¿Qué es el Coeficiente de Correlación de Pearson?
El Coeficiente de Correlación de Pearson (r) es una medida estadística paramétrica que evalúa la intensidad y la dirección de la relación lineal entre dos variables cuantitativas. Fue desarrollado por el estadístico británico Karl Pearson en 1895 y constituye uno de los procedimientos más utilizados en la estadística inferencial y la investigación científica.
Su principal objetivo es determinar si dos variables cambian de manera conjunta y establecer si la relación es positiva, negativa o inexistente. Además de medir la fuerza de la asociación, permite conocer si los cambios en una variable tienden a estar acompañados por cambios en la otra.
Es importante destacar que una correlación significativa no implica causalidad. Es decir, aunque dos variables estén relacionadas, ello no demuestra que una sea la causa de la otra.
¿Para qué sirve el Coeficiente de Correlación de Pearson?
El coeficiente de Pearson se utiliza para:
- Medir la fuerza de la relación entre dos variables cuantitativas.
- Determinar si la relación es positiva o negativa.
- Contrastar hipótesis de investigación.
- Analizar asociaciones lineales.
- Apoyar estudios predictivos y modelos de regresión.
- Evaluar relaciones en investigaciones experimentales y no experimentales.
Características del Coeficiente de Pearson
Entre sus principales características destacan:
- Es una prueba paramétrica.
- Analiza relaciones lineales.
- Trabaja con variables cuantitativas.
- Requiere que los datos cumplan ciertos supuestos estadísticos.
- Su coeficiente se representa mediante la letra r.
- Su valor oscila entre -1 y +1.
¿Cuándo utilizar el Coeficiente de Pearson?
El coeficiente de Pearson es apropiado cuando:
- Las dos variables son cuantitativas (intervalo o razón).
- Existe una relación lineal entre las variables.
- Los datos presentan una distribución aproximadamente normal.
- No existen valores atípicos extremos que distorsionen la relación.
- Las observaciones son independientes.
Supuestos del Coeficiente de Pearson
Antes de aplicar esta prueba es necesario verificar los siguientes supuestos:
1. Normalidad
Las variables deben presentar una distribución aproximadamente normal.
Las pruebas más utilizadas son:
- Shapiro-Wilk.
- Kolmogorov-Smirnov.
Si el valor de p > 0.05, generalmente se considera que la distribución no difiere significativamente de la normalidad.
2. Relación lineal
Pearson únicamente evalúa relaciones lineales.
Por ello, es recomendable observar un diagrama de dispersión antes del análisis para verificar que los datos siguen una tendencia aproximadamente recta.
3. Variables cuantitativas
Las variables deben medirse en escalas de intervalo o razón.
Ejemplos:
- Edad.
- Peso.
- Ingresos.
- Horas de estudio.
- Nivel de ventas.
4. Independencia de observaciones
Cada observación debe corresponder a un individuo o unidad independiente.
5. Ausencia de valores atípicos extremos
Los valores extremos pueden alterar considerablemente el coeficiente de correlación.
Fórmula del Coeficiente de Pearson
El coeficiente de Pearson se calcula mediante la siguiente expresión: r=∑(Xi−Xˉ)2∑(Yi−Yˉ)2∑(Xi−Xˉ)(Yi−Yˉ)
Donde:
- r = coeficiente de correlación.
- X e Y = variables analizadas.
- X̄ = media de X.
- Ȳ = media de Y.
Actualmente, este cálculo suele realizarse mediante software estadístico como SPSS, R, Stata, Jamovi o Excel.
Interpretación del Coeficiente de Pearson
El coeficiente puede tomar valores entre -1 y +1.
| Valor de r | Interpretación |
|---|---|
| +1.00 | Correlación positiva perfecta |
| +0.80 a +0.99 | Muy fuerte positiva |
| +0.60 a +0.79 | Fuerte positiva |
| +0.40 a +0.59 | Moderada positiva |
| +0.20 a +0.39 | Débil positiva |
| 0.00 | Sin correlación lineal |
| -0.20 a -0.39 | Débil negativa |
| -0.40 a -0.59 | Moderada negativa |
| -0.60 a -0.79 | Fuerte negativa |
| -0.80 a -1.00 | Muy fuerte negativa |
| -1.00 | Correlación negativa perfecta |
Estos rangos son orientativos y deben interpretarse considerando el contexto del estudio.
Tipos de correlación
Correlación positiva
Ocurre cuando ambas variables aumentan o disminuyen simultáneamente.
Ejemplo
A mayor número de horas de estudio, mayor rendimiento académico.
Correlación negativa
Cuando una variable aumenta, la otra disminuye.
Ejemplo
A mayor nivel de estrés, menor satisfacción laboral.
Correlación nula
No existe una relación lineal entre las variables.
Ejemplos prácticos
Ejemplo 1
Relacionar:
- Horas de estudio.
- Calificaciones.
Resultado:
r = 0.81
Existe una relación positiva muy fuerte.
Ejemplo 2
Relacionar:
- Edad.
- Tiempo de uso del teléfono móvil.
Resultado:
r = -0.32
Existe una relación negativa débil.
Ejemplo 3
Relacionar:
- Ingresos mensuales.
- Gastos en entretenimiento.
Resultado:
r = 0.58
Existe una relación positiva moderada.
¿Cómo interpretar el valor p?
Además del coeficiente r, los programas estadísticos presentan un valor de significancia (p).
Si:
p < 0.05
la correlación se considera estadísticamente significativa.
Si:
p ≥ 0.05
no existe evidencia suficiente para afirmar que la relación observada sea distinta de cero en la población.
Diferencias entre Pearson y Spearman
| Característica | Pearson | Spearman |
|---|---|---|
| Tipo de prueba | Paramétrica | No paramétrica |
| Variables | Cuantitativas | Ordinales o cuantitativas no normales |
| Requiere normalidad | Sí | No |
| Evalúa relaciones lineales | Sí | Evalúa relaciones monotónicas |
| Basado en | Valores originales | Rangos |
Aplicaciones del Coeficiente de Pearson
El coeficiente de Pearson es ampliamente utilizado en:
Educación
Relacionar hábitos de estudio con rendimiento académico.
Administración
Analizar la relación entre satisfacción laboral y productividad.
Turismo
Relacionar calidad del servicio con satisfacción del turista.
Medicina
Estudiar la relación entre dosis de un medicamento y respuesta clínica.
Psicología
Analizar la relación entre autoestima y bienestar emocional.
Ingeniería
Relacionar variables de producción y calidad.
Ventajas
- Fácil de interpretar.
- Alta potencia estadística cuando se cumplen los supuestos.
- Muy utilizado en investigaciones científicas.
- Compatible con diversos programas estadísticos.
Limitaciones
- Solo mide relaciones lineales.
- Requiere normalidad aproximada.
- Es sensible a valores atípicos.
- No implica causalidad.
¿Cómo calcular el Coeficiente de Pearson en SPSS?
En SPSS:
Analizar → Correlacionar → Bivariadas
Luego:
- Seleccionar las variables.
- Marcar Pearson.
- Elegir si la prueba será bilateral o unilateral.
- Ejecutar el análisis.
SPSS mostrará:
- Coeficiente r.
- Valor de p.
- Número de casos analizados (N).
Errores frecuentes
Entre los errores más comunes se encuentran:
- Interpretar la correlación como causalidad.
- Aplicar Pearson con variables ordinales.
- Ignorar la verificación de la normalidad.
- No revisar el diagrama de dispersión antes del análisis.
- Basar la interpretación únicamente en el valor de r, sin considerar el valor de p.
Preguntas frecuentes (FAQ)
¿Qué mide el Coeficiente de Pearson?
Mide la fuerza y dirección de la relación lineal entre dos variables cuantitativas.
¿Cuál es un buen valor de Pearson?
No existe un valor «bueno» universal. Cuanto más cercano esté a +1 o -1, más fuerte será la relación lineal, pero su interpretación siempre debe considerar el contexto y el valor de p.
¿Cuál es la diferencia entre Pearson y Spearman?
Pearson requiere variables cuantitativas y una distribución aproximadamente normal. Spearman trabaja con rangos y es adecuado cuando no se cumplen esos supuestos o cuando las variables son ordinales.
¿Un coeficiente de Pearson alto significa que una variable causa la otra?
No. La correlación indica asociación, pero no demuestra una relación de causa y efecto.
Conclusión
El Coeficiente de Correlación de Pearson es una de las herramientas más utilizadas para analizar la relación lineal entre variables cuantitativas en investigación científica. Su correcta aplicación requiere verificar supuestos como la normalidad, la linealidad y la ausencia de valores atípicos. Interpretado junto con el valor de significancia, permite obtener conclusiones sólidas sobre la intensidad y dirección de la asociación entre variables. No obstante, es fundamental recordar que una correlación, por fuerte que sea, no implica causalidad. Por ello, constituye una herramienta valiosa para describir relaciones, apoyar la toma de decisiones y fortalecer el rigor metodológico en tesis y proyectos de investigación.