Korrelationsanalyse in der Psychologie an Beispielen erklärt
Korrelationen sollen den Zusammenhang zwischen zwei Merkmalausprägungen statistisch beweisen. Die wissenschaftlichen Psychologie, welche sich als empirische Wissenschaft versteht, versucht mit Hilfe von Korrelationsanalysen menschliches Verhalten und Handeln zu erklären, vorherzusagen und zu verstehen.
Inhalt
Manche Verhaltensweisen treten bei Menschen gehäuft in Kombination auf. Zum Beispiel Rauchen und ungesunde Ernährung oder eine hohe Impulsivität und aggressives Verhalten. Bei manchen Merkmalen und Verhaltensweisen schließen wir intuitiv auf einen Zusammenhang. Allerdings ist auch (oder vielleicht auch gerade) in der Psychologie nicht alles so, wie es oftmals scheint.
Da der „gesunde Menschenverstand“ von vielen Faktoren beeinflusst wird, können wir auch dort Zusammenhänge sehen, wo gar keine sind. Glücklicherweise bieten wissenschaftliche Forschungsmethoden und die Statistik Möglichkeiten, solche fehlerhaften Schlussfolgerungen zu vermeiden. Besteht ein statistischer Zusammenhang zwischen zwei Merkmalen, dann ist von einer Korrelation die Rede.
Warum führt man Korrelationsanalysen in der Psychologie durch?
Die Psychologie hat sich zur Aufgabe gemacht, das menschliche Denken und Verhalten zu beschreiben, vorherzusagen und zu verändern. Um eine Vorhersage treffen zu können, ist es sinnvoll, den Zusammenhang zwischen bestimmten Merkmalen im Denken oder Handeln zu kennen. Treten bestimmte Merkmale zusammen auf, könnten sie zusammenhängen und damit eine Vorhersage erlauben. Hierbei spricht man von Korrelationen.
Korrelationskoeffizienten als Maßstab in der Psychologie
Bestimmte Verhaltensweisen treten häufiger zusammen auf als andere. Das bedeutet, dass diese Verhaltensweisen oder Merkmale zusammenhängen können. Will man so einen Zusammenhang von Merkmalen (auch Variablen genannt) benennen, dann nutzt man den Ausdruck der Korrelation. Bei der Korrelation handelt es sich demnach um ein Maß, das die Stärke eines Zusammenhangs zwischen zwei Variablen anzeigt. Damit geht einher, wie gut sich die eine Variable mit der anderen vorhersagen lässt.
Die Statistik liefert dazu ein Maß: Den Korrelationskoeffizienten. Dieser gibt an, wie eng zwei Variablen zusammenhängen und wie gut die eine Variable, die andere vorhersagt. Dieses Zusammenhangsmaß liegt in einem Wertebereich von -1 bis +1.
positive und negative Korrelationen in der psychologischen Forschung
Zur Darstellung von Korrelationen werden meist Punkt- oder Streudiagramme genutzt. Alternativ werden diese Diagramme auch als Scatterplots bezeichnet. Darin steht jeder Punkt für einen Wert von zwei Variablen. Stelle dir ein Diagramm mit einer x- und einer y-Achse vor (zur Erinnerung: Die x-Achse ist die horizontale, die y-Achse die vertikale Achse).
Ein einfaches Beispiel wäre, dass das Körpergewicht mit der Körpergröße proportional zunimmt. Dabei käme eine nach oben rechts strebende Diagonale im Diagramm zustande und eine perfekte positive Korrelation von +1. Bei einer perfekten negativen Korrelation fällt die Diagonale (bzw. die Linie aus Punkten) nach unten rechts ab. Hier hätte der Korrelationskoeffizient einen Wert von genau -1.
Allerdings sind solche „perfekten“ Korrelationen in der Realität nahezu unmöglich. An der Nähe der Punkte zueinander ist die Stärke des Zusammenhangs erkennbar. Liegen die Punkte hingegen überall im Diagramm verstreut, deutet dies auf eine schwache oder überhaupt keine Korrelation hin.
Sowohl diese positive als auch negative perfekte Korrelation stellen lineare Verteilungen beziehungsweise Zusammenhänge dar. Daneben gibt es allerdings auch noch kurvilineare Korrelationen. Bei diesen zeigt sich im Streudiagramm eine U-Form oder auch eine umgekehrte U-Form. Es handelt sich demnach um nicht-lineare Zusammenhänge.
Ein Beispiel für eine umgekehrte U-Form wäre der Zusammenhang zwischen Kaffeekonsum und Wohlbefinden. Ohne die morgendliche Tasse Kaffee ist dein Wohlbefinden eventuell noch recht weit unten angesiedelt. Du bist noch sehr müde und kommst ohne einen kleinen Koffeinschub nur schwer in die Gänge. Nach einer Tasse wirst du wacher und dein Wohlbefinden steigt. Im Laufe des Tages trinkst du vielleicht noch eine Tasse und fühlst dich fit und produktiv.
Trinkst du über den Nachmittag verteilt jedoch noch mehr Kaffee, sinkt das Wohlbefinden wieder. Denn je mehr Kaffee du zu dir nimmst, desto aufgekratzter, nervöser und unkonzentrierter wirst du. Vielleicht trinkst du so viel, dass du schon leicht zittrig wirst, Magenschmerzen bekommst und abends erhebliche Probleme beim Einschlafen hast. Das Wohlbefinden steigt durch den Kaffeekonsum zwar erst, sinkt jedoch bei einer bestimmten Menge wieder ab.
Was ist das Yerkes-Dodson-Gesetz ?
Auf die umgekehrte U-Form bezieht sich auch das Yerkes-Dodson-Gesetz. Es besagt, dass die kognitive Leistungsfähigkeit bei einem mittleren allgemeinen Erregungsniveau am höchsten ist. Dieses Gesetz konntest du vielleicht bereits an dir selbst in Bezug auf das Lernen beobachten. Wenn du dich müde und unmotiviert an deine Prüfungsvorbereitung setzt, ist dein Erregungsniveau sehr gering.
Ähnlich sieht es dementsprechend mit einem Lernerfolg aus. Doch auch ein hohes Erregungsniveau ist eher kontraproduktiv beim Lernen. Wenn du erst kurz vor dem Prüfungstermin mit dem Lernen anfängst, gerätst du vermutlich schnell in Panik.
Wie soll man schließlich so viel Stoff in so kurzer Zeit aufnehmen?
Dein Herz schlägt schneller, deine Angst steigt und schon ist dein Erregungsniveau auf einem sehr hohen Level. Deine Konzentration leidet dementsprechend unter der Anspannung und an ein effektives Lernen ist nicht mehr zu denken. Es gilt daher das Mittelmaß beim Erregungsniveau zu finden, wenn das Gelernte auch hängen bleiben soll. Also setze dich am besten ausgeschlafen und motiviert, aber nicht panisch und mit extremem Zeitdruck an deine Lernunterlagen.
Was bedeuten die Vorzeichen des Korrelationskoeffizienten?
Positiv und negativ bedeutet bei Korrelationen übrigens nicht, dass das eine gut und das andere schlecht ist. Die Vorzeichen zeigen lediglich an, ob die beiden Variablen gemeinsam größer oder kleiner werden. Das heißt für das Beispiel Körpergröße und -gewicht: Es ist eine positive Korrelation, wenn bei zunehmender Körpergröße auch das Gewicht ansteigt bzw. bei geringerer Größe auch ein kleineres Gewicht vorliegt. In dem Falle würde ein positives Vorzeichen zustande kommen.
Eine negative Korrelation (also das Minuszeichen vor dem Wert des Korrelationskoeffizienten) liegt dann vor, wenn der Wert der einen Variable sinkt und der Wert der anderen dabei steigt. Ein passenderes Beispiel als das mit dem Zusammenhang von Körpergröße und Gewicht wäre bei einer negativen Korrelation der Zusammenhang zwischen der Nutzungshäufigkeit von Entspannungstechniken und Stress.
Hier sollte eine möglichst negative Korrelation vorliegen: Der Stress sinkt bei der Zunahme der Nutzungshäufigkeit von Entspannungsübungen. Mit Hilfe von Streudiagrammen und dem Korrelationskoeffizienten lassen sich Korrelationen interpretieren. Diese Möglichkeiten erleichtern das Erkennen von wirklichen Zusammenhängen.
Was ist der Unterschied zwischen Korrelation und Kausalität?
Zusammenhänge erklären keine Ursachen. Im oben genannten Beispiel ging es um den Zusammenhang zwischen Gewicht und Größe von Personen. Liegt eine positive Korrelation vor, wiegen größere Menschen mehr. Kleine Personen bringen dementsprechend weniger auf die Waage. Da es jedoch in der Realität keine „perfekte“ Korrelation gibt, muss diese Aussage über einen Zusammenhang eben auch nicht auf alle Menschen zutreffen.
Vielleicht wiegt eine sehr kleine und übergewichtige Person mehr als eine sehr große, jedoch magere Person. Des Weiteren lässt sich hier auch nicht klar sagen, ob die eine Variable die Ursache für die andere ist. Es kann also nicht gesagt werden, dass die Größe die Ursache für das Gewicht ist. Oder andersherum.
Ein Beispiel aus der Psychologie könnte eine Korrelation zwischen dem Selbstwertgefühl und der Entwicklung einer Depression sein. Studien zeigen einen Zusammenhang zwischen einem niedrigen Selbstwert und Depressionen. Es handelt sich also um eine negative Korrelation: Je geringer der Selbstwert, desto höher das Depressionsrisiko.
Doch die Korrelation ist nun einmal keine Ursache-Wirkungs-Erklärung. Es könnte demnach sein, dass der niedrige Selbstwert eine depressive Stimmung hervorruft und diese sich zu einer Depression auswächst. Doch es könnte ebenso der Fall sein, dass die Depression die Ursache für den niedrigen Selbstwert ist. Schließlich werden ein vermindertes Selbstwertgefühl und -vertrauen als häufige Zusatzsymptome bei einer Depression im ICD-10 gelistet (ICD-10 ist die Abkürzung für die zehnte Auflage des internationalen Klassifikationssystems für Krankheiten).
Ursache? Folge? Oder steckt noch etwas anderes dahinter?
Außerdem könnte es auch sein, dass keine der beiden Variablen die Ursache ist. Denn auch die Genetik spielt eine Rolle. Bestimmte genetische Veranlagungen machen die Anfälligkeit für eine Depression wahrscheinlicher und ein geringes Selbstwertgefühl kann auf schwierige Lebensumstände (zum Beispiel ein schwieriges Verhältnis zu den Eltern oder Mobbing in der Schule/Firma) zurückzuführen sein. Auch bestimmte Erkrankungen (zum Beispiel Demenz) können mit einer Depression einhergehen. Genauso könnte eine Störung im Hormonhaushalt oder ein Ungleichgewicht der Botenstoffe im Gehirn ursächlich sein.
Du siehst…
Ein Zusammenhang kann zwar bei der Voraussage von Verhalten helfen, erklärt jedoch nicht die Ursachen. Um diese klarer zu identifizieren, braucht es Experimente. Mit Hilfe dieser Forschungsmethode kann die Kausalität beziehungsweise Wirkrichtung zwischen Variablen besser beobachtet werden. Hierbei wird eine unabhängige Variable manipuliert, um die Auswirkungen auf die abhängige Variable zu untersuchen. Je nach Versuchsaufbau können eine oder mehrere Variablen manipuliert und untersucht werden.
Rauchen für die Forschung?
Allerdings können Experimente nicht immer durchgeführt werden, so dass nur Korrelationsstudien übrig bleiben. Ein Beispiel dafür ist das Rauchen. Es besteht ein unbestreitbarer Zusammenhang zwischen dem Rauchen von Tabak und Lungenkrebs. Allerdings müssten für eine klare Identifikation des Rauchens als Ursache für den Lungenkrebs Experimente unternommen werden, bei denen Rauchergruppen mit Nichtraucher- beziehungsweise Kontrollgruppen verglichen werden.
Um andere Ursachenfaktoren auszuschließen, müssten die Versuchspersonen den Gruppen zufällig zugeteilt werden. Am besten würden also nur Nichtraucher für das Experiment rekrutiert, von denen die Hälfte im Rahmen des Experiments über Jahre hinweg rauchen müsste. Nur so könnte ein kausaler Langzeiteffekt des Rauchens festgehalten werden.
Einerseits wäre ein solches Experiment ethisch nicht vertretbar. Denn man würde der Experimental- beziehungsweise Rauchergruppe wissentlich ein Gesundheitsrisiko zumuten. Andererseits müssten über den Zeitraum des Experimentes alle anderen Umstände bei beiden Gruppen genau gleich bleiben. Das heißt, dass andere mögliche Ursachen für Lungenkrebs ausgeschaltet werden müssten. Das ist allein schon aufgrund unterschiedlicher Umwelt- und Lebensbedingungen der Studienteilnehmer kaum umsetzbar.
Im Beispiel des Rauchens bleiben also nur Korrelationsstudien als Möglichkeit übrig. Hier sieht man aufgrund der vorhandenen Datenlage, dass Raucher ein höheres Lungenkrebsrisiko haben als Nichtraucher.
Zusammenfassung
- Korrelationen zeigen den Zusammenhang zwischen zwei Merkmalen (Variablen) an. Sie dienen in der Psychologie dem Vorhersagen von Verhaltensweisen.
- Die Stärke des Zusammenhangs zwischen zwei Variablen wird mit dem Korrelationskoeffizienten angegeben. Dieser liegt in einem Wertebereicht zwischen -1 und +1. Beide Werte geben eine perfekte negative beziehungsweise positive und lineare Korrelation an. Diese sind jedoch in der Realität kaum möglich.
- Bei einer positiven Korrelation steigen oder sinken die Werte beider Variablen. Hingegen steigt bei der negativen Korrelation der Wert des einen Merkmals, während der des anderen sinkt.
- Die Korrelation der Merkmale kann mit einem Streudiagramm sichtbar gemacht werden. Dieses wird auch als Punktdiagramm oder Screeplot bezeichnet. Eine nahezu diagonale (aufsteigende oder absteigende) Anordnung der Punkte gibt eine (negative oder positive) lineare Korrelation an. Nicht-lineare Korrelationen können eine U-Form oder eine umgekehrte U-Form annehmen.
- Das Yerkes-Dodson-Gesetz ist ein Beispiel für eine umgekehrte U-Form. Es besagt, dass die kognitive Leistungsfähigkeit bei einem mittleren Erregungsniveau am höchsten ist.
- Korrelation bedeutet nicht Kausalität.
- Denn Kausalitäten geben die Ursache-Wirkungs-Richtung an und sind nur mit Hilfe von Experimenten zu ermitteln. Korrelationen hingegen geben nur einen Zusammenhang zwischen Variablen an. Sie geben also keine Auskunft darüber, welche (oder ob) eine er beiden Variablen die Ursache und welche die Folge ist.
Über den Autor
