{"id":178668,"date":"2026-02-19T16:27:13","date_gmt":"2026-02-19T15:27:13","guid":{"rendered":"https:\/\/liora.io\/de\/?p=178668"},"modified":"2026-02-19T16:27:13","modified_gmt":"2026-02-19T15:27:13","slug":"pearson-vs-spearman-korrelationen-einfache-erklaerung","status":"publish","type":"post","link":"https:\/\/liora.io\/de\/pearson-vs-spearman-korrelationen-einfache-erklaerung","title":{"rendered":"Pearson vs. Spearman Korrelationen: Einfache Erkl\u00e4rung"},"content":{"rendered":"

Korrelation ist ein statistisches Werkzeug, das f\u00fcr Machine Learning verwendet wird, um Abh\u00e4ngigkeitsbeziehungen zwischen mehreren Variablen zu identifizieren. Es gibt verschiedene Arten von Korrelationen. Erfahre unten mehr \u00fcber die Pearson- und die Spearman-Korrelation.<\/strong><\/p>\n\n\n\n

F\u00fcr die Datenanalyse<\/a> stehen einem Data Scientist verschiedene statistische Werkzeuge zur Verf\u00fcgung. Unter diesen Werkzeugen kann er die Korrelation verwenden. Dies ist ein besonders n\u00fctzliches statistisches Ma\u00df, mit dem die Beziehung zwischen zwei Variablen anhand der Berechnung eines Korrelationskoeffizienten untersucht werden kann.<\/p>\n\n\n\n

Die Korrelation<\/strong> entspricht der St\u00e4rke (angegeben durch den absoluten Wert des Koeffizienten) und der Richtung (angegeben durch das Vorzeichen des Koeffizienten) der Beziehung zwischen diesen Variablen. Die Richtung kann entweder positiv (wenn ein x steigt, steigt auch y) oder negativ (wenn x steigt, sinkt y oder umgekehrt) sein.<\/p>\n\n\n\n

Es gibt verschiedene Arten von Korrelationen. Unter diesen Korrelationen gibt es zwei, die besonders h\u00e4ufig verwendet werden: Die Pearson vs. Spearman Korrelation. Diese beiden Arten von Korrelationen werden im weiteren Verlauf dieses Artikels n\u00e4her erl\u00e4utert.<\/p>\n\n\n\n

Pearson vs. Spearman Korrelation – Was ist Pearson?<\/h2>\n\n\n\n

Die Pearson-Korrelation, auch lineare Korrelation genannt, misst den linearen Zusammenhang zwischen zwei kontinuierlichen Variablen. Die Pearson-Korrelation<\/strong><\/p>\n\n\n\n\n\n\n\n

Bevor du den Pearson-Koeffizienten<\/strong> berechnest, musst du sicherstellen, dass die Daten die folgenden Annahmen erf\u00fcllen:<\/p>\n\n\n\n

    \n
  1. Die Datenstichprobe ist zuf\u00e4llig (repr\u00e4sentativ f\u00fcr die Grundgesamtheit).<\/li>\n\n\n\n
  2. Die Variablen sind quantitativ (kontinuierlich).<\/li>\n\n\n\n
  3. Die Daten sind paarweise verkn\u00fcpft (jedem Wert x wird ein Wert y zugeordnet).<\/li>\n\n\n\n
  4. Die Beobachtungen sind unabh\u00e4ngig<\/li>\n\n\n\n
  5. Die Daten sind normalverteilt<\/li>\n\n\n\n
  6. Es besteht eine lineare Beziehung zwischen den Variablen.<\/li>\n\n\n\n
  7. Es gibt keine Ausrei\u00dfer in den Daten<\/li>\n<\/ol>\n\n\n\n

    Der Wert des Korrelationskoeffizienten<\/strong> r liegt zwischen -1 und 1. Je nach dem Wert von r gibt es mehrere m\u00f6gliche F\u00e4lle:<\/p>\n\n\n\n