Wie man statistische Korrelationen vergleicht

Wie man statistische Korrelationen vergleicht

statistiken vergleichen

Genauso wie andere statistische Messungen können auch Korrelationen miteinander verglichen werden. Die Berechnung hängt dabei von der Art der Korrelationen und der Stichprobe ab. In diesem Artikel werden die drei möglichen Fälle besprochen und wie man sie direkt berechnen kann.

Drei verschiedene Vergleiche

Die Unterscheidung erfolgt vor allem danach, ob die Korrelationen aus derselben Stichprobe stammen (abhängig sind) oder aus zwei verschiedenen Stichproben (unabhängig sind). Insgesamt können drei verschiedene Arten von Vergleichen von Korrelationen durchgeführt werden:

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

Unabhängige Gruppen

In der Regel möchten wir zwei Korrelationen aus zwei unabhängigen Gruppen statistisch vergleichen. Dies kann beispielsweise der Fall sein, wenn wir die Korrelationen aus zwei verschiedenen Studien vergleichen möchten oder wenn die Stichprobe unabhängig voneinander ist.

Ein Beispiel dafür wäre der Vergleich der Korrelationskoeffizienten aus zwei Studien zur Intelligenz und Lebenszufriedenheit. Beide Studien würden Korrelationskoeffizienten zu Intelligenz und Lebenszufriedenheit angeben, die wir unter Angabe der Stichprobengröße statistisch vergleichen könnten.

Abhängige Gruppen mit einer Drittvariablen

Alternativ können wir auch die Korrelationen innerhalb einer Stichprobe (abhängig) vergleichen. Eine Möglichkeit dafür ist, dass die beiden Korrelationen sich überschneiden und daher eine Variable gemeinsam haben. Zum Beispiel könnten wir 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 auch diese Korrelation als Parameter angegeben werden.

LESEN  Der ultimative Poolroboter-Vergleich: Reinigung leicht gemacht!

Abhängige Gruppen ohne Drittvariable

Schließlich wollen wir zwei Korrelationen von abhängigen Gruppen vergleichen, die keine gemeinsame Drittvariable haben. Ein Beispiel dafür wäre die Frage, ob die Korrelation zwischen Intelligenz und Einkommen und die Korrelation zwischen Lebenszufriedenheit und Selbstwirksamkeitserwartung statistisch signifikant unterschiedlich sind. Da die Signifikanz von allen beteiligten Interkorrelationen abhängt, müssen sie jeweils als Parameter angegeben werden.

Rechner

  • unabhängige Gruppen
  • abhängige Gruppen (mit Drittvariable)
  • abhängige Gruppen (ohne Drittvariable)

Berechnung der Signifikanz

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
LESEN  Warum die Dauer einer Scheidung variieren kann

Anja Zimmermann