Tipos de correlaciones para evaluación psicométricos

 Cuando realizamos una evaluación psicométrica, es esencial comprender qué tipo de correlación utilizar para analizar las relaciones entre las variables involucradas. En este artículo, exploraremos las correlaciones más empleadas, explicando cuándo conviene aplicarlas y cómo se adaptan a diferentes tipos de variables. Empezaremos por las más conocidas y, a partir de allí, abordaremos las más especializadas.

Entendiendo algunos conceptos antes de entrar al tema:

• Variables continuas: Son aquellas que pueden tomar infinitos valores dentro de un rango. (Imagina una cinta métrica que puedes cortar en cualquier punto, por ejemplo 1.73 m, 1.731 m, etc. Cuanto más pequeño el trozo, más preciso puedes ser).

• Variables ordinales: Tienen categorías con un orden claro, pero no se conoce exactamente la distancia entre esas categorías. (Imagina una fila de personas clasificadas por su altura, pero sin conocer las diferencias exactas entre ellas. Sabes quién es más alto que quién, pero no por cuántos centímetros).

• Variables dicotómicas: Presentan solo dos categorías. (Como un interruptor de luz: puede estar “encendido” o “apagado”, sin puntos intermedios).

• Relaciones complejas o no lineales: Situaciones donde las variables no se relacionan de forma recta y simple. (Piensa en un camino sinuoso y con curvas, no es una línea recta entre dos pueblos, sino una ruta con giros y desvíos).

Tipo de correlación:

1. Correlación de Pearson

   
   
   
   
   

   1. ¿Qué es?: Mide la relación lineal entre dos variables.

   2. ¿Cuándo usar?: Cuando tienes variables numéricas, continuas y con relación lineal.

   3. Tipo de variables: Continuas, normalmente distribuidas.

   4. Ejemplo: Altura vs. peso en adultos.

   5. Notas adicionales: Muy utilizada, se ve afectada por valores atípicos. (Si un dato sale muy fuera del rango, la línea se tuerce)

2. Correlación policórica

   
   
   
   
   

   1. ¿Qué es?: Estima la relación entre dos variables ordinales asumiendo subyacentes continuos.

   2. ¿Cuándo usar?: Cuando las variables son ordinales (ej.: encuestas tipo Likert) y se supone una base continua.

   3. Tipo de variables: Ordinales.

   4. Ejemplo: Satisfacción (1-5) vs. motivación (1-5) en una encuesta.

   5. Notas adicionales: Ideal para análisis factorial con ítems ordinales. (Permite modelar variables “aparentemente discretas” como si fueran continuas)

3. Correlación tetracórica

   
   
   
   
   

   1. ¿Qué es?: Estima la relación entre dos variables dicotómicas, asumiendo una distribución continua latente.

   2. ¿Cuándo usar?: Cuando las variables son binarias, pero se cree que vienen de un continuo subyacente.

   3. Tipo de variables: Dicotómicas.

   4. Ejemplo: Pasar/no pasar un examen vs. aprobar/no aprobar otro examen. Una encuesta mide satisfacción (escala continua) y clasifica a los clientes como "satisfechos" o "insatisfechos" usando un punto de corte.

   5. Notas adicionales: Caso especial de la policórica para variables binarias.

4. Correlación biseral

   
   
   
   
   

   1. ¿Qué es?: Mide la relación entre una variable continua y otra dicotómica “artificial” (derivada de un continuo).

   2. ¿Cuándo usar?: Cuando una variable es continua y la otra se originó de un corte en un continuo.

   3. Tipo de variables: Una continua, una dicotómica artificial.

   4. Ejemplo: Nota del examen (continua) y aprobado/reprobado.

   5. Notas adicionales: Útil cuando la dicotomía proviene de un umbral arbitrario.

5. Correlación biseral puntual

   
   
   
   
   

   1. ¿Qué es?: Relación entre una variable continua y otra dicotómica “natural” (no derivada de continuo).

   2. ¿Cuándo usar?: Cuando una variable es continua y la otra es dicotómica innata (ej. género).

   3. Tipo de variables: Una continua, una dicotómica natural. (Cinta métrica vs. un interruptor real)

   4. Ejemplo: Estatura (continua) y género (hombre/mujer).

   5. Notas adicionales: Similar a la biseral, pero la dicotomía no proviene de un corte, sino que es propia de la variable.

1. Correlación phi (ϕ)

   
   
   
   
   

   1. ¿Qué es?: Relación entre dos variables dicotómicas.

   2. ¿Cuándo usar?: Cuando ambas variables son binarias.

   3. Tipo de variables: Dicotómicas. (Dos interruptores, ambos en “on”/“off”)

   4. Ejemplo: Fumar (sí/no) vs. tener enfermedad (sí/no). Una encuesta registra si una persona es fumadora (sí/no) y si tiene una enfermedad (sí/no).

   5. Notas adicionales: Equivalente a Pearson para datos codificados en 0 y 1. (La relación es básica: encendido/apagado)

      
      
      
      
      

2. Correlación eta (η)

   
   
   
   
   

   1. ¿Qué es?: Mide la relación cuando no es lineal, una variable es categórica y la otra continua.

   2. ¿Cuándo usar?: Cuando la relación no es lineal y hay una variable nominal y otra continua.

   3. Tipo de variables: Categórica + continua. (Varios caminos sinuosos hacia una ciudad)

   4. Ejemplo: Tipo de carrera (ingeniería, arte) vs. nota final continua.

   5. Notas adicionales: Útil para detectar relaciones curvas o complejas. (No esperes una línea recta, más bien una curva)

3. Correlación parcial

   
   
   
   
   

   1. ¿Qué es?: Mide la relación entre dos variables controlando el efecto de una tercera.

   2. ¿Cuándo usar?: Cuando quieres aislar el efecto de una variable externa.

   3. Tipo de variables: Continuas (generalmente), controlando otras variables.

   4. Ejemplo: Ejercicio vs. peso, controlando la edad.

   5. Notas adicionales: Ayuda a ver la relación “pura” entre dos variables, sin interferencias. (Como limpiar el ruido de fondo)

4. Correlación canónica

   
   
   
   
   

   1. ¿Qué es?: Examina la relación entre dos conjuntos de variables múltiples.

   2. ¿Cuándo usar?: Cuando tienes grupos de variables y quieres ver cómo se relacionan en conjunto.

   3. Tipo de variables: Dos conjuntos de variables continuas. (Varias cintas métricas a la vez)

   4. Ejemplo: Variables psicológicas (ansiedad, autoestima) vs. desempeño académico (varias materias).

   5. Notas adicionales: Útil en análisis multivariado. (Estás comparando grupos de variables, no solo una a una)

5. Correlación de Spearman (ρ)

   
   
   
   
   

   1. ¿Qué es?: Mide la relación entre rangos sin asumir linealidad.

   2. ¿Cuándo usar?: Cuando las variables son ordinales o no normales.

   3. Tipo de variables: Ordinales o continuas no normales. Ejemplo: Puesto en un concurso vs. nivel de satisfacción clasificado por rangos.

   4. Ejemplo: Puesto en un concurso vs. nivel de satisfacción clasificado por rangos.

   5. Notas adicionales: Menos sensible a valores atípicos que Pearson. (Se fija en el orden, no en el valor exacto)

6. Correlación de Kendall (τ)

   
   
   
   
   

   1. ¿Qué es?: Mide la concordancia entre dos conjuntos de rangos.

   2. ¿Cuándo usar?: Cuando necesitas medir concordancia entre ordenaciones.

   3. Tipo de variables: Ordinales (rangos). (Dos filas de personas ordenadas, ¿coinciden sus órdenes?)

   4. Ejemplo: Dos jueces clasifican candidatos en un concurso.

   5. Notas adicionales: Más robusta a empates y pequeñas muestras. (Tolera que varias personas ocupen la misma “posición” en el ranking)

7. Correlación de Goodman y Kruskal gamma (γ)

   
   
   
   
   

   1. ¿Qué es?: Mide la fuerza de la asociación entre variables ordinales en tablas de contingencia.

   2. ¿Cuándo usar?: Cuando analizas tablas de contingencia con variables ordinales.

   3. Tipo de variables: Ordinales (en tablas). (Varias filas ordenadas y columnas ordenadas, ¿cómo se corresponden?)

   4. Ejemplo: Nivel educativo (bajo, medio, alto) vs. nivel socioeconómico (bajo, medio, alto) en una tabla.

   5. Notas adicionales: No cuenta empates. Útil en análisis de datos categóricos ordenados. (Observa el patrón de orden en filas y columnas)

Estas son las correlaciones más utilizada si deseas evaluar distintas variables para armar tus evaluaciones psicométricas.