1. Relaciones entre dos variablesMódulo 3
CORRELACIONES
Muchas preguntas en Ciencias Sociales se relacio-
nan con cómo una variable interactúa con otra.
Por ejemplo: el nivel de pobreza de un país, ¿se re-
laciona con el nivel educacional promedio alcan-
zado por sus habitantes? El número de estudian-
tes de una sala de clases, ¿se relaciona con el nivel
de aprendizaje que éstos obtienen? El coeficiente
GINI de un país, ¿se relaciona con la participación
y vida democrática de sus habitantes?
Para conocer el nivel de relación entre dos va-
riables, utilizamos el coeficiente de correlación
r. Pearson creó esta medida de asociación, coe-
ficiente de correlación, para cuantificar el grado
de asociación entre dos variables. Este ha sido el
coeficiente más utilizado en todas las disciplinas
empíricas.
El coeficiente de correlación de Pearson resume
la magnitud y la dirección de una relación entre
dos variables. Los posibles valores del coeficiente
van desde -1, que significa una relación negativa
perfecta; a +1, que implica una relación positiva
perfecta. Mientras más cercano al 0 es el coe-
ficiente, menos relación tienen ambas variables.
La utilidad de esto es que, cuando dos variables muestran una fuerte correlación, ya sea positiva
o negativa, es posible que –contando con el valor de una variable– podamos acercarnos a prede-
cir el comportamiento de la otra variable.
Entonces, respecto a la dirección de la relación, debemos considerar lo siguiente:
Correlación Positiva (+): situación en la que los valores bajos de una variable se asocian con los
valores bajos de la otra, y los valores altos de una variable se asocian con los valores altos de la
otra. Por ejemplo: a mayor peso, mayor altura o viceversa.
Correlación Negativa (-): situación en la que los valores bajos de una variable se asocian con
los valores altos de la otra. Por ejemplo: a mayor edad, menor estado general de salud de las
personas.
2. Los gráficos de dispersión nos permiten visualizar las correlaciones entre variables:
Gráfico 1 2
15
-20 -10 10 20 30 40 50 60
10
5
En este gráfico se observa la asociación entre la variable X (por ejemplo: el grado de apoyo o
rechazo político a la administración pública) y la variable Y (por ejemplo: el presupuesto desti-
nado a construir carreteras y vías de transporte público). En éste, vemos que existe una asocia-
ción fuerte y positiva entre ambas variables.
Es importante considerar que la correlación no implica causalidad, es decir, una relación entre
dos variables no implica necesariamente una relación de causa y efecto entre las dos variables.
REGRESIÓN
Tal como vimos en la imagen previa, la línea azul (que representa el modelo de regresión lineal)
nos permite predecir el comportamiento de una variable dependiente (X) conociendo el com-
portamiento de una variable independiente (Y). Para esto se requiere que haya una correlación
entre ambas variables. Mientras más alta es la correlación entre ambas variables, más precisa
es la predicción.
3. La regresión lineal explica los cambios en
una variable dependiente como resultado
de los cambios en otras variables indepen-
dientes. Además, nos indica la dirección de
esa relación y la magnitud del cambio que
provoca una sobre la otra.
Un estudio, que buscaba identificar el im-
pacto de los consejos del médico de cabe-
cera para dejar de fumar, comparó un grupo
experimental de 208 fumadores con uno de
control de 216 fumadores.
Los análisis se realizaron a través de regresiones y mostraron que el grupo que había recibido
consejos del médico había hecho más intentos por dejar de fumar y tenía una mayor proporción
de éxito que los fumadores del grupo de control, quienes no habían recibido dichos consejos
médicos.
Referencias:
1. Nebot-Adell, M., Soler-Vila, M., Martín-Cantera, C., Birulés-Pons, M., Oller-Colom, M., Sala-
Carbonell, E., & Cabezas-Peña, C. (1989). Efectividad del consejo médico para dejar de
fumar: evaluación del impacto al año de la intervención. Revista Clínica Española, 184 (4),
201–205.
2. Wikipedia commons. (2010). Linear regression. Tomado de: https://commons.wikimedia.
org/wiki/File:Linear_regression.svg
(Available under the Creative Commons Attribution/Share-Alike License)