Daten anderer untersuchen: Versteckte Variable (Temperatur) am Beispiel von Eisverkäufen und Ertrinken; sehen, wie die Korrelation durch Ziehen eines Ausreißers zerstört wird; Gefahr der Extrapolation (Vorhersage außerhalb des Datenbereichs); Behauptungen kritisieren
Zurück zur Simulation
Mit der Simulation zur Untersuchung von Daten mit zwei quantitativen Variablen wirst du lernen, statistische Daten kritisch zu bewerten, und häufige Interpretationsfehler entdecken. Anhand von Beispielen wie Eisverkäufen und Ertrinkungsfällen oder der Entwicklung der Körpergröße von Kindern wirst du die Konzepte der Störvariable, Extrapolation und Ausreißer erlernen und dabei die tatsächliche Kausalität hinter den Daten hinterfragen. Dieses interaktive Tool ist ein hervorragender Leitfaden, um statistische Behauptungen, denen du in den Medien und im Alltag begegnest, korrekt zu analysieren.
Was kannst du in dieser Simulation tun?
Indem du den roten Ausreißerpunkt ziehst, kannst du den Korrelationskoeffizienten r verringern oder erhöhen und die zerstörerische Wirkung von Ausreißern auf den linearen Zusammenhang beobachten.
Am Beispiel von Eisverkäufen und Ertrinkungsfällen kannst du untersuchen, wie verborgene und gemeinsame Variablen wie die Temperatur die Daten verfälschen können.
Anhand von Daten zum Längenwachstum von Kindern kannst du die unsinnigen Ergebnisse testen, die durch Schätzungen außerhalb des Datenbereichs (Extrapolation) entstehen.
Du kannst verschiedene vorgegebene Behauptungen und Szenarien bewerten, sie mit den richtigen Optionen abgleichen und dein Wissen durch sofortiges Feedback festigen.
Über die Zurücksetzen-Schaltfläche kannst du die Simulation auf den Anfangszustand zurücksetzen und verschiedene Szenarien erneut ausprobieren.
Grundlegende Konzepte und Formeln
In statistischen Untersuchungen wird der Zusammenhang zwischen zwei quantitativen Variablen mit dem Korrelationskoeffizienten (r) gemessen. Allerdings bedeutet Korrelation nicht immer Kausalität (Ursache-Wirkungs-Beziehung). Verborgene Variablen können als dritter Faktor beide Variablen gleichzeitig beeinflussen. Darüber hinaus können Extrapolationsschätzungen, die außerhalb des aktuellen Datenbereichs (Minimal- und Maximalwerte) liegen, zu großen Fehlern führen. Die Formel r = Σ((x - x_Mittelwert)(y - y_Mittelwert)) / √(Σ(x - x_Mittelwert)^2 Σ(y - y_Mittelwert)^2) liefert die Stärke und Richtung des linearen Zusammenhangs zwischen zwei Variablen.
Wie wird sie verwendet?
Gehe zum Versuchsfeld und lies dir die auf dem Bildschirm präsentierten Szenarien und Behauptungen sorgfältig durch.
Platziere sie in den entsprechenden Feldern, indem du auf die Karten oder Optionen tippst oder sie per Drag-and-Drop verschiebst.
Verfolge die Veränderung der Korrelation, indem du den roten Ausreißerpunkt im Diagramm ziehst.
Sieh dir durch Drücken der Prüfen-Schaltfläche sofort die Richtigkeit deiner Schätzungen an.
Wiederhole das Experiment angeleitet, indem du die Schritte überprüfst, bei denen du Fehler gemacht hast oder die unvollständig waren.
Häufig gestellte Fragen
Warum bedeutet Korrelation nicht immer Kausalität?
Auch wenn zwei Variablen gleichzeitig zu steigen oder zu fallen scheinen, zeigt dies nicht, dass die eine die Ursache für die andere ist. Im Hintergrund kann eine verborgene gemeinsame Variable (z. B. die Lufttemperatur) vorhanden sein, die beide beeinflusst.
Wie beeinflusst ein Ausreißer den Korrelationskoeffizienten?
Ein einzelner extremer Wert (Ausreißer), der nachträglich zum Datensatz hinzugefügt oder fehlerhaft gemessen wurde, kann den r-Wert, der die Stärke des linearen Zusammenhangs anzeigt, völlig in die Irre führen und einen starken Zusammenhang zunichtemachen.
Was ist Extrapolation und warum ist sie gefährlich?
Es ist der Prozess der Schätzung für Werte außerhalb der Grenzen des vorliegenden Datensatzes. Die Annahme, dass der aktuelle Trend ewig in gleicher Weise anhält, kann zu unsinnigen und realitätsfernen Ergebnissen führen.