Calculadora de correlación parcial
Calcula la correlación parcial entre dos variables controlando el efecto de una tercera. Introduce tres columnas de datos emparejados o las tres correlaciones de Pearson por pares, y obtén el coeficiente de correlación parcial con su interpretación.
Encuentra la relación tras controlar una tercera variable
Fórmula de la correlación parcial
Donde:
- \(r_{XY \cdot Z}\) — correlación parcial de X e Y, controlando Z
- \(r_{XY}\) — correlación de Pearson entre X e Y
- \(r_{XZ}\) — correlación de Pearson entre X y Z
- \(r_{YZ}\) — correlación de Pearson entre Y y Z
La fórmula elimina la parte de la relación X–Y que se explica por las asociaciones lineales que cada una mantiene por separado con Z. El resultado se sitúa entre −1 y 1, igual que un coeficiente de correlación ordinario.
Correlación parcial: ejemplo de cálculo
Ejemplo: ocho observaciones con X = 1; 2; 3; 4; 1; 2; 3; 4, Y = 3; 3; 5; 9; 4; 8; 10; 10 y una variable de control binaria Z = 0; 0; 0; 0; 1; 1; 1; 1 (los valores predeterminados de la calculadora).
Primero calcula las tres correlaciones de Pearson por pares:
\[ r_{XY} = 0.7785, \qquad r_{XZ} = 0.0000, \qquad r_{YZ} = 0.5222 \]
A continuación, aplica la fórmula de la correlación parcial:
\[ r_{XY \cdot Z} = \frac{0.7785 - (0)(0.5222)}{\sqrt{(1 - 0^{2})(1 - 0.5222^{2})}} = \frac{0.7785}{0.8528} \approx 0.9129 \]
Resultado: la correlación parcial es aproximadamente 0,9129. Controlar Z refuerza la asociación entre X e Y, que pasa de 0,78 a 0,91, porque en este conjunto de datos Z está relacionada con Y pero no con X.
Cómo usar la calculadora
- Elige el método de entrada: «Tres columnas de datos emparejados» si dispones de las mediciones originales, o «Tres correlaciones por pares» si ya conoces los tres coeficientes de Pearson.
- Con datos originales, pega los valores en Variable X, Variable Y y Variable de control Z. Separa los valores con espacios, punto y coma o saltos de línea; se aceptan comas decimales. Mantén las tres columnas en el mismo orden de observaciones y con la misma longitud (de 4 a 2000 valores).
- Con coeficientes, introduce la Correlación de X e Y, la Correlación de X y Z y la Correlación de Y y Z, cada una entre −1 y 1.
- Lee el resultado: la correlación parcial de X e Y controlando Z, las tres correlaciones por pares, el número de observaciones emparejadas (en modo de datos) y una interpretación en lenguaje claro.
¿Qué es la correlación parcial?
La correlación parcial mide la fuerza de la relación lineal entre dos variables una vez eliminada la influencia de una o más variables de control. En el caso de una sola variable de control que aborda esta calculadora, responde a la pregunta: ¿cómo de relacionadas están X e Y una vez descontada la variación que cada una comparte con Z?
Esto importa porque una correlación ordinaria puede resultar engañosa. Dos variables pueden parecer correlacionadas simplemente porque ambas están impulsadas por una tercera: la clásica situación de factor de confusión. Por ejemplo, las ventas de helados y los ahogamientos correlacionan a lo largo del año, pero ambas están impulsadas por la temperatura. La correlación parcial te permite ver si queda una asociación directa después de descontar la causa común.
El resultado se interpreta como cualquier coeficiente de correlación: los valores próximos a +1 o −1 indican una asociación lineal fuerte, positiva o negativa, y los próximos a 0 indican poca o ninguna asociación. Una correlación parcial puede ser mayor o menor en magnitud que la correlación original. Resulta mayor cuando Z enmascara parte de la relación real (como en el ejemplo anterior), y menor cuando la correlación original era sobre todo un artefacto de Z.
<Ten en cuenta que la correlación parcial, como cualquier correlación, mide una asociación, no una causalidad. Eliminar la influencia lineal de Z reduce una posible fuente de asociación espuria, pero no permite establecer la dirección de la causalidad ni descartar otros factores de confusión. Para modelar varios predictores de forma conjunta, la calculadora de regresión lineal múltiple es el siguiente paso natural.
Supuestos, limitaciones y consejos
- Linealidad. La fórmula se basa en la correlación de Pearson, por lo que solo captura relaciones lineales. Si las asociaciones son monótonas pero curvadas, considera medidas basadas en rangos como la correlación de rangos de Spearman.
- Una variable de control. Esta calculadora controla una única variable Z. Con varias variables de control, la misma idea se generaliza mediante la matriz de precisión (inversa de la matriz de correlación), pero los cálculos pasan a ser matriciales.
- Coeficientes coherentes. En modo de coeficientes, las tres correlaciones deben ser mutuamente compatibles: la calculadora rechaza combinaciones que no pueden formar una matriz de correlación válida.
- Casos indefinidos. El resultado queda indefinido cuando X o Y está correlacionada de forma perfecta (o casi perfecta) con Z, porque el denominador tiende a cero.
- Tamaño muestral. Las muestras pequeñas producen estimaciones inestables. Con pocas observaciones, una correlación parcial de tamaño moderado puede surgir fácilmente por azar; una comprobación de la potencia estadística te ayuda a valorar si tu muestra puede detectar el efecto que esperas.
- Pares completos. Cada fila debe contener un valor para X, Y y Z. Los valores ausentes en una columna rompen el emparejamiento, así que depura primero tus datos.
Preguntas frecuentes
¿Cómo se calcula a mano una correlación parcial?
Primero calcula las tres correlaciones de Pearson \(r_{XY}\), \(r_{XZ}\) y \(r_{YZ}\) a partir de tus datos emparejados. Después sustitúyelas en \( r_{XY \cdot Z} = \frac{r_{XY} - r_{XZ} r_{YZ}}{\sqrt{(1 - r_{XZ}^2)(1 - r_{YZ}^2)}} \). Multiplica las dos correlaciones con Z, réstalas de \(r_{XY}\) y divide entre la raíz cuadrada de los dos términos restantes. La calculadora realiza todos los pasos de una vez y muestra los coeficientes por pares que ha utilizado.
¿Es estadísticamente significativa mi correlación parcial?
La calculadora no realiza una prueba de significación, pero puedes hacerla tú mismo con \( t = r_{XY \cdot Z}\sqrt{\frac{n-3}{1 - r_{XY \cdot Z}^2}} \), donde \(n\) es el número de observaciones completas. Compara \(t\) con una distribución t de \(n - 3\) grados de libertad. Como referencia aproximada, con \(n = 50\), una correlación parcial que supere aproximadamente \(\pm 0.28\) es significativa al nivel del 5% (bilateral).
¿Qué se considera una correlación parcial fuerte o buena?
No existe un valor «bueno» universal: depende de tu disciplina. Como reglas aproximadas habituales en las ciencias del comportamiento, magnitudes cercanas a 0,1 se consideran pequeñas, cercanas a 0,3 moderadas y de 0,5 o más fuertes. En contextos de física o ingeniería, correlaciones mucho más débiles pueden ser relevantes. Valora el resultado en función de tu tamaño muestral: un coeficiente pequeño obtenido de una muestra grande puede ser significativo, mientras que uno grande obtenido de un puñado de observaciones puede ser puro azar.
¿Puede la correlación parcial ser mayor que la correlación ordinaria, o incluso cambiar de signo?
Sí, en ambos casos. Cuando Z suprime parte de la relación real entre X e Y, la correlación parcial resulta mayor en magnitud que \(r_{XY}\). Un cambio de signo (una correlación parcial negativa a partir de una original positiva) indica una supresión clásica: la variable de control revela una relación opuesta a la que sugería la correlación original. Ambos son resultados legítimos, no errores, aunque normalmente merecen una interpretación cuidadosa de cómo se relaciona Z con X e Y.
¿Cuál es la diferencia entre correlación parcial y semiparcial (de parte)?
La correlación parcial elimina la influencia de Z de ambas variables, X e Y, y luego correlaciona lo que queda. La correlación semiparcial elimina Z de una sola variable, por ejemplo Y, dejando X intacta. Usa la correlación parcial cuando te preguntas «¿está X relacionada con Y más allá de Z en ambas?» y la semiparcial cuando te preguntas «¿explica X la parte de Y que Z no explica?». Esta calculadora calcula la versión parcial.
¿Por qué ha rechazado la calculadora mis tres coeficientes de correlación?
En modo de coeficientes, los tres valores deben ser mutuamente coherentes: tienen que formar una matriz de correlación válida, lo que significa que \( |r_{XY} - r_{XZ}\, r_{YZ}| \) no puede superar \( \sqrt{(1 - r_{XZ}^2)(1 - r_{YZ}^2)} \). Si lo supera, ningún conjunto de datos real podría producir esa combinación. Las causas más habituales son confundir qué coeficiente corresponde a qué par, o tomar correlaciones de muestras o estudios distintos que no compartían las mismas observaciones.
¿Puedo controlar más de una variable?
Esta calculadora admite una única variable de control Z. Con varias variables de control necesitas el enfoque de la matriz de precisión: invertir la matriz de correlación completa de todas las variables, cambiar de signo las celdas fuera de la diagonal y reescalarlas de nuevo a correlaciones. En la práctica, la mayoría de la gente recurre a una regresión lineal múltiple y examina los coeficientes estandarizados o los valores de \(R^2\) parcial, que generalizan la misma idea y ofrecen intervalos de confianza y valores p.