Zwei metrische Variablen, ein vermuteter Zusammenhang, und in SPSS steht die Frage direkt im Dialog: Pearson oder Spearman? Die meisten kreuzen Pearson an, weil es oben steht. Das ist in vielleicht der Hälfte der Fälle die richtige Entscheidung — und in der anderen Hälfte der Grund, warum ein realer Zusammenhang im Ergebnis verschwindet oder ein nicht existierender erscheint.
Die Entscheidung ist kein Geschmacksurteil. Sie hängt an vier prüfbaren Bedingungen, und du kannst sie in fünf Minuten klären, bevor du irgendetwas rechnest.
Was die beiden Koeffizienten überhaupt messen
Beide geben eine Zahl zwischen −1 und +1 aus, und beide heissen «Korrelation». Sie messen aber nicht dasselbe.
Pearsons r misst die Stärke und Richtung eines linearen Zusammenhangs zwischen zwei metrischen Variablen. r = 1 bedeutet: Alle Punkte liegen exakt auf einer steigenden Geraden. Nichts anderes.
Spearmans rho ersetzt die Messwerte zuerst durch ihre Rangplätze und berechnet dann die Korrelation dieser Ränge. Damit misst er einen monotonen Zusammenhang: Steigt die eine Variable, steigt auch die andere — egal ob geradlinig, gebremst oder beschleunigt.
Der Unterschied ist praktisch, nicht akademisch. Ein Zusammenhang, der zuerst steil und dann flach verläuft — Lernzeit und Prüfungsleistung ist das Standardbeispiel —, ist perfekt monoton und deutlich nicht linear. Pearson unterschätzt ihn systematisch, Spearman findet ihn.
Die vier Prüffragen
1. Welches Skalenniveau haben deine Variablen?
Sind beide metrisch (intervall- oder verhältnisskaliert), ist Pearson grundsätzlich möglich. Ist mindestens eine ordinal — Rangplätze, Schulnoten, eine einzelne Likert-Stufe —, ist Spearman die korrekte Wahl. Das Skalenniveau legst du bei der Operationalisierung deiner Variablen fest, nicht beim Auswerten.
Der häufigste Streitfall: eine Skala aus mehreren Likert-Items, zu einem Mittelwert zusammengefasst. Diese Skalenwerte werden in der Praxis überwiegend als quasi-metrisch behandelt und mit Pearson korreliert; ein einzelnes Item mit fünf Stufen dagegen nicht.
2. Ist der Zusammenhang linear?
Das beantwortest du nicht durch Nachdenken, sondern durch ein Streudiagramm: Grafik → Diagrammerstellung → Streu-/Punktdiagramm. Schau dir die Punktwolke an, bevor du irgendeinen Koeffizienten berechnest. Zeigt sie eine Krümmung, ein Plateau oder gar einen umgekehrten U-Verlauf, ist Pearson die falsche Kennzahl. Bei einem umgekehrten U versagen übrigens beide — ein solcher Zusammenhang ist nicht monoton und braucht ein anderes Modell.
3. Gibt es Extremwerte?
Pearson rechnet mit den Rohwerten und reagiert deshalb empfindlich auf einzelne weit entfernte Punkte. Ein einziger Extremwert kann r von 0,10 auf 0,60 heben — oder umgekehrt. Spearman arbeitet mit Rängen: Der weiteste Punkt bekommt einfach den höchsten Rang, sein Abstand spielt keine Rolle mehr. Wenn dein Streudiagramm ein oder zwei Ausreisser zeigt, ist die Robustheit von Spearman ein echtes Argument.
4. Wie gross ist die Stichprobe und wie sind die Daten verteilt?
Für den Signifikanztest zu Pearsons r wird bivariate Normalverteilung vorausgesetzt; bei grösseren Stichproben ist die Prozedur allerdings ziemlich robust dagegen. Bei kleinen Stichproben und deutlich schiefen Verteilungen ist Spearman die sicherere Variante. Der Koeffizient selbst braucht keine Normalverteilung — die Annahme betrifft den p-Wert, nicht den Wert von r.
Die Kurzentscheidung
- Beide metrisch, Streudiagramm linear, keine auffälligen Extremwerte → Pearson.
- Mindestens eine Variable ordinal → Spearman.
- Zusammenhang sichtbar gekrümmt, aber durchgehend steigend oder fallend → Spearman.
- Deutliche Extremwerte oder kleine, schiefe Stichprobe → Spearman.
- Zusammenhang steigt erst und fällt dann → keiner von beiden; das gehört in ein Regressionsmodell mit quadratischem Term.
Ein pragmatischer Zusatz aus der Praxis: Rechne beide. Liegen sie nah beieinander, ist die Wahl unkritisch und du berichtest die theoretisch passende. Weichen sie stark ab, hast du damit den Nachweis, dass die Voraussetzungen von Pearson verletzt sind — und einen guten Satz für den Methodenteil.
Der Weg in SPSS
Analysieren → Korrelation → Bivariat. Beide Variablen in das Feld einfügen, unter «Korrelationskoeffizienten» Pearson und/oder Spearman ankreuzen, Test auf Signifikanz zweiseitig belassen, «Signifikante Korrelationen markieren» aktivieren, OK.
Zwei Optionen, die du zusätzlich brauchst:
- Fehlende Werte: Unter «Optionen» wählst du zwischen paarweisem und listenweisem Ausschluss. Paarweise nutzt mehr Daten, führt aber bei mehreren Variablen zu unterschiedlichen Fallzahlen pro Zelle — die du dann auch alle berichten musst. Listenweise ist einheitlicher und bei Korrelationstabellen meist die sauberere Wahl.
- Konfidenzintervall: Neuere SPSS-Versionen bieten für Pearson ein Bootstrap-Konfidenzintervall an. Es ist informativer als der p-Wert allein und in vielen Fachrichtungen inzwischen erwartet.
Die Ausgabe interpretieren
Zur Einordnung der Stärke haben sich grobe Konventionen etabliert: Beträge um 0,10 gelten als klein, um 0,30 als mittel, ab etwa 0,50 als gross. Diese Grenzen sind Faustregeln, keine Naturgesetze — in gut kontrollierten Laborstudien ist 0,30 schwach, in Feldstudien mit vielen Störeinflüssen ist 0,30 bemerkenswert. Ordne den Wert deshalb immer an der Literatur deines Fachs ein, nicht nur an der Faustregel.
Zwei Interpretationsfehler tauchen fast in jeder Korrektur auf:
- Korrelation als Kausalität lesen. Ein Zusammenhang sagt nichts über die Richtung und nichts über eine mögliche dritte Variable, die beide erklärt. «Hängt zusammen mit» ist der zulässige Wortlaut, «führt zu» nicht.
- Signifikanz mit Relevanz verwechseln. Bei N = 800 wird r = 0,08 signifikant und erklärt trotzdem weniger als ein Prozent der Varianz. Bei Pearson hilft r² als Interpretationshilfe: Der Anteil gemeinsamer Varianz ist das Quadrat des Koeffizienten.
Wenn eine dritte Variable im Spiel ist: partielle Korrelation
Der häufigste inhaltliche Einwand gegen eine Korrelation lautet: «Das erklärt doch einfach das Alter.» Genau dafür gibt es die partielle Korrelation. Sie berechnet den Zusammenhang zwischen zwei Variablen, nachdem der Einfluss einer oder mehrerer Kontrollvariablen aus beiden herausgerechnet wurde.
In SPSS liegt sie unter Analysieren → Korrelation → Partiell. Die beiden interessierenden Variablen kommen in das obere Feld, die Kontrollvariable in das Feld «Kontrollvariablen». Die Ausgabe zeigt den Koeffizienten mit reduzierten Freiheitsgraden — pro Kontrollvariable geht ein Freiheitsgrad verloren.
Zwei Regeln dazu, die in der Bewertung zählen. Erstens: Kontrollvariablen wählst du theoriegeleitet und legst sie fest, bevor du rechnest — sonst suchst du dir das Modell aus, das dir gefällt. Zweitens: Berichte immer beide Werte. Der Sprung von r = ,42 auf eine partielle Korrelation von ,11 ist keine Panne, sondern ein Befund; er zeigt, dass die Kontrollvariable den Zusammenhang weitgehend erklärt, und dieser Satz gehört in die Diskussion. Die partielle Korrelation ist übrigens nur für Pearson vorgesehen; ein Rang-Äquivalent erreichst du, indem du beide Variablen vorab in Ränge umwandelst und dann partiell korrelierst.
Wie viele Fälle braucht eine Korrelation?
Korrelationsschätzungen sind bei kleinen Stichproben ausgesprochen instabil: Unter etwa 30 Fällen schwankt r von Stichprobe zu Stichprobe so stark, dass die Zahl kaum interpretierbar ist. Als grobe Orientierung braucht ein mittlerer Effekt um 0,30 bei üblichem Signifikanzniveau und einer Teststärke von 80 Prozent rund 85 Fälle; ein kleiner Effekt um 0,10 braucht ein Vielfaches davon. Plane die Fallzahl deshalb vor der Erhebung — wie das geht, steht im Beitrag zur Bestimmung der Stichprobe.
So berichtest du das Ergebnis
Nenne das Verfahren, begründe kurz die Wahl, dann Koeffizient, Fallzahl und p-Wert. Beispiele:
«Da das Streudiagramm einen linearen Verlauf zeigte und keine Extremwerte auftraten, wurde Pearsons Produkt-Moment-Korrelation berechnet. Zwischen wöchentlicher Schreibzeit und Selbstwirksamkeit bestand ein mittlerer positiver Zusammenhang, r(212) = ,34, p < ,001.»
«Wegen des ordinalen Skalenniveaus der Zufriedenheitsangabe wurde Spearmans Rangkorrelation verwendet. Der Zusammenhang mit der Betreuungshäufigkeit war schwach positiv und nicht signifikant, rs(96) = ,17, p = ,097.»
Achte auf die Konventionen: r kursiv, die Freiheitsgrade N − 2 in Klammern, p ohne führende Null, Dezimalkomma im deutschsprachigen Text. Wie Kennwerte insgesamt gesetzt und in den Text eingebettet werden, steht im Beitrag zum Aufbau des Ergebnisteils.
Häufige Fragen
Darf ich mehrere Korrelationen in einer Tabelle berichten?
Ja, das ist der Normalfall — eine Korrelationsmatrix mit Mittelwerten und Standardabweichungen in den ersten beiden Spalten. Beachte aber, dass bei vielen gleichzeitigen Tests die Wahrscheinlichkeit von Zufallstreffern steigt. Wenn du eine Matrix explorativ durchsuchst, sag das offen und behandle die Funde als hypothesengenerierend, nicht als bestätigt.
Was mache ich mit einer kategorialen Variablen?
Korrelationen sind dafür nicht gedacht. Zwei kategoriale Merkmale prüfst du mit dem Chi-Quadrat-Test in der Kreuztabelle; eine dichotome und eine metrische Variable vergleichst du in der Regel über Gruppenmittelwerte. Der Sonderfall punktbiseriale Korrelation ist rechnerisch identisch mit Pearson bei einer 0/1-kodierten Variablen — SPSS gibt dafür keinen eigenen Menüpunkt aus.
Kendalls Tau — brauche ich das?
Kendalls Tau-b ist eine dritte Rangkorrelation und in SPSS im selben Dialog. Sie ist bei sehr kleinen Stichproben und bei vielen gleichen Rangwerten (Bindungen) robuster als Spearman und liefert dort die besser interpretierbare Zahl. Für die meisten Abschlussarbeiten reicht Spearman; wenn deine Variablen nur drei oder vier Stufen haben und viele Fälle denselben Wert teilen, ist Tau-b die bessere Wahl.
Muss ich eine Effektstärke zusätzlich angeben?
Nein — der Korrelationskoeffizient ist bereits eine Effektstärke. Das ist einer der Gründe, warum Korrelationen so gut zu berichten sind. Sinnvoll ergänzen kannst du ein Konfidenzintervall, das die Präzision der Schätzung zeigt.
Was, wenn Pearson signifikant ist und Spearman nicht?
Dann prüfst du das Streudiagramm noch einmal. Meist steckt ein Extremwert dahinter, der Pearson nach oben zieht, während die Ränge unbeeindruckt bleiben. In diesem Fall ist das Spearman-Ergebnis das ehrlichere — und der Unterschied selbst gehört als Beobachtung in die Diskussion, nicht in die Schublade.
Fünf Minuten, die eine Fehlentscheidung verhindern
Streudiagramm anschauen, Skalenniveau prüfen, auf Extremwerte achten, beide Koeffizienten rechnen und den theoretisch passenden berichten — mit einer Begründung im Methodenteil. Das ist der ganze Ablauf, und er ist deutlich schneller, als eine Korrelationstabelle nach der Rückmeldung der Betreuung neu zu rechnen.
Und wenn die Zahlen stehen, aber die Absätze fehlen: Tesify führt dich strukturiert durch die Kapitel deiner Abschlussarbeit — vom Methodenteil bis zur Diskussion, in der deine Korrelationen etwas bedeuten müssen.