Korrelationsmatrix Forschung | SPSS Korrelation berechnen

Nicht immer sind vor einer Analyse die Hypothesen klar definiert. Insbesondere wenn wenig über ein Forschungsgebiet bekannt ist macht es Sinn, erst einmal ergebnisoffen explorativ zu erforschen. Bei explorativer Forschung wird auf Basis der Daten untersucht, welche Variablen miteinander im Zusammenhang stehen könnten. Aus diesen Erkenntnissen können dann neue Fragestellungen generiert werden, die in späteren induktiven Studien getestet werden können.

In diesem Artikel lernen Sie, wie Sie mit der Korrelation explorativ forschen können. Dabei zeigen wir Ihnen auch, wie Sie die Korrelationsmatrix so darstellen, dass wichtige Zusammenhänge sofort ins Auge fallen.

Diese Fragen werden in diesem Artikel beantwortet:

Wie forschen Sie mit der SPSS Korrelationsmatrix?
Wie erkennen Sie auch bei vielen Variablen schnell wichtige Zusammenhänge?
Worauf sollte ich bei der Korrelationsmatrix sonst noch achten?

SPSS Korrelation – unerlässlich für explorative Forschung!

Ein grundlegendes Tool bei explorativer Forschung ist die Korrelation. Die Korrelation gibt an, inwieweit zwischen zwei Variablen ein Zusammenhang besteht. Bei einer positiven Korrelation treten hohe Werte auf Variable 1 meist auch mit hohen Werten auf Variable 2 auf. Bei einer negativen Korrelation neigen Fälle mit hohen Werten auf Variable 1 zu niedrigen Werten auf Variable 2 auf (und umgekehrt).

Wie Sie für die Berechnung der Korrelation SPSS verwenden und bei der Korrelationskoeffizient Interpretation vorgehen können Sie bereits in unserem Glossar-Eintrag zu Korrelation nachlesen. In diesem Artikel möchten wir Ihnen aber noch einige nützliche Tipps speziell für die explorative Forschung ans Herz legen. Bei explorativer Forschung wird oft eine große Zahl an Variablen untersucht. Die SPSS Korrelationsmatrix wird bei vielen Variablen allerdings schnell unübersichtlich.

Übersicht: Korrelationsmatrix SPSS — Bei vielen Variablen wird die Korrelationsmatrix schnell unübersichtlich

Anhand eines Praxisbeispiels möchten wir Ihnen zeigen, wie Sie auch bei einer großen Anzahl Variablen auf nur einen Blick die entscheidenden Zusammenhänge erkennen.

Explorativ forschen mit Korrelationsmatrix: Ein Praxisbeispiel

Ein Unternehmen möchte untersuchen, welche Faktoren einen Einfluss auf die Entscheidung zur Kündigung haben. Hierzu ist eine groß angelegte Studie geplant, aber erst muss geklärt werden welche Faktoren in Erwägung gezogen werden sollen. Aus einer vorherigen Mitarbeiterbefragung sind bereits Daten zu einer Vielzahl von relevanten Faktoren vorhanden. Diese sollen in einer explorativen Analyse untersucht werden. Im Vorfeld wurden die Daten mit Hilfe von SPSS Boxplots bereits auf Ausreißer untersucht.

Jetzt unverbindlich anfragen

Korrelation SPSS – Pearson, Spearman oder Kendall?

Beachten Sie bei der Korrelationsanalyse immer das Messniveau Ihrer Variablen! Pearsons r ist der üblichste Korrelationskoeffizient, kann aber nur verwendet werden, wenn alle Variablen auf Intervallniveau vorliegen (Ausnahme: Variablen mit nur 2 Kategorien). Wenn eine Variable auf Ordinalniveau vorliegt, sollten sie den Rangkorrelationskoeffizient nach Spearman verwenden. Für nominale Variablen ist eine Korrelationsanalyse nicht möglich, analysieren Sie diese stattdessen mit einem Chi Quadrat SPSS – Unabhängigkeitstest. Wenn mehrere Messniveaus vorliegen, splitten Sie die Variablen am Besten und führen für jedes Messniveau eine separate Analyse durch.

In unserem Beispiel liegen mehrere Variablen entweder auf Intervallniveau vor oder verfügen nur über 2 Kategorien, es wird also eine Analyse mit Pearsons r durchgeführt. Zunächst wird dafür das Menü für Korrelationsanalysen (Analysieren Korrelation Bivariat) aufgerufen und die entsprechenden Variablen ausgewählt.

Korrelationsmatrix: SPSS Menü — Menü für Korrelationsanalyse mit Beispieldaten

SPSS Korrelation: Auf einem Blick Zusammenhänge erkennen

Um auf einen Blick wichtige Zusammenhänge erkennen zu können, sollten Sie sich den Unterpunkt „Stil“ genauer anschauen. Hier können Sie Regeln für die Formatierung der Korrelationsmatrix erstellen. So können Sie gezielt wichtige Korrelationen hervorheben.

In unserem Beispiel orientieren wir uns an den Faustregeln nach Cohen (kleiner Effekt: |r| > 0,1; mittlerer Effekt: |r| > 0,3; starker Effekt: |r| > 0,5).

Effekte kleiner als |r| = 0,1 unterdrücken wir und die Diagonale (r = 1) wird durch einen Strich ersetzt. Mittlere und starke Effekte werden farblich hervorgehoben. Die folgenden Screenshots unterstützen Sie Schritt-für-Schritt bei der Erstellung dieser Formatierungen.

Unterpunktstil: Korrelationsmatrix SPSS — Mit dem Unterpunkt Stil formatieren Sie die erzeugten Tabellen

Korrelationsmatrix SPSS: kleine Korrelationen unterdrücken — Schritt 1: Sehr kleine Korrelationen unterdrücken

Korrelationsmatrix: mittlere Korrelationen ausdrücklicher machen — Schritt 2: mittlere Korrelationen hervorheben

Hervorhebung starker Korrelationen (Korrelationsmatrix) — Schritt 3: starke Korrelationen hervorheben

Korrelationsmatrix SPSS: Diagnose durch Strich ersetzen — Schritt 4: Diagonale durch Strich ersetzen

Korrelationsmatrix: SPSS Korrelation Ausgabe — SPSS Korrelation: Output

SPSS gibt standardmäßig auch noch die Signifikanz und Stichprobengröße aus. Für einen schnellen Überblick können diese Angaben aber irritieren. Um diese auszublenden, führen Sie einen Rechtsklick auf die Tabelle aus und wählen Sie „Inhalt bearbeiten In separaten Fenster“. Wählen Sie dann „Pivot Pivot Leisten“. Ziehen Sie nun die Dimension „Statistik“ in den SCHICHT Bereich. Sie können das Bearbeitungsfenster nun schließen.

Korrelationsmatrix: per Rechtsklick in SPSS editieren — Die Korrelationsmatrix editieren Sie per Rechtsklick

Korrelationsmatrix: Ergänzung einer Pivot-Leiste — So ergänzen Sie eine Pivot-Leiste

Korrealtionsmatrix: SPSS Korrelation - Auslagerung von nicht benötigten Kennzahlen — Korrelation SPSS: Lagern Sie nicht benötigte Kennzahlen in die Pivot-Leiste aus

Korrelationsmatrix: signifikant überschaubar — Die Korrelationsmatrix ist nun deutlich übersichtlicher

Zusammenhänge erkennen und Korrelationskoeffizient Interpretation

Mit Hilfe der nun erstellten Tabelle sollte es kein Problem für Sie sein, wichtige Zusammenhänge in den Daten schnell zu erkennen.

In unserem Beispiel interessieren uns vor allem Korrelationen mit Überlegungen zur Kündigung. Wir untersuchen also zunächst nur die Spalte für diese Variable.

Korrelationsmatrix: SPSS Beispiel — Ausschnitt der Beispiel Korrelationsmatrix

Nun ist deutlich zu sehen, dass 3 Variablen einen geringen bis keinen Einfluss haben (Zielbewusstsein, Selbstwirksamkeit und Bildungsabschluss im letzten Jahr). Eine eindeutige Rolle scheinen dagegen alle Aspekte der Unternehmenskultur zu spielen. Weiterhin scheinen auch positive Gefühle dem Unternehmen gegenüber, die wahrgenommenen psychologischen Kosten einer Kündigung sowie die berufliche Perspektive beim Unternehmen einen besonderen Einfluss zu haben. Diese Erkenntnisse können nun genutzt werden, um Hypothesen zu erzeugen und in einer zukünftigen Studie diese Faktoren gezielt zu untersuchen.

Korrelationsmatrix als Sprungbrett für explorative Forschung

In diesem Artikel haben wir Ihnen gezeigt wie Sie mit der Korrelationsmatrix explorativ forschen können. Wir haben erklärt wie Sie durch geschickte Darstellung auch bei einer großen Menge an Variablen den Überblick behalten und sofort wichtige Effekte erkennen können.

Eine Korrelationsmatrix und Korrelationskoeffizient Interpretation ist oft ein Sprungbrett für komplexere Methoden der explorativen Forschung. In unserem Beispiel könnte etwa im Anschluss eine schrittweise Regression durchgeführt werden. Häufig ist eine Korrelationsanalyse auch eine Vorbereitung auf eine Clusteranalyse. Wenn Sie weitere Hilfe zum Thema explorative Analyse oder anderen Themen wünschen, helfen wir ihnen gerne mit kompetenter Statistik Beratung weiter!