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
Cramer‘s V gibt uns Auskunft über den statistischen Zusammenhang zwischen zwei oder mehreren nominalskalierten Variablen.
Bei der Bestimmung von Cramer‘s V wird der Chi-Quadrat-Wert (X2) standardisiert. Dadurch können wir Zusammenhänge zwischen Variablen anhand von Cramer’s V vergleichen.
Weiter lesen: Cramer‘s 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 (ρ) 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
Wenn wir anhand bestimmter Punkte eine Teilmenge aus einer Grundgesamtheit entnehmen, erhalten wir eine Stichprobe.
Oft ist es nicht möglich oder viel zu aufwendig, Daten in der Grundgesamtheit, also zum Beispiel anhand aller Studierenden in Deutschland, zu erheben.
Daher entnehmen wir einen Teil der Grundgesamtheit, erheben Daten anhand dieser Stichprobe und schließen dann auf die Grundgesamtheit.
Inwieweit wir anhand der Ergebnisse aus der Stichprobe auch Aussagen über die Grundgesamtheit treffen können, hängt von der Art der Stichprobenziehung ab.
Weiter lesen: Statistische Stichproben verstehen und bestimmen
Skalenniveaus sind Kategorien, die uns eine Auskunft darüber geben, welche Merkmale unsere Daten aufweisen.
Deine Daten können entweder nominalskaliert, ordinalskaliert oder metrisch 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