Título del Artículo: Correlación y Causalidad en Investigación Clínica y

Estadística
Autor(es): Dr. Juan Talavera, Dra. E. Flores-Ruiz, Dra. M.G. Miranda-Novales, et
al.
Fuente: Revista Alergia de Mexico, Vol. 66, No. 3, Páginas 354-360, 2019
Resumen: Este artículo aborda los conceptos y aplicaciones de las pruebas de
correlación en el contexto de la investigación clínica y estadística. Se discuten dos
tipos de correlación: la correlación de Pearson y la correlación de Spearman. El
artículo explora cómo estas pruebas se utilizan para evaluar la relación entre
variables cuantitativas u ordinales, destacando sus diferencias y aplicaciones.
Puntos Clave:
1. Introducción:
• Artículos anteriores sobre metodología de investigación.
• Pruebas de correlación como herramienta de análisis.
2. Correlación de Pearson:
• Coeficiente de correlación de Pearson.
• El coeficiente de correlación de Pearson fue introducido por Galton
en 1877 y desarrollado más adelante por Pearson. Es un indicador
usado para describir cuantitativamente la fuerza y dirección de la
relación entre dos variables cuantitativas de distribución normal y
ayuda a determinar la tendencia de dos variables a ir juntas, a lo que
también se denomina covarianza.
• Aplicación en variables cuantitativas de distribución normal.
• Fórmula para calcular el coeficiente.

• Ejemplo de aplicación: correlación entre triglicéridos/glucosa y

circunferencia abdominal.
3. Correlación de Spearman:
• Alternativa no paramétrica de Pearson.
• La correlación de Spearman o también conocida como rho de
Spearman es el análogo no paramétrico de la correlación de
 Pearson. Se utiliza para variables cuantitativas de libre distribución o
con datos ordinales. La correlación de Spearman se basa en la
sustitución del valor original de cada variable por sus rangos, tal
como se puede observar en su fórmula

• Uso en datos no normales o variables ordinales.

• Fórmula de la correlación de Spearman.
4. Interpretación y Uso del Coeficiente de Correlación:
• Significado de los valores de r y puede tomar los valores que van
entre -1 y +1 y un resultado de 0 significa que no hay correlación.
• Importancia del signo en la dirección de la correlación implica de -1 o
+1 lo cual indicaría que al conocer el calor de una variable seria
posible determinarse el valor de la otra variable.

5. Significancia Estadística del Coeficiente de Correlación:

• Dependencia del tamaño de la muestra.
6. Causalidad y Correlación:
• Diferenciación entre correlación y causalidad.
• La presencia de una correlación estadística entre dos variables no
necesariamente implica causalidad, es necesario reflexionar acerca
de algunas características que cuando se cumplen son sugerentes
de una relación causal, como lo explicó sir Austin Bradford Hill varias
décadas atrás. Por ejemplo, podríamos tener una correlación positiva
y significativa entre las variables consumo de chocolate al día y el
coeficiente intelectual, aun siendo significativa desde el punto de
vista estadístico, no existe manera de explicar la plausibilidad
biológica entre ambas variables
• Características que sugieren una relación causal.
7. Coeficiente de Determinación:
• Introducción de R^2 para medir la proporción de variabilidad
explicada por una variable.
 • se obtiene elevando al cuadrado el valor del coeficiente de
correlación (r2 ). El coeficiente de determinación podrá tomar valores
entre 0 y 1. Valores cercanos a 1 implican que una gran proporción
de la variabilidad de y es explicada por X.
8. Ejemplo:
• Se utiliza para el proceso para llevar a cabo una correlación en
SPSS y crear un diagrama de dispersión.
Conclusión: El artículo destaca la utilidad de las pruebas de correlación en la
investigación clínica y estadística para evaluar la tendencia de dos variables a
estar relacionadas. Advierte sobre la diferencia entre correlación y causalidad,
resaltando la importancia de considerar las características que sugieren una
relación causal.