Análisis correlacional.

Variables 

En este apartado se analizan los resultados de las correlaciones entre las 22 variables utilizadas. Los resultados de los coeficientes de correlación lineal de Pearson entre las variables se presentan en la tabla 12, junto con los estadísticos descriptivos, medias y desviaciones estándar, correspondientes a cada una de las variables.

En primer lugar, se observa que las tres medidas de la inteligencia muestran correlaciones moderadas (ya que en el mayor de los casos, la varianza común es del 36%) entre sí. El valor del coeficiente de correlación entre la inteligencia analítica y la inteligencia práctica es de r=.47; la correlación entre la inteligencia analítica y la inteligencia creativa, de r=.54; y la correlación entre la inteligencia práctica y la inteligencia creativa es de r=.60, si bien todas las correlaciones son estadísticamente significativas debido al tamaño de la muestra.

 

Inteligencia 

De los tres aspectos de la inteligencia evaluados, la inteligencia analítica muestra una correlación negativa (r=-.30) con la similitud conceptual al final del aprendizaje; la inteligencia práctica muestra correlaciones significativas al nivel p=.001 con las variables preferencia estilos E/A (r=.35) y con la nota total (r=.31). Por su parte, la inteligencia creativa muestra correlaciones significativas con la nota total (r=.26).

Las variables relativas a las estrategias, motivos y acercamientos de aprendizaje mantienen muchas relaciones significativas entre sí. Así, el empleo de estrategias superficiales aparece correlacionado significativamente con el acercamiento superficial (r=.80) y con los motivos superficiales (r=.34), las estrategias profundas con el acercamiento profundo (r=.86) y los motivos profundos (r=.52) y las estrategias dirigidas hacia el logro con el acercamiento de logro (r=.74).

Esto mismo ocurre entre los motivos y los acercamientos superficiales (r=.83), los motivos y acercamientos profundos (r=.89) y los motivos y acercamientos de logro (r=.79). Esto es esperable ya que los tres acercamientos se derivan de la combinación de las estrategias y los motivos correspondientes. De igual forma se producen algunas correlaciones significativas entre estrategias y motivos, como ocurre entre la estrategia superficial y el motivo de logro (r=.42) y la estrategia de logro y motivos profundos (r=.44)

 

El análisis correlacional es una técnica estadística utilizada para examinar la relación entre dos o más variables. El objetivo principal es determinar si existe una relación estadísticamente significativa entre las variables y, en caso afirmativo, medir la dirección y la fuerza de esa relación. El análisis correlacional se basa en el cálculo del coeficiente de correlación, que puede tomar diversas formas, pero los dos tipos más comunes son el coeficiente de correlación de Pearson y el coeficiente de correlación de Spearman. Aquí se explican estos conceptos:

1. Coeficiente de Correlación de Pearson (r): Este coeficiente mide la relación lineal entre dos variables cuantitativas. Su valor puede oscilar entre -1 y 1, donde:
   • Un valor de 1 indica una correlación positiva perfecta, lo que significa que las dos variables aumentan juntas en una relación lineal.
   • Un valor de -1 indica una correlación negativa perfecta, lo que significa que una variable aumenta mientras que la otra disminuye en una relación lineal.
   • Un valor cercano a 0 indica una correlación débil o ninguna correlación lineal entre las variables.

   El coeficiente de Pearson es adecuado para variables que tienen una relación lineal.

2. Coeficiente de Correlación de Spearman (ρ o rs): Este coeficiente mide la relación entre dos variables en función de sus rangos en lugar de sus valores exactos. Es útil cuando las variables no siguen una distribución normal o cuando la relación no es lineal. El coeficiente de Spearman también puede oscilar entre -1 y 1, con las mismas interpretaciones que se aplican al coeficiente de Pearson.

Pasos para realizar un análisis correlacional:

1. Recopilación de Datos: Reúne los datos para las variables que deseas analizar. Asegúrate de que sean de naturaleza cuantitativa, ya que el análisis correlacional se aplica mejor a tales variables.
2. Evaluación de la Relación: Utiliza un coeficiente de correlación, ya sea de Pearson o de Spearman, según la naturaleza de tus datos y tus objetivos de investigación, para calcular la relación entre las variables. Esto se puede hacer utilizando software estadístico como Excel, SPSS, R o Python.
3. Interpretación de Resultados: Examina el valor del coeficiente de correlación y su significación estadística (p-valor) para determinar si hay una relación significativa entre las variables y qué tipo de relación es (positiva o negativa). También puedes representar la relación gráficamente en un gráfico de dispersión.
4. Limitaciones: Ten en cuenta las limitaciones del análisis correlacional. Este método solo evalúa relaciones entre variables y no establece causalidad. Además, la correlación no captura relaciones no lineales, por lo que es importante considerar otros métodos si se sospecha una relación no lineal.

El análisis correlacional es una herramienta útil en la investigación y puede proporcionar información valiosa sobre la relación entre variables. Sin embargo, es importante utilizarlo en el contexto adecuado y considerar otras variables que puedan influir en los resultados.

 

Editorial Luis Bonilla. Expertos en enseñanza, formación a distancia, tutores cualificados y con variedad de cursos online.

 

 

📌 1. ¿Cómo se Mide la Correlación?

La correlación se mide generalmente mediante el coeficiente de correlación de Pearson (para datos continuos) o el coeficiente de correlación de Spearman (para datos ordinales o no paramétricos). Estos coeficientes van desde -1 hasta 1.

• Coeficiente de correlación de Pearson (r):
  Este valor mide la relación lineal entre dos variables.

  • r = +1: Correlación positiva perfecta.
  • r = -1: Correlación negativa perfecta.
  • r = 0: No hay correlación lineal.
  • r > 0: Correlación positiva.
  • r < 0: Correlación negativa.

• Coeficiente de correlación de Spearman (ρ):
  Este coeficiente se utiliza cuando las variables no siguen una distribución normal o cuando las relaciones no son lineales, pero aún se espera una relación de orden.

📌 2. Ejemplo de Cálculo de Correlación:

Imaginemos que tenemos dos variables:

• X (Horas de estudio)
• Y (Puntajes en un examen)

Los datos se muestran a continuación:

Estudiante	X (Horas de estudio)	Y (Puntajes en el examen)
A	2	60
B	3	70
C	4	80
D	5	90
E	6	95

La correlación de Pearson entre X e Y podría calcularse con la siguiente fórmula:

r=n(∑xy)−(∑x)(∑y)[n∑x2−(∑x)2][n∑y2−(∑y)2]r=[n∑x2−(∑x)2][n∑y2−(∑y)2]​n(∑xy)−(∑x)(∑y)​

Donde:

• $x$ es la variable independiente (horas de estudio).
• $y$ es la variable dependiente (puntajes en el examen).
• $n$ es el número de observaciones (en este caso, 5 estudiantes).

Este cálculo proporciona un valor entre -1 y +1 que indica la fuerza y la dirección de la relación entre las dos variables.

📌 3. Pasos para Realizar un Análisis Correlacional:

1. Preparación de los datos:

   • Recolectar datos relevantes.
   • Comprobar que las variables son de naturaleza continua y adecuada para el análisis de correlación.
   • Asegurarse de que los datos no contengan valores atípicos extremos que puedan influir en el análisis.

2. Elegir el tipo de correlación:

   • Para variables con una relación lineal (y datos continuos), usar el coeficiente de Pearson.
   • Para variables no lineales o con datos ordinales, usar Spearman.

3. Cálculo del coeficiente de correlación:

   • Usar software estadístico como Excel, SPSS, R o Python para calcular el coeficiente de correlación.

4. Interpretar los resultados:

   • Si el coeficiente de correlación es cercano a +1 o -1, significa una fuerte relación, ya sea positiva o negativa.
   • Si es cercano a 0, no existe una correlación lineal significativa.

---

📌 4. Ejemplo Práctico con Python:

En este caso, correlacion te dará el valor del coeficiente de correlación, y el valor p te ayudará a determinar si la correlación es estadísticamente significativa.

---

📌 5. Consideraciones Importantes:

• Correlación no implica causalidad: Aunque dos variables puedan estar correlacionadas, esto no significa que una cause la otra. Podría ser una coincidencia o haber una variable externa que influencie ambas.

• Multicolinealidad: Cuando hay una alta correlación entre dos o más variables predictoras en un modelo de regresión, puede distorsionar los resultados. Es importante verificar la multicolinealidad antes de usar variables correlacionadas en modelos de regresión.