15.13
Correlaciones
Correlation means that there is a relationship between two or more variables (such as ice cream consumption and crime), but this relationship does not…
A veces, los investigadores pueden optar por interactuar de manera más pasiva con un fenómeno, en lugar de intervenir y manipular los comportamientos de interés.
Por ejemplo, tal vez un científico quiera saber si existe una asociación entre comer una dieta basada en plantas y el sueño. En este caso, mide cuantitativamente dos variables al pedir a los participantes que informen cuántas verduras consumieron ese día y, más tarde, cuántas horas durmieron.
Este diseño se conoce como investigación correlacional, que examina si existen relaciones entre dos variables.
Después de recopilar ambas series de mediciones, el investigador puede visualizar los datos de cada unidad, en este caso cada persona, en un gráfico —un diagrama de dispersión— con las variables (consumo diario de verduras y cantidad de sueño) colocadas en cada eje.
Estadísticamente, las correlaciones se determinan calculando el coeficiente de correlación, comúnmente denotado como r, un número entre -1 y 1 que indica la dirección, el signo, de la asociación y su fuerza general, qué tan alineados están los puntos.
Aquí, la correlación podría ser positiva, lo que significa que las dos variables se mueven en la misma dirección. Es decir, las personas que consumían muy pocas verduras dormían menos, mientras que otras que comían más, dormían más.
Además, la correlación podría ser fuerte, con un valor cercano a 1, lo que indica que los puntos de datos se agrupan linealmente, con muy pocas excepciones entre individuos.
Cuando la asociación tiene más excepciones, el patrón lineal puede desaparecer a medida que los puntos de datos se dispersan: el valor absoluto se acerca a cero y la correlación se considera débil o inexistente.
Ahora bien, si las dos variables se mueven en direcciones opuestas entre sí, la correlación se consideraría negativa. Es decir, cuanto más verduras consumía la gente, menos dormía y viceversa. La fuerza es relativamente fuerte, dado que la dispersión es bastante lineal.
Es importante destacar que correlación no significa causalidad. Los investigadores necesitarían hacer un seguimiento de las observaciones para determinar cómo los cambios en una variable causan cambios en otra.
View the full transcript and gain access to JoVE Core videos
Q1: What is a correlation coefficient and what does the r value tell us?
A correlation coefficient, denoted as r, is a number between -1 and 1 that indicates both the direction and strength of the relationship between two variables. The sign shows direction: positive means variables move together, negative means they move oppositely. The absolute value's closeness to 1 indicates strength; values near 1 show tight linear relationships, while values near zero indicate weak or nonexistent associations.
Q2: How do positive and negative correlations differ in practice?
In a positive correlation, variables move in the same direction—as one increases, the other increases too. For example, vegetable consumption and sleep hours may correlate positively. In a negative correlation, variables move oppositely; as one increases, the other decreases. The strength of either type is determined by how closely data points cluster linearly around a trend line.
Q3: Why is correlation not the same as causation?
Correlation describes a relationship between variables but does not prove that one causes the other. A third variable may actually drive both observed changes. For instance, wealth correlates with intelligence, but education—a third variable—may be the true cause. Researchers must conduct follow-up studies to establish cause and effect relationships between variables.
Q4: What does it mean when a correlation coefficient is close to zero?
When a correlation coefficient approaches zero, the relationship between two variables is weak or nonexistent. Data points scatter widely rather than clustering along a linear pattern, making it difficult to predict changes in one variable based on the other. For example, hours of sleep and shoe size would likely show a correlation near zero.
Q5: How can researchers use correlations to make predictions?
Correlations have predictive value when they are strong. For example, university admissions committees can correlate current students' college GPA with standardized test scores to predict success of applicants. The stronger the correlation observed in existing data, the more reliably researchers can forecast outcomes for new cases, though prediction accuracy decreases as correlation strength weakens.
Q6: What is a scatterplot and how does it help visualize correlations?
A scatterplot is a graph that displays data points for each unit studied, with two variables placed on separate axes. It allows researchers to visually inspect the relationship between variables. When points cluster tightly along a line, correlation is strong; when scattered widely, correlation is weak. The scatterplot's pattern reveals both direction and strength at a glance.
Q7: How does correlational research differ from experimental research methods?
Correlational research passively measures existing relationships between variables without manipulation, such as surveying vegetable consumption and sleep hours. Experimental research actively intervenes by manipulating variables to test cause and effect. Correlational designs are less invasive and useful for discovering associations, but cannot establish causation like experimental designs can.