Parte V

Análisis de correlación
 ¿Para qué sirven?

• Grado de asociación lineal

entre dos variables
• Es uno de las medidas del
tamaño del efecto más
utilizadas
 ¿Cuál es la lógica?

• Basada en la covarianza
– Varianza (cantidad promedio en que los
datos varían con relación a la media)
– Cuanto se desvía una variable de la
media, en relación con otra
• Depende de la escala de medida (no
está estandarizada, e.g., medidas en
cm o Km)
• Se estandariza para poder comparar
(e.g., se divide la covarianza entre la
desviación estándar)
• La covarianza estandarizada =
Coeficiente de correlación (r)
 ¿Cuál es la lógica?

• La correlación no implica causalidad

• Valores entre – 1 y 1
• Generalmente se considera (Cohen):
– (+/-) 0.1 = Pequeño
– (+/-) 0.3 = Mediano
– (+/-) 0.5 = Grande
• El tamaño del efecto depende del
contexto (e.g., psicología vs. física)
– En POT (r +/- 2 = medio)
 Consideraciones sobre las: Correlaciones
bivariadas
• Examinar
– Linearidad
– Normalidad
• Tiene que haber una relación linear, de
lo contrario, no el modelo es inválido
• Variables de intervalo o razón
– Categórica (si son dos opciones 0/1)
• Spearman (rho) o Kendall (tau)
– Si hay outliers
– No es normal
– Muestra pequeña
– Variables ordinales
• Bootstrapping para calcular intervalos de
confianza
Visualizar correlaciones (ESCI 10-16)
Outliers en las correlaciones (ESCI 10-16)
Correlación, tamaño de la muestra e intérvalos
de confianza
 Consideraciones sobre las: Correlaciones
bivariadas
• Evidencia de no
normalidad
– Bootstrapping
• Revisar tamaño de
la muestra
– Suficientemente
grande
– Teorema del
límite central
Correlaciones en SPSS (exam anxiety)
 Correlaciones en SPSS
• Seleccionar las
variables
– El método (Pearson,
Spearman, Kendall)
• Bootstrapping para
estimar CI robustos
– Bias corrected
accelerated
• Cambiar el estilo para
visualizar mejor
(opcional)
 Correlaciones en SPSS
• Considerando la
falta de
normalidad
– Interpretar mejor
los intérvalos de
confianza
– Que no incluya
el cero (0)
– El rango entre el
cual los valores
de la población
caen en el 95%
de las muestras.
• Interpretación
 Correlación de Spearman (rs)

• Estadístico no paramétrico (variables ordinales)

• Minimiza el efecto de valores extremos y
violaciones de normalidad
 Correlación: tau de Kendall
• Test no paramétrico
• Se usa cuando
– el tamaño de la muestra es pequeño
– Si muchos valores están en un mismo rango (no hay
mucha distribución)
 Correlaciones biseriales y punto-biserial (r pb)

• Se usa cuando:
– una de las variables es categórica (e.g., patologías)

• Point-biserial: cuando la variable categórica se

tiene o no (e.g., estar muerto/vivo)
– La variable categórica no puede transformarse en
ordinal (no hay un continuo entre las variables)

• Biserial: cuando hay un continuo entre las

categorías (e.g., reprobar/aprobar)
– No se calcula directamente en SPSS
 Correlaciones parciales o semiparciales (r part)
• A+C = varianza compartida
entre EP y EA

• C+B = varianza compartida

entre RT y EP

• C+D = varianza compartida

entre EA y RT

• A+B+C = varianza en EP
explicada por RT y EA
 Correlaciones semiparciales (r part)
• Corresponden con la proporción Tabla 7.

de la varianza única que Correlaciones entre ODS7, actitudes políticas y estrato socioeconómico (Estudio 2)

ODS7 ODS7-D ODS7-A

comparten dos variables Variables
(r orden cero) (Part r) (Part r)

– Ignorando la porción de la
Apoyo medidas sociales y políticas
Protesta social -.277** -.180*** -.066*

relación con las otras Solución militar al conflicto .240** .134*** .079*
Tolerancia a la desigualdad .185** .089** .074*
– La relación entre dos variables, en Endurecimiento de penas .042 .048 -.011

función de la varianza total Actitudes hacia la redistribución

Patriotismo
-.418***
-.112**
-.159***
-.045
-.220***
-.055

– Relación entre dos variables, Características individuales

controlando por el efecto de una Justificación del sistema económico

Ideología política
.200**
.256**
.213**
.187***
-.036
.041
tercera Status por ingresos económicos -.038 .013 -.047

• X, Y, controlando por Z Status subjetivo

Status por educación
.038
-.132**
.055
-.103**
-.021
-.016
(solapamiento entre X y Z, pero no Nota: ** p < .01; * p < .05, +p < .10; Part r: correlaciones semiparciales.
entre Y y Z)
• Ejemplo: SDO (Dominancia vs.
Anti-Igualitarismo)
 Correlaciones parciales

• Expresa la relación única entre dos variables (i.e.,

la asociación entre variables, controlando por
una tercera).
– Semiparcial: la relación entre X y Y, en función de la
varianza total de Y
– Parcial: la relación entre X y Y, de la varianza restante
de Y (lo que sobra, luego que se controla por otras
variables)
Correlaciones parciales en SPSS
 Interpretación correlaciones parciales

• Correlaciones parciales
son menores que las
correlacioens bivariadas
• Intérvalos de confianza
(que no incluyan el 0)
• La proporción de la
varianza compartida
únicamente entre las dos
variables (X,Y),
excluyendo la
proporción compartida
con una tercera (Z)
 Comparar índices de correlación
• Identificar si un coeficiente
de correlación es diferente
(mayor o menor) que otro,
estadísticamente.

• Dos grupos independientes

(hombre vs. mujeres)
– Calcular Zr1 y Zr2
(corrrelaciones con valores
estandarizados Z)

• Para grupos relacionados:

 Reportar los coeficientes de correlación

• There was not a significant relationship between the number of adverts

watched and the number of packets of sweets purchased, r = 0.87, p =
0.054.

• Exam performance was significantly correlated with exam anxiety, r =

−0.44 [−0.56, −0.30], and time spent revising, r = 0.40 [0.25, 0.52]; the
time spent revising was also correlated with exam anxiety, r = −0.71
[−0.86, −0.49] (all ps < 0.001)

• Creativity was significantly related to how well people did in the World’s
Biggest Liar competition, rs = −0.37, 95% BCa CI [−0.60, −0.12], p =
0.002.

• Creativity was significantly related to a person’s placing in the World’s

Biggest Liar competition, τ = −0.30, 95% BCa CI [−0.47, −0.12], p =
0.001
Reportar los coeficientes de correlación