Cuando los científicos observan y miden pasivamente fenómenos se llama investigación correlacional. Aquí, no intervenimos y cambiamos el comportamiento, como lo hacemos en los experimentos. En la investigación correlacional, identificamos patrones de relaciones, pero generalmente no podemos inferir qué causa qué. Es importante destacar que con la investigación correlacional, solo se pueden examinar dos variables a la vez, ni más ni menos.
Entonces, ¿y si quisieras probar si gastar en otros está relacionado con la felicidad, pero no tienes 20 dólares para dar a cada participante? Podrías usar un diseño correlacional, que es exactamente lo que hizo el profesor Dunn también. Preguntó a la gente cuánto de sus ingresos gastaban en otros o donaban a la caridad, y más tarde les preguntó qué tan felices estaban. ¿Crees que estas dos variables estaban relacionadas? ¡Sí, lo fueron! Cuanto más dinero la gente reportaba gastar en otros, más felices estaban.
Más detalles sobre la correlación
Para saber qué tan bien corresponden dos variables, podemos trazar la relación entre las dos puntuaciones en lo que se conoce como diagrama de dispersión (Figura\(\PageIndex{1}\)). En la gráfica de dispersión, cada punto representa un punto de datos. (En este caso se trata de individuos, pero podría ser alguna otra unidad.) Es importante destacar que cada punto nos proporciona dos datos, en este caso, información sobre lo bien que calificó la persona el mes pasado (eje x) y qué tan feliz se sintió el per hijo en el último mes (eje y). Qué variable se traza en qué eje no importa.
Figura\(\PageIndex{1}\): Gráfica de dispersión de la asociación entre felicidad y calificaciones del mes pasado, una correlación positiva (r = .81). Cada punto representa un individuo. [Esta obra, “Happiness Scatterplot”, está licenciada bajo CC BY-SA 4.0 de Judy Schmitt. Es un derivado de “Figura 1” de Christie Napa Scollon/Noba, que está licenciado bajo CC BY-NC-SA 4.0.]
La asociación entre dos variables se puede resumir estadísticamente utilizando el coeficiente de correlación (abreviado como r). Un coeficiente de correlación proporciona información sobre la dirección y la fuerza de la asociación entre dos variables. Para el ejemplo anterior, la dirección de la asociación es positiva. Esto significa que las personas que percibieron el mes pasado como bueno reportaron sentirse más felices, mientras que las personas que percibieron el mes como malo informaron sentirse menos felices.
Con una correlación positiva, las dos variables suben o bajan juntas. En una gráfica de dispersión, los puntos forman un patrón que se extiende desde la parte inferior izquierda hasta la parte superior derecha (tal como lo hacen en la Figura\(\PageIndex{1}\)). El valor r para una correlación positiva se indica mediante un número positivo (aunque, generalmente se omite el signo positivo). Aquí, el valor de r es .81.
Una correlación negativa es aquella en la que las dos variables se mueven en direcciones opuestas. Es decir, a medida que una variable sube, la otra baja. La figura\(\PageIndex{2}\) muestra la asociación entre la estatura promedio de machos en un país (eje y) y la prevalencia de patógenos, o comunalidad de enfermedad (eje x), de ese país. En esta gráfica de dispersión, cada punto representa un país. Observe cómo los puntos se extienden desde la parte superior izquierda hasta el bot- tom derecho. ¿Qué significa esto en términos del mundo real? Significa que las personas son más bajas en partes del mundo donde hay más enfermedades. El valor r para una correlación negativa se indica con un número negativo, es decir, tiene un signo menos (−) delante de él. Aquí, es −.83.
Figura\(\PageIndex{2}\): Gráfica de dispersión que muestra la asociación entre la estatura masculina promedio y la prevalencia de patógenos, una correlación negativa (r = −.83). Cada punto representa un país. [Esta obra, “Patógeno Scatterplot”, está licenciada bajo CC BY-SA 4.0 por Judy Schmitt. Es un derivado de “Figura 2” de Christie Napa Scollon/Noba, el cual está licenciado bajo CC BY-NC-SA 4.0. Datos de Chiao (2009).]
La fuerza de una correlación tiene que ver con qué tan bien se alinean las dos variables. Recordemos que en el estudio correlacional del profesor Dunn, el gasto en otros se correlacionó positivamente con la felicidad: Cuanto más dinero la gente reportaba gastar en otros, más felices informaron ser. En este punto puede que estés pensando para ti mismo, conozco a una persona muy generosa que regaló mucho dinero a otras personas pero ¡es miserable! O tal vez conoces a una persona muy tacaña que es feliz como puede ser. Sí, puede haber excepciones. Si una asociación tiene muchas excepciones, se considera una correlación débil. Si una asociación tiene pocas o ninguna excepción, se considera una correlación fuerte. Una fuerte correlación es aquella en la que las dos variables siempre, o casi siempre, van juntas. En el ejemplo de la felicidad y lo bueno que ha sido el mes, la asociación es fuerte. Cuanto más fuerte sea una correlación, más apretados serán dispuestos los puntos en la gráfica de dispersión a lo largo de una línea inclinada.
El valor r de una correlación fuerte tendrá un alto valor absoluto. En otras palabras, ignoras si hay un signo negativo frente al valor r y solo consideras el tamaño del valor numérico en sí. Si el valor absoluto es grande, es una correlación fuerte. Una correlación débil es aquella en la que las dos variables corresponden algunas veces, pero no la mayor parte del tiempo. La figura\(\PageIndex{3}\) muestra la relación entre la valoración de la felicidad y el promedio de calificaciones (GPA). La gente que valoraba más la felicidad tendía a obtener calificaciones ligeramente inferiores, pero hubo muchas excepciones a esto. El valor r para una correlación débil tendrá un valor absoluto bajo. Si dos variables están tan débilmente relacionadas como para no estar relacionadas, decimos que no están correlacionadas, y el valor r será cero o muy cercano a cero. En el ejemplo anterior, ¿es fuerte la correlación entre la altura y la prevalencia de patógenos? En comparación con la Figura\(\PageIndex{3}\), los puntos en la Figura\(\PageIndex{2}\) son más apretados y menos dispersos. El valor absoluto de −.83 es grande. Por lo tanto, es una fuerte correlación negativa.
Figura\(\PageIndex{3}\): Gráfica de dispersión que muestra la asociación entre valorar la felicidad y GPA, una correlación negativa débil (r = −.32). Cada punto representa un individuo. [Esta obra, “GPA-Happiness Scatterplot”, está licenciada bajo CC BY-SA 4.0 de Judy Schmitt. Es un derivado de “Figura 3” de Christie Napa Scollon/Noba, que está licenciado bajo CC BY-NC-SA 4.0.]
¿Se puede adivinar la fuerza y dirección de la correlación entre la edad y el año de nacimiento? Si dijiste que esta es una fuerte correlación negativa, ¡tienes razón! Las personas mayores siempre tienen menores años de nacimiento que las personas más jóvenes (p. ej., 1950 vs. 1995), pero al mismo tiempo, las personas mayores tendrán una edad mayor (p. ej., 65 vs. 20). De hecho, esta es una correlación perfecta porque no hay excepciones a este patrón. ¡Te reto a encontrar a un niño de 10 años nacido antes del 2010! No puedes.
Problemas con la Correlación
Si la generosidad y la felicidad están correlacionadas positivamente, ¿deberíamos concluir que ser generoso causa felicidad? De igual manera, si la altura y la prevalencia de patógenos se correlacionan negativamente, ¿deberíamos concluir que la enfermedad causa brevedad? Solo de una correlación, no podemos estar seguros. Por ejemplo, en el primer caso puede ser que la felicidad cause generosidad, o que la generosidad cause felicidad. O bien, una tercera variable podría causar tanto felicidad como generosidad, creando la ilusión de un vínculo directo entre ambas. Por ejemplo, la riqueza podría ser la tercera variable que causa tanto mayor felicidad como mayor generosidad. Es por ello que la correlación no significa causación—una frase a menudo repetida entre los psicólogos.
