Correlaciones

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.