Descarga la aplicación para disfrutar aún más
Vista previa del material en texto
AYUDANTIA 11 21 de junio Una correlación corresponde a una relación entre dos variables sin que haya causalidad, es decir, una no depende de la otra sino que ambas varían en conjunto (co- varianza) Se utilizan para evaluar la relación entre 2 variables. CORRELACIONES CORRELACIÓN DE PEARSON (r de Pearson) Estudia la relación entre dos variables continuas. Las variables deben tener distribución normal. Se representa con la letra r. Ésta tiene valores entre -1 a 1: 1 = hay correlación positiva perfecta 0 = no hay correlación -1 = hay correlación negativa perfecta Significancia Como hemos visto, los valores para los análisis de estadística diferencial pueden o no ser significativos. Sometemos a prueba nuestra hipótesis nula (esta es que no existe una correlación entre las variables estudiadas). Obtenemos un p-valor, si éste es <0.05 entonces se rechaza la hipótesis nula y podemos afirmar que sí existe una correlación entre ambas variables (esta sería nuestra hipótesis alternativa). En la correlación de Pearson este valor se calcula a partir de la tabla de distribución t. * * * * Ejemplo clases * * cor.test(data$Estatura, data$Largo, method="pearson") ggplot(data, aes(Estatura, Largo))+geom_point() Studio Resultados En nuestra interpretación de los resultados obtenidos debemos reportar siempre los valores de r y p-value. * “Podemos decir que existe una correlación positiva fuerte entre las variables estatura y largo de húmero con un r=0.67, la cual es significativa con un p-valor de 0.03” “Existe una correlación positiva fuerte entre las variables estatura y largo de húmero y es significativa (r=0.67, p-value=0.03)” CORRELACIÓN DE SPEARMAN (r )s Estudia la relación entre dos variables categóricas ordinales, es decir, de rangos o intervalos. Al igual que la correlación de Pearson, ésta puede o no ser significativa, según el p-valor obtenido en el análisis. Es un coeficiente de correlación de orden de rango. Se representa con la letra r . Ésta tiene valores entre -1 a 1: 1 = hay correlación positiva perfecta 0 = no hay correlación -1 = hay correlación negativa perfecta s * * cor.test(data$Productividad, data$Aldeas, method="spearman") ggplot(data, aes(Productividad, Aldeas))+geom_point() Studio Resultados En nuestra interpretación de los resultados obtenidos debemos reportar siempre los valores de r y p-value.* “Podemos decir que existe una correlación de orden de rango positiva fuerte entre las variables productividad de suelo y número de aldeas por km2 con un rs=0.93, la cual es significativa con un p-valor de 0.000” “Existe una correlación de orden de rango positiva fuerte entre las variables productividad de suelo y número de aldeas por km2 y es significativa (rs =0.93, p-value=0.000)” s GRACIAS
Compartir