Häufigkeitsverteilungen und Assoziationsmaße für zwei Merkmale

Willkommen zu diesem Leitfaden über Häufigkeitsverteilungen und Assoziationsmaße für zwei Merkmale! In der deskriptiven Statistik beschäftigen wir uns oft damit, wie sich einzelne Merkmale in einer Stichprobe verteilen. Doch was passiert, wenn wir den Zusammenhang zwischen zwei Merkmalen gleichzeitig betrachten wollen? Dieser Artikel bietet dir eine umfassende Erklärung, die dir hilft, diese komplexen Konzepte zu meistern und für deine Prüfungen optimal vorbereitet zu sein.

Häufigkeitsverteilungen für zwei Merkmale verstehen

Wenn wir zwei Merkmale gleichzeitig betrachten, fragen wir uns, wie sich die Merkmalsträger auf die verschiedenen Ausprägungs-Kombinationen der Merkmale verteilen. Dies ist der Kern der bivariaten Häufigkeitsverteilung.

Die Urliste zweier Merkmale: Ausgangspunkt deiner Analyse

Jede statistische Analyse beginnt mit Daten. Eine Urliste für zwei Merkmale zeigt dir, welche Merkmalsausprägungen ein Individuum (statistische Einheit) für jedes der beiden Merkmale aufweist. Stell dir vor, du hast eine Liste von Personen und erfasst für jede Person zwei Eigenschaften, zum Beispiel Alter und Geschlecht.

Gemeinsame Häufigkeiten und ihre Berechnung bei zwei Merkmalen

Die gemeinsame Häufigkeit $h_{ij}$ zählt, wie oft eine spezifische Kombination der Ausprägungen $x_i$ (von Merkmal $X$) und $y_j$ (von Merkmal $Y$) auftritt. Dies ist die absolute Häufigkeit der gemeinsamen Ausprägung. Die Berechnung erfolgt über die Indikatorfunktion:

$$h_{ij} = \sum_{l=1}^{N} I_{{a_l = x_i, b_l = y_j}}.$$

Die Indikatorfunktion $I_{{a_l = x_i, b_l = y_j}}$ ist eins, wenn die Bedingung im Index (dass die $l$-te Einheit die Ausprägung $x_i$ für Merkmal $X$ und $y_j$ für Merkmal $Y$ hat) erfüllt ist, und null sonst.

Beispiel: Du befragst 10 Studierende nach ihrer Sportbegeisterung ($X$: ja/nein) und ihrem Geschlecht ($Y$: männlich/weiblich). $h_{11}$ wäre dann die Anzahl der Studierenden, die sportbegeistert UND weiblich sind.

Randhäufigkeiten zweier Merkmale: Was sie dir verraten

Neben den gemeinsamen Häufigkeiten sind die Randhäufigkeiten wichtig. Sie geben die absoluten Häufigkeiten für jedes Merkmal isoliert an, ohne das andere Merkmal zu berücksichtigen.

• Randhäufigkeiten für Merkmal $X$: $h_{i.} = \sum_{j=1}^{s} h_{ij}$ (Summe aller gemeinsamen Häufigkeiten in der $i$-ten Zeile, also für die Ausprägung $x_i$).
• Randhäufigkeiten für Merkmal $Y$: $h_{.j} = \sum_{i=1}^{r} h_{ij}$ (Summe aller gemeinsamen Häufigkeiten in der $j$-ten Spalte, also für die Ausprägung $y_j$).

Die Kontingenztafel: Organisation der Häufigkeiten für zwei Merkmale

Alle diese Häufigkeiten werden übersichtlich in einer Häufigkeitstabelle oder Kontingenztafel dargestellt. Diese Tabelle bildet die Grundlage für die weitere Analyse der Assoziation zwischen den Merkmalen.

Die Summe der Randhäufigkeiten $h_{i.}$ über alle $i$ oder $h_{.j}$ über alle $j$ ergibt die Gesamtanzahl der statistischen Einheiten $N$.

Beispiel einer Kontingenztafel (Bevölkerungsstand Deutschland 2015):

Relative Häufigkeiten und bedingte Häufigkeiten für zwei Merkmale

Um Vergleiche besser anstellen zu können, werden absolute Häufigkeiten oft in relative Häufigkeiten umgewandelt:

• Gemeinsame relative Häufigkeiten: $f_{ij} = h_{ij}/N$.
• Relative Randhäufigkeiten: $f_{i.} = h_{i.}/N$ und $f_{.j} = h_{.j}/N$. Diese entsprechen den relativen Häufigkeiten des jeweiligen Merkmals.

Ein zweidimensionales Balkendiagramm kann diese Verteilungen anschaulich darstellen, insbesondere bei wenigen Ausprägungen ($r=s=2$).

Die bedingte (relative) Häufigkeit $f(x_i / y_j)$ gibt den Anteil der statistischen Einheiten an, welche die Merkmalsausprägung $x_i$ (für $X$) besitzen, an all jenen, die die Merkmalsausprägung $y_j$ (für $Y$) haben. Entsprechendes gilt für $f(y_j / x_i)$. Sie berechnet sich als:

$$f(x_i / y_j) = \frac{h_{ij}}{h_{.j}} = \frac{f_{ij}}{f_{.j}}.$$

Beispiel: Hansafan vs. Geschlecht (relative Häufigkeiten)

Hieraus ergibt sich beispielsweise für die bedingte Häufigkeit $f(\text{ja} / \text{w})$:

$f(\text{ja} / \text{w}) = f_{11} / f_{.1} = 0,1 / 0,5 = 0,2$.

Multiplikationssatz für gemeinsame relative Häufigkeiten

Der Multiplikationssatz besagt, dass die gemeinsame relative Häufigkeit als Produkt der relativen bedingten Häufigkeit und der relativen Randhäufigkeit dargestellt werden kann:

$$f(x_i, y_j) = f(x_i / y_j) \cdot f_Y(y_j) = f(y_j / x_i) \cdot f_X(x_i).$$

Beispiel: $f(x_1, y_1) = f(\text{ja}, \text{w}) = f(\text{ja} / \text{w}) \cdot f_Y(\text{w}) = 0,20 \cdot 0,5 = 0,1$.

Assoziationsmaße für zwei Merkmale: Wie stark ist der Zusammenhang?

Nachdem wir die Häufigkeitsverteilungen betrachtet haben, wollen wir nun den Zusammenhang zwischen zwei Merkmalen quantifizieren. Hier kommen Assoziationsmaße ins Spiel. Sie helfen uns zu beurteilen, ob und wie stark Merkmale voneinander abhängen.

Das Konzept der Unabhängigkeit im beschreibenden Sinne

Zwei Merkmale sind unabhängig im beschreibenden Sinne, wenn die Kenntnis der Ausprägung des einen Merkmals keine zusätzliche Information über die Ausprägung des anderen Merkmals liefert. Mathematisch drückt sich dies so aus, dass jede gemeinsame relative Häufigkeit als Produkt der relativen Randhäufigkeiten dargestellt werden kann:

$$f(x_i, y_j) = f_X(x_i) \cdot f_Y(y_j) = f_{i.} \cdot f_{.j}.$$

Dies bedeutet auch, dass $f(x_i / y_j) = f_X(x_i)$ für alle $i$ und $j$ gilt. Wenn diese Gleichheit für alle Ausprägungen gilt, sprechen wir von Unabhängigkeit.

Beispiel Hansafan: Wenn Sportbegeisterung und Geschlecht unabhängig wären, dann müsste gelten:

$f(\text{ja}, \text{w}) = f_X(\text{ja}) \cdot f_Y(\text{w}) = 0,3 \cdot 0,5 = 0,15$.

Da unser beobachteter Wert $0,1$ ist und $0,1 \neq 0,15$, sind die Merkmale in diesem Beispiel nicht perfekt unabhängig.

Erwartete Häufigkeiten bei Unabhängigkeit ($h_{ij}^e$)

Um die Abweichung von der Unabhängigkeit zu messen, berechnen wir die erwarteten Häufigkeiten ($h_{ij}^e$). Diese Häufigkeiten würden auftreten, wenn die Merkmale tatsächlich voneinander unabhängig wären. Sie ergeben sich aus dem Produkt der Randhäufigkeiten, multipliziert mit der Gesamtzahl der Elemente $N$:

$$h_{ij}^e = \frac{h_{i.}h_{.j}}{N}.$$

Die beobachteten Häufigkeiten werden oft mit $h_{ij}^o$ bezeichnet, um sie von den erwarteten Häufigkeiten zu unterscheiden. Der Begriff Erwartung bezieht sich hier auf die Annahme, dass kein Zusammenhang zwischen den Merkmalen besteht. Je stärker die beobachteten Häufigkeiten von den erwarteten abweichen, desto stärker ist die Abhängigkeit.

Beispiel Hansafan (absolute Häufigkeiten und erwartete Häufigkeiten):

Beobachtete Häufigkeiten ($h_{ij}^o$):

Erwartete Häufigkeiten ($h_{ij}^e$):

Für Hansafan 'ja' und 'weiblich' ($h_{11}^e$): $(3 \cdot 5) / 10 = 1,5$.

Beispiel Bevölkerungsstand (erwartete Häufigkeiten):

Der Chi-Quadrat-Wert ($\chi^2$): Ein Maß für die Abweichung

Um die Abweichung zwischen beobachteten und erwarteten Häufigkeiten zu quantifizieren, wird der Chi-Quadrat-Wert ($\chi^2$) berechnet. Dieser Hilfswert ist ein grundlegendes Maß für die Assoziation zwischen nominalen Merkmalen:

$$ \chi^2 = \sum_{i=1}^{r} \sum_{j=1}^{s} \frac{(h_{ij}^o - h_{ij}^e)^2}{h_{ij}^e}. $$

Bei einer Vierfeldertafel (also $r = s = 2$) lässt sich $\chi^2$ vereinfacht berechnen:

$$ \chi^2 = \frac{N(h_{11}^o h_{22}^o - h_{12}^o h_{21}^o)^2}{h_{1.}^o h_{2.}^o h_{.1}^o h_{.2}^o}. $$

Beispiel Hansafan:

$\chi^2 = \frac{(1,0 - 1,5)^2}{1,5} + \frac{(2,0 - 1,5)^2}{1,5} + \frac{(4,0 - 3,5)^2}{3,5} + \frac{(3,0 - 3,5)^2}{3,5} \approx 0,48$.

Der Kontingenzkoeffizient ($C$): Ein standardisiertes Assoziationsmaß

Aufbauend auf dem $\chi^2$-Wert wird der Kontingenzkoeffizient $C$ berechnet. Er ist ein grundlegendes Zusammenhangsmaß für nominale Merkmale und liegt zwischen 0 (kein Zusammenhang) und einem Wert kleiner als 1 (perfekte Abhängigkeit):

$$ C = \sqrt{\frac{\chi^2}{N + \chi^2}}. $$

Beispiel Hansafan: Mit $N=10$ und $\chi^2 \approx 0,48$ ergibt sich:

$C = \sqrt{\frac{0,48}{10 + 0,48}} \approx \sqrt{\frac{0,48}{10,48}} \approx \sqrt{0,0458} \approx 0,21$.

Der korrigierte Kontingenzkoeffizient ($C_{korr}$): Für bessere Vergleichbarkeit

Ein Problem des Kontingenzkoeffizienten $C$ ist, dass sein maximaler Wert von der Anzahl der Zeilen ($r$) und Spalten ($s$) der Kontingenztafel abhängt und nicht exakt 1 erreicht. Zur Behebung dieses Umstands wird der korrigierte Kontingenzkoeffizient $C_{korr}$ verwendet, der einen Wertebereich von $0 \leqslant C_{korr} \leqslant 1$ besitzt:

$$ C_{\text{korr}} = C \cdot \sqrt{\frac{\min(r, s)}{\min(r, s) - 1}}. $$

Der Wert 0 drückt die Abwesenheit eines Zusammenhangs aus, während der Wert 1 perfekte Abhängigkeit signalisiert. Bei Werten nahe 0 ist der Zusammenhang schwach, bei Werten nahe 1 ist er stark.

Beispiel Hansafan: Da wir eine 2x2-Tafel haben ($r=2, s=2$), ist $\min(r, s) = 2$. Damit ergibt sich:

$C_{\text{korr}} = C \cdot \sqrt{\frac{2}{2 - 1}} = C \cdot \sqrt{2} \approx 0,21 \cdot \sqrt{2} \approx 0,30$.

Dieser Wert von ca. 0,30 deutet auf einen schwachen Zusammenhang zwischen Hansafan-Dasein und Geschlecht in diesem Beispiel hin.

Das Odds Ratio: Ein weiteres Assoziationsmaß bei 2x2-Tafeln

Besonders bei 2x2-Tafeln kann auch das Verhältnis der bedingten Häufigkeiten, das Odds Ratio, Aufschluss geben. Es ist weniger anfällig für Willkür als einfache Verhältnisse.

Das Verhältnis $\frac{f(x_1/y_1)}{f(x_1/y_2)}$ gibt bereits eine erste Einschätzung. Im Hansafan-Beispiel wäre dies $0,2 / 0,4 = 0,5$. Ein Wert von 1 würde Unabhängigkeit bedeuten. Wenn wir die Zeilen vertauscht hätten, wäre das Verhältnis $0,8 / 0,6 \approx 1,33$.

Um diese Willkür zu vermeiden, relativiert man Zähler und Nenner durch den Anteil bei der anderen Ausprägung von $X$:

$$ \frac{\frac{f(x_1/y_1)}{f(x_2/y_1)}}{\frac{f(x_1/y_2)}{f(x_2/y_2)}} = \frac{\frac{f(x_1/y_1)}{1 - f(x_1/y_1)}}{\frac{f(x_1/y_2)}{1 - f(x_1/y_2)}}. $$

Im Beispiel ergab sich ein Wert von 0,375. Auch hier würde ein Wert von eins für Unabhängigkeit sprechen.

Fazit und Ausblick

Die Analyse von Häufigkeitsverteilungen und Assoziationsmaßen für zwei Merkmale ist ein zentraler Bestandteil der deskriptiven Statistik. Sie ermöglicht es uns, Beziehungen zwischen Merkmalen zu identifizieren und ihre Stärke zu quantifizieren. Von der Erstellung einer Urliste über die Berechnung von gemeinsamen und bedingten Häufigkeiten bis hin zur Anwendung von $\chi^2$, Kontingenzkoeffizient und Odds Ratio hast du nun einen umfassenden Überblick über die wichtigsten Konzepte erhalten. Diese Grundlagen sind unerlässlich, um statistische Daten korrekt zu interpretieren und fundierte Entscheidungen zu treffen. Weitere Informationen zur deskriptiven Statistik findest du auf Wikipedia.

Häufig gestellte Fragen (FAQ) zu Häufigkeitsverteilungen und Assoziationsmaßen

Was ist der Unterschied zwischen gemeinsamen und bedingten Häufigkeiten?

Gemeinsame Häufigkeiten ($h_{ij}$) geben an, wie oft zwei spezifische Ausprägungen von Merkmal X und Merkmal Y gemeinsam auftreten. Bedingte Häufigkeiten ($f(x_i / y_j)$) hingegen zeigen den Anteil der statistischen Einheiten mit der Ausprägung $x_i$ unter der Bedingung, dass sie bereits die Ausprägung $y_j$ besitzen. Die bedingte Häufigkeit bezieht sich also auf eine Teilstichprobe.

Wann spricht man von Unabhängigkeit zweier Merkmale in der deskriptiven Statistik?

Man spricht von Unabhängigkeit im beschreibenden Sinne, wenn die gemeinsame relative Häufigkeit zweier Merkmale als Produkt ihrer jeweiligen relativen Randhäufigkeiten dargestellt werden kann ($f(x_i, y_j) = f_X(x_i) \cdot f_Y(y_j)$). Anschaulich bedeutet dies, dass die Kenntnis der Ausprägung des einen Merkmals keine Information über die Ausprägung des anderen Merkmals liefert.

Warum ist der korrigierte Kontingenzkoeffizient ($C_{korr}$) oft dem einfachen Kontingenzkoeffizienten ($C$) vorzuziehen?

Der einfache Kontingenzkoeffizient ($C$) hat den Nachteil, dass sein Maximalwert unter 1 liegt und von der Dimension der Kontingenztafel (Anzahl der Zeilen und Spalten) abhängt. Dies erschwert die Interpretation und den Vergleich zwischen verschiedenen Analysen. Der korrigierte Kontingenzkoeffizient ($C_{korr}$) behebt dieses Problem, indem er einen normierten Wertebereich von 0 bis 1 besitzt. Dadurch wird er zu einem besseren Maß für die Stärke des Zusammenhangs und ist besser vergleichbar.

Wie interpretiere ich einen Chi-Quadrat-Wert ($\chi^2$) und den Kontingenzkoeffizienten?

Der Chi-Quadrat-Wert ($\chi^2$) misst die Abweichung der beobachteten Häufigkeiten von den erwarteten Häufigkeiten unter der Annahme der Unabhängigkeit. Ein höherer $\chi^2$-Wert deutet auf eine stärkere Abweichung und somit auf einen stärkeren Zusammenhang hin. Der Kontingenzkoeffizient ($C$ oder $C_{korr}$) ist ein standardisiertes Assoziationsmaß, das auf dem $\chi^2$-Wert basiert. Ein Wert nahe 0 bedeutet keinen oder einen sehr schwachen Zusammenhang, während ein Wert nahe 1 (insbesondere bei $C_{korr}$) auf einen starken oder perfekten Zusammenhang hinweist.