Rechner für partielle Korrelation

Die partielle Korrelation misst den linearen Zusammenhang zwischen zwei Variablen, nachdem der lineare Einfluss einer anderen Variable aus beiden entfernt wurde. Ein gewöhnlicher Pearson-Koeffizient zwischen X und Y kann groß sein, weil beide Variablen mit Z zusammenhängen. Die partielle Korrelation erster Ordnung fragt, welcher Zusammenhang zwischen X und Y verbleibt, wenn diese gemeinsame Verbindung mit Z konstant gehalten wird. Das ist für erste Analysen von Störeinflüssen, explorative Forschung, Lehre und die Kontrolle statistischer Softwareausgaben nützlich. Der Rechner benötigt drei paarweise Pearson-Koeffizienten: die Korrelation zwischen X und Y, zwischen X und der Kontrollvariable Z sowie zwischen Y und Z. Er zieht den Anteil des X-Y-Zusammenhangs ab, der sich aus den jeweiligen Beziehungen zu Z ergibt, und standardisiert den Rest. Bilden die drei Eingaben eine gültige Korrelationsstruktur, liegt das Ergebnis zwischen minus eins und plus eins. Ein positives Ergebnis bedeutet, dass größere Residuen von X tendenziell mit größeren Residuen von Y einhergehen. Ein negatives Ergebnis zeigt einen gegenläufigen Zusammenhang der Residuen. Der Betrag beschreibt die Stärke, nicht die Bedeutung oder Kausalität. Ein Koeffizient nahe null bedeutet, dass nach Kontrolle von Z wenig linearer Zusammenhang verbleibt. Ein Wert näher an einem der Endpunkte zeigt ein stärkeres verbleibendes lineares Muster. Kontext, Stichprobengröße, Messqualität und Unsicherheit bleiben wichtig. Dieser Rechner gibt nur den Koeffizienten aus; er berechnet weder Konfidenzintervall noch Signifikanztest, da dafür auch die Stichprobengröße und Annahmen über die Beobachtungen nötig sind. Die Formel ist nicht definiert, wenn X oder Y perfekt mit Z korreliert. Nach dem Entfernen von Z bleibt bei dieser Variable keine Residualvariation übrig. Die eingegebenen Korrelationen sollten außerdem auf denselben Beobachtungen und derselben Behandlung fehlender Werte beruhen. Paarweise Koeffizienten aus nicht zusammengehörigen Stichproben können mathematisch widersprüchlich sein. Nutzen Sie das Ergebnis als kompakte deskriptive Bereinigung. Prüfen Sie zusätzlich Datengrafiken und ein geeignetes Regressionsmodell, wenn Entscheidungen von nichtlinearen Effekten, Interaktionen, weiteren Kontrollvariablen oder einer kausalen Deutung abhängen.