Statistik-Glossar

Kontingenzkoeffizient

Contingency Coefficient · Pearsons C · Maximilian Fuchs · 24. April 2026 · 4 Min. Lesezeit

In diesem Beitrag

Was versteht man unter dem Kontingenzkoeffizienten?
Warum ist der Kontingenzkoeffizient wichtig?
Praxisbeispiel

Was versteht man unter dem Kontingenzkoeffizienten?

Der Kontingenzkoeffizient (auch: Pearsons C) ist ein Zusammenhangsmaß für zwei kategoriale Variablen. Er gibt an, wie stark zwei nominalskalierte Merkmale miteinander assoziiert sind – also ob und wie eng sie zusammenhängen. Berechnet wird er auf Basis des Chi-Quadrat-Werts ( $\chi^2$ ), der aus einer Kreuztabelle gewonnen wird.

Formel: Kontingenzkoeffizient C

$C = \sqrt{\dfrac{\chi^2}{\chi^2 + n}}$

Dabei steht $\chi^2$ für den Chi-Quadrat-Wert des Unabhängigkeitstests und n für den Gesamtstichprobenumfang. Der Kontingenzkoeffizient nimmt Werte zwischen 0 und einem Maximalwert an, der kleiner als 1 ist und von der Tabellenstruktur abhängt. Ein Wert von 0 zeigt keinen Zusammenhang, höhere Werte zeigen stärkere Zusammenhänge an.

Der theoretische Maximalwert von C ist nicht immer 1, sondern hängt von der Anzahl der Zeilen und Spalten der Kreuztabelle ab. Bei einer 2×2-Tabelle liegt der Maximalwert beispielsweise bei etwa 0,71. Um Vergleichbarkeit herzustellen, wird C manchmal durch seinen jeweiligen Maximalwert dividiert – man spricht dann vom korrigierten Kontingenzkoeffizienten.

Einfach erklärt: Stell dir vor, du möchtest wissen, ob das Geschlecht einer Person damit zusammenhängt, welche Partei sie wählt. Beide Merkmale sind kategorial – du kannst sie nicht in eine Rangfolge bringen oder berechnen. Der Kontingenzkoeffizient misst genau solche Zusammenhänge: Er sagt dir, wie eng die Verbindung zwischen zwei solchen Merkmalen ist, ohne dass du Zahlen oder Ränge brauchst.

Warum ist der Kontingenzkoeffizient für statistische Analysen wichtig?

In vielen empirischen Studien werden Merkmale erhoben, die sich nicht sinnvoll in eine Rangfolge bringen lassen – zum Beispiel Berufsgruppe, Nationalität, Studiengang oder Diagnose. Für solche nominalen Daten sind klassische Korrelationsmaße wie der Pearson-Korrelationskoeffizient ungeeignet. Hier kommt der Kontingenzkoeffizient ins Spiel: Er erlaubt eine quantitative Einschätzung des Zusammenhangs auf Basis einer Kreuztabelle.

Typischerweise wird der Kontingenzkoeffizient zusammen mit dem Chi-Quadrat-Unabhängigkeitstest verwendet. Der Chi-Quadrat-Test prüft zunächst, ob überhaupt ein signifikanter Zusammenhang zwischen zwei Variablen besteht. Der Kontingenzkoeffizient beantwortet dann die Anschlussfrage: Wie stark ist dieser Zusammenhang?

Häufiger Fehler: Viele verwechseln statistische Signifikanz mit Effektstärke. Ein signifikanter Chi-Quadrat-Test bedeutet nicht automatisch, dass der Zusammenhang auch stark ist – besonders bei großen Stichproben werden auch sehr kleine Zusammenhänge signifikant. Der Kontingenzkoeffizient hilft, die praktische Bedeutsamkeit besser einzuschätzen.

Gut zu wissen: Neben dem Kontingenzkoeffizienten gibt es weitere Zusammenhangsmaße für kategoriale Daten, etwa Cramers V oder Phi (φ). Cramers V ist besonders dann empfehlenswert, wenn die Tabelle größer als 2×2 ist, da es – anders als C – einen Maximalwert von 1 hat und damit leichter zu interpretieren ist.

Praxisbeispiel zu dem Kontingenzkoeffizienten

Eine Forscherin untersucht, ob es einen Zusammenhang zwischen dem Studiengang (Wirtschaft, Naturwissenschaften, Sozialwissenschaften) und dem bevorzugten Lernformat (Präsenz, Online, Hybrid) gibt. Sie befragt 200 Studierende und wertet die Daten als Kreuztabelle aus.

Der Chi-Quadrat-Test ergibt einen Wert von $\chi^2 = 32{,}4$ bei einem Stichprobenumfang von n = 200. Daraus berechnet sie den Kontingenzkoeffizienten:

Berechnung im Beispiel

$C = \sqrt{\dfrac{32{,}4}{32{,}4 + 200}} \approx 0{,}38$

Ein Wert von C ≈ 0,38 deutet auf einen moderaten Zusammenhang hin: Der Studiengang und das bevorzugte Lernformat sind nicht unabhängig voneinander, der Zusammenhang ist aber auch nicht sehr stark. Die Forscherin kann in ihrer Arbeit festhalten, dass es zwar einen statistisch bedeutsamen Zusammenhang gibt, dieser jedoch nur mäßig ausgeprägt ist.

Tabelle 1. Orientierungswerte zur Interpretation des Kontingenzkoeffizienten C
Wert von C	Interpretation
0,00	Kein Zusammenhang
0,10 – 0,29	Schwacher Zusammenhang
0,30 – 0,49	Moderater Zusammenhang
0,50 – max. C	Starker Zusammenhang

Häufiger Fehler: Diese Orientierungswerte sind Faustregeln und keine allgemeingültigen Grenzen. Die Interpretation hängt immer vom Forschungskontext ab. Außerdem darf der Maximalwert von C nicht vergessen werden: Ein C von 0,60 bei einem theoretischen Maximum von 0,71 ist verhältnismäßig stark – ein C von 0,60 bei einem Maximum von 0,99 hingegen nur mittelmäßig.

Nominalskalierung Kreuztabelle Chi-Quadrat-Test Zusammenhangsmaß Effektstärke Cramers V Kategoriale Daten

Kontingenzkoeffizient

Was versteht man unter dem Kontingenzkoeffizienten?

Warum ist der Kontingenzkoeffizient für statistische Analysen wichtig?

Praxisbeispiel zu dem Kontingenzkoeffizienten

Ihr persönlicher Ansprechpartner

Fragen? Einfach anrufen!