Ziel der deskriptiven Statistik ist es, einen Überblick über die vorliegenden Daten zu erhalten, diese zu ordnen und zusammenzufassen.
Es geht in der deskriptiven Statistik also um das Beschreiben von Daten und die Ergebnisse beziehen sich dabei immer direkt auf den vorliegenden Datensatz.
Weiter lesen: Deskriptive Statistik verstehen und anwenden
Zusammenhangsmaße werden verwendet, um die Stärke eines statistischen Zusammenhangs zwischen zwei Variablen anzugeben.
Einige Zusammenhangsmaße geben darüber hinaus auch Auskunft über die Richtung des Zusammenhangs.
Welches Zusammenhangsmaß du verwenden kannst, hängt vom Skalenniveau deiner Daten ab.
Weiter lesen: Zusammenhangsmaße verstehen und bestimmen
Cramers V gibt Auskunft über den statistischen Zusammenhang zwischen zwei oder mehreren nominalskalierten Variablen.
In der Praxis liegt Cramers V normalerweise zwischen 0 und 1.
Bei der Bestimmung von Cramers V wird der Chi-Quadrat-Wert (X2) standardisiert. Dadurch kannst du Zusammenhänge zwischen Variablen anhand von Cramers V vergleichen.
Weiter lesen: Cramers V verstehen, bestimmen und interpretieren
Den Rangkorrelationskoeffizient nach Spearman wird verwendet, um den Zusammenhang zwischen zwei mindestens ordinalskalierten Variablen zu bestimmen.
Anhand des Rangkorrelationskoeffizienten können wir Aussagen darüber treffen, ob zwei Variablen zusammenhängen, und wenn ja, wie stark der Zusammenhang ist und in welche Richtung er besteht.
Der Rangkorrelationskoeffizient nach Spearman wird auch als Spearman‘s Rho (
) bezeichnet.
Weiter lesen: Spearman‘s Rangkorrelationskoeffizienten bestimmen und interpretieren
Der Korrelationskoeffizient nach Pearson, auch Korrelationskoeffizient nach Bravais-Pearson genannt, gibt uns Auskunft über den Zusammenhang von zwei metrisch skalierten Variablen.
Da es sich um einen standardisierten Koeffizienten handelt, können wir Zusammenhänge anhand des Korrelationskoeffizienten miteinander vergleichen.
Weiter lesen: Korrelationskoeffizient nach Pearson berechnen und interpretieren
Der Kontingenzkoeffizient nach Pearson gibt uns Auskunft über den statistischen Zusammenhang zwischen zwei oder mehreren Variablen.
Am häufigsten wird der Kontingenzkoeffizient für nominal– oder ordinalskalierte Daten verwendet.
Da es sich um ein standardisiertes Maß handelt, ist es möglich, mehrere Variablen hinsichtlich des Kontingenzkoeffizienten zu vergleichen.
Weiter lesen: Den Kontingenzkoeffizienten verstehen, bestimmen und interpretieren
Chi-Quadrat χ2 gibt dir Auskunft über den Zusammenhang von zwei nominal– oder ordinalskalierten Variablen.
Weiter lesen: Chi-Quadrat verstehen und berechnen
Die Kovarianz gibt dir Auskunft über den Zusammenhang von zwei metrischen Variablen.
Dabei ist es wichtig, zu beachten, dass die Kovarianz ein nichtstandardisiertes Zusammenhangsmaß ist und damit nur begrenzt vergleichbar.
Andere Bezeichnungen für die Kovarianz sind Stichprobenkovarianz oder empirische Kovarianz.
Weiter lesen: Kovarianz verstehen und berechnen
Skalenniveaus sind Kategorien, die uns eine Auskunft darüber geben, welche Merkmale unsere Daten aufweisen.
Deine Daten können entweder nominalskaliert, ordinalskaliert, intervallskaliert oder ratioskaliert sein.
Dabei haben metrische Daten den höchsten Informationsgehalt und erlauben die meisten Berechnungen. Nominalskalierte Daten haben dagegen die geringste Aussagekraft.
Weiter lesen: Skalenniveaus verstehen und bestimmen
In der deskriptiven Statistik bezeichnet ‘Streuung’ die Verteilung von Daten und gibt an wie weit die einzelnen Werte innerhalb eines Datensatzes gestreut sind.
Die Streuung unserer Daten können wir in Streuungsmaßen angeben.
Zu den wichtigsten Streuungsmaßen zählen die Varianz, die Standardabweichung und die Spannweite.
Weiter lesen: Streuung in der Statistik