Manual para investigación Correlacional

Documento elaborado por el docente

Víctor Merino
 INVESTIGACION CORRELACIONAL
Es una técnica estadística que utilizamos de manera natural en diferentes estudios, con la finalidad
de averiguar si existe alguna relación entre dos variables.
La investigación correlacional es un tipo de método de investigación no experimental, en el cual un
investigador mide dos variables a fin de entender y evaluar la relación estadística entre ellas, sin
que exista alguna otra variable extraña que influya en ellas.
Para entender mejor este concepto analicemos los siguientes ejemplos:
Pensamos en la playa: de camino a la playa conforme nos vamos acercando, se puede percibir cada
vez más la brisa marina, y asimismo, cada vez más el viento se sentirá más fuerte. Mientras más nos
acerquemos, más sentiremos que cada uno de estos indicadores van en aumento, lo que quiere decir
que cuanto más sientas la brisa y más fuerte esté el viento, más cerca estarás de la playa. Esto nos da
la idea de dos variables que al correlacionarse dan un mismo resultado.
Otro ejemplo podría ser el sonido del motor de una motocicleta: imagina que estás esperando a un
amigo, del que sabes que viene en motocicleta; a lo lejos comienzas a percibir el sonido del motor a
distancia, conforme el sonido del motor se haga más fuerte serás capaz de reconocer que tu amigo
está llegando.
Así la variable “A” sería el sonido del motor y la variable “B” la distancia a la que tu amigo se
encuentra, si analizas esta situación verás que hay una correlación entre la dos variables, pues a
medida que el sonido aumenta la distancia será más corta y tu amigo estará más cerca.
La correlación entre dos variables se mide mediante el coeficiente de correlación. Un coeficiente de
correlación, es una medida estadística que calcula la intensidad de la relación entre dos variables, y
su valor se encuentra entre -1 y +1.
Cuando el coeficiente de correlación es cercano a +1 existe una relación positiva fuerte entre las dos
variables, y si el valor está cerca de -1, existe una relación negativa fuerte entre las variables.
Asimismo, si el valor es cercano a cero, la relación entre las variables es débil .
Un valor de -1 del coeficiente de correlación indica una relación negativa perfecta y un valor de +1
indica una relación positiva también perfecta; mientras que un valor de cero para el coeficiente de
correlación, indica que hay ausencia total de relación entre las dos variables, situación que se
conoce como independencia de variables.
Tipos de correlación
 Correlación positiva: Una correlación positiva entre dos variables ocurre, cuando un aumento en
una de ellas conduce a un aumento en la otra; asimismo, una disminución en una variable
conducirá a una disminución en la otra variable. En este caso decimos que la relación entre las
variables es directa, ya que su pendiente es positiva.
Por ejemplo, la cantidad de dinero que una familia tiene puede correlacionarse de manera
positiva con la cantidad de televisores que tiene en casa.
 Correlación negativa: Una correlación negativa es, literalmente el opuesto a la correlación
positiva. Esto significa que, si hay aumento en una variable, la otra variable mostrará una
disminución y viceversa. En este caso decimos que la relación entre las variables es inversa, ya
que su pendiente es negativa.
Por ejemplo, el nivel de educación puede correlacionarse negativamente con la tasa de
criminalidad, ya que el aumento en una variable conduce a una disminución en la otra y
viceversa. Esto significa que si de alguna manera se mejora el nivel de educación en un país, la
tasa de criminalidad seguramente disminuiría. Tenga en cuenta que esto no significa que la falta
de educación es lo que genera criminales; significa que que la falta de educación y el crimen
tienen una razón común: la pobreza.

 Sin correlación: En este tipo de investigación correlacional, las variables no están correlacionadas,
es decir son independientes, ya que el cambio en una de las variables no influye en la otra. Por
ejemplo, ser millonario y la felicidad no es algo que esté correlacionado. Esto significa que el
aumento en el dinero de una persona no necesariamente influye (positiva i negativamente) en su
felicidad.
En resumen, podemos decir que la Investigación correlacional es aquel tipo de investigación en la
cual podemos medir dos o más variables y de esa forma establecer una relación estadística entre
cada una de ellas.
Limitaciones de los estudios correlaciónales. Se refieren fundamentalmente al establecimiento de
relaciones causa - efecto. La principal limitación de los estudios correlaciónales, consiste en que los
resultados no indican si existe una relación causa - efecto entre las variables consideradas. Existen
dos razones para no poder validar este tipo de relación:
 Problema de la direccionalidad. Se refiere a la imposibilidad para demostrar cuál de las dos
variables ocurre en primer lugar (cuál fue la causa) y cuál ocurre en segundo lugar (el efecto). En
el estudio correlacional las variables son simplemente observadas y la investigación no permite
establecer dicha direccionalidad.
 Problema de la tercera variable. Al no crear y controlar las variables como ocurre en el
experimento, no es posible saber si alguna variable no observada o no considerada está
relacionada a cada una de nuestras variables, y es realmente el actual agente causal.
COEFICIENTE DE CORRELACION LINEAL DE PEARSON Y COEFICIENTE DE CORRELACION POR
RANGOS DE SPEARMAN
Ambos coeficientes miden la relación existente entre dos variables, sin embargo hay que tener en
cuenta algunas diferencias, para establecer su uso en una investigación.
 El coeficiente de correlación lineal de Pearson, es una medida estadística paramétrica y su valor
está en función de los datos de las variables. Para su uso es necesario cumplir lo siguiente:
1. La escala de medida debe ser de intervalo o de razón (variables cuantitativas continuas)
2. Las variables deben tener una distribución aproximadamente normal.
3. La asociación entre las variables debe ser lineal
El coeficiente de correlación lineal de Pearson se define matemáticamente de la siguiente
manera:
n ∑ xy−∑ x ∑ y
r=
√ [ n∑ x −(∑ x ) ][ n ∑ y −(∑ y ) ]
2 2 2 2

 El coeficiente de correlación por rangos de Spearman, es una medida estadística no

paramétrica, y su valor se calcula clasificando previamente los datos de acuerdo al ranking que
ocupan en cada variable. Para su uso es necesario cumplir lo siguiente:
1. La escala de medida debe ser de intervalo o de relación
2. Las variables deben tener una distribución bivariada
3. La asociación entre las variables debe ser lineal
El coeficiente de correlación por rangos de Spearman se define matemáticamente de la
siguiente manera:

6 ∑ di
2
ρ=1− 2
n(n −1)
Por regla general, diremos que los barrenos del coeficiente de correlación son:

Escala de valores del coeficiente de correlación

Valor Significado
-1 Correlación negativa grande y perfecta
-0.90 a -0.99 Correlación negativa muy alta
-0.70 a -0.89 Correlación negativa alta
-0.40 a -0.69 Correlación negativa moderada
-0.20 a -0.39 Correlación negativa baja
-0.01 a -0.19 Correlación negativa muy baja
0 Correlación nula (Independientes)
0.01 a 0.19 Correlación positiva muy baja
0.20 a 0.39 Correlación positiva baja
0.40 a 0.69 Correlación positiva moderada
0.70 a 0.89 Correlación positiva alta
0.90 a 0.99 Correlación positiva muy alta
1 Correlación positiva grande y perfecta

PRUEBA DE NORMALIDAD DE LOS DATOS

Para determinar cuál de los dos coeficientes de correlación usaremos en nuestro trabajo, debemos
realizar previamente la prueba de normalidad de los datos, que en este caso será la prueba de
Kolmogorv-Smirnov.
La prueba de Kolmogorov-Smirnov ( K-S) es una prueba estadística no paramétrica, muy usada en
estadística inferencial que permite verificar si las puntuaciones de la muestra siguen o no una
distribución normal. Pertenece al grupo de las llamadas pruebas de bondad de ajuste, y mide el
grado de concordancia existente entre la distribución de un conjunto de datos cualquiera y una
distribución teórica específica. Su objetivo es señalar si los datos provienen de una población que
tiene la distribución teórica especificada, es decir, lo que hace es contrastar si las observaciones
podrían razonablemente proceder de la distribución especificada, que en nuestro caso es la
distribución normal.
La decisión de usar uno u otro coeficiente de correlación depende de:
 Si la prueba de K-S nos indica que los datos siguen una distribución normal, entonces usaremos
el coeficiente de correlación lineal de Pearson.
 Si la prueba de K-S nos indica que los datos no siguen una distribución normal, entonces
usaremos el coeficiente de correlación por rangos de Spearman.

El procedimiento en SPSS para determinar la normalidad de los datos de una muestra, mediante la
prueba de K-S, es el siguiente:
Analizar/Pruebas No Paramétricas/Cuadros de Diálogo Antiguos/K-S de 1 muestra: Mover la
variable de estudio a la Lista de Variables de Prueba/Aceptar

Planteamiento de las hipótesis.

H0 : Los datos de GT no siguen una distribución diferente la normal (siguen una distribución
normal)
H1 : Los datos de GT siguen una distribución diferente a la normal
Nivel de significación de la prueba: α =0.05
Regla de decisión: si p−valor (Significación asintótica bilateral)< α → Rechazo H 0
en caso contrario , no rechazo H 0

CALCULO DEL COEFICIENTE DE CORRELACION Y PRUEBA DE SIGNIFICACION

La definición matemática de ambos estimadores de la correlación, se presentó anteriormente, sin
embargo SPSS nos ayudará a encontrar su valor, así como también nos permitirá realizar la prueba
de significación correspondiente.
Requisitos
1. Matriz Operacional …… Proporcionan las DIMENSIONES con sus ITEMS correspondientes
2. Base de datos ……. Se crean nuevas variables (columnas) en SPSS con las DIMENSIONES

GESTION TURISTICA:
DIMENSION 1 = Planificación del Destino (PD) = Item 1 + Item 2 + …. + Item 6
DIMENSION 2 = Desarrollo Sostenible del Turismo = Item 7 + Item 8 + ……+ Item 12
DIMENSION 3 = El Papel del Municipio = Item 13 + Item 14
DIMENSION 4 = Apoyo a los residentes locales = Item 15 + Item 16 + …….. + Item 19

DESARROLLO TURISTICO:
DIMENSION 5 = Oferta Turística = Item 20 + Item 21 + …….. + Item 27
Formulación del problema:
De las dos variables que se correlaciona, una de ellas es la variable independiente y otra es la
variable dependiente.
Asumimos que la variable independiente es la Gestión Turística (GT), de modo que la variable
dependiente es el Desarrollo Turístico (DT)
1. Pregunta General:
¿Existe relación significativa entre la GESTION TURISTICA y el DESARROLLO TURISTICO en
la municipalidad de la Molina - 2020?

2. Preguntas Específicas:
 - ¿Existe relación significativa entre la GESTION TURISTICA en su dimensión
PLANIFICACION DEL DESTINO y el DESARROLLO TURISTICO en la municipalidad de la
Molina - 2020?
- ¿Existe relación significativa entre la GESTION TURISTICA en su dimensión DESARROLLO
SOSTENIBLE DEL TURISMO y el DESARROLLO TURISTICO en la municipalidad de la
Molina - 2020?
- ¿Existe relación significativa entre la GESTION TURISTICA en su dimensión PAPEL DEL
MUNICIPIO y el DESARROLLO TURISTICO en la municipalidad de la Molina - 2020?
- ¿Existe relación significativa entre la GESTION TURISTICA en su dimensión APOYO A LOS
RESIDENTES LOCALES y el DESARROLLO TURISTICO en la municipalidad de la Molina -
2020?

Planteamiento de las hipótesis (Pregunta general)

H0: No Existe relación significativa entre la GESTION TURISTICA y el DESARROLLO TURISTICO en
la municipalidad de la Molina - 2020
H1: Existe relación significativa entre la GESTION TURISTICA y el DESARROLLO TURISTICO en la
municipalidad de la Molina - 2020
Nivel de significación de la prueba: α =0.05
Regla de decisión: si p−valor (Significación asintótica bilateral)< α → Rechazo H 0
en caso contrario , no rechazo H 0

PROCEDIMIENTO ESTADISTICO CON SPSS

I. Prueba de normalidad

Prueba de Kolmogorov-Smirnov para una muestra

Gestion Desarrollo
Turística Turístico
N 383 383
Parámetros normalesa,b Media 44,16 23,61
Desv. Desviación 9,621 6,101
Máximas diferencias Absoluta ,072 ,044
extremas Positivo ,072 ,043
Negativo -,042 -,044
Estadístico de prueba ,072 ,044
Sig. asin. (bilateral) c
,000 ,075

Para la variable Gestión Turística, la prueba encontró que:

p−valor=0.00< α=0.05→ la decisi ó n es :Rechazar H 0
Luego, la conclusión de la prueba sería: con una significación de 0.05, se afirma que los datos siguen
una distribución distinta a la normal, por lo que para el análisis de correlación debe usarse la
prueba de correlación de Spearman.

Para la variable Desarrollo Turístico, la prueba encontró que:

p−valor=0.075> α=0.05→ ladecisión es No Rechazo H 0
Luego, la conclusión de la prueba sería: con una significación de 0.05, no es posible afirmar que los
datos siguen una distribución diferente a la normal (es decir, sigue una distribución normal), por lo
que para el análisis de correlación debe usarse la prueba de correlación de Pearson.
Nota. Como en este caso, una de las variables no sigue una distribución normal, el procesamiento
inferencial de las mismas debe hacerse con estadísticos de correlación no paramétricos (Spearman).
II. Prueba de correlación no paramétrica

Correlaciones
Gestion Turística Desarrollo Turístico
Rho de Spearman Gestion Coeficiente de correlación 1,000 ,661**
Turística Sig. (bilateral) . ,000
N 383 383
Desarrollo Coeficiente de correlación ,661 **
1,000
Turístico Sig. (bilateral) ,000 .
N 383 383

El coeficiente de correlación de Spearman se estima en ρ=0.661,

y el p−valor=0,00< α=0,05 , (Ho se rechaza), lo que sugiere que existe una relación significativa
DIRECTA entre las variables Gestión Turística y Desarrollo Turístico.
Si el coeficiente ρ es negativo, diremos que existe una relación INVERSA entre ambas variables.
Gráfico de correlación entre las variables Gestión Turística y Desarrollo Turístico
El gráfico de dispersión confirma las observaciones hechas sobre la relación entre las dos variables, ya
que no existe un distanciamiento evidente entre los puntos, y el comportamiento de los mismos es lineal
ascendente (relación directa); es decir a mayor gestión turística tendremos mayor desarrollo turístico.