Korrelationsanalysen sind dann sinnvoll, wenn man den Zusammenhang zwischen zwei Variablen analysieren möchte. Konkret wird geschaut, ob es gemeinsame Muster in zwei Datensätzen gibt. Möglich wären unter anderem folgende Fragen: „Gibt es einen Zusammenhang zwischen Verkehrsaufkommen und Feinstaubbelastung?“ oder „Besteht ein Zusammenhang zwischen der Anzahl der Baumhöhlen und der Fledermausdiversität?“. Korrelationen sind fast immer sehr sinnvoll und können bei vielen Untersuchungen sehr gute Ergebnisse liefern.
Regressionen gehen noch einen Schritt weiter, da sie nicht nur einen Zusammenhang prüfen, sondern auch Aussagen über die Richtung einer Abhängigkeit erlauben. Nimmt man die oben gestellten Fragen, müssten beide wie folgt umformuliert werden: „Bewirkt eine Zunahme des Verkehrsaufkommens eine höhere Feinstaubbelastung?“ oder „Steigt mit Zunahme der Anzahl der Baumhöhlen die Fledermausdiversität?“. Natürlich gibt es auch negative Abhängigkeiten, da man ja auch feststellen könnte, dass die Fledermausdiversität sinkt, je mehr Baumhöhlen vorzufinden sind (aus ökologischer Sicht wahrscheinlich eher unwahrscheinlich).
Sowohl Korrelationen als auch Regressionen lassen sich sehr gut mit Scatterplots darstellen. Der wichtige Unterschied ist jedoch immer, dass Korrelationen nur eine Aussage über den Zusammenhang (und die Stärke des Zusammenhangs) zulassen, während bei Regressionen eine unabhängige Variable (die erklärende Variable, z. B. Anzahl der Baumöhlen) die abhängige Variable (z. B. Fledermausdiversität) erklärt.
Im nachfolgenden Beispiel sehen Sie einen Scatterplot, der die Abhängigkeit der Bestäuberartenzahl von Pflanzenartenzahl zeigt. Die Regressionsgerade steigt an und das bedeutet, dass die Anzahl der Bestäuber mit der Anzahl der Pflanzenarten steigt – je mehr Pflanzen desto mehr Bestäuber.
Das zweite Beispiel zeigt die negative Abhängigkeit der Artenzahl von der Intensität des Flächenmanagements (und zudem eine alternative Darstellungsform). Je intensiver das Management, desto weniger Arten kommen vor.
