Korrelation

Vorbereitende Schritte

Den Datensatz fb23 haben wir bereits über diesen Link heruntergeladen und können ihn über den lokalen Speicherort einladen oder Sie können Ihn direkt mittels des folgenden Befehls aus dem Internet in das Environment bekommen. In den vorherigen Tutorials und den dazugehörigen Aufgaben haben wir bereits Änderungen am Datensatz durchgeführt, die hier nochmal aufgeführt sind, um den Datensatz auf dem aktuellen Stand zu haben:

#### Was bisher geschah: ----

# Daten laden
load(url('https://pandar.netlify.app/daten/fb23.rda'))

# Nominalskalierte Variablen in Faktoren verwandeln
fb23$hand_factor <- factor(fb23$hand,
                             levels = 1:2,
                             labels = c("links", "rechts"))
fb23$fach <- factor(fb23$fach,
                    levels = 1:5,
                    labels = c('Allgemeine', 'Biologische', 'Entwicklung', 'Klinische', 'Diag./Meth.'))
fb23$ziel <- factor(fb23$ziel,
                        levels = 1:4,
                        labels = c("Wirtschaft", "Therapie", "Forschung", "Andere"))
fb23$wohnen <- factor(fb23$wohnen, 
                      levels = 1:4, 
                      labels = c("WG", "bei Eltern", "alleine", "sonstiges"))
fb23$fach_klin <- factor(as.numeric(fb23$fach == "Klinische"),
                         levels = 0:1,
                         labels = c("nicht klinisch", "klinisch"))
fb23$ort <- factor(fb23$ort, levels=c(1,2), labels=c("FFM", "anderer"))
fb23$job <- factor(fb23$job, levels=c(1,2), labels=c("nein", "ja"))
fb23$unipartys <- factor(fb23$uni3,
                             levels = 0:1,
                             labels = c("nein", "ja"))

# Rekodierung invertierter Items
fb23$mdbf4_pre_r <- -1 * (fb23$mdbf4_pre - 4 - 1)
fb23$mdbf11_pre_r <- -1 * (fb23$mdbf11_pre - 4 - 1)
fb23$mdbf3_pre_r <-  -1 * (fb23$mdbf3_pre - 4 - 1)
fb23$mdbf9_pre_r <-  -1 * (fb23$mdbf9_pre - 4 - 1)
fb23$mdbf5_pre_r <- -1 * (fb23$mdbf5_pre - 4 - 1)
fb23$mdbf7_pre_r <- -1 * (fb23$mdbf7_pre - 4 - 1)

# Berechnung von Skalenwerten
fb23$wm_pre  <- fb23[, c('mdbf1_pre', 'mdbf5_pre_r', 
                        'mdbf7_pre_r', 'mdbf10_pre')] |> rowMeans()
fb23$gs_pre  <- fb23[, c('mdbf1_pre', 'mdbf4_pre_r', 
                        'mdbf8_pre', 'mdbf11_pre_r')] |> rowMeans()
fb23$ru_pre <-  fb23[, c("mdbf3_pre_r", "mdbf6_pre", 
                         "mdbf9_pre_r", "mdbf12_pre")] |> rowMeans()

# z-Standardisierung
fb23$ru_pre_zstd <- scale(fb23$ru_pre, center = TRUE, scale = TRUE)

Häufigkeitstabellen

Die Erstellung von Häufigkeitstabellen zur Darstellung univariater Häufigkeiten haben Sie schon kennengelernt. Dies funktioniert mit einfachen Befehlen für die Häufigkeiten und die zugehörigen relativen Prozentzahlen.

tab <- table(fb23$fach)               #Absolut
tab

## 
##  Allgemeine Biologische Entwicklung   Klinische Diag./Meth. 
##          30          31          19          82           5

prop.table(tab)                       #Relativ

## 
##  Allgemeine Biologische Entwicklung   Klinische Diag./Meth. 
##  0.17964072  0.18562874  0.11377246  0.49101796  0.02994012

Die Erweiterung für den bivariaten Fall ist dabei nicht schwierig und wird als Kreuztabelle bezeichnet. Sie liefert die Häufigkeit von Kombinationen von Ausprägungen in mehreren Variablen. In den Zeilen wird die erste Variable abgetragen und in den Spalten die zweite. Im Unterschied zum univariaten Fall muss im table()-Befehl nur die zweite interessierende Variable zusätzlich genannt werden. Tabellen können beliebig viele Dimensionen haben, werden dann aber sehr unübersichtlich.

tab<-table(fb23$fach,fb23$ziel)       #Kreuztabelle
tab

##              
##               Wirtschaft Therapie Forschung Andere
##   Allgemeine           7       12         7      4
##   Biologische          5       10        13      3
##   Entwicklung          1        9         3      6
##   Klinische            1       72         3      4
##   Diag./Meth.          1        0         3      1

In eine Kreuztabelle können Randsummen mit dem addmargins() Befehl hinzugefügt werden. Randsummen erzeugen in der letzten Spalte bzw. Zeile die univariaten Häufigkeitstabellen der Variablen.

addmargins(tab)                       #Randsummen hinzufügen

##              
##               Wirtschaft Therapie Forschung Andere Sum
##   Allgemeine           7       12         7      4  30
##   Biologische          5       10        13      3  31
##   Entwicklung          1        9         3      6  19
##   Klinische            1       72         3      4  80
##   Diag./Meth.          1        0         3      1   5
##   Sum                 15      103        29     18 165

Auch für die Kreuztabelle ist die Möglichkeit der Darstellung der Häufigkeiten in Relation zur Gesamtzahl der Beobachtungen gegeben.

prop.table(tab)                       #Relative Häufigkeiten

##              
##                Wirtschaft    Therapie   Forschung      Andere
##   Allgemeine  0.042424242 0.072727273 0.042424242 0.024242424
##   Biologische 0.030303030 0.060606061 0.078787879 0.018181818
##   Entwicklung 0.006060606 0.054545455 0.018181818 0.036363636
##   Klinische   0.006060606 0.436363636 0.018181818 0.024242424
##   Diag./Meth. 0.006060606 0.000000000 0.018181818 0.006060606

72 von insgesamt 165 (43.64%) wollen therapeutisch arbeiten und interessieren sich bisher am meisten für die klinische Psychologie.

prob.table() kann allerdings nicht nur an der Gesamtzahl relativiert werden, sondern auch an der jeweiligen Zeilen- oder Spaltensumme. Dafür gibt man im Argument margin für Zeilen 1 oder für Spalten 2 an.

prop.table(tab, margin = 1)           #relativiert an Zeilen

##              
##               Wirtschaft   Therapie  Forschung     Andere
##   Allgemeine  0.23333333 0.40000000 0.23333333 0.13333333
##   Biologische 0.16129032 0.32258065 0.41935484 0.09677419
##   Entwicklung 0.05263158 0.47368421 0.15789474 0.31578947
##   Klinische   0.01250000 0.90000000 0.03750000 0.05000000
##   Diag./Meth. 0.20000000 0.00000000 0.60000000 0.20000000

Von 80 Personen, die sich am meisten für klinische Psychologie interessieren, wollen 90% (nämlich 72 Personen) später therapeutisch arbeiten.

prop.table(tab, margin = 2)           #relativiert an Spalten

##              
##               Wirtschaft   Therapie  Forschung     Andere
##   Allgemeine  0.46666667 0.11650485 0.24137931 0.22222222
##   Biologische 0.33333333 0.09708738 0.44827586 0.16666667
##   Entwicklung 0.06666667 0.08737864 0.10344828 0.33333333
##   Klinische   0.06666667 0.69902913 0.10344828 0.22222222
##   Diag./Meth. 0.06666667 0.00000000 0.10344828 0.05555556

Von 103 Personen, die später therapeutisch arbeiten wollen, interessieren sich 69.9% (nämlich 72 Personen) für die klinische Psychologie.

addmargins()und prop.table() können beliebig kombiniert werden. prop.table(addmargins(tab)) behandelt die Randsummen als eigene Kategorie (inhaltlich meist unsinnig!). addmargins(prop.table(tab)) liefert die Randsummen der relativen Häufigkeiten.

addmargins(prop.table(tab))      # als geschachtelte Funktion

##              
##                Wirtschaft    Therapie   Forschung      Andere         Sum
##   Allgemeine  0.042424242 0.072727273 0.042424242 0.024242424 0.181818182
##   Biologische 0.030303030 0.060606061 0.078787879 0.018181818 0.187878788
##   Entwicklung 0.006060606 0.054545455 0.018181818 0.036363636 0.115151515
##   Klinische   0.006060606 0.436363636 0.018181818 0.024242424 0.484848485
##   Diag./Meth. 0.006060606 0.000000000 0.018181818 0.006060606 0.030303030
##   Sum         0.090909091 0.624242424 0.175757576 0.109090909 1.000000000

prop.table(tab) |> addmargins()  # als Pipe

##              
##                Wirtschaft    Therapie   Forschung      Andere         Sum
##   Allgemeine  0.042424242 0.072727273 0.042424242 0.024242424 0.181818182
##   Biologische 0.030303030 0.060606061 0.078787879 0.018181818 0.187878788
##   Entwicklung 0.006060606 0.054545455 0.018181818 0.036363636 0.115151515
##   Klinische   0.006060606 0.436363636 0.018181818 0.024242424 0.484848485
##   Diag./Meth. 0.006060606 0.000000000 0.018181818 0.006060606 0.030303030
##   Sum         0.090909091 0.624242424 0.175757576 0.109090909 1.000000000

Balkendiagramme

Grafisch kann eine solche Kreuztabelle durch gruppierte Balkendiagramme dargestellt werden. Das Argument beside sorgt für die Anordnung der Balken (bei TRUE nebeneinander, bei FALSE übereinander). Das Argument legend nimmt einen Vektor für die Beschriftung entgegen. Die Zeilen des Datensatzes bilden dabei stets eigene Balken, während die Spalten die Gruppierungsvariable bilden. Deshalb müssen als Legende die Namen der Reihen rownames() unserer Tabelle tab ausgewählt werden.

barplot (tab,
         beside = TRUE,
         col = c('mintcream','olivedrab','peachpuff','steelblue','maroon'),
         legend = rownames(tab))

Varianz, Kovarianz und Korrelation

In der Vorlesung haben Sie gelernt, dass es für Kovarianzen und Varianzen empirische und geschätzte Werte gibt. R berechnet standardmäßig für die Varianz und Kovarianz die Populationsschätzer, verwendet also folgende Formeln für Varianz

und Kovarianz.

Funktionen und Behandlung fehlender Werte

Die Funktionen für die Varianz ist dabei var(). Im Folgenden wird diese für die Variablen neuro (Neurotizismus) und gewis (Gewissenhaftigkeit) aus dem Datensatz bestimmt. Als Argumente müssen jeweils die Variablennamen verwendet werden. Wie bereits in vergangenen Sitzungen gesehen, führen fehlende Werte zu der Ausgabe NA. Um dies vorzubeugen, wird im univariaten Fall na.rm = TRUE zum Ausschluss verwendet.

var(fb23$neuro, na.rm = TRUE)            #Varianz Neurotizismus

## [1] 0.9591206

var(fb23$gewis, na.rm = TRUE)            #Varianz Gewissenhaftigkeit

## [1] 0.5875337

Die Funktion cov() wird für die Kovarianz verwendet und benötigt als Argumente die Variablen.

cov(fb23$neuro, fb23$gewis)              #Kovarianz Neurotizismus und Gewissenhaftigkeit

## [1] -0.02219729

Da Kovarianzen unstandardisierte Kennzahlen sind, können wir Kovarianzen nicht pauschal nach ihrer Höhe beurteilen. Die Höhe hängt beispielsweise von der Antwortskala ab.

Natürlich können auch bei der Kovarianzberechnung fehlende Werte zu einem Problem werden. Hier demonstriert am Beispiel der Lebenszufriedenheit (lz) und der Verträglichkeit (vertr).

cov(fb23$vertr, fb23$lz)              #Kovarianz Verträglichkeit und Lebenszufriedenheit

## [1] NA

Zur Bewältigung des Problems gibt es das Argument use, das mehr Flexibilität bietet, als na.rm bei der univariaten Betrachtung. Diese Flexibilität setzt aber nur deutlich ein, wenn mehr als zwei Variablen gleichzeitig betrachtet werden. Wir werden gleich also alle vier bisher betrachteten Variablen in eine Analyse zusammenlegen. Zunächst aber eine kurze Zusammenfassung von den drei häufigsten Optionen:

• Nutzung aller Beobachtungen: Alle Zeilen (also Personen) gehen in die Berechnung aller Werte mit ein.
• Listenweiser Fallausschluss: Personen, die auf (mindestens) einer von allen Variablen NA haben, werden von der Berechnung ausgeschlossen.
• Paarweiser Fallausschluss: Personen, die auf (mindestens) einer von zwei Variablen NA haben, werden von der Berechnung ausgeschlossen.

Am besten lässt sich der Unterschied in einer Kovarianzmatrix veranschaulichen. Hier werden alle Varianzen und Kovarianzen von einer Menge an Variablen berechnet und in einer Tabelle darstellt. Dafür kann ein Datensatz erstellt werden, der nur die interessierenden Variablen enthält. Wir nehmen alle vier Variablen aus unseren Beispielen zur Kovarianzen auf.

na_test <- fb23[, c('vertr','gewis',"neuro",'lz')] #Datensatzreduktion
cov(na_test)                                       #Kovarianzmatrix   

##       vertr       gewis       neuro lz
## vertr    NA          NA          NA NA
## gewis    NA  0.58753374 -0.02219729 NA
## neuro    NA -0.02219729  0.95912058 NA
## lz       NA          NA          NA NA

Hier können wir ein deutliches Muster erkennen. Da sowohl gewis als auch neuro keine fehlenden Werte enthalten, wird die Kovarianz und die Varianz (auf der Diagonalen, da die Kovarianz einer Variable mit sich selbst die Varianz ist) ausgegeben. Für die Variablen mit fehlenden Werten (lz und vertr) bekommen wir jedoch nur NA zurück.

Das Argument use haben wir innerhalb unserer cov() Funktion gar nicht angegeben. Das deutet darauf hin, dass es hier einen Default gibt. Nach dem Muster können wir uns erschließen, dass dieser "everything" entsprechen muss. Da alle Zeilen einfach in die Berechnung eingehen, werden NA-Werte nicht ausgeschlossen und für manche Zusammenhänge daher keine Kennwerte erzeugt. Wir können diese Schlussfolgerug auch nochmal überprüfen.

cov(na_test, use = "everything")         # Kovarianzmatrix mit Argument   

##       vertr       gewis       neuro lz
## vertr    NA          NA          NA NA
## gewis    NA  0.58753374 -0.02219729 NA
## neuro    NA -0.02219729  0.95912058 NA
## lz       NA          NA          NA NA

Die Ergebnisse sind exakt gleich mit den vorherigen - "everything" ist also der Default für diese Funktion. Nach dieser ersten Erkenntnis können wir die verschiedenen Argumente für die Behandlung von NA in der cov() Funktion ausprobieren.

Beginnen wir mit dem paarweisem Fallausschluss, der mit "pairwise" angesprochen werden kann.

cov(na_test, use = 'pairwise')             #Paarweiser Fallausschluss

##              vertr        gewis       neuro         lz
## vertr  0.675212658 -0.008752301  0.10793976  0.1530909
## gewis -0.008752301  0.587533739 -0.02219729  0.1068984
## neuro  0.107939758 -0.022197288  0.95912058 -0.2757704
## lz     0.153090909  0.106898433 -0.27577042  1.1127992

Wie wir sehen, werden nun die Personen mit fehlenden Werten auf einer Variable ignoriert, wenn für die Variable mit fehlendem Wert ein Zusammenhangsmaß berechnet wird. Ansonsten werden Personen aber nicht aus der Berechnung ausgeschlossen, was man vor allem daran sieht, dass sich die Kovarianzen (und Varianzen) von Variablen ohne fehlende Werte (gewis und neuro) nicht verändert haben.

Vergleichen wir nun dieses Ergebnis noch mit dem Ergebnis des listenweisem Fallausschluss.

cov(na_test, use = 'complete')             #Listenweiser Fallausschluss

##             vertr       gewis       neuro         lz
## vertr  0.67061688 -0.02180195  0.11443182  0.1530909
## gewis -0.02180195  0.58291396 -0.01890422  0.1076104
## neuro  0.11443182 -0.01890422  0.96031656 -0.2736364
## lz     0.15309091  0.10761039 -0.27363636  1.1178390

Wie wir sehen, unterscheiden sich die Werte von dem paarweise Fallausschluss. Das liegt daran, dass hier Personen mit fehlenden Werten aus der kompletten Berechnung ausgeschlossen werden. Selbst wenn sie nur auf der Lebenszufriedenheit (lz) einen fehlenden Wert haben, gehen sie nicht in die Berechnung des Zusammenhangs zwischen bspw. Verträglichkeit und Neurotizismus (vertr und neuro) ein.

Nochmal deutlicher wird das Verhalten, wenn wir uns die Werte für die eigentlich komplett beobachteten Variablen Gewissenhaftigkeit und Neurotizismus (gewis und neuro) anschauen. Auch hier verändern sich die Werte im Vergleich zu den beiden bisherigen Ergebnissen, denn die Regel sagt nunmal, dass Personen mit einem fehlenden Wert auf irgendeiner der interessierenden Variablen ausgeschlossen werden - also natürlich auch an dieser Stelle.

Grafische Darstellung

Der Zusammenhang zwischen zwei Variablen kann in einem Scatterplot bzw. Streupunktdiagramm dargestellt werden. Dafür kann man die plot() Funktion nutzen. Als Argumente können dabei x für die Variable auf der x-Achse, y für die Variable auf der y-Achse, xlim, ylim für eventuelle Begrenzungen der Achsen und pch für die Punktart angegeben werden.

plot(x = fb23$neuro, y = fb23$gewis, xlim = c(1,5) , ylim = c(1,5))

Wie in der Vorlesung besprochen, sind für verschiedene Skalenniveaus verschiedene Zusammenhangsmaße verfügbar, die im Gegensatz zur Kovarianz auch eine Vergleichbarkeit zwischen zwei Zusammenhangswerten sicherstellen. Für zwei metrisch skalierte Variablen gibt es dabei die Produkt-Moment-Korrelation. In der Funktion cor() werden dabei die Argumente x und y für die beiden betrachteten Variablen benötigt. use beschreibt weiterhin den Umgang mit fehlenden Werten.

cor(x = fb23$neuro, y = fb23$gewis, use = 'pairwise')

## [1] -0.0295697

Bei einer positiven Korrelation gilt „je mehr Variable x… desto mehr Variable y" bzw. umgekehrt, bei einer negativen Korrelation „je mehr Variable x… desto weniger Variable y" bzw. umgekehrt. Korrelationen sind immer ungerichtet, das heißt, sie enthalten keine Information darüber, welche Variable eine andere vorhersagt - beide Variablen sind gleichberechtigt. Korrelationen (und Regressionen, die wir später in einem Tutorial kennen lernen werden) liefern keine Hinweise auf Kausalitäten. Sie sagen beide etwas über den (linearen) Zusammenhang zweier Variablen aus.

In R können wir uns auch eine Korrelationsmatrix ausgeben lassen. Dies geschieht äquivalent zu der Kovarianzmatrix mit dem Datensatz als Argument in der cor() Funktion. In der Diagonale stehen die Korrelationen der Variable mit sich selbst - also 1 - und in den restlichen Feldern die Korrelationen der Variablen untereinander.

cor(na_test, use = 'pairwise')

##             vertr       gewis      neuro         lz
## vertr  1.00000000 -0.01385684  0.1344812  0.1768164
## gewis -0.01385684  1.00000000 -0.0295697  0.1331052
## neuro  0.13448117 -0.02956970  1.0000000 -0.2660864
## lz     0.17681640  0.13310524 -0.2660864  1.0000000

Die Stärke des korrelativen Zusammenhangs wird mit dem Korrelationskoeffizienten ausgedrückt, der zwischen -1 und +1 liegt. Die default-Einstellung bei cor()ist die Produkt-Moment-Korrelation, also die Pearson-Korrelation.

cor(fb23$neuro, fb23$gewis, use = "pairwise", method = "pearson")

## [1] -0.0295697

Achtung! Die inferenzstatistische Testung der Pearson-Korrelation hat gewisse Voraussetzungen, die vor der Durchführung überprüft werden sollten!

Voraussetzungen Pearson-Korrelation

1. Skalenniveau: intervallskalierte Daten $\rightarrow$ ok (Ratingskalen werden meist als intervallskaliert aufgefasst, auch wenn das nicht 100% korrekt ist)
2. Linearität: Zusammenhang muss linear sein $\rightarrow$ grafische Überprüfung (siehe Scatterplot)
3. Normalverteilung: Variablen müssen normalverteilt sein $\rightarrow$ QQ-Plot, Histogramm oder Shapiro-Wilk-Test

zu 3. Normalverteilung

$\rightarrow$ QQ-Plot, Histogramm & Shapiro-Wilk-Test

#QQ
qqnorm(fb23$neuro)
qqline(fb23$neuro)

qqnorm(fb23$gewis)
qqline(fb23$gewis)

#Histogramm

hist(fb23$neuro, prob = T, ylim = c(0, 1))
curve(dnorm(x, mean = mean(fb23$neuro, na.rm = T), sd = sd(fb23$neuro, na.rm = T)), col = "blue", add = T)  

hist(fb23$gewis, prob = T, ylim = c(0,1))
curve(dnorm(x, mean = mean(fb23$gewis, na.rm = T), sd = sd(fb23$gewis, na.rm = T)), col = "blue", add = T)

#Shapiro
shapiro.test(fb23$neuro)

## 
## 	Shapiro-Wilk normality test
## 
## data:  fb23$neuro
## W = 0.9603, p-value = 5.928e-05

shapiro.test(fb23$gewis)

## 
## 	Shapiro-Wilk normality test
## 
## data:  fb23$gewis
## W = 0.95577, p-value = 2.097e-05

$p < \alpha$ $\rightarrow$ $H_1$: Normalverteilung kann nicht angenommen werden. Somit ist diese Voraussetzung verletzt. Eine Möglichkeit damit umzugehen, ist die Rangkorrelation nach Spearman. Diese ist nicht an die Voraussetzung der Normalverteilung gebunden. Das Verfahren kann über method = "spearman" angewendet werden.

Rangkorrelation in R

r1 <- cor(fb23$neuro,fb23$gewis,
          method = "spearman",     #Pearson ist default
          use = "complete") 

r1

## [1] -0.02323815

Interpretation des deskriptiven Zusammenhangs:

Es handelt sich um eine schwache negative Korrelation von r = -0.02. Der Effekt ist nach Cohens (1988) Konvention als vernachlässigbar bis schwach zu bewerten. D.h. es gibt keinen nennenswerten Zusammenhang zwischen der Ausprägung in Neurotizismus und der Ausprägung in der Gewissenhaftigkeit.

Cohens (1988) Konvention zur Interpretation von $|r|$

• ~ .10: schwacher Effekt
• ~ .30: mittlerer Effekt
• ~ .50: starker Effekt

Als weitere Variante der Rangkorrelation gibt es noch Kendalls $\tau$. Diese kann man mit method = "kendall" angesprochen werden.

cor(fb23$neuro, fb23$gewis, use = 'complete', method = 'kendall')

## [1] -0.02173303

Die Interpretation erfolgt wie bei Spearman’s Rangkorrelation.

Signifikanztestung des Korrelationskoeffizienten: Nachdem der Korrelationskoeffizient berechnet wurde, kann dieser noch auf Signifikanz geprüft werden. Dazu verwenden wir die cor.test()-Funktion.

• $H_0$: $\rho = 0$ $\rightarrow$ es gibt keinen Zusammenhang zwischen Neurotizismus und Gewissenhaftigkeit
• $H_1$: $\rho \neq 0$ $\rightarrow$ es gibt einen Zusammenhang zwischen Neurotizismus und Gewissenhaftigkeit

cor <- cor.test(fb23$neuro, fb23$gewis, 
         alternative = "two.sided", 
         method = "spearman",      #Da Voraussetzungen für Pearson verletzt
         use = "complete")

## Warning in cor.test.default(fb23$neuro, fb23$gewis, alternative = "two.sided", : Cannot compute
## exact p-value with ties

cor$p.value      #Gibt den p-Wert aus

## [1] 0.7574974

Anmerkung: Bei der Rangkorrelation kann der exakte p-Wert nicht berechnet werden, da gebundene Ränge vorliegen. Das Ergebnis ist allerdings sehr eindeutig: $p > \alpha$ $\rightarrow$ $H_0$. Die Korrelation fällt nicht signifikant von 0 verschieden aus, d.h. die $H_0$ wird beibehalten. Daraus würde sich die folgende Interpretation ergeben:

Ergebnisinterpretation: Es wurde untersucht, ob Neurotizismus und Gewissenhaftigkeit miteinander zusammenhängen. Der Spearman-Korrelationskoeffizient beträgt -0.02 und ist statistisch nicht signifikant (p = 0.757). Folglich wird die Nullhypothese hier beibehalten: Neurotizismus und Gewissenhaftigkeit weisen keinen Zusammenhang auf.

Modifikation Wir haben in der Funktion cor.test() als Argument method = "spearman" eingegeben, da die Voraussetzungen für die Pearson-Korrelation nicht erfüllt waren. Wenn dies der Fall gewesen wäre, müsste man stattdessen method = "pearson" angeben:

cor.test(fb23$neuro, fb23$gewis, 
         alternative = "two.sided", 
         method = "pearson",       
         use = "complete")

## 
## 	Pearson's product-moment correlation
## 
## data:  fb23$neuro and fb23$gewis
## t = -0.39357, df = 177, p-value = 0.6944
## alternative hypothesis: true correlation is not equal to 0
## 95 percent confidence interval:
##  -0.1754809  0.1176127
## sample estimates:
##        cor 
## -0.0295697

Zusammenhang dichotomer (nominaler) Variablen

Abschließend lernen wir Zusammenhangsmaße für dichotome nominalskalierte Variablen kennen. Dazu bearbeiten wir folgende Forschungsfragestellung: Haben Studierende mit Wohnort in Uninähe (Frankfurt) eher einen Nebenjob als Studierende, deren Wohnort außerhalb von Frankfurt liegt?

Wir analysieren aus unserem Datensatz die beiden dichotomen Variablen job (ja [ja] vs. nein [nein]) und ort (Frankfurt [FFM] vs. außerhalb [andere]). Die Variablen ort und job liegen nach den vorbereitenden Schritten bereits als Faktor-Variablen mit entsprechende Labels vor. Dies wird durch die folgende Prüfung bestätigt:

is.factor(fb23$ort)

## [1] TRUE

is.factor(fb23$job)

## [1] TRUE

Erstellen der Kreuztabelle als Datenbasis:

tab <- table(fb23$ort, fb23$job)
tab

##          
##           nein ja
##   FFM       61 54
##   anderer   35 25

Korrelationskoeffizient Phi ($\phi$)

Wie in der Vorlesung behandelt, berechnet sich $\phi$ folgendermaßen:

$$\phi = \frac{n_{11}n_{22}-n_{12}n_{21}}{\sqrt{(n_{11}+n_{12})(n_{11}+n_{21})(n_{12}+n_{22})(n_{21}+n_{22})}}$$ welches einen Wertebereich von [-1,1] aufweist und analog zur Korrelation interpretiert werden kann. 1 steht in diesem Fall für einen perfekten positiven Zusammenhang .

In R sieht das so aus:

korr_phi <- (tab[1,1]*tab[2,2]-tab[1,2]*tab[2,1])/
  sqrt((tab[1,1]+tab[1,2])*(tab[1,1]+tab[2,1])*(tab[1,2]+tab[2,2])*(tab[2,1]+tab[2,2]))
korr_phi

## [1] -0.05045674

Durch ein mathematisches Wunder (dass Sie gerne anhand der Formeln für Kovarianz und Korrelation nachvollziehen können) entspricht diese Korrelation exakt dem Wert, den wir auch anhand der Pearson-Korrelation zwischen den beiden Variablen bestimmen würden:

# Numerische Variablen erstellen
ort_num <- as.numeric(fb23$ort)
job_num <- as.numeric(fb23$job)

cor(ort_num, job_num, use = 'pairwise')

## [1] -0.05045674

Das hat gegenüber der händischen Bestimmung natürlich den Vorteil, dass wir direkt $p$-Wert und Konfidenzintervall bestimmen können:

cor.test(ort_num, job_num)

## 
## 	Pearson's product-moment correlation
## 
## data:  ort_num and job_num
## t = -0.6645, df = 173, p-value = 0.5073
## alternative hypothesis: true correlation is not equal to 0
## 95 percent confidence interval:
##  -0.19732292  0.09862459
## sample estimates:
##         cor 
## -0.05045674

Cohen (1988) hat folgende Konventionen zur Beurteilung der Effektstärke $\phi$ vorgeschlagen, die man heranziehen kann, um den Effekt “bei kompletter Ahnungslosigkeit” einschätzen zu können (wissen wir mehr über den Sachverhalt, so sollten Effektstärken lieber im Bezug zu anderen Studienergebnissen interpretiert werden):

Der Wert für den Zusammenhang der beiden Variablen ist also bei völliger Ahnungslosigkeit als klein einzuschätzen.

Yules Q

Dieses Zusammenhangsmaße berechnet sich als

$$Q=\frac{n_{11}n_{22}-n_{12}n_{21}}{n_{11}n_{22}+n_{12}n_{21}},$$

welches einen Wertebereich von [-1,1] aufweist und analog zur Korrelation interpretiert werden kann. 1 steht in diesem Fall für einen perfekten positiven Zusammenhang.

In R sieht das so aus:

YulesQ <- (tab[1,1]*tab[2,2]-tab[1,2]*tab[2,1])/
                 (tab[1,1]*tab[2,2]+tab[1,2]*tab[2,1])
YulesQ

## [1] -0.1068814

Das Ganze lässt sich auch mit dem psych Paket und der darin enthaltenen Funktionen phi() und Yule() umsetzen:

# alternativ mit psych Paket
library(psych)
phi(tab, digits = 8)

## [1] -0.05045674

Yule(tab)

## [1] -0.1068814

Odds (Wettquotient) und Odds-Ratio {#odds-wettquotient-und-odds-ratio .anchorheader}

Der Odds (Wettquotient, Chance) gibt das Verhältnis der Wahrscheinlichkeiten an, dass ein Ereignis eintritt bzw. dass es nicht eintritt. Das Wettquotienten-Verhältnis (Odds-Ratio) zeigt an, um wieviel sich dieses Verhältnis zwischen Ausprägungen einer zweiten dichotomen Variablen unterscheidet (Maß für den Zusammenhang).

Zur Erinnerung die Kreuztabelle:

tab

##          
##           nein ja
##   FFM       61 54
##   anderer   35 25

Berechnung des Odds für FFM:

Odds_FFM = tab[1,1]/tab[1,2]
Odds_FFM

## [1] 1.12963

Für in Frankfurt Wohnende ist die Chance keinen Job zu haben demnach 1.13-mal so hoch wie einen Job zu haben.

Berechnung des Odds für anderer:

Odds_anderer = tab[2,1]/tab[2,2]
Odds_anderer

## [1] 1.4

Für nicht in Frankfurt Wohnende ist die Chance keinen Job zu haben 1.4-mal so hoch wie einen Job zu haben.

Berechnung des Odds-Ratio:

OR = Odds_anderer/Odds_FFM
OR

## [1] 1.239344

Die Chance, keinen Job zu haben, ist für nicht in Frankfurt Wohnende 1.24-mal so hoch wie für in Frankfurt Wohnende. Man könnte auch den Kehrwert bilden, wodurch sich der Wert ändert, die Interpretation jedoch nicht.

Ergebnisinterpretation

Es wurde untersucht, ob Studierende mit Wohnort in Uninähe (also in Frankfurt) eher einen Nebenjob haben als Studierende, deren Wohnort außerhalb von Frankfurt liegt. Zur Beantwortung der Fragestellung wurden die Korrelationmaße $\phi$ und Yules Q bestimmt. Der Zusammenhang ist jeweils leicht negativ, d.h. dass Studierende, die nicht in Frankfurt wohnen, eher keinen Job haben. Der Effekt ist aber von vernachlässigbarer Größe ($\phi$ = -0.05). Diese Befundlage ergibt sich auch aus dem Odds-Ratio, das geringfügig größer als 1 aufällt (OR = 1.24).

Appendix

install.packages('rococo')          #installieren

library(rococo)                     #laden

??rococo

?rococo

rococo(fb23$mdbf2_pre, fb23$mdbf3_pre)

## [1] -0.4482018

rococo.test(fb23$mdbf2_pre, fb23$mdbf3_pre)

## 
## 	Robust Gamma Rank Correlation:
## 
## data: fb23$mdbf2_pre and fb23$mdbf3_pre (length = 179)
## similarity: linear 
## rx = 0.1 / ry = 0.2 
## t-norm: min 
## alternative hypothesis: true gamma is not equal to 0 
## sample gamma = -0.4482018 
## estimated p-value = < 2.2e-16 (0 of 1000 values)