Wie du eine Korrelationsanalyse rechnest: Pearson, Spearman und die Berichtszeile (2026)

Kurz gesagt: Eine Korrelation misst, wie stark zwei Merkmale gemeinsam variieren — nicht, ob das eine das andere verursacht. Du wählst Pearson, wenn beide Variablen metrisch sind und der Zusammenhang im Streudiagramm halbwegs geradlinig aussieht, und Spearman, wenn mindestens eine Variable ordinal ist, der Zusammenhang gekrümmt verläuft oder einzelne Extremwerte das Bild dominieren. Berichtet wird immer das Trio aus Koeffizient, Freiheitsgraden und p-Wert — und, wenn du sauber arbeitest, ein Konfidenzintervall.

Schritt 1: Prüfe, ob eine Korrelation deine Forschungsfrage überhaupt beantwortet

Die Korrelation beantwortet genau eine Art von Frage: Gehen hohe Werte in A mit hohen (oder niedrigen) Werten in B einher? Sie beantwortet nicht, wie viel B steigt, wenn A um eine Einheit steigt — das ist eine Regressionsfrage. Und sie beantwortet nicht, ob sich zwei Gruppen unterscheiden — dafür brauchst du einen Mittelwertvergleich oder, bei zwei kategorialen Merkmalen, einen Chi-Quadrat-Test.

Formuliere deine Hypothese deshalb vorab als echte Zusammenhangshypothese, gerichtet oder ungerichtet. Wie das sauber geht und warum die Richtung über den einseitigen oder zweiseitigen Test entscheidet, steht im Leitfaden zum Hypothesen aufstellen. Wer die Hypothese erst nach dem Blick in die Korrelationsmatrix formuliert, betreibt keine Prüfung mehr, sondern Exploration — und muss das im Methodenteil auch so nennen.

Schritt 2: Zeichne zuerst das Streudiagramm, dann rechne

Dieser Schritt wird fast immer übersprungen, und er ist der wichtigste. Francis Anscombe hat 1973 in The American Statistician (27, 17–21) vier Datensätze konstruiert, die in Mittelwert, Varianz und Korrelationskoeffizient praktisch identisch sind — und deren Streudiagramme nichts miteinander zu tun haben. Einer ist linear, einer ist eine Parabel, einer besteht aus einer perfekten Geraden plus einem einzelnen Ausreißer, einer aus einer senkrechten Punktwolke plus einem weit entfernten Punkt.

Die Konsequenz für deine Abschlussarbeit: Ein r von .82 ist ohne Streudiagramm keine Information, sondern eine Behauptung. Erzeuge das Diagramm, bevor du irgendeine Zahl in den Ergebnisteil schreibst, und achte auf drei Dinge — eine erkennbar gekrümmte Form, einzelne weit abliegende Punkte und eine Punktwolke, die sich zu den Rändern hin auffächert.

Schritt 3: Entscheide zwischen Pearson, Spearman und Kendall

Die Entscheidung hängt an drei Fragen, in dieser Reihenfolge.

1. Welches Skalenniveau haben deine Variablen? Sind beide metrisch (Alter, Einkommen, Reaktionszeit, ein Summenscore aus einer validierten Skala), kommt Pearson infrage. Ist mindestens eine ordinal — Schulnote, Rangplatz, eine einzelne Likert-Frage —, ist Spearman die korrektere Wahl. Wenn du unsicher bist, welches Niveau deine Variablen haben, hilft die Operationalisierung deiner Konstrukte weiter.
2. Wie sieht der Zusammenhang im Streudiagramm aus? Pearson misst ausschließlich lineare Zusammenhänge. Bei einem monoton steigenden, aber gekrümmten Verlauf unterschätzt Pearson die Stärke systematisch, während Spearman sie korrekt abbildet — denn Spearman ist nichts anderes als Pearson, gerechnet auf den Rängen statt auf den Rohwerten.
3. Gibt es Extremwerte? Pearson reagiert auf einzelne weit abliegende Punkte extrem empfindlich; ein einziger Fall kann ein r von .10 auf .60 heben. Spearman und Kendalls Tau sind gegenüber solchen Werten robust, weil sie nur Ränge verwenden.

Kendalls Tau ist die dritte Option und in deutschen Abschlussarbeiten selten, aber bei sehr kleinen Stichproben und vielen Rangbindungen (also vielen gleichen Werten) die sauberere Kennzahl als Spearman. Bishara und Hittner haben 2012 in Psychological Methods (17(3), 399–417) systematisch verglichen, wie sich Pearson und Spearman bei nicht normalverteilten Daten verhalten; ihr Befund stützt genau diese Faustregel: Je stärker die Verteilung von der Normalform abweicht, desto eher greifst du zum Rangverfahren.

Schritt 4: Prüfe die Voraussetzungen, die wirklich zählen

Für Pearson werden in Lehrbüchern gern fünf Voraussetzungen aufgezählt. Drei davon entscheiden in der Praxis über die Gültigkeit deiner Aussage:

• Linearität. Nicht verhandelbar. Ein gekrümmter Zusammenhang macht das Pearson-r inhaltlich falsch, nicht nur ungenau.
• Keine einflussreichen Extremwerte. Rechne die Korrelation testweise ohne den auffälligsten Fall. Ändert sich r in der zweiten Nachkommastelle, ist alles in Ordnung. Springt es um .15 oder mehr, gehört dieser Umstand in den Ergebnisteil — mit beiden Werten.
• Keine Varianzeinschränkung. Wenn du nur Studierende mit Abiturnote 1,0 bis 2,0 befragst und deren Studienerfolg korrelierst, kann kein starker Zusammenhang herauskommen, selbst wenn er in der Gesamtpopulation existiert. Eine künstlich eingeengte Spannweite drückt r nach unten. Das ist kein Rechenfehler, sondern eine Eigenschaft deines Stichprobenverfahrens und gehört in die Limitationen.

Die bivariate Normalverteilung ist die am häufigsten falsch zitierte Voraussetzung. Sie wird nur für den Signifikanztest benötigt, nicht für die Berechnung des Koeffizienten selbst — und bei Stichproben ab etwa 30 Fällen ist der Test gegenüber moderaten Abweichungen unempfindlich. Für Spearman entfällt sie ohnehin. Wichtiger als jeder Verteilungstest ist die Frage, wie du mit fehlenden Werten umgehst: Rechnest du paarweise oder listenweise? Beides ist zulässig, aber du musst es angeben, weil sich sonst die Fallzahl von Korrelation zu Korrelation ändert, ohne dass die Leserin es merkt.

Schritt 5: Rechne — und lies das Ergebnis richtig

In SPSS führt der Weg über Analysieren → Korrelation → Bivariat, wo du Pearson, Spearman und Kendalls Tau ankreuzen kannst; in JASP und jamovi heißt der Punkt Regression → Correlation Matrix. Eine Übersicht darüber, welches Programm deine Hochschule bereitstellt und welche kostenlosen Statistikprogramme denselben Job erledigen, findest du in der Vergleichsübersicht. Was du danach vor dir hast, liest du so:

• Das Vorzeichen gibt die Richtung an, nicht die Qualität. Ein r von −.55 ist genauso stark wie eines von +.55.
• Der Betrag gibt die Stärke an. Schober, Boer und Schwarte haben 2018 in Anesthesia & Analgesia (126, 1763–1768) eine gängige Einteilung zusammengestellt — etwa .10 bis .39 schwach, .40 bis .69 moderat, .70 bis .89 stark. Sie betonen zugleich, dass solche Grenzen fachabhängig und letztlich willkürlich sind. Schreibe deshalb nie „stark“ ohne die Zahl daneben.
• Das Quadrat des Koeffizienten ist die gemeinsam erklärte Varianz. Ein r von .30 bedeutet neun Prozent geteilte Varianz — was viele Arbeiten deutlich überinterpretieren.
• Der p-Wert sagt nur, ob der Zusammenhang von null verschieden ist. Bei n = 400 wird ein r von .10 signifikant und ist trotzdem praktisch bedeutungslos. Bei n = 20 kann ein r von .40 unauffällig bleiben, obwohl der Effekt beachtlich wäre. Was du in diesem zweiten Fall schreibst, ohne dich um Kopf und Kragen zu reden, steht im Leitfaden für den Fall, dass Ergebnisse nicht signifikant sind.
• Das Konfidenzintervall ist die ehrlichste Angabe von allen. Bei n = 50 und r = .35 reicht das 95-%-Intervall ungefähr von .08 bis .57 — eine Spannweite, die von „kaum vorhanden“ bis „deutlich“ reicht. Genau diese Unsicherheit gehört in die Diskussion.

Schritt 6: Berichte nach APA — in einer einzigen Zeile

Die Berichtsform ist knapp und festgelegt. Für Pearson: r(48) = .42, p = .003. Die Zahl in Klammern sind die Freiheitsgrade, also n − 2; bei 50 vollständigen Fällen steht dort 48. Für Spearman schreibst du r_s(48) = .39, p = .006. Die führende Null entfällt bei allen Kennwerten, die nicht größer als eins werden können, also bei r und bei p. Exakte p-Werte sind der Angabe „p < .05“ vorzuziehen; erst unterhalb von .001 schreibst du p < .001.

Bei mehr als zwei Variablen gehört die Korrelationsmatrix in eine Tabelle statt in den Fließtext: Variablen als Zeilen und Spalten, nur das untere Dreieck gefüllt, Signifikanzen als Sternchen mit Legende, Stichprobengröße in der Tabellenanmerkung. Formatvorgaben für Tabellen und die passenden Beispielsätze für den Fließtext liefert der Leitfaden zum Ergebnisteil.

Und der Satz, der in jeder Diskussion stehen sollte: Ein Zusammenhang ist keine Wirkung. Solange dein Design querschnittlich ist, kannst du nicht ausschließen, dass die Kausalität umgekehrt verläuft oder dass eine dritte Variable beide Merkmale treibt.

Vier Fehler, die in Korrelationskapiteln immer wieder auftauchen

1. Die Korrelationsmatrix als Ergebnisteil. Zwanzig Variablen ergeben 190 Koeffizienten; bei einem Alpha von fünf Prozent sind davon rein zufällig rund neun signifikant. Prüfe die Zusammenhänge, die deine Hypothesen benennen, und deklariere alles Weitere als explorativ.
2. Pearson auf einzelne Likert-Items. Eine Fünf-Punkte-Frage ist ordinal. Für den Summenscore mehrerer Items ist Pearson vertretbar und üblich — vorausgesetzt, die interne Konsistenz stimmt; wie du sie prüfst, steht unter Reliabilität und Validität.
3. Signifikanz mit Stärke verwechseln. „Hochsignifikant“ beschreibt den p-Wert, nie den Koeffizienten.
4. Nur die Ergebnisse berichten, die passen. Nicht signifikante geplante Korrelationen gehören vollständig in die Arbeit. Ihr Fehlen ist der auffälligste Hinweis auf selektives Berichten, den eine Gutachterin finden kann.

Häufige Fragen

Wie viele Fälle brauche ich für eine Korrelation?

Als grobe Untergrenze gelten 30 vollständige Fälle, damit das Konfidenzintervall nicht ins Absurde wächst. Für einen mittleren Effekt von r = .30 bei einer Power von 80 Prozent liegt der Bedarf eher bei rund 85 Fällen. Entscheidend ist die Zahl der Fälle mit gültigen Werten in beiden Variablen, nicht die Gesamtzahl der Fragebögen.

Darf ich Pearson rechnen, wenn meine Daten nicht normalverteilt sind?

Für den Koeffizienten selbst ja. Für den Signifikanztest gilt: Bei größeren Stichproben ist er robust, bei kleinen und deutlich schiefen Verteilungen berichte lieber Spearman — oder beides, mit einem Satz zur Übereinstimmung.

Was mache ich, wenn Pearson und Spearman stark auseinandergehen?

Das ist ein diagnostischer Befund, kein Problem. Weichen die beiden Werte deutlich voneinander ab, liegt fast immer ein gekrümmter Zusammenhang oder ein einflussreicher Extremwert vor. Zeige das Streudiagramm und erkläre die Differenz, statt still den größeren Wert zu wählen.

Kann eine Korrelation kausal interpretiert werden?

Nur mit einem Design, das die zeitliche Reihenfolge sichert oder die Zuweisung kontrolliert. Aus Querschnittsdaten folgt keine Kausalaussage, egal wie hoch r ist.

Was ist eine partielle Korrelation?

Sie misst den Zusammenhang zwischen zwei Variablen, nachdem der Einfluss einer dritten aus beiden herausgerechnet wurde. Nützlich, wenn du eine plausible Störvariable erhoben hast — etwa das Alter. Der Wert wird als r_xy.z berichtet, und die Kontrollvariable muss im Text genannt werden.

Muss ich die Korrelationen berichten, wenn ich anschließend eine Regression rechne?

Ja. Die Korrelationsmatrix der Prädiktoren ist die erste Warnstufe für Multikollinearität und wird in empirischen Arbeiten standardmäßig erwartet, bevor das Modell folgt.

Wie werte ich die Korrelation aus, wenn ich meine Daten in Excel habe?

Für zwei Variablen genügt die Funktion KORREL, für den p-Wert brauchst du allerdings eine Zusatzrechnung oder das Analyse-Add-In. Wie du deine Rohdaten in eine auswertbare Form bringst und wann sich der Umstieg lohnt, zeigt die Anleitung, wie man eine Umfrage in Excel und SPSS auswertet.

Fazit

Eine Korrelationsanalyse ist in zehn Minuten gerechnet und in zwei Sätzen falsch interpretiert. Die Reihenfolge, die dich davor schützt, ist immer dieselbe: Frage prüfen, Streudiagramm zeichnen, Verfahren nach Skalenniveau und Form wählen, Extremwerte und Spannweite kontrollieren, Koeffizient mit Freiheitsgraden und p-Wert berichten, Konfidenzintervall dazustellen — und in der Diskussion sauber zwischen Zusammenhang und Wirkung trennen. Wer diese sechs Schritte dokumentiert, hat ein Kapitel, das in der Verteidigung trägt.

Wenn du deinen Ergebnisteil gerade zusammenbaust und dir unsicher bist, ob deine Formulierungen die Statistik korrekt wiedergeben, kannst du deine Abschlussarbeit mit Tesify strukturieren und schreiben — inklusive der Textbausteine für Methoden- und Ergebnisteil.