Es nimmt immer einen Wert zwischen -1 und 1 an, wobei:<\/span><\/p>\n Um festzustellen, ob ein Korrelationskoeffizient statistisch signifikant ist, k\u00f6nnen Sie den entsprechenden t-Score und p-Wert berechnen.<\/span><\/p>\n Die Formel zur Berechnung des t-Scores eines Korrelationskoeffizienten (r) lautet:<\/span><\/p>\n t<\/strong> = r * \u221a n-2<\/span> \/ \u221a 1-r 2<\/sup><\/span><\/span><\/p>\n Der p-Wert wird als entsprechender zweiseitiger p-Wert f\u00fcr die t-Verteilung mit n-2 Freiheitsgraden berechnet.<\/span><\/p>\n Um festzustellen, ob der Korrelationskoeffizient zwischen zwei Variablen statistisch signifikant ist, k\u00f6nnen Sie einen Korrelationstest in R mit der folgenden Syntax durchf\u00fchren:<\/span><\/p>\n cor.test(x, y, method=c(\u201epearson\u201c, \u201ekendall\u201c, \u201espearman\u201c))<\/strong><\/span><\/p>\n Gold:<\/span><\/p>\n Angenommen, wir haben die folgenden zwei Vektoren in R:<\/span><\/p>\n Bevor wir einen Korrelationstest zwischen den beiden Variablen durchf\u00fchren, k\u00f6nnen wir ein schnelles Streudiagramm erstellen, um ihre Beziehung zu visualisieren:<\/span> <\/p>\n Es scheint eine positive Korrelation zwischen den beiden Variablen zu bestehen. Das hei\u00dft, wenn das eine zunimmt, nimmt auch das andere tendenziell zu.<\/span><\/p>\n Um festzustellen, ob diese Korrelation statistisch signifikant ist, k\u00f6nnen wir einen Korrelationstest durchf\u00fchren:<\/span><\/p>\n Der Korrelationskoeffizient zwischen den beiden Vektoren betr\u00e4gt 0,9279869<\/strong> .<\/span><\/p>\n Die Teststatistik betr\u00e4gt 7,8756<\/strong> und der entsprechende p-Wert betr\u00e4gt 1,35e-05<\/strong> .<\/span><\/p>\n Da dieser Wert weniger als 0,05 betr\u00e4gt, haben wir gen\u00fcgend Belege daf\u00fcr, dass die Korrelation zwischen den beiden Variablen statistisch signifikant ist.<\/span><\/p>\n Die folgenden Tutorials bieten zus\u00e4tzliche Informationen zu Korrelationskoeffizienten:<\/span><\/p>\n Eine Einf\u00fchrung in den Pearson-Korrelationskoeffizienten<\/a> Eine M\u00f6glichkeit, die Beziehung zwischen zwei Variablen zu quantifizieren, ist die Verwendung des Pearson-Korrelationskoeffizienten , der ein Ma\u00df f\u00fcr den linearen Zusammenhang zwischen zwei Variablen ist . Es nimmt immer einen Wert zwischen -1 und 1 an, wobei: -1 zeigt eine vollkommen negative lineare Korrelation zwischen zwei Variablen an 0 bedeutet, dass zwischen zwei Variablen […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"yoast_head":"\n\n
Beispiel: Korrelationstest in R<\/strong><\/span><\/h3>\n
\n
x <- c(2, 3, 3, 5, 6, 9, 14, 15, 19, 21, 22, 23)\ny <- c(23, 24, 24, 23, 17, 28, 38, 34, 35, 39, 41, 43)\n<\/strong><\/pre>\n
#create scatterplot<\/span>\nplot(x, y, pch= 16<\/span> )\n<\/strong><\/pre>\n![\"Korrelationstest](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/dispersionr1.png\")
<\/p>\n #perform correlation test between the two vectors<\/span>\ncor.test(x, y)\n\n\tPearson's product-moment correlation\n\ndata: x and y\nt = 7.8756, df = 10, p-value = 1.35e-05\nalternative hypothesis: true correlation is not equal to 0\n95 percent confidence interval:\n 0.7575203 0.9799783\nsample estimates:\n horn \n0.9279869<\/strong><\/pre>\n Zus\u00e4tzliche Ressourcen<\/strong><\/span><\/h3>\n
Was gilt als \u201estarke\u201c Korrelation?<\/a>
Die f\u00fcnf Hypothesen der Pearson-Korrelation<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"