wert (Signifikanzen können weder die Werte 0 oder 1 annehmen, sondern liegen immer dazwischen.) Bei einem Wert von .000 würden wir dies als p < .001 schreiben. Das APA-Handbuch empfiehlt ansonsten die Angabe genauer p-Werte (gerundet auf drei Nachkommastellen).

Positive und negative Korrelation

Der Korrelationskoeffizient kann Werte zwischen -1 und +1 annehmen. Ein positiver Korrelationskoeffizient bedeutet eine positive Korrelation. Bei einer positiven Korrelation steigt eine Variable, wenn die andere auch steigt. Ein Beispiel für eine positive Korrelation wäre der Zusammenhang zwischen der Haarlänge und Menge an verwendeten Shampoo: Je länger die Haare, desto mehr Shampoo benötigt man.

Der Korrelationskoeffizient kann allerdings auch negative Werte annehmen. Man spricht dann von einer negativen oder inversen Korrelation. Bei einer negativen Korrelation steigt eine Variable während die andere fällt. Zum Beispiel der Zusammenhang zwischen Arbeitszeit und Freizeit: Je mehr jemand arbeitet, desto weniger Freizeit hat man und umgekehrt.

Korrelationen tabellarisch darstellen

Bei mehr als zwei Variablen kann es übersichtlicher sein, das Ergebnis der Korrelation als Tabelle darzustellen, wie zum Beispiel bei der Tabelle unten:

Korrelation: mehr als zwei VariablenDa die Korrelationstabelle entlang der Diagonalen symmetrisch ist (die Korrelation von Alter und Einkommen ist identisch mit der Korrelation von Einkommen und Alter), müssen wir nur eine Hälfte für die Tabelle nehmen, wie hier:

Alter Zeit zur Arbeitsstelle Arbeitszeit
Zeit zur Arbeitsstelle .048***
Arbeitszeit .140*** .132***
Einkommen .121*** .114*** .383***

*** p < .001

Literaturverzeichnis

  1. Cohen, J. (1988). Statistical power analysis for the behavioral sciences (2nd ed.). Hillsdale, N.J.: L. Erlbaum Associates.