Page 337 - METODOLOGIA DE LA INVESTIGACION-Roberto Hernández Sampieri

306 Capítulo 10 Análisis de datos cuantitativos

Obsérvese que se correlacionan dos variables: “moral” y “dirección”, aunque la correlación apare-
ce dos veces, porque es una tabla que hace todas las comparaciones posibles entre las variables y al
hacerlo, genera un eje diagonal (representado por las correlaciones de las variables contra ellas mismas
—“moral” con “moral” y “dirección” con “dirección”, que carece de sentido porque son las mismas
puntuaciones, por eso es perfecta—), y por encima de ese eje aparecen todos los coeficientes, y se
repiten por debajo del eje. La correlación es de 0.557 y es significativa en el nivel del 0.000 (menor
del 0.01). N representa el número de casos correlacionados.
Una correlación de Pearson puede ser significativa, pero si es menor a 0.30 resulta débil, aunque
de cualquier manera ayuda a explicar el vínculo entre las variables. Si queremos asociar la presión
arterial y el peso de un grupo de pacientes, la solubilidad del gas con la temperatura (en ingeniería
petrolera) y la inversión en publicidad y las ventas, es útil este coeficiente.
2
Consideraciones: cuando el coeficiente r de Pearson se eleva al cuadrado (r ), se obtiene el coefi-
ciente de determinación y el resultado indica la varianza de factores comunes. Esto es, el porcentaje de
la variación de una variable debido a la variación de la otra variable y viceversa (o cuánto explica o
determina una variable la variación de la otra). Veámoslo gráficamente en la figura 10.17.
Figura 10.17 Varianza de Por ejemplo, si la correlación entre “productividad” y “asistencia al trabajo” es de 0.80.
factores comunes.
r = 0.80
r = 0.64
2
Variable Variable “La productividad” constituye a, o explica, 64% de la variación de “la asistencia al
1 2 trabajo”.
“La asistencia al trabajo” explica 64% de “la productividad”.
2
Si r es 0.72 y consecuentemente r = 0.52, quiere decir que poco más de la mitad de la
r 2 variabilidad de un constructo o variable está explicada por la otra.
Varianza compartida

Ejemplo

Hi: “A mayor motivación intrínseca, mayor productividad”.
Resultado: r 0.721
s o P 0.0001
Interpretación: se acepta la hipótesis de investigación en el nivel de 0.01. La correlación entre la motivación
intrínseca y la productividad es considerable y positiva.
Hi: “a mayor ingreso, mayor motivación intrínseca”.
Resultado: r 0.214
s o P 0.081
Interpretación: se acepta la hipótesis nula. El coeficiente no es significativo: 0.081 es mayor que 0.05; recor-
demos que 0.05 es el nivel mínimo para aceptar la hipótesis.
Nota precautoria: recuerde lo referente a correlaciones espurias que se comentaron en el capítulo 5, “Defini-
ción del alcance de la investigación por realizar”.

2
Creswell (2005) señala que un coeficiente de determinación (r ) entre 0.66 y 0.85 ofrece una
buena predicción de una variable respecto de la otra variable; y por encima de 0.85 implica que ambas
variables miden casi el mismo concepto subyacente, son “cercanamente” un constructo semejante.
El coeficiente de correlación de Pearson es útil para relaciones lineales, como lo veremos en la
regresión lineal, pero no para relaciones curvilineales; en este caso o cuando las variables son ordina-
les, se suele usar la rho de Spearman ( ) (Onwuegbuzie, Daniel y Leech, 2006b).
Cuando queremos correlacionar simultáneamente más de dos variables, por ejemplo: motiva-
ción, satisfacción en el trabajo, moral y autonomía; o como lo hicieron Wood et al. (2009) con pro-
ductividad del médico (medida en unidades de valor relativo McGladrey, MRVU), tiempo médico/
paciente, satisfacción y confianza del paciente, se utiliza el coeficiente de correlación múltiple o R, el
cual se revisa en el capítulo adicional 8 “Análisis estadístico: segunda parte”, del centro de recursos.

www.elosopanda.com | jamespoetrodriguez.com