Korrelations-Heatmap

Was ist Pearson-Korrelation?

Der Pearson-Korrelationskoeffizient (r) misst Stärke und Richtung der linearen Beziehung zwischen zwei stetigen Variablen. Bereich von −1 (perfekt negativ) über 0 (keine Beziehung) bis +1 (perfekt positiv).

Die Korrelationsmatrix zeigt paarweise r-Werte. Die Heatmap-Visualisierung erleichtert das Erkennen stark korrelierter Paare — wichtig für Merkmalserkennung und Multikollinearität.

Korrelation impliziert keine Kausalität. Der p-Wert testet statistische Signifikanz (typisch p < 0,05). Bei großen Datensätzen können auch triviale Korrelationen signifikant sein.

Formula: r = [nΣxᵢyᵢ − ΣxᵢΣyᵢ] / √[(nΣxᵢ² − (Σxᵢ)²)(nΣyᵢ² − (Σyᵢ)²)] Interpretation von |r|: 0.0–0.3: schwach 0.3–0.7: moderat 0.7–1.0: stark

Berechnungsbeispiel

Variablen X = [1,2,3,4,5], Y = [2,4,5,4,5]. Σx=15, Σy=20, Σxy=66, Σx²=55, Σy²=86, n=5. r = (330−300)/√((275−225)(430−400)) = 30/√(50×30) = 30/38,73 ≈ 0,775 — eine recht starke positive Korrelation, mit nur 5 Punkten aber nicht signifikant auf dem 5%-Niveau (p ≈ 0,12).

Wann diesen Rechner verwenden

• Ein Datenanalyst, der eine explorative Datenanalyse durchführt, um vor dem Erstellen von Vorhersagemodellen zu ermitteln, welche Variablen stark zusammenhängen
• Ein Forscher, der Multikollinearität zwischen Prädiktorvariablen erkennt, bevor er eine Regressionsanalyse durchführt
• Ein Qualitätsingenieur, der untersucht, welche Prozessparameter mit Produktfehlern oder Ausbeute korrelieren
• Ein Finanzanalyst, der Beziehungen zwischen Anlagerenditen für Diversifikationsentscheidungen im Portfolio untersucht

Häufige Fehler vermeiden

• Korrelation als Kausalität interpretieren — dass sich zwei Variablen gemeinsam bewegen, bedeutet nicht, dass die eine die andere verursacht; eine dritte Variable (Konfundierung) kann beide antreiben
• Nichtlineare Beziehungen ignorieren — die Pearson-Korrelation misst nur lineare Zusammenhänge; zwei Variablen können eine starke nichtlineare Beziehung (z. B. quadratisch) mit r nahe null haben
• Statistische Signifikanz mit praktischer Bedeutung gleichsetzen — bei großen Stichproben können selbst winzige Korrelationen (r = 0.05) statistisch signifikant sein (p < 0.05), aber keinerlei praktische Bedeutung haben
• Vor der Korrelationsberechnung nicht auf Ausreißer prüfen — ein einzelner extremer Datenpunkt kann das Pearson-r dramatisch aufblähen oder abschwächen; betrachten Sie zuerst Streudiagramme

Ergebnisse interpretieren

• Korrelationswerte nahe +1 oder -1 zeigen starke lineare Beziehungen an; Werte nahe 0 zeigen keine lineare Beziehung an (aber nicht zwingend keine Beziehung)
• Das in den Ergebnissen hervorgehobene stärkste Korrelationspaar identifiziert die am engsten verknüpften Variablen — nützlich für die Merkmalsauswahl oder die Erkennung von Multikollinearität
• Cluster hoher Korrelationen in der Heatmap deuten auf Gruppen verwandter Variablen hin, die möglicherweise denselben zugrunde liegenden Faktor messen

Verwandte Normen und Referenzen

• Pearson, K. (1896), 'Mathematical Contributions to the Theory of Evolution. III. Regression, Heredity, and Panmixia' — Formalisierung des Produkt-Moment-Korrelationskoeffizienten
• Fisher, R. A. (1925), Statistical Methods for Research Workers — Signifikanztests für Korrelationskoeffizienten
• NIST/SEMATECH e-Handbook of Statistical Methods — Referenzverfahren für Korrelationsanalyse und Streudiagramm-Interpretation

Häufig gestellte Fragen

Unterschied Pearson vs. Spearman?

Pearson misst lineare Beziehungen und setzt Normalverteilung voraus. Spearman verwendet Ränge und eignet sich für ordinale Daten und nichtlineare monotone Beziehungen.

p-Werte in der Korrelationsmatrix interpretieren?

p < 0,05 zeigt signifikante Korrelation. Bei vielen Paarvergleichen Bonferroni-Korrektur anwenden.