<\/p>\n
Eine M\u00f6glichkeit, die Beziehung zwischen zwei Variablen zu quantifizieren, ist die Verwendung des Pearson-Korrelationskoeffizienten<\/a> , der den linearen Zusammenhang zwischen zwei Variablen misst .<\/em><\/span><\/p>\n 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 dann 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 in Python einen Korrelationstest mit der Funktion \u201epearsonr\u201c<\/strong> aus der SciPy-<\/strong> Bibliothek durchf\u00fchren.<\/span><\/p>\n Diese Funktion gibt den Korrelationskoeffizienten zwischen zwei Variablen sowie den zweiseitigen p-Wert zur\u00fcck.<\/span><\/p>\n Angenommen, wir haben die folgenden zwei Tabellen in Python:<\/span><\/p>\n Wir k\u00f6nnen die Pearsonr-<\/strong> Funktion importieren und den Pearson-Korrelationskoeffizienten zwischen den beiden Tabellen berechnen:<\/span><\/p>\n So interpretieren Sie das Ergebnis:<\/span><\/p>\n Da der Korrelationskoeffizient nahe bei 1 liegt, bedeutet dies, dass zwischen den beiden Variablen ein starker positiver Zusammenhang besteht.<\/span><\/p>\n Und da der entsprechende p-Wert kleiner als 0,05 ist, schlie\u00dfen wir, dass zwischen den beiden Variablen ein statistisch signifikanter Zusammenhang besteht.<\/span><\/p>\n Beachten Sie, dass wir den einzelnen Korrelationskoeffizienten und den p-Wert auch aus der Pearson-<\/strong> Funktion extrahieren k\u00f6nnen:<\/span><\/p>\n Diese Werte sind im Vergleich zur Ausgabe der urspr\u00fcnglichen Pearsonr-<\/strong> Funktion etwas einfacher zu lesen.<\/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 den linearen Zusammenhang zwischen zwei Variablen misst . Es nimmt immer einen Wert zwischen -1 und 1 an, wobei: -1 zeigt eine vollkommen negative lineare Korrelation an 0 bedeutet keine lineare Korrelation 1 zeigt eine vollkommen positive lineare Korrelation […]<\/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 Python<\/strong><\/span><\/h3>\n
#create two arrays\n<\/span>x = [3, 4, 4, 5, 7, 8, 10, 12, 13, 15]\ny = [2, 4, 4, 5, 4, 7, 8, 19, 14, 10]\n<\/strong><\/pre>\n from<\/span> scipy. stats<\/span> . stats<\/span> import<\/span> pearsonr\n\n#calculation correlation coefficient and p-value between x and y<\/span>\npearsonr(x, y)\n\n(0.8076177030748631, 0.004717255828132089)\n<\/strong><\/pre>\n\n
#extract correlation coefficient (rounded to 4 decimal places)<\/span>\nr = round(pearsonr(x, y)[ 0<\/span> ], 4)\n\nprint<\/span> (r)\n\n0.8076\n\n#extract p-value (rounded to 4 decimal places)<\/span> \np = round(pearsonr(x, y)[ 1<\/span> ], 4)\n\nprint<\/span> (p) \n\n0.0047\n<\/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":"