Zusammenhänge ermitteln mit dem SInES Columns Correlator

Der SInES Columns Correlator hilft herauszufinden, ob und wie verschiedene Datenreihen miteinander zusammenhängen.

1. Daten hochladen

Klicken Sie auf den Button , um eine Excel- oder csv-Datei hochzuladen. Sobald die Datei eingeladen ist, liest der Columns Correlator automatisch die Überschriften der Spalten aus.

2. Gruppen festlegen

Es erscheinen automatisch zwei Listen (Group 1 und Group 2):

Group1 und Group2 mit jeweils allen Spaltenüberschriften zur Auswahl

Wählen Sie in Group 1 die Spalte(n) aus, die Sie untersuchen möchten (z.B. "Versuchspersonen-Entscheidungen").

Wählen Sie in Group 2 die Spalten aus, mit denen die Auswahl aus Group 1 verglichen werden soll (z. B. "Valence" und "Arousal" etc.).

3. Einstellungen & Methode

Bonferroni-Korrektur: bei mehr als einer ausgewählten Spalte pro Gruppe kann hier die Anzahl der unterschiedlichen Vergleiche eingetragen werden. Lassen Sie das Feld am besten leer (bzw. "Auto")
(d.h. je mehr Spalten miteinander verglichen werden, desto geringer = strenger wird die Signifikanzschwelle bei p. Normalerweise liegt bei einem Vergleich von zwei Datenreihen die Schwelle für p bei p < 0,05. Bei einer höheren Anzahl von Datenreihen, die miteinander verglichen werden (z.B. 10), wird die Schwelle (0,05) durch die Anzahl der Vergleiche geteilt (also bei 10: p<0,005).

Bonferroni-Korrektur um 226 Vergleiche, d.h. die sonst gültige Signifikanzschwelle
von p<0,05 sinkt auf einen viel strengeren Wert von p< 0,00022

Correlation Method: hier kann man zwischen Pearson und Spearman wählen:

Auswahl der Korrelationsmethode

Pearson misst lineare Zusammenhänge bei normalverteilten, metrischen (also zählbaren) Daten, während Spearman (Rangkorrelation) robuste, monotone Zusammenhänge auch bei nicht-normalverteilten oder ordinalen Daten (z.B. mehreren Kategorien) erkennt.

Der Columns Correlator erkennt im Zweifelsfall automatisch welche Korrelations-Methode verwendet werden sollte.

Heatmap: Setzen Sie hier ein Häkchen für eine eine farbige Übersichtstabelle der Ergebnisse (nicht empfohlen bei mehr als 20 Vergleichen).

4. Analyse starten

Klicken Sie auf . Der Columns Correlator wird nun jede ausgewählte Spalte aus Gruppe 1 mit jeder ausgewählten Spalte aus Gruppe 2 vergleichen.

5. Ergebnisse verstehen und nutzen

Nach der Analyse erscheint eine Tabelle mit vielen Zahlen und folgenden Funktionen:

Ergebnistabelle einer typischen Korrelationsanalyse

• Interaktive Grafik: Fahren Sie mit der Maus über eine Zeile in der Ergebnistabelle. Es erscheint sofort ein Streudiagramm (Scatter Plot), das Ihnen die Beziehung der Daten pro Vergleich visuell zeigt.
  
  
• Signifikanz-Filter: Klicken Sie auf das Filter-Symbol oben links über der Tabelle. Damit werden alle Ergebnisse ausgeblendet, die nicht "signifikant" sind, d.h. bei denen der Zusammenhang wahrscheinlich nur Zufall ist (p>=0,05).
  
  
• Sortieren: Klicken Sie auf die kleinen Pfeile in den Spaltenüberschriften, um z. B. die stärksten Korrelationen ganz oben anzuzeigen.
  
  
• Speichern: Mit dem Excel-Symbol speichern Sie die gesamte Ergebnistabelle (oder die Heatmap) direkt als neue Excel-Datei.
  
  
• Kopieren: Mit dem Kopieren-Symbol landet die Tabelle (oder die Heatmap) in der Zwischenablage, von wo sie direkt in Word, Excel o.ä. eingefügt werden kann.

Je nach Correlation Method (s.o.) beschreibt das r (Pearson) oder das
ρ (Spearman), wie stark und in welche Richtung die Korrelation geht:

• r oder ρ > 0 und < 1: positive Korrelation: wachsen die Werte der einen Spalte so wachsen auch die der anderen. Je größer der Wert (je näher an 1), desto stärker die Korrelation
• r oder ρ < 0 und > -1: negative Korrelation: wachsen die Werte der einen Spalte so verringern sich die der anderen. Je kleiner der Wert (je näher an -1), desto stärker die Korrelation
• p beschreibt die Signifikanz (sollte < 0,05 sein bzw. kleiner als der nach der Bonferroni-Korrektur ermittelte Wert).

Zusätzliche statistische Test

In der Tabelle werden zusätzliche statistische Tests angeführt
(rote Zahlen bedeuten, dass der jeweilige Test nicht bestanden wurde,
grüne Zahlen bedeuten, dass hier wirklich ein statistisch relevantes und signifikantes Ergebnis gefunden wurde):

Shapiro-Wilk Test: prüft ob eine Normalverteilung der Daten in den zu vergleichenden Spalten vorliegt. Ist der p-Wert beim Shapiro-Wilk Test sehr klein (<0.05), sind die Daten "unnormal" verteilt (z.B. nur extrem kleine und extrem große Werte). In diesem Fall ist Spearman meist die bessere Wahl (entscheidet der Columns Correlator automatisch).

Outliers (Ausreißer): Einzelne besonders hohe oder geringe Werte können das statistische Gesamtbild stark verzerren. Der Columns Correlator warnt hier vor solchen Ausreißern.

Breusch-Pagan-Test: prüft die Varianz = ob die Streuung der Daten über den gesamten Messbereich hinweg gleichmäßig ist oder nicht. Wenn die Wolke aus Datenpunkten z.B. am Anfang ganz schmal ist und am Ende weit auseinandergeht (Heteroskedastizität), dann warnt der Columns Correlator, dass hier der nicht über den gesamten Messbereich hinweg gleichmäßig stabil ist.

Unterschiede ermitteln mit dem SInES t-Tester

Der SInES t-Tester hilft herauszufinden, ob und wie stark sich zwei verschiedene Datenreihen voneinander unterscheiden.

1. Datei hochladen

Klicken Sie auf und wählen Sie eine Excel- oder csv-Datei aus. Sobald die Datei eingeladen ist, liest der t-Tester automatisch die Überschriften der Spalten aus.

2. Die Gruppen-Regel festlegen (Grouping Variable)

Wählen Sie die Spalte aus, die die Daten in zwei Gruppen teilt (z.B. die Spalte "Geschlecht" für Männer/Frauen oder "Bedingung" für Testgruppe/Kontrollgruppe oder "good_bad" für absolute Bewertungen).

Beispiel für eine ausgewählte Grouping Variable

Wichtig: Der t-Tester benötigt genau zwei Gruppen in dieser Spalte, um den Vergleich berechnen zu können.

3. Die zu vergleichenden Spalten auswählen

Nach dem Datenupload erscheint automatisch eine Liste mit allen Spalten der hochgeladenen Tabelle. Wählen Sie hier die Spalten aus, in denen überprüft werden soll, ob hier gemäß der Grouping Variable ein Unterschied zwischen den Daten erkennbar ist.

Auswahl der zu überprüfenden Spalten

4. Analyse

Klicken Sie dann auf um den t-Test zu starten.

5. Ergebnisse verstehen und nutzen

Nach der Analyse erscheint eine Tabelle mit vielen Zahlen und folgenden Funktionen:

Ergebnistabelle eines typischen t-Tests

• Interaktive Grafik: Fahren Sie mit der Maus über eine Zeile in der Ergebnistabelle. Es erscheint sofort ein Balkendiagramm, das Ihnen die Mittelwerte der beiden Gruppen im direkten Vergleich zeigt.
  
  
• Signifikanz-Filter: Klicken Sie auf das Filter-Symbol oben links über der Tabelle. Damit werden alle Ergebnisse ausgeblendet, die nicht "signifikant" sind, d.h. bei denen der Zusammenhang wahrscheinlich nur Zufall ist (p>=0,05).
  
  
• Sortieren: Klicken Sie auf die kleinen Pfeile in den Spaltenüberschriften,
  um z. B. die stärksten Unterschiede ganz oben anzuzeigen.
  
  
• Speichern: Mit dem Excel-Symbol speichern Sie die gesamte Ergebnistabelle direkt als neue Excel-Datei.
  
  
• Kopieren: Mit dem Kopieren-Symbol landet die Tabelle in der Zwischenablage, von wo sie direkt in Word, Excel o.ä. eingefügt werden kann.

Das t beschreibt, wie stark sich die Werte der beiden Gruppen voneinander unterscheiden. Je weiter das t von 0 entfernt ist (positiv oder negativ), desto größer ist der Unterschied.

Das p beschreibt die Signifikanz (sollte < 0,05 sein).

Cohen's d beschreibt die Effektstärke (wie groß der Unterschied in der Praxis erkennbar ist). Es zeigt an, wie viele Standardabweichungen die Mittelwerte auseinander liegen. Als Faustregel gilt:
d ≈ 0,2: kleiner Effekt, d ≈ 0,5: mittlerer Effekt, d ≈ 0,8: großer Effekt.
Es hilft zu beurteilen, ob die gefundenen Unterschiede praktisch relevant sind.

Zusätzliche statistische Test

In der Tabelle werden zusätzliche statistische Tests angeführt
(rote Zahlen bedeuten, dass der jeweilige Test nicht bestanden wurde,
grüne Zahlen bedeuten, dass hier wirklich ein statistisch relevantes und signifikantes Ergebnis gefunden wurde):

Shapiro-Wilk Test: prüft ob eine Normalverteilung der Daten in den zu vergleichenden Spalten vorliegt. Ist der p-Wert beim Shapiro-Wilk Test sehr klein (<0.05), sind die Daten "unnormal" verteilt (z.B. nur extrem kleine und extrem große Werte). In diesem Fall sollte man das Ergebnis mit Vorsicht genießen.

Levene-Test (Varianzhomogenität, Var p): prüft, ob die Streuung in beiden Gruppen ähnlich ist. Dieser Test prüft, ob die "Breite" der Verteilung vergleichbar ist. Ist der Wert rot, streuen die Gruppen sehr unterschiedlich.
(Stellen Sie sich zwei Schulklassen vor: In beiden ist die Durchschnittsnote 3.0. Aber in Klasse A haben fast alle eine 3, während in Klasse B die Hälfte eine 1 und die andere Hälfte eine 5 hat).

Einigkeit der Versuchspersonen ermitteln mit dem SInES InterRater Calculator

Der SInES InterRater Calculator hilft Ihnen herauszufinden, wie gut verschiedene Personen (Rater) in ihren Urteilen übereinstimmen.
(z.B. wenn drei Experten die Qualität von Musikinstrumenten auf einer Skala von 1 bis 10 bewerten: Sind sie sich einig oder würfelt jede/r für sich? Mit dem InterRater Calculator lässt sich die Einigkeit der Versuchspersonen bestimmen).

1. Daten hochladen

Klicken Sie auf den Button , um Ihre Datei hochzuladen.

Das Tool erkennt automatisch die Spaltenüberschriften Ihrer Tabelle und listet sie zum Ankreuzen auf (s.u.).

2. Einstellungen anpassen

Sobald die Datei geladen ist, erscheinen folgende Optionen für die Analyse:

Ergebnisse nach Gruppen splitten: Wenn Sie eine Spalte wie „Geschlecht“ haben, können Sie hier wählen, ob die Übereinstimmung für Männer und Frauen getrennt berechnet werden soll.

Beispiel für die Auswahl eines Gruppensplittings der Ergebnisse

Rater-Spalten auswählen: Setzen Sie ein Häkchen bei allen Spalten, die die Bewertungen enthalten, die Sie vergleichen möchten.

Beispiel für die Auswahl der zu vergleichenden Bewertungen

Daten als numerisch/kontinuierlich oder als Kategorien behandeln:
Falls die Versuchspersonen ihr Bewertungen mit einer kontinuierlichen Eingabe (z.B. über einen Schieberegler) vorgenommen haben, sollte hier ein Häkchen gesetzt werden (z.B. Schieberegler oder Schulnoten).
Falls die Versuchspersonen ihre Bewertungen über Kategorien abgegeben haben (z.B. "ja/nein" oder "trifft nicht zu / trifft wenig zu / trifft eher zu / trifft völlig zu"), dann sollte hier kein Häcken gesetzt werden.

Hier ein Häkchen setzen, wenn kontinuierliche Zahlen für die Bewertung verwendet wurden
(z.B. mit Hilfe eines Schiebereglers.

Transpose Data (Transponieren): Lassen Sie dies aktiviert, wenn in der Tabelle die Versuchspersonen in den Zeilen und die Fragen/Items in den Spalten stehen (typisch für LimeSurvey-Exporte). In der Regel stehen sonst in den ZeilenFragen/Items die und in den Spalten die Versuchspersonen.

Hier ein Häkchen setzen , bei LimeSurvey-Exporten (oder wenn die Versuchspersonen in den Zeilen
und die Fragen/Items in den Spalten der Tabelle stehhen)

3. Analyse starten

Klicken Sie auf , um die Berechnung auszuführen.

4. Die Ergebnisse verstehen

Nach der Analyse erscheint eine (oder bei splitted groups auch mehrere) Tabelle/n mit folgenden statistischen Kennwerten (bei einem MouseOver über die Tabellentitel erscheinen ausführlichere Erklärungen zu den Kennwerten):

Fleiss' Kappa (κ): Der Klassiker für Kategorien. Er sagt: „Stimmen die Leute öfter überein, als es durch bloßen Zufall zu erwarten wäre?“

Krippendorff's Alpha (α): Der „Alleskönner“. Er ist sehr robust und funktioniert sowohl bei Kategorien als auch bei Zahlenwerten (Intervalldaten).

Cronbach's Alpha (α): misst die „interne Konsistenz“. Besonders wichtig bei numerischen Daten (Slidern). Er zeigt, wie stabil die Rater als Gruppe urteilen.

Overall Agreement (in%): beschreibt in wie vielen Fällen sich wirklich alle absolut einig waren.

p-Wert: zeigt die Signifikanz. Ist p<0,05, ist das Ergebnis statistisch belastbar und wahrscheinlich kein Zufall.

Als Daumenregel für Kappa (κ) und Alpha (α) gilt oft die Einteilung nach Landis & Koch (1977):

0,00 – 0,20: Gering (Slight)
0,21 – 0,40: Mittelmäßig (Fair)
0,41 – 0,60: Moderat (Moderate)
0,61 – 0,80: Beachtlich (Substantial)
0,81 – 1,00: Fast perfekt (Almost Perfect)

5. Grafische Auswertungen

Der InterRater Calculator erstellt automatisch Grafiken, um die Daten zu visualisieren:

Distribution of Ratings: Ein Balkendiagramm, das zeigt, welche Antwortmöglichkeiten am häufigsten gewählt wurden.

Beispiel für ein Distribution of Ratings: man sieht, dass sich die
Versuchspersonen/Rater besonders einig bei geringen Bewertungen waren.

Mean Rating per Item: Zeigt den Durchschnittswert für jedes einzelne bewertete Objekt an (mit kleinen Punkten für jede einzelne Stimme).

Beispiel für ein Mean Rating per Item: Man sieht, dass sich die Versuchspersonen/Rater bei einigen Items besonders einig waren (z.B. das zweite und zehnte Beispiel), bei anderen weniger.

Disagreement Heatmap (Coincidence Matrix): Diese Tabelle zeigt, wo die Rater oder Versuchspersonen sich uneinig waren. Dunkelblaue Felder abseits der Diagonale bedeuten: Hier gab es oft Verwechslungen oder Uneinigkeiten zwischen zwei bestimmten Werten.

Beispiel für eine Dissagrement Heatmap

6. Ergebnisse speichern

Mit dem Button können Sie die gesamte Analyse inklusive der Detail-Statistiken direkt als Excel-Datei speichern.