Ratgeber Korrelationsanalyse
Korrelationsanalyse: Zusammenhänge in Umfragedaten erkennen und richtig deuten
Eine Korrelationsanalyse zeigt, ob zwei Merkmale gemeinsam steigen oder fallen und wie eng sie zusammenhängen – etwa die Zufriedenheit mit dem Service und die Bereitschaft zur Weiterempfehlung. Hier erfährst du, wie Pearson und Spearman rechnen, wie du r einordnest, warum eine Korrelation keine Ursache beweist und was 121surveys dir dafür berechnet.
Bauen und testen ist kostenlos. Zum Veröffentlichen wählst du einen bezahlten Tarif.
Grundlagen: was der Korrelationskoeffizient aussagt
Was misst der Korrelationskoeffizient r?
Der Korrelationskoeffizient r fasst den Zusammenhang zweier Merkmale in einer Zahl zwischen −1 und +1 zusammen. Das Vorzeichen nennt die Richtung: Positiv heißt, hohe Werte des einen Merkmals gehen mit hohen Werten des anderen einher; negativ heißt, das eine steigt, während das andere fällt. Der Betrag nennt die Stärke: Bei 0 gibt es keinen linearen Zusammenhang, bei ±1 liegen alle Punkte auf einer Geraden. Wichtig: r erfasst nur lineare (Pearson) bzw. gleichgerichtete (Spearman) Muster. Ein umgekehrt U-förmiger Verlauf kann deshalb ein r nahe 0 haben – ein Streudiagramm zeigt dir, ob das so ist.
Pearson-Korrelation: Formel und Voraussetzungen
Pearsons r setzt die gemeinsame Streuung zweier Merkmale ins Verhältnis zu ihrer einzelnen Streuung: r = Σ(x − x̄)(y − ȳ) / √(Σ(x − x̄)² · Σ(y − ȳ)²). Im Zähler steht die Summe der Abweichungsprodukte, der Nenner macht das Ergebnis unabhängig von der Skala – ob du in Euro oder Cent misst, ändert r nicht. Pearson passt für metrische oder annähernd metrische Daten: Zahlenangaben, Schieberegler und in der Praxis meist auch Bewertungsskalen mit fünf oder mehr Stufen. Der Zusammenhang sollte ungefähr linear sein, und schon einzelne Ausreißer können r stark verschieben.
Spearman-Rangkorrelation: für Ränge und Ausreißer
Spearmans Rho rechnet nicht mit den Werten selbst, sondern mit ihren Rangplätzen: Jede Antwort bekommt ihren Rang, gleiche Werte teilen sich den mittleren Rang, und dann wird Pearsons r über diese Ränge berechnet. Dadurch erfasst Spearman jeden gleichgerichteten Zusammenhang, auch wenn er nicht gerade verläuft, und ist wenig empfindlich gegen Ausreißer. Für kurze Bewertungsskalen mit wenigen Stufen, schiefe Verteilungen oder echte Rangfolgen ist Spearman oft die vorsichtigere Wahl.
Wie stark ist stark? r einordnen
Eine verbreitete Faustregel nach Cohen nennt r um 0,1 schwach, um 0,3 mittel und ab 0,5 stark. Das ist eine Konvention, kein Gesetz: In Befragungen zu Einstellungen sind Werte um 0,3 oft schon bedeutsam, bei zwei Messungen desselben Merkmals erwartest du viel mehr. Hilfreich ist das Quadrat r²: Es gibt den Anteil der Streuung an, den die beiden Merkmale gemeinsam haben. Bei r = 0,3 sind das nur 0,09, also neun Prozent – der Zusammenhang ist da, erklärt aber den größten Teil der Unterschiede zwischen den Befragten nicht.
Wie viele Antworten
Um einen mittleren Zusammenhang (r = 0,3) zuverlässig zu erkennen, brauchst du etwa 85 Antworten. Schwächere Zusammenhänge brauchen deutlich mehr.
Korrelation ist nicht Kausalität
Warum ein Zusammenhang keine Ursache beweist
Eine Korrelation sagt nur, dass zwei Merkmale gemeinsam variieren. Ob das eine das andere bewirkt, kann sie nicht zeigen. Wer mit dem Support zufrieden ist, empfiehlt häufiger weiter – vielleicht nutzen zufriedene Kundinnen und Kunden den Support aber einfach öfter und haben deshalb mehr Gelegenheit zu guten Erfahrungen. Für eine Ursache brauchst du mehr: eine zeitliche Reihenfolge, eine plausible Erklärung und idealerweise ein Experiment, bei dem du eine Größe gezielt veränderst und die andere beobachtest.
Drittvariablen, Scheinkorrelation und Richtung
Oft steckt hinter einer Korrelation ein drittes Merkmal, das beide beeinflusst. Hängt die Zufriedenheit mit einer Software mit der Teamgröße zusammen, kann es an der Branche liegen, in der große Teams häufiger arbeiten. Teilst du die Daten nach solchen Gruppen auf, kann ein Zusammenhang schwächer werden, verschwinden oder sich sogar umkehren. Auch die Richtung bleibt offen: Führt Vertrauen zu Zufriedenheit oder Zufriedenheit zu Vertrauen? Eine einmalige Befragung allein beantwortet das nicht.
Treiberanalyse in Umfragen
In Kunden- und Mitarbeiterbefragungen dient die Korrelation gern als einfache Treiberanalyse: Welche Einzelbewertung – Preis, Lieferzeit, Beratung – hängt am stärksten mit der Gesamtzufriedenheit oder dem NPS zusammen? Das ist ein guter erster Blick. Allerdings hängen die Treiber meist auch untereinander zusammen; wer die Beratung gut findet, bewertet oft auch die Lieferzeit besser. Welchen eigenen Beitrag ein Treiber leistet, zeigt erst eine multiple Regression, die du zum Beispiel in SPSS rechnest.
Korrelationsanalyse in 121surveys
Korrelationsmatrix über alle Zahlenfragen
Die Auswertung berechnet die Pearson-Korrelation für jedes Paar von Zahlenfragen deiner Umfrage und zeigt sie als Matrix: Bewertungsskalen, Sternebewertung, NPS, eNPS, CSAT, CES, Puls-Check, Schieberegler und Zahlenfelder. Der Reiter erscheint, sobald die Umfrage mindestens zwei solche Fragen hat.
Paarweise gerechnet, Anzahl je Zelle
Für jedes Fragenpaar zählen alle Personen, die beide Fragen beantwortet haben. Die Matrix nennt je Zelle, wie viele das sind, damit du einen Wert aus wenigen Antworten nicht mit einem aus vielen verwechselst. Zu wenige gemeinsame Antworten ergeben keinen Wert.
Filter und Zeitraum der Auswertung
Die Korrelationen folgen den Filtern und dem Zeitraum, die du in der Auswertung gesetzt hast. So prüfst du etwa, ob der Zusammenhang zwischen Service und Weiterempfehlung bei neuen Kunden anders aussieht als bei langjährigen. Die vertieften Analysen stehen ab der Rolle Analyst zur Verfügung.
Export für Spearman und Regression, MCP für KI-Assistenten
Spearman-Korrelationen, Signifikanztests und Regressionen rechnest du nach dem Export der Rohdaten – als SPSS-Datei, Excel, CSV, ODS oder JSON – in deinem Statistikprogramm weiter. Ein KI-Assistent fragt die Matrix über das MCP-Werkzeug get_correlations ab.
Häufige Fragen
Was ist eine Korrelationsanalyse?
Eine Korrelationsanalyse prüft, ob und wie eng zwei Merkmale zusammenhängen. Das Ergebnis ist ein Koeffizient zwischen −1 und +1: Das Vorzeichen zeigt die Richtung, der Betrag die Stärke. In Umfragen vergleichst du so zum Beispiel, wie eng die Bewertung einzelner Leistungen mit der Gesamtzufriedenheit zusammenhängt.
Wann nehme ich Pearson, wann Spearman?
Pearson passt für Zahlen und längere Skalen mit annähernd linearem Zusammenhang. Spearman rechnet mit Rangplätzen und eignet sich für kurze, ordinale Skalen, schiefe Verteilungen und Daten mit Ausreißern. Liegen beide Werte nah beieinander, ist das Ergebnis robust; weichen sie stark voneinander ab, lohnt ein Blick ins Streudiagramm.
Rechnet 121surveys auch die Spearman-Korrelation?
Nein. Die Korrelationsmatrix in 121surveys zeigt Pearson-Korrelationen. Für Spearman, Signifikanztests oder partielle Korrelationen exportierst du die Rohdaten – etwa als SPSS-, Excel- oder CSV-Datei – und rechnest in deinem Statistikprogramm weiter.
Wie viele Antworten brauche ich für eine Korrelationsanalyse?
Das hängt davon ab, wie stark der Zusammenhang ist, den du erkennen willst: Schwache Zusammenhänge brauchen deutlich mehr Antworten als starke. Achte außerdem darauf, dass für jedes Fragenpaar genug Personen beide Fragen beantwortet haben – die Matrix in 121surveys nennt die Anzahl je Zelle. Wie viele Antworten du für eine bestimmte Genauigkeit brauchst, schätzt du mit dem Stichprobenrechner ab.
Heißt eine hohe Korrelation, dass ich genau dort ansetzen sollte?
Das ist ein Hinweis, kein Beleg. Ein starker Zusammenhang zwischen einer Einzelbewertung und der Gesamtzufriedenheit macht den Punkt zu einem Kandidaten. Ob eine Verbesserung dort die Zufriedenheit tatsächlich hebt, zeigt erst ein Vorher-nachher-Vergleich oder ein gezielter Test – und eine Regression trennt den Beitrag sich überlappender Treiber.
Zusammenhänge finden, Ursachen prüfen
Mit der Korrelationsmatrix siehst du in 121surveys auf einen Blick, welche Bewertungen gemeinsam steigen und fallen. Nutze sie als Landkarte für deine nächsten Fragen – und prüfe Ursachen mit Gruppenvergleichen, einer Regression oder einem gezielten Test.
