Interpretar los resultados clave para Correlación

Complete los siguientes pasos para interpretar un análisis de correlación. La salida clave incluye el coeficiente de correlación de Pearson, el coeficiente de correlación de Spearman y el valor p.

Paso 1: Examinar las relaciones entre las variables en una gráfica de matriz

Utilice la gráfica de matriz para examinar las relaciones entre dos variables continuas. Busque también valores atípicos en las relaciones. Los valores atípicos pueden influir en gran medida en los resultados del coeficiente de correlación de Pearson.

Determinar si las relaciones son lineales, monótonas o ninguna de estas. Los siguientes son ejemplos de tipos de formas que describen los coeficientes de correlación. El coeficiente de correlación de Pearson es adecuado para formas lineales. El coeficiente de correlación de Spearman es adecuado para formas monótonas.

Ninguna relación

Los puntos se ubican de forma aleatoria en la gráfica, lo que significa que no existe relación lineal entre las variables.

Relación positiva moderada

Algunos puntos están cerca de la línea, pero otros puntos están lejos de ella, lo que indica que solo existe una relación lineal moderada entre las variables.

Relación positiva grande

Los puntos se ubican cerca de la línea, lo que indica que existe una relación lineal fuerte entre las variables. La relación es positiva porque a medida que una variable aumenta, la otra variable también aumenta.

Relación negativa grande

Los puntos se ubican cerca de la línea, lo que indica que existe una relación negativa fuerte entre las variables. La relación es negativa porque a medida que una variable aumenta, la otra variable disminuye.

Monótona

En una relación monótona, las variables tienden a moverse en la misma dirección relativa, pero no necesariamente a un ritmo constante. En una relación lineal, las variables se mueven en la misma dirección a un ritmo constante. Esta gráfica muestra que ambas variables aumentan al mismo tiempo, pero no al mismo ritmo. Esta relación es monótona, pero no lineal. El coeficiente de correlación de Pearson para estos datos es 0,843, pero la correlación de Spearman es mayor, 0,948.

Curva cuadrática

Este ejemplo muestra una relación curva. A pesar de que la relación entre las variables es fuerte, el coeficiente de correlación estaría cerca de cero. La relación no es lineal ni monótona.

Resultado clave: Gráfica de matriz

En estos resultados, usted puede observar relaciones lineales positivas, relaciones lineales negativas, posibles relaciones curvas y unos pocos valores atípicos.
  • Existe una relación lineal positiva fuerte entre Empleo y Residencia.
  • Existe una relación lineal negativa débil entre Tarjetas de crédito y Ahorros.
  • Deuda parece tener un valor atípico que debería investigarse.

Paso 2: Examinar los coeficientes de correlación entre las variables

Utilice el coeficiente de correlación de Pearson para examinar la fuerza y la dirección de la relación lineal entre dos variables continuas.

Resistencia

El valor del coeficiente de correlación puede variar de −1 a +1. Mientras mayor sea el valor absoluto del coeficiente, más fuerte será la relación entre las variables.

Para la correlación de Pearson, un valor absoluto de 1 indica una relación lineal perfecta. Una correlación cercana a 0 indica que no existe relación lineal entre las variables.
Dirección:

El signo del coeficiente indica la dirección de la relación. Si ambas variables tienden a aumentar o disminuir a la vez, el coeficiente es positivo y la línea que representa la correlación forma una pendiente hacia arriba. Si una variable tiende a incrementarse mientras la otra disminuye, el coeficiente es negativo y la línea que representa la correlación forma una pendiente hacia abajo.

Considere los siguientes puntos cuando interprete el coeficiente de correlación:
  • Nunca se debe concluir que los cambios en una variable causan cambios en otra basándose solamente en la correlación. Solo los experimentos controlados adecuadamente permiten determinar si una relación es causal.
  • El coeficiente de correlación de Pearson es muy sensible a valores de datos extremos. Un solo valor que sea muy diferente de los otros valores en un conjunto de datos puede cambiar considerablemente el valor del coeficiente. Usted debe tratar de identificar la causa de cualquier valor extremo. Corrija cualquier error de entrada de datos o de medición. Considere eliminar los valores de datos que estén asociados con eventos anormales y únicos (causas especiales). Luego, repita el análisis.
  • Un coeficiente de correlación de Pearson bajo no significa que no exista relación entre las variables. Las variables pueden tener una relación no lineal.

Correlation: Age, Residence, Employ, Savings, Debt, Credit cards

Method Correlation type Pearson Rows used 30
Correlations Age Residence Employ Savings Debt Residence 0.838 Employ 0.848 0.952 Savings 0.552 0.570 0.539 Debt 0.032 0.186 0.247 -0.393 Credit cards -0.130 0.053 0.023 -0.410 0.474
Resultado clave: Correlación de Pearson

Existe una relación lineal positiva entre Residencia y Edad, Empleo y Edad y Empleo y Residencia. Los coeficientes de correlación de Pearson de estos pares son:
  • Residencia y Edad, 0.838
  • Empleo y Edad, 0.848
  • Empleo y Residencia, 0.952
Estos valores indican que existe una relación positiva moderada entre las variables.
Existe una relación lineal negativa para los siguientes pares, con coeficientes de correlación de Pearson negativos:
  • Deuda y Ahorros, −0.393
  • Tarjetas de crédito y Edad, −0.130
  • Tarjetas de crédito y Ahorros, −0.410
La relación entre estas variables es negativa, lo cual indica que, a medida que aumenta la deuda, la educación y los ahorros disminuyen, e, igualmente, a medida que aumenta el número de tarjetas de crédito, los ahorros disminuyen.

Al utilizar este sitio, usted acepta el uso de cookies para efectos de análisis y contenido personalizado.  Leer nuestra política