El coeficiente de correlación de Pearson, normalmente indicado 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 perfecta relación lineal positiva y negativa, respectivamente, entre dos variables. El cálculo del coeficiente de correlación normalmente se realiza mediante programas estadísticos, como SPSS y SAS, para proporcionar los valores más precisos posibles para la presentación de informes en estudios científicos. La interpretación y el uso del coeficiente de correlación de Pearson varían según el contexto y el propósito del estudio respectivo en el que se calcula.
Identifique la variable dependiente que se evaluará entre dos observaciones derivadas de manera independiente. Uno de los requisitos del coeficiente de correlación de Pearson es que las dos variables que se comparan deben observarse o medirse de manera independiente para eliminar cualquier resultado sesgado.
Calcule el coeficiente de correlación de Pearson. Para grandes cantidades de datos, el cálculo puede llegar a ser 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.
Sciencing Video Vault
Cree el soporte (casi) perfecto: aquí tiene cómo crear el soporte (casi) perfecto: aquí tiene cómo
Reportar una valor de correlación cercano a 0 como indicación de que no hay 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 las variables que pueden no estar relacionadas entre sí. variables Un valor mayor que cero que se acerca a 1 resulta en una mayor correlación positiva entre los datos. A medida que una variable aumenta 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 aproxima a -1, las variables se correlacionan más negativamente, lo que indica que a medida que aumenta una variable, la otra variable disminuye en una cantidad correspondiente. La interpretación nuevamente debe determinarse en función del contexto del estudio.
Interprete el coeficiente de correlación en función del 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 de que una variable puede afectar positivamente a la otra variable, lo que resulta en una causa para futuras investigaciones entre los dos. Sin embargo, el mismo valor de r en un estudio que compara dos variables que tienen una relación lineal perfectamente positiva puede identificar un error en los datos u otros problemas potenciales en el diseño experimental. 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 de coeficiente de correlación. Los grados de libertad se calculan como el número de observaciones pareadas menos 2. Usando este valor, identifique el valor crítico correspondiente en la tabla de correlación para una prueba de 0.05 y 0.01 que identifique 95 y 99 por ciento de nivel de confianza, 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.
Sugerencia
Los intervalos de confianza para el coeficiente de correlación también pueden ser útiles en estudios de población.
