Korrelation Rechnen Excel

Berechnen Sie die Korrelation zwischen zwei Datensätzen – genau wie in Excel mit der KORREL-Funktion. Geben Sie Ihre Daten ein und erhalten Sie sofort Ergebnisse mit visueller Darstellung.

Umfassender Leitfaden: Korrelation in Excel berechnen

Die Berechnung von Korrelationen ist ein grundlegendes Werkzeug der statistischen Datenanalyse, das Beziehungen zwischen Variablen aufdeckt. In diesem Leitfaden erfahren Sie alles über die Korrelationsberechnung in Excel – von den Grundlagen bis zu fortgeschrittenen Techniken.

1. Was ist Korrelation?

Korrelation misst die Stärke und Richtung einer linearen Beziehung zwischen zwei Variablen. Der Korrelationskoeffizient (r) reicht von -1 bis +1:

• r = 1: Perfekte positive Korrelation
• r = -1: Perfekte negative Korrelation
• r = 0: Keine lineare Korrelation
• 0 < |r| < 0.3: Schwache Korrelation
• 0.3 ≤ |r| < 0.7: Mittlere Korrelation
• |r| ≥ 0.7: Starke Korrelation

Wichtig: Korrelation bedeutet nicht Kausalität! Eine hohe Korrelation zwischen zwei Variablen bedeutet nicht zwangsläufig, dass eine Variable die andere verursacht.

2. Korrelation in Excel berechnen

Excel bietet mehrere Methoden zur Berechnung von Korrelationen:

2.1 Die KORREL-Funktion

Die einfachste Methode ist die Verwendung der KORREL-Funktion (englisch: CORREL):

=KORREL(Matrix1; Matrix2)
oder
=CORREL(array1, array2)
        

Beispiel: =KORREL(A2:A10; B2:B10)

2.2 Die PEARSON-Funktion

Für die Pearson-Korrelation (standardmäßige lineare Korrelation) können Sie auch die PEARSON-Funktion verwenden:

=PEARSON(Matrix1; Matrix2)
        

2.3 Datenanalyse-Toolpak

Für umfassendere Analysen:

1. Aktivieren Sie das Analyse-Toolpak unter “Datei” > “Optionen” > “Add-Ins”
2. Wählen Sie “Datenanalyse” im Daten-Tab
3. Selektieren Sie “Korrelation” und wählen Sie Ihre Eingabebereiche
4. Excel erstellt eine Korrelationsmatrix für alle ausgewählten Variablen

3. Spearman-Rangkorrelation in Excel

Für nicht-lineare Beziehungen oder ordinale Daten verwenden Sie die Spearman-Rangkorrelation. Excel hat keine direkte Funktion, aber Sie können sie mit dieser Formel berechnen:

=1-6*SUMME((RANG(A2:A10;A2:A10;1)-RANG(B2:B10;B2:B10;1))^2)/(ANZAHL(A2:A10)*(ANZAHL(A2:A10)^2-1))
        

Oder einfacher mit der RANG.GLEICH-Funktion in neueren Excel-Versionen.

4. Interpretation der Ergebnisse

Korrelationskoeffizient (r)	Stärke der Korrelation	Interpretation
0.90 bis 1.00	Sehr hohe positive Korrelation	Starke direkte Beziehung
0.70 bis 0.90	Hohe positive Korrelation	Deutliche direkte Beziehung
0.50 bis 0.70	Mittlere positive Korrelation	Moderate direkte Beziehung
0.30 bis 0.50	Schwache positive Korrelation	Leichte direkte Beziehung
0.00 bis 0.30	Vernachlässigbare Korrelation	Keine klare Beziehung
-0.30 bis 0.00	Vernachlässigbare negative Korrelation	Keine klare umgekehrte Beziehung
-0.50 bis -0.30	Schwache negative Korrelation	Leichte umgekehrte Beziehung
-0.70 bis -0.50	Mittlere negative Korrelation	Moderate umgekehrte Beziehung
-0.90 bis -0.70	Hohe negative Korrelation	Deutliche umgekehrte Beziehung
-1.00 bis -0.90	Sehr hohe negative Korrelation	Starke umgekehrte Beziehung

5. Praktische Anwendungsbeispiele

Marketing-Analyse

Untersuchung des Zusammenhangs zwischen Werbeausgaben und Umsatz:

• Daten: Monatliche Werbebudgets vs. Umsatzzahlen
• Erwartung: Positive Korrelation (r ≈ 0.7-0.9)
• Excel-Formel: =KORREL(B2:B13; C2:C13)

Finanzanalyse

Beziehung zwischen Aktienkursen und Marktindizes:

• Daten: Tageskurse vs. DAX-Werte
• Erwartung: Variiert je nach Branche (r ≈ 0.4-0.8)
• Tool: Datenanalyse-Toolpak für multiple Korrelationen

Qualitätskontrolle

Zusammenhang zwischen Produktionstemperatur und Ausschussrate:

• Daten: Temperaturmessungen vs. Fehlerquoten
• Erwartung: Mögliche nicht-lineare Beziehung (Spearman)
• Visualisierung: Streudiagramm mit Trendlinie

6. Häufige Fehler und wie man sie vermeidet

Fehler	Auswirkung	Lösung
Ungleiche Datenpunktanzahl	#NV-Fehler in Excel	Datenbereiche angleichen oder leere Zellen mit =NA() füllen
Ausreißer in den Daten	Verzerrte Korrelationswerte	Daten bereinigen oder robuste Methoden (Spearman) verwenden
Nicht-lineare Beziehungen	Pearson unterschätzt die Beziehung	Spearman-Korrelation oder polynomiale Regression verwenden
Kategoriale Daten	Ungültige Berechnungen	Daten kodieren (z.B. 0/1) oder andere statistische Tests verwenden
Zu kleine Stichprobe	Unzuverlässige Ergebnisse	Mindestens 30 Datenpunkte verwenden

7. Fortgeschrittene Techniken

7.1 Partielle Korrelation

Misst die Beziehung zwischen zwei Variablen unter Kontrolle einer dritten Variable. In Excel mit dem Datenanalyse-Toolpak möglich oder manuell mit:

=(KORREL(A2:A10;B2:B10)-(KORREL(A2:A10;C2:C10)*KORREL(B2:B10;C2:C10)))
/WURZEL((1-KORREL(A2:A10;C2:C10)^2)*(1-KORREL(B2:B10;C2:C10)^2))
        

7.2 Multiple Korrelation

Berechnet die Beziehung zwischen einer Variable und mehreren Prädiktoren. Verwenden Sie die RQP-Funktion (Bestimmtheitsmaß):

=RQP(B2:B10;A2:A10)
        

7.3 Visualisierung mit Streudiagrammen

Erstellen Sie immer ein Streudiagramm, um die Beziehung visuell zu überprüfen:

1. Markieren Sie beide Datenreihen
2. Fügen Sie ein Streudiagramm ein (Einfügen > Diagramme > Streuung)
3. Fügen Sie eine Trendlinie hinzu (Rechtsklick auf Datenpunkte)
4. Zeigen Sie die Gleichung und R²-Wert an

8. Wissenschaftliche Grundlagen

Die mathematische Grundlage der Pearson-Korrelation basiert auf der Kovarianz und den Standardabweichungen der Variablen:

r = Cov(X,Y) / (σ_X * σ_Y)

wobei:
Cov(X,Y) = E[(X-μ_X)(Y-μ_Y)] (Kovarianz)
σ_X, σ_Y = Standardabweichungen von X und Y
μ_X, μ_Y = Mittelwerte von X und Y
        

Für weitere Informationen zu den statistischen Grundlagen empfehlen wir die Ressourcen der National Institute of Standards and Technology (NIST) und die statistischen Lehrmaterialien der University of California, Berkeley.

9. Excel vs. Spezialsoftware

Kriterium	Excel	R/Python	SPSS
Benutzerfreundlichkeit	⭐⭐⭐⭐⭐	⭐⭐⭐	⭐⭐⭐⭐
Kosten	Inklusive	Kostenlos	Teuer
Funktionsumfang	Grundlegend	Umfassend	Sehr umfassend
Automatisierung	Begrenzt	⭐⭐⭐⭐⭐	⭐⭐⭐⭐
Datenmenge	Begrenzt (~1M Zeilen)	Sehr groß	Groß
Visualisierung	Grundlegend	⭐⭐⭐⭐⭐	⭐⭐⭐⭐

10. Best Practices für zuverlässige Ergebnisse

1. Datenqualität sicherstellen: Überprüfen Sie auf fehlende Werte, Ausreißer und Inkonsistenzen
2. Stichprobengröße beachten: Mindestens 30 Datenpunkte für aussagekräftige Ergebnisse
3. Normalverteilung prüfen: Pearson setzt normalverteilte Daten voraus (Shapiro-Wilk-Test)
4. Kausalität nicht annehmen: Korrelation ≠ Kausalität – zusätzliche Analysen sind nötig
5. Kontext berücksichtigen: Domänenwissen ist essentiell für die richtige Interpretation
6. Dokumentieren: Halten Sie Methodik, Datenquellen und Annahmen fest
7. Sensitivitätsanalysen durchführen: Testen Sie die Robustheit Ihrer Ergebnisse
8. Visualisieren: Erstellen Sie immer grafische Darstellungen der Daten

11. Alternativen zu Excel

Für komplexere Analysen können diese Tools nützlich sein:

• R: Kostenlose Statistiksoftware mit dem cor()-Befehl
• Python: Pandas-Bibliothek mit df.corr() oder SciPy mit pearsonr()
• SPSS: Professionelle Statistiksoftware mit umfassenden Analyseoptionen
• JASP: Kostenlose Alternative zu SPSS mit benutzerfreundlicher Oberfläche
• Google Sheets: Enthält ebenfalls die CORREL-Funktion für einfache Analysen

12. Fallstudie: Korrelationsanalyse in der Praxis

Ein Einzelhandelsunternehmen wollte den Zusammenhang zwischen Social-Media-Aktivität und Online-Verkäufen untersuchen. Die Analyse ergab:

• Daten: 12 Monate mit monatlichen Werten für Posts, Interaktionen und Verkäufe
• Ergebnis: r = 0.87 (starke positive Korrelation zwischen Interaktionen und Verkäufen)
• Maßnahme: Erhöhung des Social-Media-Budgets um 30% mit Fokus auf interaktive Inhalte
• Resultat: 22% Umsatzsteigerung im folgenden Quartal

Diese Fallstudie zeigt, wie Korrelationsanalysen datengetriebene Entscheidungen ermöglichen. Allerdings wäre ein kontrolliertes Experiment (A/B-Test) nötig gewesen, um Kausalität nachzuweisen.

13. Häufig gestellte Fragen

13.1 Was ist der Unterschied zwischen Korrelation und Regression?

Korrelation misst die Stärke und Richtung einer Beziehung, während Regression diese Beziehung modelliert und Vorhersagen ermöglicht. Korrelation ist symmetrisch (r(X,Y) = r(Y,X)), Regression nicht.

13.2 Kann der Korrelationskoeffizient größer als 1 sein?

Nein, der Pearson-Korrelationskoeffizient ist immer zwischen -1 und 1. Werte außerhalb dieses Bereichs deuten auf Berechnungsfehler hin (z.B. wenn Standardabweichungen 0 sind).

13.3 Wie berechne ich Korrelation für mehr als zwei Variablen?

Verwenden Sie eine Korrelationsmatrix. In Excel mit dem Datenanalyse-Toolpak oder in R/Python mit cor(matrix). Die Matrix zeigt paarweise Korrelationen aller Variablen.

13.4 Was ist der Determinationskoeffizient (R²)?

R² ist das Quadrat des Korrelationskoeffizienten und gibt an, wie viel der Varianz der abhängigen Variable durch die unabhängige Variable erklärt wird. R² = 0.64 bedeutet z.B., dass 64% der Varianz erklärt werden.

13.5 Wie teste ich, ob eine Korrelation signifikant ist?

Sie können einen t-Test für den Korrelationskoeffizienten durchführen. Die Teststatistik ist:

t = r * WURZEL((n-2)/(1-r²))
        

Vergleichen Sie diesen Wert mit den kritischen t-Werten für n-2 Freiheitsgrade.

14. Zusammenfassung und Handlungsempfehlungen

Die Berechnung von Korrelationen in Excel ist ein mächtiges Werkzeug für die Datenanalyse, das in vielen Bereichen Anwendung findet. Remember:

• Verwenden Sie Pearson für lineare Beziehungen mit normalverteilten Daten
• Nutzen Sie Spearman für nicht-lineare Beziehungen oder ordinale Daten
• Visualisieren Sie immer Ihre Daten mit Streudiagrammen
• Interpretieren Sie Ergebnisse im Kontext Ihrer Domäne
• Vermeiden Sie den Fehlschluss “Korrelation impliziert Kausalität”
• Dokumentieren Sie Ihre Methodik für Reproduzierbarkeit
• Für komplexe Analysen ziehen Sie spezialisierte Software in Betracht

Mit diesen Kenntnissen können Sie fundierte, datengetriebene Entscheidungen treffen und die Beziehungen in Ihren Daten besser verstehen.

Abschließender Hinweis: Dieser Leitfaden bietet eine umfassende Einführung, ersetzt aber keine statistische Beratung für kritische Anwendungen. Bei wichtigen Entscheidungen konsultieren Sie bitte einen Statistik-Experten.