El coeficiente de correlación de Pearson, normalmente denotado como r, es un valor estadístico que mide la relación lineal entre dos variables. Su valor varía de +1 a -1, lo que indica una relación lineal perfecta positiva y negativa, respectivamente, entre dos variables. El cálculo del coeficiente de correlación se realiza normalmente mediante programas estadísticos, como SPSS y SAS, para proporcionar los valores más precisos posibles para informar en estudios científicos. La interpretación y el uso del coeficiente de correlación de Pearson varía según el contexto y el propósito del estudio respectivo en el que se calcula.
Identifique la variable dependiente que se probará entre dos observaciones derivadas de forma independiente. Uno de los requisitos del coeficiente de correlación de Pearson es que las dos variables que se comparan deben observarse o medirse de forma independiente para eliminar cualquier resultado sesgado.
Calcule el coeficiente de correlación de Pearson. Para grandes cantidades de datos, el cálculo puede resultar muy tedioso. Además de varios programas estadísticos, muchas calculadoras científicas tienen la capacidad de calcular el valor. La ecuación real se proporciona en la sección de Referencia.
Informe un valor de correlación cercano a 0 como indicación de que no existe una relación lineal entre las dos variables. A medida que el coeficiente de correlación se acerca a 0, los valores se vuelven menos correlacionados, lo que identifica variables que pueden no estar relacionadas entre sí.
Informe un valor de correlación cercano a 1 como indicación de que existe una relación lineal positiva entre las dos variables. Un valor mayor que cero que se acerca a 1 da como resultado una mayor correlación positiva entre los datos. A medida que una variable aumenta una cierta cantidad, la otra variable aumenta en una cantidad correspondiente. La interpretación debe determinarse en función del contexto del estudio.
Informe un valor de correlación cercano a -1 como indicación de que existe una relación lineal negativa entre las dos variables. A medida que el coeficiente se acerca a -1, las variables se correlacionan más negativamente, lo que indica que a medida que una variable aumenta, la otra disminuye en una cantidad correspondiente. Nuevamente, la interpretación debe determinarse en función del contexto del estudio.
Interprete el coeficiente de correlación según el contexto del conjunto de datos en particular. El valor de correlación es esencialmente un valor arbitrario que debe aplicarse en función de las variables que se comparan. Por ejemplo, un valor de r resultante de 0,912 indica una relación lineal muy fuerte y positiva entre dos variables. En un estudio que compara dos variables que normalmente no se identifican como relacionadas, estos resultados proporcionan evidencia que una variable puede afectar positivamente a la otra variable, lo que da lugar a una mayor investigación entre los dos. Sin embargo, el mismo valor r exacto en un estudio que compara dos variables que han demostrado tener una La relación lineal positiva puede identificar un error en los datos u otros problemas potenciales en el experimento. diseño. Por lo tanto, es importante comprender el contexto de los datos al informar e interpretar el coeficiente de correlación de Pearson.
Determine la importancia de los resultados. Esto se logra utilizando el coeficiente de correlación, los grados de libertad y una tabla de valores críticos del coeficiente de correlación. Los grados de libertad se calculan como el número de observaciones emparejadas menos 2. Con este valor, identifique el valor crítico correspondiente en la tabla de correlación para una prueba de 0.05 y 0.01 que identifique un nivel de confianza del 95 y 99 por ciento, respectivamente. Compare el valor crítico con el coeficiente de correlación calculado previamente. Si el coeficiente de correlación es mayor, se dice que los resultados son significativos.
Cosas que necesitará
- Calculadora científica o programa estadístico
- Valores críticos de la tabla de coeficientes de correlación
Consejos
Los intervalos de confianza para el coeficiente de correlación también pueden ser útiles en estudios de población.