En conclusión comparto los conceptos aprendidos en este foro:
La identificación de variables dependiente (efecto) e independiente (causa) para analizar si están correlacionadas.
El término “correlación” literalmente significa relación mutua; de este modo, el análisis de correlación mide e indica el grado en el que los valores de una variable se relacionan con los valores de otra. Más exactamente, el análisis que se ocupa de medir la relación entre una sola variable independiente y la variable dependiente se llama análisis de correlación simple.
El coeficiente de correlación así calculado presenta dos propiedades que establecen la naturaleza de la relación entre dos variables, estas son: Su signo (+ ó –), este es igual al de la pendiente de una recta que podría “ajustarse” a los datos si éstos se graficaran en el llamado diagrama de dispersión y Su magnitud, ésta indica qué tan cerca están de la “recta” los puntos que en el diagrama de dispersión resultan de graficar los valores de las dos variables analizadas.
Por ejemplo, los valores próximos a -1.00 ó +1.00 indican que los valores están bastante cerca de la recta o sobre ella, mientras que los valores próximos a 0 sugieren mayor dispersión dando lugar a la siguiente interpretación
Un diagrama de dispersión ofrece una idea bastante aproximada sobre el tipo de relación existente entre dos variables. Pero, además, un diagrama de dispersión también puede utilizarse como una forma de cuantificar el grado de relación lineal existente entre dos variables: basta con observar el grado en el que la nube de puntos se ajusta a una línea recta.
Coeficiente de determinación, este se obtiene elevando al cuadrado a r, y se interpreta como proporción o porcentaje de variación de la variable dependiente que se explica por la variación en la variable independiente. Entonces simplificando, el Coeficiente de Determinación, es el cuadrado del coeficiente de correlación de Pearson.
Gracias a estos métodos podemos correlacionar las variables involucradas entre fenómenos naturales y procesos sociales, como en este caso la diabetes con el consumo de refresco, y podemos ver que la mayoria coinciden en que a largo plazo, con la edad, el consumo excesivo de refresco si esta correlacionado con la diabetes.
COMPLEMENTO DEL TEMA:
El coeficiente de correlación lineal mide el grado de intensidad de esta posible relación entre las variables.Los valores que puede tomar el coeficiente de correlación "r" son: -1 < r < 1
Si "r" > 0, la correlación lineal es positiva (si sube el valor de una variable sube el de la otra). La correlación es tanto más fuerte cuanto más se aproxime a 1.
Por ejemplo: altura y peso: los alumnos más altos suelen pesar más.
Si "r" < 0, la correlación lineal es negativa (si sube el valor de una variable disminuye el de la otra). La correlación negativa es tanto más fuerte cuanto más se aproxime a -1.
Por ejemplo: peso y velocidad: los alumnos más gordos suelen correr menos.
Si "r" = 0, no existe correlación lineal entre las variables. Aunque podría existir otro tipo de correlación (parabólica, exponencial, etc.)
De todos modos, aunque el valor de "r" fuera próximo a 1 o -1, tampoco esto quiere decir obligatoriamente que existe una relación de causa-efecto entre las dos variables, ya que este resultado podría haberse debido al puro azar.
http://www.aulafacil.com/cursos/l11224/ciencia/estadisticas/estadisticas/coeficiente-de-correlacion-lineal
No hay comentarios.:
Publicar un comentario