Neben der Berechnung von Zusammenhangsmaßen, die auf \(\chi^2\) beruhen, können auch noch Zusammenhangsmaße berechnet werden, die auf der proportionalen Fehlerreduktion beruhen (PRE-Maße). Ziel dieser Maße ist es auszudrücken, wie gut durch die Kenntnis einer Variablen die Ausprägungen einer weiteren Variablen vorhergesagt werden können. Das errechnete Maß drückt dann diese Verbesserung aus. Hierbei unterscheidet man zwei Fälle: Einmal den Fall, dass man keine Kenntnis über den Zusammenhang der zwei Variablen hat (\(E_1\)) und zum anderen, dass man eben über entsprechende Kenntnisse verfügt (\(E_2\)). Beides beschreibt das Ausmaß des Vorhersagefehlers (einmal unter Unkenntnis des Zusammenhangs und einmal unter Kenntnis des Zusammenhangs).
Generell wird ein PRE-Maß daher wie folgt berechnet:
\[PRE = \frac{E_1 - E_2}{E_1}\]
Die folgenden PRE-Maße werden im weiteren Verlauf vorgestellt:
Goodman & Kruskals \(\lambda\),
Goodman & Kruskals \(\gamma\),
Goodman & Kruskals \(\eta^2\).