Análisis de correlación
El análisis de correlación muestra cómo varían conjuntamente dos o más variables, con la correlación de Pearson para relaciones lineales y la correlación de rangos de Spearman para datos ordinales o relaciones monótonas. Úselo para explorar relaciones, depurar datos y seleccionar variables. Los datos deben ser continuos u ordinales, con n de 25 o más y una distribución aproximadamente normal bivariada. La salida da los coeficientes de correlación por pares con valores p y diagramas de dispersión opcionales.
Última revisión:
Idea clave
El análisis de correlación cuantifica la fuerza y la dirección de la relación lineal entre dos o más variables continuas u ordinales, normalmente con el coeficiente de Pearson de -1 a +1, sin implicar causalidad.
En esta página
¿Qué es el análisis de correlación?
El análisis de correlación es un método estadístico que cuantifica la fuerza y la dirección de la relación lineal entre dos o más variables. Se usa principalmente para examinar cómo varían conjuntamente las variables a una tasa constante, sin implicar causalidad. La medida más común es el coeficiente de correlación de Pearson, que va de -1 (relación negativa perfecta) a +1 (relación positiva perfecta), y 0 indica que no hay relación lineal. Este análisis se aplica a variables continuas u ordinales; para datos ordinales o relaciones monótonas se usa la correlación de rangos de Spearman.
¿Cuándo usar el análisis de correlación?
Se usa habitualmente en diversos campos, como la estadística, las ciencias sociales, la economía, las finanzas y la investigación de mercados. Estas son algunas situaciones en las que el análisis de correlación puede ser útil:
- Exploración de relaciones: El análisis de correlación ayuda a comprender la relación entre dos variables. Permite identificar si las variables tienen correlación positiva (aumentan o disminuyen juntas), correlación negativa (una variable aumenta mientras la otra disminuye) o no están correlacionadas en absoluto.
- Depuración de datos: El análisis de correlación suele usarse como paso preliminar para identificar posibles relaciones antes de realizar análisis más complejos. Puede ayudar a los investigadores a identificar qué variables merecen una investigación más profunda.
- Pruebas de hipótesis: El análisis de correlación puede usarse para probar hipótesis sobre las relaciones entre variables. Por ejemplo, puede querer probar si existe una correlación significativa entre el ingreso y el nivel educativo, o entre la satisfacción del cliente y el comportamiento de compra.
- Pronósticos: El análisis de correlación puede usarse en modelos de pronóstico. Si existe una correlación fuerte entre dos variables en los datos históricos, ello sugiere que los cambios en una variable pueden ser útiles para predecir los cambios en la otra.
- Selección de variables: Al construir modelos predictivos, el análisis de correlación puede ayudar a seleccionar variables. Si dos variables están muy correlacionadas, incluir ambas en el modelo puede introducir problemas de multicolinealidad. En tales casos, puede optar por incluir solo una de las variables o usar técnicas de reducción de dimensionalidad.
- Control de calidad: El análisis de correlación puede aplicarse en los procesos de control de calidad para identificar relaciones entre variables que puedan afectar la calidad del producto. Por ejemplo, en manufactura puede analizar la correlación entre ciertas variables del proceso y los defectos del producto.
- Gestión de carteras: En finanzas, el análisis de correlación se usa con frecuencia para evaluar las relaciones entre distintos activos de inversión. Comprender la correlación entre activos ayuda a construir carteras diversificadas que pueden reducir el riesgo.
Pautas para el uso correcto del análisis de correlación
- Incluya al menos 2 columnas de datos numéricos o de fecha/hora
- Todas las columnas deben tener el mismo número de filas
- Los datos deben ser continuos u ordinales
- Para datos categóricos, realice una tabulación cruzada y una prueba de chi-cuadrado
- El tamaño de muestra debe ser mediano a grande (n ≥ 25)
- Las muestras más grandes dan estimaciones más exactas y precisas
- La relación entre las variables debe ser lineal o monótona
- Use la gráfica de matriz para identificar e investigar valores atípicos
- Los datos deben seguir una distribución normal bivariada
- Los procedimientos del valor p para las correlaciones son robustos ante desviaciones de la normalidad para n ≥ 25
- Los intervalos de confianza de la correlación de Pearson son sensibles al supuesto de normalidad
- Los intervalos de confianza de las correlaciones de Spearman se basan en rangos y son menos sensibles al supuesto de distribución
Alternativas: cuándo no usar el análisis de correlación
- Ajustar modelo de regresión: Ajustar un modelo de regresión suele ser más adecuado que realizar un análisis de correlación cuando se desea hacer predicciones o estimar los valores de la variable dependiente a partir de las variables independientes.
- Diagrama de dispersión: Un diagrama de dispersión puede ser más adecuado que el análisis de correlación cuando puede haber relaciones no lineales o valores atípicos en los datos.
Ejemplo de análisis de correlación
Un banco exige a los solicitantes de préstamos ocho datos específicos: ingreso, nivel educativo, edad, tiempo en la residencia actual, tiempo con el empleador actual, ahorros, deudas y número de tarjetas de crédito. Un administrador del banco quiere saber cuáles de estos datos están fuertemente relacionados entre sí. El administrador reúne estos datos de 30 solicitantes de préstamos y realiza un análisis de correlación para obtener los coeficientes de correlación por pares y sus valores p para las ocho variables. Los pasos son los siguientes:
- Recopiló los datos necesarios.

- Ahora analice los datos en Zometric Statistical Software en https://statsai.zometric.com/.
- Para encontrar Correlation Analysis, elija Statistical module> Graphical analysis> correlation analysis.
- Dentro de la herramienta, introduzca los datos junto con otras entradas de la siguiente manera:

5. Después de usar la herramienta mencionada, se obtiene la salida siguiente:

Cómo realizar un análisis de correlación
La guía es la siguiente:
- Inicie sesión en Zometric Statistical Software en https://statsai.zometric.com/
- En la página de inicio, elija Statistical Tool> Graphical analysis > correlation analysis.
- A continuación, introduzca los datos manualmente o copie todos los datos (Ctrl+C) de una hoja de Excel y péguelos (Ctrl+V), o bien use la opción Load Example, con la que se cargarán los datos de ejemplo.
- A continuación, debe asignar las columnas a los parámetros.
- Por último, haga clic en calculate en la parte inferior de la página para obtener los resultados deseados.
En el tablero de Correlation Analysis, la ventana está dividida en dos partes.

En la parte izquierda se encuentra el panel de datos (Data Pane). En el Data Pane, cada fila forma un subgrupo. Los datos pueden introducirse manualmente o copiarse por completo (Ctrl+C) de una hoja de Excel y pegarse (Ctrl+V) aquí.
Load example: Se cargarán los datos de ejemplo.
Load File: Se usa para cargar directamente los datos de Excel.
En la parte derecha solo es necesario indicar lo siguiente:
Variables: Para seleccionar varias variables para el análisis de correlación, primero identifique las variables cuantitativas de interés en su conjunto de datos. Luego calcule los coeficientes de correlación por pares entre estas variables para comprender la fuerza y la dirección de sus relaciones lineales. Este proceso ayuda a determinar qué variables están fuertemente relacionadas, lo que apoya la selección de características y el análisis multivariante en investigaciones o modelados posteriores.
Display Scatter: Mostrar un diagrama de dispersión en el análisis de correlación representa visualmente la relación entre dos variables, mostrando su asociación en un plano cartesiano. Ayuda a identificar patrones, tendencias y valores atípicos, y complementa el coeficiente de correlación numérico. Esta visualización permite comprender con mayor claridad la fuerza y la dirección de la relación lineal entre las variables.
Download as Excel: Muestra el resultado en formato Excel, que puede editarse fácilmente y volver a cargarse para los cálculos mediante la opción load file.
Preguntas frecuentes
¿Qué indica un coeficiente de correlación?
El coeficiente de correlación de Pearson mide la fuerza y la dirección de la relación lineal entre dos variables. Va de -1, una relación negativa perfecta, a +1, una relación positiva perfecta, y 0 significa que no hay relación lineal. La correlación muestra cómo varían conjuntamente las variables, pero no implica causalidad.
¿Cuáles son los supuestos del análisis de correlación?
Use al menos dos columnas de datos continuos u ordinales con el mismo número de filas. La relación debe ser lineal o monótona y los datos deben seguir una distribución normal bivariada. Los intervalos de confianza de la correlación de Pearson son sensibles al supuesto de normalidad; los de Spearman, basados en rangos, lo son menos.
¿Cuántas muestras se necesitan para el análisis de correlación?
Se recomienda una muestra de tamaño mediano a grande, de al menos 25, y las muestras más grandes dan estimaciones más exactas y precisas. Para n de 25 o más, los procedimientos del valor p para las correlaciones son robustos ante desviaciones de la normalidad. Use una gráfica de matriz para identificar e investigar valores atípicos antes de basarse en los coeficientes.
¿Cuándo usar la regresión o un diagrama de dispersión en lugar de la correlación?
Ajuste un modelo de regresión cuando desee predecir o estimar los valores de la variable dependiente a partir de las variables independientes. Use un diagrama de dispersión cuando la relación pueda ser no lineal o puedan existir valores atípicos. Para datos categóricos, use tabulación cruzada y chi-cuadrado en lugar del análisis de correlación.
