PIR 2013 · Pregunta 79
Estadística descriptiva y exploratoriaSi obtuviéramos un Coeficiente de Correlación de Pearson de r=0.60 para dos variables “x” e “y” ¿Cuál de estas conclusiones podríamos establecer?
Ver respuesta sin contestar
Respuesta correcta: E (plantilla definitiva)
Explicación
El coeficiente de correlación de Pearson (r) mide la dirección y la fuerza de la asociación lineal entre dos variables, sin implicar causalidad. Un r=0,60 indica una covariación lineal positiva moderada. No se interpreta como porcentaje (eso corresponde a r²=0,36), ni permite establecer relaciones causales, ni se etiqueta con magnitudes universales independientes del contexto.
E. Es la única afirmación que se limita a lo que r realmente informa. El signo positivo indica que a mayores valores de x tienden a darse mayores valores de y, y el valor absoluto (0,60) cuantifica la fuerza de la relación lineal. No añade causalidad, ni porcentaje, ni etiquetas de magnitud absolutas, por lo que es la conclusión estadísticamente correcta y la única defendible.
- A. Confunde correlación con causalidad e introduce una afirmación intervencional ('incrementar x daría lugar a incremento de y') que un coeficiente de correlación no puede respaldar. r solo describe covariación en la muestra; para inferir causalidad se requiere un diseño experimental o control de variables de confusión.
- B. Repite el error de causalidad de la opción 1 pero invirtiendo la dirección. Además, r es simétrico (r_xy = r_yx) y no distingue variable predictora de criterio. Nada en el dato permite afirmar que modificar y produzca cambios en x.
- C. Confunde r con el coeficiente de determinación. El porcentaje de varianza compartida o explicada linealmente es r², no r: con r=0,60, r²=0,36 (36%), no 60%. r es un índice estandarizado sin interpretación porcentual directa.
- D. La etiqueta de magnitud no es universal ni independiente del contexto. Según convenciones como las de Cohen, r=0,30 es 'medio' y 0,50 'grande'; 0,60 suele considerarse moderada/alta. La cláusula 'independientemente de la naturaleza de las variables' es falsa, pues la interpretación depende del campo, la fiabilidad de las medidas y el rango de variación.
Fuentes
- Statistics at Square One (Swinscow & Campbell), BMJ
- Cohen, J. (1988). Statistical Power Analysis for the Behavioral Sciences
- Altman, N. & Krzywinski, M. (2015). Association, correlation and causation. Nature Methods
Explicación generada con IA y verificada por consenso entre modelos de distintas familias.