Scribd Logo
Cargar

¡Te damos la bienvenida a Scribd!

  • 790 vistas

    Valores P y R

    Cargado por

    MANUEL ARIZA
    Este documento describe las características del coeficiente de correlación de Pearson r. r mide la fuerza y dirección de la relación lineal entre dos variables continuas. Valores cercanos a 1 o -1 indican una fuerte correlación positiva o negativa, mientras que valores cercanos a 0 indican poca o ninguna correlación. El documento también advierte sobre la interpretación del valor p y las limitaciones de la correlación al inferir relaciones causales.

    Copyright:

    Attribution Non-Commercial (BY-NC)
    Descargue como PDF, TXT o lea en línea desde Scribd

    Valores P y R

    Cargado por

    MANUEL ARIZA
    790 vistas3 páginas
    Este documento describe las características del coeficiente de correlación de Pearson r. r mide la fuerza y dirección de la relación lineal entre dos variables continuas. Valores cercanos a 1 o -1 indican una fuerte correlación positiva o negativa, mientras que valores cercanos a 0 indican poca o ninguna correlación. El documento también advierte sobre la interpretación del valor p y las limitaciones de la correlación al inferir relaciones causales.

    Título original

    valores p y r

    Derechos de autor

    © Attribution Non-Commercial (BY-NC)

    Formatos disponibles

    PDF, TXT o lea en línea desde Scribd

    ¿Le pareció útil este documento?

    ¿Este contenido es inapropiado?

    Este documento describe las características del coeficiente de correlación de Pearson r. r mide la fuerza y dirección de la relación lineal entre dos variables continuas. Valores cercanos a 1 o -1 indican una fuerte correlación positiva o negativa, mientras que valores cercanos a 0 indican poca o ninguna correlación. El documento también advierte sobre la interpretación del valor p y las limitaciones de la correlación al inferir relaciones causales.

    Copyright:

    Attribution Non-Commercial (BY-NC)
    Descargue como PDF, TXT o lea en línea desde Scribd
    Descargar como pdf o txt
    790 vistas3 páginas

    Valores P y R

    Cargado por

    MANUEL ARIZA
    Este documento describe las características del coeficiente de correlación de Pearson r. r mide la fuerza y dirección de la relación lineal entre dos variables continuas. Valores cercanos a 1 o -1 indican una fuerte correlación positiva o negativa, mientras que valores cercanos a 0 indican poca o ninguna correlación. El documento también advierte sobre la interpretación del valor p y las limitaciones de la correlación al inferir relaciones causales.

    Copyright:

    Attribution Non-Commercial (BY-NC)
    Descargue como PDF, TXT o lea en línea desde Scribd
    Descargar como pdf o txt
    Está en la página 1de 3

    Caractersticas del coeficiente de correlacin de Pearson

    Tema 7. REGRESIN Y CORRELACIN


    r=1
    Correlacin positiva perfecta
    90 80

    r=

    1 n xi X yi Y s s n 1 i=1 x y
    aprox. r = 0
    No correlacin

    r = -1
    Correlacin negativa perfecta
    90

    90 80

    80

    Y 70
    60 50 20 25 30 35 40

    Y 70
    60 50 20 25 30

    Y 70
    60

    50

    35

    40

    20

    25

    30

    35

    40

    Coeficiente de correlacin: Precaucin Ejemplos reales


    El valor de r no sustituye la informacin del diagrama bivariante
    Situacin 1
    95 90 85 80 75 150 160 170 180

    Situacin 2
    95
    95 90 85 80 75

    Situacin 3

    90 85 80 75 150
    Tem peratura

    Los 7 diagramas presentan una correlacin de r = 0,7

    160 170 Temperatura

    180

    150

    160 170 Temperatura

    180

    r = 0,983
    p-value: 0,000

    r = 0,887
    p-value: 0,000

    r = 0,230
    p-value: 0,108

    Un valor de r distinto de 0 no implica relacin lineal Es necesario que sea significativamente distinto de cero
    Fuente:J.M. Chambers et al. Graphical Methods for Data Analysis. Duxbury Press 1983

    Coeficiente de correlacin: Tablas para valorar la significacin


    Valores de r que dan niveles de significacin (p-valor) del 5 y del 1 %
    Ref. Pere Grima
    n 3 4 5 6 7 8 9 10 11 12 13 14 15 p-valor 0,05 0,997 0,95 0,878 0,811 0,754 0,707 0,666 0,632 0,602 0,576 0,553 0,532 0,514 0,01 1 0,99 0,959 0,917 0,875 0,834 0,798 0,765 0,735 0,708 0,684 0,661 0,641 n 16 17 18 19 20 21 22 23 24 25 26 27 28 p-valor 0,05 0,497 0,482 0,468 0,456 0,444 0,433 0,423 0,413 0,404 0,396 0,388 0,381 0,374 0,01 0,623 0,606 0,59 0,575 0,561 0,549 0,537 0,526 0,515 0,505 0,496 0,487 0,479 n 29 30 35 40 45 50 55 60 65 70 75 80 85 p-valor 0,05 0,367 0,361 0,334 0,312 0,294 0,279 0,266 0,254 0,244 0,235 0,227 0,22 0,213 0,01 0,471 0,463 0,43 0,403 0,38 0,361 0,345 0,33 0,317 0,306 0,296 0,286 0,278

    Coeficiente de correlacin: Interpretacin del p-valor


    Situacin 3
    95 90 85 80 75 150 160 170 Temperatura 180

    r = 0,230
    p-value: 0,108

    Pero, qu significa p-value = 0,108 ?

    Es el resultado de realizar un test para comprobar la hiptesis de independencia entre las variables consideradas (solo si p<0,05 se rechaza la hiptesis, porque sera muy poco probable que dos variables independientes dieran un r con ese valor)

    Coeficiente de correlacin: Interpretacin del p-value


    Valores de r obtenidos al realizar 10.000 simulaciones con muestras INDEPENDIENTES El 10,8 % de los casos [(536+558) /1000] da un valor de |r| > 0,23
    600 500 400 300 200 100 0 -1,0 -0,8 -0,6 -0,4 -0,2 0,0 -0,23 0,2 0,23 0,4 0,6 0,8 1,0
    Valores correspondientes a las situaciones 1 y 2

    Anlisis de los residuos: 3 situaciones distintas de residuos

    Frequency

    536 casos

    558 casos

    Los residuos no contienen informacin. El modelo propuesto es el adecuado e

    Los residuos contienen informacin. la relacin entre X e Y parece no ser lineal e

    La recta ser menos precisa para valores grandes de x, que para valores pequeos. e

    y 0

    Cuidado con: Observaciones raras

    Cuidado con: Extrapolacin

    Observacin atpica: observacin que no encaja en el aspecto general de la nube de puntos del grfico de dispersin (puede serlo por tener un valor muy distanciado del resto en la y, en la x o en ambas) Observacin influyente: aquella que si la eliminamos del estudio, produce un cambio notable en la posicin de la recta de regresin (normalmente valores grandes de x. Su residuo puede ser pequeo) y
    Obs. atpica

    Extrapolacin: utilizacin de la recta de regresin para predecir fuera de los valores observados

    Previsin

    Valor real Modelo correcto


    Obs. atpica e influyente x

    Cuidado con: Variables latentes y relaciones causa-efecto

    La relacin entre dos variables puede estar influida por otras que no sospechamos su existencia o simplemente no las medimos. A stas se les llama variables latentes. Una fuerte asociacin entre 2 variables no es suficiente para sacar conclusiones sobre relaciones causa-efecto. La mejor manera de evidenciar de que una asociacin se debe a la causalidad, se obtiene mediante las tnicas DOE

    También podría gustarte