# Eine publikationsreife Korrelations-Heatmap erstellen

> Laden Sie Ihre Datentabelle hoch. Yila wählt ein passendes Korrelationsmaß, korrigiert für die Zahl der Tests, ordnet die Variablen so an, dass Muster sichtbar werden, und speichert die Abbildung samt vollständiger Matrix und Skript.

URL: https://yila.ai/de/playbooks/correlation-heatmap

## Das erhalten Sie

- **Heatmap** (PNG + SVG): Eine um null zentrierte, divergierende Farbskala, die Koeffizienten in jeder Zelle, markierte signifikante Paare und die Variablen in geclusterter Reihenfolge.
- **Korrelationsmatrix** (CSV): Alle Koeffizienten als Tabelle, die Sie zitieren oder für eine andere Abbildung weiterverwenden können.
- **Adjustierte p-Werte** (CSV): Rohe und korrigierte p-Werte für jedes Paar, nach Stärke sortiert, mit Angabe des Korrekturverfahrens.
- **Das Skript** (Python-Skript): Die vollständige Analyse in Python (oder auf Wunsch in R), damit sich die Abbildung mit neuen Daten neu erstellen lässt.

## So funktioniert es

1. **Tabelle hochladen und Variablen wählen**: Geben Sie Yila eine CSV- oder Excel-Datei und sagen Sie, welche Variablen einbezogen werden sollen, oder lassen Sie Yila alle stetigen Spalten verwenden.
2. **Yila prüft zuerst die Variablen**: Yila sieht sich die Verteilungen und die Zahl fehlender Werte an, damit schiefe oder ordinale Variablen eine Rangkorrelation erhalten und binäre Variablen nicht versehentlich mit einfließen.
3. **Abbildung, Tabellen und Skript erhalten**: Die Heatmap wird gerendert, auf Lesbarkeit geprüft und mit beiden Tabellen und dem Skript gespeichert. Eine Darstellung nur des unteren Dreiecks, eine andere Farbpalette oder eine andere Korrektur können Sie im selben Gespräch anfordern.

## Geeignet für

- **Einen neuen Datensatz erkunden**: Sehen Sie auf einen Blick, welche Messwerte sich gemeinsam verändern, bevor Sie die Modelle planen.
- **Kollinearität prüfen**: Finden Sie Prädiktoren, die zu stark zusammenhängen, um gemeinsam in dieselbe Regression einzugehen.
- **Eine Abbildung für das Supplement**: Eine übersichtliche Darstellung der Korrelationen, die Gutachter neben den Hauptergebnissen oft verlangen.

## Häufige Fragen

### Pearson oder Spearman?

Pearson misst den linearen Zusammenhang und eignet sich für annähernd normalverteilte Variablen; Spearman arbeitet mit Rängen und ist bei schiefen Daten, Ausreißern oder Ordinalskalen die sicherere Wahl. Wenn Sie nichts festlegen, prüft Yila die Verteilungen und begründet die Wahl. Klinische Laborwerte wie die im Beispiel sind meist schief verteilt, deshalb wurde Spearman verwendet.

### Warum muss für multiples Testen korrigiert werden?

Bei vielen Variablen testen Sie viele Paare, und einige erscheinen rein zufällig signifikant. Eine Korrektur der False Discovery Rate, etwa nach Benjamini–Hochberg, hält das in Grenzen; Yila markiert nur die Paare, die nach der Korrektur signifikant bleiben, und gibt auch die rohen p-Werte an.

### Was bewirkt die geclusterte Reihenfolge?

Variablen, die miteinander korrelieren, rücken nebeneinander, sodass Blöcke zusammenhängender Messwerte sichtbar werden. Wenn Sie eine feste Reihenfolge bevorzugen, nennen Sie die Variablen in der gewünschten Reihenfolge.

### Geht das auch mit vielen Variablen?

Ja. Bei Dutzenden Variablen lässt Yila die Zahlen in den Zellen weg oder zeigt nur das untere Dreieck, damit die Abbildung lesbar bleibt; die vollständige Matrix steht immer in der Tabelle.

### Kann ich kategoriale Variablen einbeziehen?

Eine Korrelations-Heatmap ist für numerische und ordinale Variablen gedacht. Binäre Variablen lassen sich auf Wunsch mit einer punktbiserialen Korrelation oder einer Rangkorrelation einbeziehen; für Kategorien mit mehreren Ausprägungen schlägt Yila eine andere Zusammenfassung vor.

### R oder Python?

Beides ist möglich. Das Beispiel verwendet Python; in R nutzt Yila corrplot oder ComplexHeatmap.

### Woher stammen die Beispieldaten?

Aus dem offenen Datensatz Heart Failure Clinical Records (Chicco und Jurman, 2020), der unter CC BY 4.0 im UCI Machine Learning Repository veröffentlicht ist. Yila verwendet niemals Daten von Nutzern als Beispiele.

---

- [Eine publikationsreife Korrelations-Heatmap erstellen](https://yila.ai/de/playbooks/correlation-heatmap)
- [llms.txt](https://yila.ai/de/llms.txt)
