Bivariate Statistik: Zusammenhänge zweier Variablen prüfen
Bivariate Statistik in SPSS Schritt für Schritt anwenden
Die bivariate Statistik analysiert die Beziehung zwischen zwei Variablen und geht damit über die reine Beschreibung einzelner Merkmale hinaus. Anstatt nur isolierte Werte zu betrachten, prüfst du, ob ein Merkmal mit einem anderen zusammenhängt, etwa ob die Zufriedenheit vom Einkommen abhängt. Dieser Ratgeber stellt die zentralen Methoden vor, von der Kreuztabelle über die Korrelation bis zum Chi-Quadrat-Test. Du lernst, wie du das passende Verfahren nach dem Skalenniveau auswählst, und siehst die Berechnung in SPSS anhand eines konkreten Beispiels.
Kostenlos herunterladen
Statistik berichten: Mustersätze für den Ergebnisteil
Ergebnisblätter nach APA 7 zum Ausfüllen: deskriptive Statistik, t-Test, Korrelation, Regression, Varianzanalyse und Chi-Quadrat-Test, jeweils mit Mustersatz, Tabelle und Effektstärke. Dazu die Schreibregeln für p-Werte, Symbole und Freiheitsgrade.
Gegenstand der bivariaten Statistik
Die bivariate Statistik bildet die Brücke zwischen der univariaten und der multivariaten Analyse. Während sich die univariate Analyse auf ein einzelnes Merkmal konzentriert und es beispielsweise mit Mittelwert und Streuung beschreibt, betrachtet die bivariate Statistik zwei Variablen gleichzeitig. Ziel ist es zu prüfen, ob und in welchem Ausmaß diese beiden Merkmale miteinander zusammenhängen.
Wichtig ist von Anfang an: Ein statistischer Zusammenhang ist keine Ursache. Auch wenn zwei Merkmale gemeinsam schwanken, folgt daraus nicht, dass das eine das andere bewirkt. Bevor du Zusammenhänge prüfst, solltest du deine Variablen einzeln mit der deskriptiven Statistik beschreiben, um Ausreißer und Verteilungsformen zu erkennen, die das spätere Ergebnis beeinflussen können.
Verfahrensauswahl nach Skalenniveau
Das Skalenniveau der beiden Variablen ist ein wichtiger Ausgangspunkt für die Verfahrenswahl. Auch die Fragestellung, die Gruppengröße und die Testvoraussetzungen sind zu berücksichtigen. Diese Zuordnung bietet eine erste Orientierung:
- Zwei nominale Variablen: Kreuztabelle; zur Prüfung eines Zusammenhangs kann ein Chi-Quadrat-Test geeignet sein.
- Zwei metrische Variablen: Korrelation nach Pearson und Streudiagramm, sofern ein linearer Zusammenhang untersucht werden soll.
- Zwei ordinale Variablen: Rangkorrelation nach Spearman.
- Eine metrische und eine nominale Variable: Mittelwertvergleich, bei zwei Gruppen etwa mit dem t-Test, bei mehr als zwei Gruppen beispielsweise mit einer Varianzanalyse.
Diese Auswahl triffst du bereits vor dem Start von SPSS. Ein unpassendes Verfahren kann Kennzahlen liefern, die sich für die Fragestellung nicht sinnvoll interpretieren lassen.
Analyse der Kreuztabelle und Chi-Quadrat-Test
Für zwei kategoriale Merkmale ist die Kreuztabelle das passende Instrument. Sie stellt die gemeinsame Häufigkeitsverteilung dar, indem sie beispielsweise das Geschlecht in den Zeilen und den Studiengang in den Spalten anordnet. So erhältst du einen schnellen Überblick über die Verteilung der Fälle.
Der Chi-Quadrat-Test prüft unter der Annahme der Unabhängigkeit, ob die beobachteten Häufigkeiten von den erwarteten Häufigkeiten abweichen. Ein p-Wert unter einem vorab festgelegten Signifikanzniveau spricht gegen die Annahme der Unabhängigkeit. Als verbreitete Faustregel gilt: Keine erwartete Häufigkeit sollte unter eins liegen und in höchstens einem Fünftel der Zellen sollte sie unter fünf liegen; andernfalls kann die Chi-Quadrat-Approximation ungeeignet sein.
Korrelation misst die Stärke des Zusammenhangs
Bei zwei metrischen Größen kann der Pearson-Koeffizient die Stärke und Richtung eines linearen Zusammenhangs angeben. Er reicht von minus eins bis plus eins: Ein Wert nahe plus eins weist auf einen starken positiven, ein Wert nahe minus eins auf einen starken negativen Zusammenhang hin. Ein Wert nahe null zeigt an, dass kein linearer Zusammenhang besteht.
Bei ordinalen Daten oder wenn ein monotoner statt eines linearen Zusammenhangs betrachtet wird, kommt die Rangkorrelation nach Spearman infrage. Genau dafür ist sie gedacht. Die detaillierte Berechnung und Interpretation erläutert der Leitfaden zur Korrelation in SPSS. Ergänze den Korrelationswert durch ein Streudiagramm, um Ausreißer und nichtlineare Muster sichtbar zu machen.
Bivariate Statistik in SPSS berechnen
Über das Menü gelangst du in SPSS zügig zur bivariaten Statistik. Möchtest du eine Kreuztabelle inklusive Chi-Quadrat-Test erstellen, wählst du Analysieren, Deskriptive Statistik, Kreuztabellen und markierst unter Statistik die Funktionen Chi-Quadrat sowie Phi und Cramérs V. Für Korrelationsberechnungen führst du den Pfad Analysieren, Korrelation, Bivariat aus und platzierst die beiden Variablen in das vorgesehene Feld.
Anschließend gibt SPSS die Kennzahlen und Sig.-Werte aus. Vergleiche zunächst den p-Wert mit deinem Alpha-Kriterium. Beim Chi-Quadrat-Test dienen Phi oder Cramérs V als Zusammenhangsstärke; bei einer Korrelation ist der Korrelationskoeffizient die Zusammenhangsstärke. Einen umfassenden Überblick über die passenden Verfahren bietet der SPSS-Statistik-Hub.
Ein Beispiel und die Interpretation
Am folgenden Beispiel wird der Prozess greifbar: Es geht darum herauszufinden, ob die Lernzeit mit der Klausurnote zusammenhängt. Da beide Größen metrisch sind und ein linearer Verlauf vermutet wird, passt die Korrelation nach Pearson. Geht man davon aus, dass SPSS einen Koeffizienten von r gleich minus 0,42 bei p gleich 0,003 ausgibt.
In diesem hypothetischen Beispiel zeigt sich bei einem Signifikanzniveau von 0,05 ein negativer, statistisch signifikanter Zusammenhang: Mehr Lernzeit geht mit besseren, also niedrigeren Notenwerten einher. Im Ergebnisteil berichtest du Koeffizient, Signifikanz und Stichprobengröße sowie eine begründete Einordnung der Stärke. Achte auf einheitliche Nachkommastellen und das im Deutschen übliche Dezimalkomma, damit die Darstellung klar bleibt.
Vermeide es, die Ergebnisse zu überinterpretieren. Dass Lernzeit und Note korrelieren, beweist nicht, dass mehr Lernen direkt bessere Noten bewirkt, da Drittvariablen wie Vorwissen oder Motivation eine Rolle spielen können. Multivariable Verfahren können gemessene Drittvariablen statistisch berücksichtigen, ersetzen aber kein für Kausalaussagen geeignetes Forschungsdesign. Beschreibe den Zusammenhang im Ergebnisteil daher zurückhaltend und unterscheide klar zwischen der reinen Datenbeschreibung und der inhaltlichen Deutung.
Ein häufiges Vorgehen bei einer bivariaten Analyse ist, das Skalenniveau zweier Variablen zu bestimmen, ein passendes Verfahren zu wählen und den Zusammenhang in SPSS zu prüfen.
Hier erhältst du zusätzliche Details zur Statistik: deskriptive Statistik, Korrelation in SPSS und Statistik und SPSS.
