Wann nehme ich Spearman und wann Pearson?

Spearman, wenn mindestens eine Variable ordinalskaliert ist (z.B. Likert, NRS, Tumorstadium), wenn die Daten nicht normalverteilt sind, wenn der Zusammenhang nicht-linear aber monoton ist, oder wenn Ausreißer vorliegen. Pearson, wenn beide Variablen metrisch und annähernd normalverteilt sind und ein linearer Zusammenhang vermutet wird. Im Zweifel ist Spearman die robustere Wahl."

Was bedeutet ein ρ von 0,3?

Ein ρ von 0,3 zeigt einen schwachen positiven monotonen Zusammenhang — d.h. mit steigender X-Variable steigt tendenziell auch Y, aber der Zusammenhang ist nicht stark. Ob das klinisch relevant ist, hängt vom Kontext ab. Berichte immer auch p-Wert, Stichprobengröße und idealerweise das 95%-Konfidenzintervall.

Kann Spearman mit Likert-Daten verwendet werden?

Ja, das ist sogar der klassische Anwendungsfall. Likert-Skalen sind ordinalskaliert, und Spearman behandelt sie korrekt als Ränge. Pearson wäre hier streng genommen unzulässig, wird in der Praxis bei 5- oder 7-stufigen Likert-Skalen aber oft pragmatisch akzeptiert. Mehr dazu in unserem [Beitrag zur Likert-Auswertung](/blog/likert-skala-auswertung).

Was ist der Unterschied zwischen Spearman und Kendall-Tau?

Beide sind rangbasiert. Spearman basiert auf den quadrierten Rangdifferenzen, Kendall-Tau auf der Anzahl konkordanter und diskordanter Paare. Kendall ist bei kleinen Stichproben (n < 30) und vielen Bindungen meist robuster. In sehr großen Stichproben liefern beide praktisch identische Schlussfolgerungen, wobei |τ| typischerweise kleiner ist als |ρ|.

Warum bekomme ich in R die Warnung 'Cannot compute exact p-value with ties'?

Diese Meldung erscheint, wenn in deinen Daten Bindungen vorliegen — also gleiche Werte, die denselben Rang erhalten. Die exakte p-Wert-Berechnung ist dann nicht möglich; R verwendet automatisch eine asymptotische Approximation. Bei n ≥ 20 ist diese sehr zuverlässig. Mit `exact = FALSE` unterdrückst du die Warnung explizit.

Bedeutet ρ = 0, dass keinerlei Zusammenhang besteht?

Nein. ρ = 0 bedeutet nur, dass kein monotoner Zusammenhang besteht. Eine perfekt u-förmige oder zyklische Beziehung kann ρ = 0 ergeben, obwohl X und Y sehr eng zusammenhängen. Daher ist das Streudiagramm vor jeder Korrelationsanalyse essenziell.

Wie berichte ich Spearman in einer Publikation korrekt?

Empfohlen: "Eine Spearman-Rangkorrelation ergab einen starken negativen Zusammenhang zwischen Schmerz-NRS und Mundöffnung (ρ = −0,62; 95%-KI [−0,77; −0,40]; p < 0,001; n = 45)." Wichtig sind: ρ-Wert, p-Wert, Stichprobengröße und idealerweise das Konfidenzintervall.

Welche Stichprobengröße brauche ich für Spearman?

Für stabile Schätzungen mindestens n = 20, besser n ≥ 30. Um eine moderate Korrelation (ρ ≈ 0,3) mit 80 % Power und α = 0,05 zu detektieren, sind ungefähr n = 84 nötig. Eine genaue Fallzahlplanung erfolgt mit G

Kann ich Spearman auch für mehr als zwei Variablen verwenden?

Direkt nur für Variablenpaare. Für mehrere Variablen erstellt man eine Korrelationsmatrix (alle paarweisen Spearman-Korrelationen). Wichtig: Bei vielen gleichzeitigen Tests muss α korrigiert werden (Bonferroni, Holm oder FDR), sonst steigt das Risiko falsch-positiver Befunde stark an.

Was tun, wenn die Variablen sowohl Pearson- als auch Spearman-Voraussetzungen erfüllen?

Dann ist Pearson statistisch effizienter (höhere Power, engere Konfidenzintervalle). Bei perfekt linearen, normalverteilten Daten liefern beide ähnliche Werte. Manche Autoren berichten beide nebeneinander — das ist nur sinnvoll, wenn man bewusst zeigen will, dass das Ergebnis robust gegenüber der Methodenwahl ist.

Spearman-Rangkorrelation: Definition, Formel & Beispiele

Q: Warum bekomme ich in R die Warnung 'Cannot compute exact p-value with ties'?

Diese Meldung erscheint, wenn in deinen Daten Bindungen vorliegen — also gleiche Werte, die denselben Rang erhalten. Die exakte p-Wert-Berechnung ist dann nicht möglich; R verwendet automatisch eine asymptotische Approximation. Bei n ≥ 20 ist diese sehr zuverlässig. Mit `exact = FALSE` unterdrückst du die Warnung explizit.

Q: Bedeutet ρ = 0, dass keinerlei Zusammenhang besteht?

Nein. ρ = 0 bedeutet nur, dass kein monotoner Zusammenhang besteht. Eine perfekt u-förmige oder zyklische Beziehung kann ρ = 0 ergeben, obwohl X und Y sehr eng zusammenhängen. Daher ist das Streudiagramm vor jeder Korrelationsanalyse essenziell.

Q: Wie berichte ich Spearman in einer Publikation korrekt?

Empfohlen: "Eine Spearman-Rangkorrelation ergab einen starken negativen Zusammenhang zwischen Schmerz-NRS und Mundöffnung (ρ = −0,62; 95%-KI [−0,77; −0,40]; p < 0,001; n = 45)." Wichtig sind: ρ-Wert, p-Wert, Stichprobengröße und idealerweise das Konfidenzintervall.

Q: Welche Stichprobengröße brauche ich für Spearman?

Für stabile Schätzungen mindestens n = 20, besser n ≥ 30. Um eine moderate Korrelation (ρ ≈ 0,3) mit 80 % Power und α = 0,05 zu detektieren, sind ungefähr n = 84 nötig. Eine genaue Fallzahlplanung erfolgt mit G

Q: Kann ich Spearman auch für mehr als zwei Variablen verwenden?

Direkt nur für Variablenpaare. Für mehrere Variablen erstellt man eine Korrelationsmatrix (alle paarweisen Spearman-Korrelationen). Wichtig: Bei vielen gleichzeitigen Tests muss α korrigiert werden (Bonferroni, Holm oder FDR), sonst steigt das Risiko falsch-positiver Befunde stark an.

Q: Was tun, wenn die Variablen sowohl Pearson- als auch Spearman-Voraussetzungen erfüllen?

Dann ist Pearson statistisch effizienter (höhere Power, engere Konfidenzintervalle). Bei perfekt linearen, normalverteilten Daten liefern beide ähnliche Werte. Manche Autoren berichten beide nebeneinander — das ist nur sinnvoll, wenn man bewusst zeigen will, dass das Ergebnis robust gegenüber der Methodenwahl ist.

Die Spearman-Rangkorrelation (ρ) misst den monotonen Zusammenhang zweier Variablen auf Basis von Rängen. Ideal für ordinale Daten und nicht-normalverteilte metrische Variablen. Mit Formel, SPSS- und R-Beispiel.

📊 Zusammenhangsmaße · ⏱️ 8 Min. · Aktualisiert 2026-05-10

Definition

Die Spearman-Rangkorrelation (Spearman's ρ, rho) ist ein nicht-parametrisches Zusammenhangsmaß, das die Stärke und Richtung eines monotonen Zusammenhangs zwischen zwei Variablen quantifiziert. Im Gegensatz zur Pearson-Korrelation, die einen linearen Zusammenhang auf Basis der Originalwerte misst, arbeitet Spearman ausschließlich mit den Rangplätzen der Beobachtungen.

Merke: Spearman misst, ob die Werte gemeinsam steigen oder fallen — nicht ob sie linear zusammenhängen. Ein perfekt exponentieller Zusammenhang liefert ρ = 1, weil die Ränge perfekt übereinstimmen, obwohl die Pearson-Korrelation deutlich kleiner wäre.

Spearman ist die Methode der Wahl, wenn:

mindestens eine Variable ordinalskaliert ist (z.B. Likert-Skala, Schmerz-NRS, Tumorstadium),
die Voraussetzungen der Pearson-Korrelation (Normalverteilung, Linearität) verletzt sind,
Ausreißer vorliegen, die Pearson stark verzerren würden.

Formel

Bei keinen Bindungen (jeder Wert kommt nur einmal vor) gilt die einfache Formel:

$$\rho = 1 - \frac{6 \sum d_i^2}{n(n^2 - 1)}$$

mit:

d_i = Differenz der Ränge der i-ten Beobachtung (Rang in X minus Rang in Y)
n = Stichprobengröße

Bei Bindungen (Ties — z.B. mehrere Probanden mit demselben Likert-Wert) wird üblicherweise die Pearson-Formel auf die Ränge angewendet:

$$\rho = \frac{\sum (R_i - \bar{R})(S_i - \bar{S})}{\sqrt{\sum (R_i - \bar{R})^2 \sum (S_i - \bar{S})^2}}$$

Statistik-Software wendet diese Tie-korrigierte Variante automatisch an.

Voraussetzungen

Spearman hat deutlich schwächere Voraussetzungen als Pearson:

Skalenniveau mindestens ordinal — beide Variablen müssen sinnvoll in eine Rangordnung gebracht werden können
Monotoner Zusammenhang — wenn X steigt, steigt (oder fällt) Y konsistent. Es muss nicht linear sein
Unabhängige Beobachtungen — keine wiederholten Messungen am selben Probanden ohne entsprechende Korrektur
Keine Normalverteilungsannahme — gerade das macht Spearman robust

Praxis-Tipp: Erstelle vor jeder Korrelationsanalyse einen Streudiagramm-Plot. Erkennst du einen u-förmigen oder anders nicht-monotonen Zusammenhang, ist auch Spearman ungeeignet — dann wird ρ ≈ 0 trotz starkem Zusammenhang.

Interpretation

Der Wertebereich von ρ liegt zwischen −1 und +1:

ρ-Wert	Interpretation
ρ = +1	perfekter monoton steigender Zusammenhang
0,7 ≤ ρ < 1	starker positiver Zusammenhang
0,4 ≤ ρ < 0,7	mittlerer positiver Zusammenhang
0,1 ≤ ρ < 0,4	schwacher positiver Zusammenhang
ρ ≈ 0	kein monotoner Zusammenhang
−0,4 < ρ ≤ −0,1	schwacher negativer Zusammenhang
−0,7 < ρ ≤ −0,4	mittlerer negativer Zusammenhang
−1 < ρ ≤ −0,7	starker negativer Zusammenhang
ρ = −1	perfekter monoton fallender Zusammenhang

Diese Schwellen (nach Cohen, modifiziert) sind Konvention — fachspezifisch können andere Cut-offs üblich sein. Berichtet wird neben ρ stets der p-Wert und idealerweise das 95%-Konfidenzintervall.

Wichtig: ρ² ist nicht direkt als Anteil erklärter Varianz interpretierbar — diese Interpretation gilt nur für Pearson. Spearman bezieht sich auf erklärte Varianz der Ränge.

Klinisches Anwendungsbeispiel

Studie: Zusammenhang zwischen subjektivem Schmerzempfinden (NRS, 0–10) und objektiver Einschränkung der Mundöffnung (mm) bei n = 45 Patienten mit Kiefergelenksdysfunktion (CMD).

Schmerz-NRS: ordinalskaliert (0 bis 10)
Mundöffnung: metrisch (mm), aber leicht rechtsschief verteilt
Pearson wäre wegen Skalenniveau und Schiefe nicht angemessen → Spearman

Ergebnis:

ρ = −0,62
p < 0,001
95%-KI: [−0,77; −0,40]

Interpretation: Es besteht ein starker negativer monotoner Zusammenhang — je höher der berichtete Schmerz, desto geringer die maximale Mundöffnung. Der Effekt ist statistisch hochsignifikant. Beachte: Dies ist eine Korrelation, keine Kausalität — Schmerz könnte die Öffnung limitieren, oder eingeschränkte Mechanik verursacht Schmerz, oder eine dritte Variable (z.B. Entzündung) erklärt beides.

In SPSS berechnen

Analysieren → Korrelation → Bivariat

Im Dialog:

Beide Variablen in "Variablen" verschieben
Unter "Korrelationskoeffizienten": Häkchen bei Spearman setzen (Pearson abwählen, sofern nicht beide gewünscht)
"Signifikanztest": üblicherweise zweiseitig
"Signifikante Korrelationen markieren" aktivieren

Im Output unter "Korrelationen" findest du:

Korrelationskoeffizient = ρ
Sig. (2-seitig) = p-Wert
N = effektive Stichprobengröße (paarweise vorhandene Werte)

SPSS gibt kein Konfidenzintervall für Spearman aus — dieses muss bei Bedarf via Bootstrap-Modul oder R berechnet werden. Mehr in unserer SPSS-Auswertungsanleitung.

In R berechnen

# Basisvariante mit cor.test()
result <- cor.test(daten$schmerz_nrs, daten$mundoeffnung,
                   method = "spearman",
                   exact = FALSE)
print(result)
# Spearman's rank correlation rho
# S = 24351, p-value = 1.2e-05
# rho = -0.6234

# Konfidenzintervall via Bootstrap (Paket: boot)
library(boot)
spearman_boot <- function(data, idx) {
  cor(data[idx, 1], data[idx, 2], method = "spearman")
}
boot_result <- boot(daten[, c("schmerz_nrs", "mundoeffnung")],
                    spearman_boot, R = 2000)
boot.ci(boot_result, type = "perc")
# 95% CI: (-0.77, -0.40)

Bei Bindungen (häufig bei Likert-Daten) gibt R die Warnung "Cannot compute exact p-value with ties" — das ist unkritisch; mit exact = FALSE wird die asymptotische Approximation verwendet, die bei n ≥ 20 sehr zuverlässig ist. Mehr Beispiele in unserer R-Statistik-Anleitung.

Häufige Fehler

Fehler 1: Spearman bei nicht-monotonem Zusammenhang

Bei u-förmigen oder zyklischen Zusammenhängen liefert Spearman ρ ≈ 0 — obwohl die Variablen stark zusammenhängen. Immer Streudiagramm zuerst!

Fehler 2: ρ² als "erklärte Varianz" interpretieren

Anders als bei Pearson (r² = R²) ist ρ² nicht direkt der Anteil erklärter Varianz der Originaldaten. Diese Verwechslung ist in publizierten Arbeiten leider häufig.

Fehler 3: Kausalität aus Korrelation ableiten

Eine signifikante Spearman-Korrelation zeigt einen statistischen Zusammenhang, keinen ursächlichen. "NRS korreliert mit Mundöffnung" heißt nicht "Schmerz verursacht eingeschränkte Öffnung".

Fehler 4: Spearman bei wirklich linearen, normalverteilten Daten

Sind alle Voraussetzungen für Pearson erfüllt, ist Pearson statistisch effizienter (höhere Power). Spearman ist die robustere, aber nicht universell überlegene Wahl.

Fehler 5: Mehrere Korrelationen ohne α-Korrektur

Werden in einer explorativen Analyse 20+ Variablenpaare getestet, sollte α via Bonferroni-Korrektur oder FDR adjustiert werden — sonst sind falsch-positive Befunde fast garantiert.

Fehler 6: Kleine Stichproben (n < 10)

Bei sehr kleinen Stichproben ist die Schätzung von ρ instabil und Konfidenzintervalle sehr breit. Faustregel: mindestens n ≥ 20, besser n ≥ 30 für interpretierbare Ergebnisse.

Häufige Fragen

„Wann nehme ich Spearman und wann Pearson?" → Spearman, wenn mindestens eine Variable ordinalskaliert ist (z.B. Likert, NRS, Tumorstadium), wenn die Daten nicht normalverteilt sind, wenn der Zusammenhang nicht-linear aber monoton ist, oder wenn Ausreißer vorliegen. Pearson, wenn beide Variablen metrisch und annähernd normalverteilt sind und ein linearer Zusammenhang vermutet wird. Im Zweifel ist Spearman die robustere Wahl."
„Was bedeutet ein ρ von 0,3?" → Ein ρ von 0,3 zeigt einen schwachen positiven monotonen Zusammenhang — d.h. mit steigender X-Variable steigt tendenziell auch Y, aber der Zusammenhang ist nicht stark. Ob das klinisch relevant ist, hängt vom Kontext ab. Berichte immer auch p-Wert, Stichprobengröße und idealerweise das 95%-Konfidenzintervall.
„Kann Spearman mit Likert-Daten verwendet werden?" → Ja, das ist sogar der klassische Anwendungsfall. Likert-Skalen sind ordinalskaliert, und Spearman behandelt sie korrekt als Ränge. Pearson wäre hier streng genommen unzulässig, wird in der Praxis bei 5- oder 7-stufigen Likert-Skalen aber oft pragmatisch akzeptiert. Mehr dazu in unserem Beitrag zur Likert-Auswertung.
„Was ist der Unterschied zwischen Spearman und Kendall-Tau?" → Beide sind rangbasiert. Spearman basiert auf den quadrierten Rangdifferenzen, Kendall-Tau auf der Anzahl konkordanter und diskordanter Paare. Kendall ist bei kleinen Stichproben (n < 30) und vielen Bindungen meist robuster. In sehr großen Stichproben liefern beide praktisch identische Schlussfolgerungen, wobei |τ| typischerweise kleiner ist als |ρ|.
„Warum bekomme ich in R die Warnung 'Cannot compute exact p-value with ties'?" → Diese Meldung erscheint, wenn in deinen Daten Bindungen vorliegen — also gleiche Werte, die denselben Rang erhalten. Die exakte p-Wert-Berechnung ist dann nicht möglich; R verwendet automatisch eine asymptotische Approximation. Bei n ≥ 20 ist diese sehr zuverlässig. Mit exact = FALSE unterdrückst du die Warnung explizit.
„Bedeutet ρ = 0, dass keinerlei Zusammenhang besteht?" → Nein. ρ = 0 bedeutet nur, dass kein monotoner Zusammenhang besteht. Eine perfekt u-förmige oder zyklische Beziehung kann ρ = 0 ergeben, obwohl X und Y sehr eng zusammenhängen. Daher ist das Streudiagramm vor jeder Korrelationsanalyse essenziell.
„Wie berichte ich Spearman in einer Publikation korrekt?" → Empfohlen: "Eine Spearman-Rangkorrelation ergab einen starken negativen Zusammenhang zwischen Schmerz-NRS und Mundöffnung (ρ = −0,62; 95%-KI [−0,77; −0,40]; p < 0,001; n = 45)." Wichtig sind: ρ-Wert, p-Wert, Stichprobengröße und idealerweise das Konfidenzintervall.
„Welche Stichprobengröße brauche ich für Spearman?" → Für stabile Schätzungen mindestens n = 20, besser n ≥ 30. Um eine moderate Korrelation (ρ ≈ 0,3) mit 80 % Power und α = 0,05 zu detektieren, sind ungefähr n = 84 nötig. Eine genaue Fallzahlplanung erfolgt mit G*Power oder dem R-Paket pwr. Mehr dazu in unserem Leitfaden Statistik in der Doktorarbeit.
„Kann ich Spearman auch für mehr als zwei Variablen verwenden?" → Direkt nur für Variablenpaare. Für mehrere Variablen erstellt man eine Korrelationsmatrix (alle paarweisen Spearman-Korrelationen). Wichtig: Bei vielen gleichzeitigen Tests muss α korrigiert werden (Bonferroni, Holm oder FDR), sonst steigt das Risiko falsch-positiver Befunde stark an.
„Was tun, wenn die Variablen sowohl Pearson- als auch Spearman-Voraussetzungen erfüllen?" → Dann ist Pearson statistisch effizienter (höhere Power, engere Konfidenzintervalle). Bei perfekt linearen, normalverteilten Daten liefern beide ähnliche Werte. Manche Autoren berichten beide nebeneinander — das ist nur sinnvoll, wenn man bewusst zeigen will, dass das Ergebnis robust gegenüber der Methodenwahl ist.

✅ Fachlich geprüft von PD Dr. Dr. Andreas Vollmer