Wie erstellt und interpretiert man ein Streudiagramm?

Was ist ein Streudiagramm?

Ein Streudiagramm – auch Streuplot oder Scatterplot genannt – ist eine grafische Darstellung, bei der zwei quantitative Variablen gemeinsam abgebildet werden. Jede Beobachtung im Datensatz erscheint als ein einzelner Punkt im Koordinatensystem. Die Position des Punktes ergibt sich aus den Werten der beiden Variablen: eine auf der x-Achse, eine auf der y-Achse.

Entscheidend ist dabei, was man nicht sieht: Die Punkte werden nicht miteinander verbunden. Stattdessen liest man das Muster der gesamten Punktwolke – und genau darin liegt die Stärke des Streudiagramms. Es macht sichtbar, ob zwischen zwei Merkmalen ein Zusammenhang besteht, ohne dass dafür zunächst eine statistische Kennzahl berechnet werden muss.

Wann setzt man ein Streudiagramm ein?

Das Streudiagramm ist immer dann das richtige Werkzeug, wenn Sie den bivariaten Zusammenhang zwischen zwei Variablen untersuchen möchten. Typische Einsatzszenarien in empirischen Abschlussarbeiten:

• Voraussetzungsprüfung vor einer Pearson-Korrelation oder linearen Regression
• Explorative Datenanalyse zu Beginn der Auswertung
• Visualisierung einer Hypothese über den Zusammenhang zweier Merkmale
• Identifikation von Ausreißern und Clustern im Datensatz
• Prüfung, ob ein Zusammenhang linear oder kurvilinear verläuft

Besonders wichtig ist der letzte Punkt: Ein Streudiagramm zeigt, ob ein Zusammenhang überhaupt plausibel ist, bevor formale Korrelations- oder Regressionsmodelle berechnet werden. Wer diesen Schritt überspringt, riskiert, statistische Kennzahlen zu interpretieren, die das Datenmuster gar nicht korrekt abbilden.

Streudiagramm erstellen: Achsen, Punkte, Software

Welche Variable kommt auf welche Achse?

Die Achsenzuordnung folgt einer einfachen Regel: Wenn Sie eine gerichtete Hypothese haben – also annehmen, dass eine Variable die andere beeinflusst –, kommt die erklärende (unabhängige) Variable auf die x-Achse und die abhängige (Response-)Variable auf die y-Achse.

Wenn keine inhaltliche Richtung vorliegt – etwa bei zwei Testwerten, zwischen denen Sie lediglich einen Zusammenhang vermuten –, ist die Achsenwahl weniger strikt. In diesem Fall ist die Zuordnung der Variablen zu den Achsen weniger festgelegt, und Sie können nach inhaltlicher Plausibilität entscheiden.

Streudiagramm in R erstellen

In R lässt sich ein einfaches Streudiagramm mit wenigen Zeilen Code erstellen. Mit ggplot2 erhalten Sie dabei direkt publikationsreife Grafiken:

library(ggplot2)

# Beispiel: Zusammenhang zwischen Lernzeit (h) und Testergebnis (Punkte)
df <- data.frame(
  lernzeit = c(1, 2, 3, 4, 5, 6, 7, 8, 9, 10),
  testergebnis = c(45, 50, 55, 60, 62, 70, 75, 78, 85, 90)
)

ggplot(df, aes(x = lernzeit, y = testergebnis)) +
  geom_point(size = 3, color = "#2C6EAB") +
  labs(
    title = "Zusammenhang zwischen Lernzeit und Testergebnis",
    x = "Lernzeit (Stunden)",
    y = "Testergebnis (Punkte)"
  ) +
  theme_minimal()

Mit geom_smooth(method = "lm", se = TRUE) können Sie zusätzlich eine Regressionsgerade mit Konfidenzband einblenden – das ist besonders sinnvoll, wenn Sie den linearen Zusammenhang visuell hervorheben möchten.

Streudiagramm in SPSS erstellen

In SPSS navigieren Sie über Grafiken → Diagrammgenerator oder alternativ über Grafiken → Ältere Dialogfelder → Streuung/Punkt. Wählen Sie dort Einfache Streuung, ziehen Sie die gewünschten Variablen auf die x- und y-Achse und bestätigen Sie mit OK.

Für APA-konforme Grafiken sollten Sie anschließend im Diagrammeditor Gitternetzlinien entfernen, die Achsenbeschriftungen prüfen und einen weißen Hintergrund sicherstellen.

Streudiagramm in Excel erstellen

Markieren Sie beide Datenspalten, wählen Sie Einfügen → Diagramme → Punkt (XY) und dann Punkte nur. Excel erstellt das Streudiagramm automatisch. Passen Sie anschließend Achsentitel und ggf. die Skalierung manuell an.

Streudiagramm interpretieren: Die vier Dimensionen

Die systematische Interpretation eines Streudiagramms folgt vier zentralen Dimensionen. Wer diese kennt, kann eine Punktwolke schnell und korrekt einordnen – auch ohne sofort einen Korrelationskoeffizienten zu berechnen.

Richtung des Zusammenhangs

Ein positiver Zusammenhang liegt vor, wenn die Punktwolke tendenziell von links unten nach rechts oben verläuft – hohe Werte auf der x-Achse gehen mit hohen Werten auf der y-Achse einher. Bei einem negativen Zusammenhang verläuft die Wolke von links oben nach rechts unten.

Wenn die Punkte ohne erkennbares Muster über das Diagramm verteilt sind, deutet das auf keinen oder einen sehr schwachen linearen Zusammenhang hin. Auch das ist eine relevante Information – ein Streudiagramm ist laut methodischen Grundlagentexten zur Visualisierung bivariater Daten selbst dann informativ, wenn kein Zusammenhang sichtbar wird.

Form: Linear oder kurvilinear?

Die Form des Musters entscheidet darüber, welche statistische Methode sinnvoll ist. Ein lineares Muster erlaubt die Anwendung von Pearson-Korrelation und einfacher linearer Regression. Ein gebogenes (kurvilineares) Muster signalisiert, dass ein lineares Modell die Daten unzureichend beschreibt – hier wären polynomiale Regressionen oder nicht-parametrische Verfahren angemessener.

Stärke des Zusammenhangs

Die Stärke lässt sich visuell einschätzen: Je enger die Punkte um eine gedachte Trendlinie konzentriert sind, desto stärker ist der Zusammenhang. Eine breite, diffuse Punktwolke spricht für einen schwachen Zusammenhang; eine schmale, schlauchförmige Wolke für einen starken.

Ausreißer erkennen

Bivariate Ausreißer sind Punkte, die im Streudiagramm deutlich vom Gesamtmuster abweichen – selbst wenn ihre Einzelwerte auf beiden Variablen unauffällig wären. Solche Ausreißer können Korrelationskoeffizienten und Regressionsschätzungen erheblich verzerren und sollten vor der weiteren Analyse inhaltlich geprüft werden.

Zusammenhang mit Korrelation und Regression

Das Streudiagramm ist nicht nur eine eigenständige Visualisierung – es ist auch der unverzichtbare erste Schritt vor der Berechnung von Korrelationen und linearen Regressionen. Wer diesen Schritt weglässt, riskiert, Kennzahlen zu berechnen, die das tatsächliche Datenmuster nicht korrekt abbilden.

Der Pearson-Korrelationskoeffizient nimmt Werte zwischen −1 und +1 an. Werte nahe +1 oder −1 weisen auf starke lineare Zusammenhänge hin, Werte nahe 0 auf schwache oder fehlende lineare Zusammenhänge. Entscheidend ist dabei das Wort linear: Ein gekrümmtes Muster schränkt die Aussagekraft des linearen Korrelationskoeffizienten messbar ein – selbst wenn berechnet wird, kann ein starker kurvilinearer Zusammenhang vorliegen.

Das Streudiagramm hilft Ihnen also, folgende Fragen zu beantworten, bevor Sie Korrelation oder Regression berechnen:

• Ist der Zusammenhang überhaupt linear?
• Gibt es bivariate Ausreißer, die die Statistik verzerren könnten?
• Gibt es Cluster oder Untergruppen in den Daten?
• Ist die Varianz der y-Werte über alle x-Werte hinweg annähernd konstant (Homoskedastizität)?

Eine umfassende Übersicht zu Grafiken und Visualisierungen für statistische Auswertungen – einschließlich der Frage, welche Darstellungen in Abschlussarbeiten erwartet werden – finden Sie auf unserer Themenseite.

Typische Muster und was sie bedeuten

Die folgende Übersicht gibt Ihnen eine schnelle Orientierung für die häufigsten Punktwolken-Muster, denen Sie in empirischen Arbeiten begegnen werden.

Starker positiver linearer Zusammenhang

Die Punkte liegen eng um eine gedachte Gerade von links unten nach rechts oben. Der Pearson-Korrelationskoeffizient liegt typischerweise bei . Beispiel: Lernzeit und Prüfungsergebnis.

Schwacher negativer linearer Zusammenhang

Die Punkte streuen breit, aber mit leichter Tendenz von links oben nach rechts unten. Der Korrelationskoeffizient liegt etwa bei . Die Richtung ist erkennbar, aber die Vorhersagekraft ist gering.

Kein Zusammenhang (diffuse Wolke)

Die Punkte sind gleichmäßig über das Diagramm verteilt, ohne erkennbares Muster. . Auch dieses Ergebnis ist inhaltlich bedeutsam – es zeigt, dass die beiden Variablen unabhängig voneinander variieren.

Kurvilinearer Zusammenhang

Die Punktwolke beschreibt eine gebogene Form (z. B. U-Form oder umgekehrtes U). In diesem Fall wäre Pearson-Korrelation nicht das geeignete Maß. Stattdessen sollten Sie polynomiale Regression oder Spearmans Rangkorrelation in Betracht ziehen.

Häufige Fehler beim Streudiagramm

Auch wenn das Streudiagramm konzeptionell einfach wirkt, schleichen sich in der Praxis typische Fehler ein. Diese sollten Sie kennen – gerade wenn Ihre Arbeit nach APA-Standards bewertet wird.

• Falsche Skalierung: Werden die Achsen nicht bei Null oder nicht proportional skaliert, können Zusammenhänge optisch verstärkt oder abgeschwächt werden.
• Fehlende Achsenbeschriftungen: Jede Achse muss eine Beschriftung inklusive Einheit tragen – ohne das ist das Diagramm nicht interpretierbar.
• Verbundene Punkte: Punkte im Streudiagramm werden nie mit Linien verbunden. Linien sind Liniendiagrammen vorbehalten.
• Zu viele überlagernde Punkte: Bei großen Datensätzen verdecken sich die Punkte gegenseitig (Overplotting). Abhilfe schafft Transparenz (alpha-Parameter in R) oder Jittering.
• Korrelation mit Kausalität verwechseln: Das Streudiagramm zeigt einen Zusammenhang – keine Ursache-Wirkungs-Beziehung.

Eine ausführliche Übersicht zu häufigen Fehlern bei Diagrammen in Abschlussarbeiten finden Sie in unserem separaten Beitrag – dort werden auch Formatierungsfehler behandelt, die in der Bewertung oft zu Punktabzügen führen.

Wenn Sie unsicher sind, welche Grafiken in Ihrer Abschlussarbeit erwartet werden oder wie Sie Ihre Visualisierungen methodisch korrekt einsetzen, lohnt sich ein Blick auf unseren Überblicksartikel zu statistischen Grafiken in Abschlussarbeiten.