Pearson-Korrelationskoeffizient

Der Pearson-Korrelationskoeffizient normiert die Stichprobenkovarianz und misst Richtung und Stärke eines linearen Zusammenhangs. Die Schreibweise r=s_xᵧ/(s_xsᵧ) macht sichtbar, welche Größen zusammenhängen. Dabei bedeuten r: Pearson-Korrelation (dimensionslos); s_xᵧ: Stichprobenkovarianz (Einheit x·y); s_x,sᵧ: Stichprobenstandardabweichungen (Einheiten x und y). Dimensionslos, −1≤r≤1. Für die Anwendung ist entscheidend, ob die gegebenen Größen dieselbe Bedeutung und Bezugsrichtung wie in der Definition haben. Typische Aufgaben verwenden die Beziehung für Lineare Zusammenhänge explorieren und Regressionsmodelle diagnostisch beschreiben.. Lies daher zuerst die Größen und ihre Dimensionen, bevor du Zahlen einsetzt; so erkennst du zum Beispiel sofort, ob das Ergebnis eine Länge, Rate, Wahrscheinlichkeit oder dimensionslose Kennzahl sein muss.

Beginne mit einer Skizze oder einer Liste der bekannten Größen, ordne jede Größe einem Symbol zu und bringe Einheiten in eine gemeinsame Form. Dann wähle die passende Gleichungsform und setze erst danach Werte ein. Beispiel: x=(1,2,3), y=(2,4,6): s_xᵧ=2, s_x=1, sᵧ=2; r=2/(1·2)=1. Probe: Alle Punkte liegen auf y=2x; Einheiten kürzen sich. Die Probe ist Teil der Rechnung: r=±1 bedeutet exakt linearen Zusammenhang in den Daten; r nahe null schließt nichtlineare Abhängigkeit nicht aus Vergleiche zusätzlich Größenordnung und Einheit mit dem Sachkontext. Runde erst am Schluss, denn vorzeitiges Runden kann bei mehreren Rechenschritten besonders bei kleinen Differenzen oder Summen sichtbar auf das Ergebnis durchschlagen.

r=±1 bedeutet exakt linearen Zusammenhang in den Daten; r nahe null schließt nichtlineare Abhängigkeit nicht aus. Ausreißer können r stark verändern. Korrelation ist symmetrisch und belegt keine Kausalität. Sind x oder y konstant, ist die Korrelation wegen Division durch null nicht definiert. Das ist keine nebensächliche Fußnote: Bei einer Verletzung der Annahmen kann die Formel ein präzises, aber unpassendes Ergebnis liefern. Kontrolliere deshalb vor dem Rechnen, welche Werte beobachtet, geschätzt oder modelliert sind und ob Sonderfälle die Gleichung ändern. Lineare Zusammenhänge explorieren und Regressionsmodelle diagnostisch beschreiben. Bei numerischen Verfahren prüfe außerdem Schrittweite und Stabilität; bei Statistik Stichprobendesign und Verteilung; bei Analysis Differenzierbarkeit, Rand und Orientierung. Verwende eine alternative Methode, wenn diese Bedingungen nicht erfüllt sind.

Beide Beziehungen passen in denselben Themenbereich, beantworten aber verschiedene Fragen. „Pearson-Korrelationskoeffizient“: Der Pearson-Korrelationskoeffizient normiert die Stichprobenkovarianz und misst Richtung und Stärke eines linearen Zusammenhangs. Die Anschlussformel „Stichprobenkovarianz“ Die Stichprobenkovarianz beschreibt, ob zwei Merkmale gemeinsam über oder unter ihren Mittelwerten liegen. Wähle zuerst nach der gesuchten Größe und dem Modell: Lineare Zusammenhänge explorieren und Regressionsmodelle diagnostisch beschreiben. Die Beispielrechnung x=(1,2,3), y=(2,4,6): s_xᵧ=2, s_x=1, sᵧ=2; r=2/(1·2)=1. Probe: Alle Punkte liegen auf y=2x; Einheiten kürzen sich. zeigt, welche Größen in dieser Beziehung tatsächlich eingehen. Ein sinnvoller Lernschritt ist, beide Formeln mit denselben Ausgangsdaten zu vergleichen und zu markieren, welche Zusatzannahme die zweite benötigt. So wird aus einer Merkliste eine nachvollziehbare Auswahlregel.

Eine Kennzahl allein beweist weder Kausalität noch eine Hypothese. Prüfe Stichprobenauswahl, Unabhängigkeit, Nenner und Verteilungsannahmen, bevor du einen Test oder ein Intervall interpretierst. Zusätzlich müssen die verwendeten Symbole exakt zur Definition passen: r: Pearson-Korrelation (dimensionslos); s_xᵧ: Stichprobenkovarianz (Einheit x·y); s_x,sᵧ: Stichprobenstandardabweichungen (Einheiten x und y). Rechne nicht nur mechanisch, sondern schreibe die Annahme neben den Ansatz und kontrolliere danach Dimension und Vorzeichen. Für die vorliegende Beziehung gelten außerdem: r=±1 bedeutet exakt linearen Zusammenhang in den Daten; r nahe null schließt nichtlineare Abhängigkeit nicht aus Im Beispiel x=(1,2,3), y=(2,4,6): s_xᵧ=2, s_x=1, sᵧ=2; r=2/(1·2)=1. Probe: Alle Punkte liegen auf y=2x; Einheiten kürzen sich. kannst du diese Prüfungen direkt nachvollziehen. Wenn die Annahme nicht passt, suche eine andere Beziehung aus dem Kapitel statt Werte in eine unpassende Formel zu zwingen.