Spearman-Rangkorrelationsrechner - Rangkorrelation

Berechnen Sie den Spearman-Rangkorrelationskoeffizienten (ρ) zwischen zwei Datensätzen — messen Sie Stärke und Richtung eines monotonen Zusammenhangs, ohne Normalverteilung anzunehmen.

Geben Sie zwei kommaseparierte Datensätze mit gleicher Länge ein. Der Rechner ordnet beide Datensätze und berechnet ρ mit der Pearson-Formel auf den Rängen, wobei Bindungen korrekt behandelt werden.

Spearman-Rangkorrelationsrechner - Rangkorrelation
Berechnen Sie den Spearman-Rangkorrelationskoeffizienten (ρ) zwischen zwei Datensätzen — messen Sie Stärke und Richtung eines monotonen Zusammenhangs, ohne Normalverteilung anzunehmen.

Zahlen durch Kommas oder Leerzeichen getrennt eingeben

Muss die gleiche Anzahl an Werten wie Datensatz X haben

Über den Spearman-Korrelationsrechner

Der Spearman-Rangkorrelationskoeffizient, bezeichnet als ρ (Rho) oder rs, ist ein nichtparametrisches Maß für den monotonen Zusammenhang zwischen zwei Variablen. Anders als die Pearson-Korrelation, die lineare Zusammenhänge misst und voraussetzt, dass die Daten normalverteilt sowie auf Intervall- oder Verhältnisskala gemessen sind, arbeitet der Spearman-Koeffizient mit den Rängen der Datenwerte. Dadurch eignet er sich für Ordinaldaten, Daten mit Ausreißern und alle Situationen, in denen der Zusammenhang monoton, aber nicht unbedingt linear ist. Die Berechnung erfolgt in drei Schritten. Zuerst werden beide Datensätze gerankt: der kleinste Wert erhält Rang 1, der zweitkleinste Rang 2 und so weiter. Gibt es Bindungen, erhält jeder gebundene Wert den Durchschnitt der Ränge, die er sonst belegt hätte. Zweitens wird für jedes Wertepaar die Rangdifferenz dᵢ berechnet. Drittens wird ρ berechnet. Für Daten ohne Bindungen liefert die klassische Formel ρ = 1 − (6 Σdᵢ²) / (n(n²−1)) ein exaktes Ergebnis. Für Daten mit Bindungen verwendet dieser Rechner die allgemeinere Formel — die auf den Rängen berechnete Pearson-Korrelation —, die Bindungen per Konstruktion korrekt behandelt. Der Koeffizient liegt zwischen −1 und +1. Ein Wert von +1 bedeutet eine perfekte positive monotone Beziehung: Jede Zunahme in einer Variablen geht mit einer Zunahme in der anderen einher. Ein Wert von −1 bedeutet eine perfekte negative monotone Beziehung: Jede Zunahme in einer Variablen geht mit einer Abnahme in der anderen einher. Ein Wert von 0 weist auf keinen monotonen Zusammenhang hin. In der Praxis gelten Werte über ±0.7 als stark, ±0.5 bis ±0.7 als mäßig, ±0.3 bis ±0.5 als schwach und unter ±0.3 als vernachlässigbar, wobei die Schwelle für 'signifikant' immer von Stichprobengröße und Kontext abhängt. Die Spearman-Korrelation wird häufig in der Psychologie (Rangfolgen von Präferenzen oder Einstellungen), Bildung (Vergleich von Klassenrängen mit Testergebnissen), Medizin (Vergleich von Symptomschwerewerten), Ökologie (Abundanzzählungen versus Habitatqualität), Finanzwesen (Ranking von Fonds nach risikoadjustierter Rendite) und Marktforschung (Präferenzrankings von Verbrauchern) eingesetzt. Jedes Fachgebiet, das mit Rang-, Ordinal- oder nicht normalverteilten Daten arbeitet, profitiert davon. Eine wichtige Einschränkung: Spearmans ρ erkennt nur monotone Zusammenhänge. Ist die Beziehung U-förmig oder anderweitig nicht monoton, kann ρ nahe null liegen, obwohl ein starker Zusammenhang besteht. In solchen Fällen sollten Streudiagramme und andere visuelle Diagnosen immer zusammen mit dem numerischen Koeffizienten verwendet werden, um das Ergebnis korrekt zu interpretieren.

Spearman-Korrelationsbeispiele

Vier durchgerechnete Beispiele, die unterschiedliche Korrelationsstärken und Datenstrukturen veranschaulichen.

DatensätzeρInterpretation
X: 10, 20, 30, 40, 50 | Y: 2, 4, 6, 8, 10ρ = 1.0000Perfekt positive monotone Beziehung — beide Variablen steigen immer gemeinsam.
X: 105, 120, 90, 150, 135 | Y: 4.5, 3.2, 5.0, 2.1, 2.9ρ = −1.0000Perfekt negative Beziehung — X und Y sind genau umgekehrt geordnet.
X: 1, 2, 3, 4, 5 | Y: 3, 1, 5, 2, 4ρ = 0.3000Schwache positive monotone Beziehung zwischen den beiden Rangfolgen.
X: 8, 9, 10, 10, 12 | Y: 4, 6, 5, 5, 7ρ ≈ 0.6842Mäßig positive Korrelation; gebundene Werte werden durch Mittelung der Ränge behandelt.

So verwenden Sie den Spearman-Korrelationsrechner

  1. Geben Sie Ihren ersten Datensatz (X) als durch Kommas getrennte Zahlen im Feld Datensatz X ein.
  2. Geben Sie Ihren zweiten Datensatz (Y) im Feld Datensatz Y ein — er muss exakt die gleiche Anzahl an Werten wie X haben.
  3. Klicken Sie auf Berechnen. Der Rechner vergibt Ränge für beide Datensätze, behandelt Bindungen durch Mittelung der Ränge und berechnet ρ mit der Pearson-Formel auf den Rängen.
  4. Lesen Sie den ρ-Wert, die Stichprobengröße und die Stärke im Ergebnisbereich ab.
  5. Nutzen Sie die Beispielbuttons, um vordefinierte Datensätze zu laden und typische positive, negative und Nullkorrelations-Szenarien zu sehen.

Spearman-Korrelation FAQ

Was ist der Unterschied zwischen Spearman- und Pearson-Korrelation?
Pearsons r misst die Stärke eines linearen Zusammenhangs und setzt voraus, dass beide Variablen normalverteilt und auf Intervallskala gemessen sind. Spearmans ρ misst jeden monotonen Zusammenhang, nicht nur lineare, und arbeitet mit Rangdaten, wodurch er robust gegenüber Ausreißern ist und für Ordinaldaten geeignet bleibt. Verwenden Sie Spearman, wenn die Normalitätsannahme verletzt ist, die Daten ordinal sind oder Ausreißer vorliegen.
Erfordert die Spearman-Korrelation eine Mindeststichprobengröße?
Technisch funktioniert die Formel ab n ≥ 2, aber bei sehr kleinen Stichproben (n < 5) reagiert der Koeffizient stark auf einzelne Werte und Signifikanztests haben nur sehr geringe Power. Für eine verlässliche Schätzung werden mindestens 10–15 gepaarte Beobachtungen empfohlen; für formale Signifikanztests ist n ≥ 20 vorzuziehen.
Wie behandelt der Rechner gebundene Werte?
Wenn zwei oder mehr Beobachtungen denselben Wert haben, erhält jede gebundene Beobachtung den Durchschnitt der Ränge, die sie sonst belegt hätte. Wenn beispielsweise die Werte an den Positionen 3 und 4 gleich sind, erhält jede den Rang 3,5. Der Rechner verwendet dann die Pearson-auf-Rängen-Formel, die ohne Bindungen algebraisch äquivalent zur einfachen dᵢ²-Formel ist und Bindungen korrekt behandelt, wenn sie vorhanden sind.
Was bedeutet ein Spearman-ρ von 0?
Ein ρ von genau 0 bedeutet, dass es keinen monotonen Zusammenhang zwischen den Rangfolgen von X und Y gibt. Das bedeutet nicht, dass die Variablen unabhängig sind — ein nichtmonotoner Zusammenhang (z. B. U-förmig) kann ebenfalls ein ρ nahe 0 erzeugen. Stellen Sie Ihre Daten immer zusammen mit dem Koeffizienten dar, damit kein Muster übersehen wird.
Kann die Spearman-Korrelation mit kategorialen Daten verwendet werden?
Die Spearman-Korrelation erfordert mindestens Ordinaldaten — also Daten, die sinnvoll gerankt werden können. Sie kann nicht auf nominale kategoriale Daten (z. B. Farben, Namen, Labels) angewendet werden, bei denen das Konzept einer Rangfolge nicht gilt. Für nominale Daten sollten Sie Cramérs V oder andere Zusammenhangsmaße verwenden.