Cómo hacer una correlación de Pearson o Spearman en jamovi

Pasos para realizar una correlación en jamovi

Para calcular una correlación de Pearson o Spearman en jamovi, organiza tus datos en columnas (una variable por columna), ve al menú ‘Analyses’, selecciona ‘Regression’ y luego ‘Correlation Matrix’. Elige las variables y el tipo de coeficiente. El programa generará una matriz con los valores de correlación, la significación estadística y, si lo solicitas, intervalos de confianza.

Preparación de los datos

Antes de ejecutar el análisis, asegúrate de que tu archivo de datos está estructurado correctamente. Cada fila debe corresponder a un caso (por ejemplo, un participante) y cada columna a una variable medida. Para este análisis, necesitas al menos dos columnas con datos cuantitativos.

En jamovi, es importante definir el tipo de medida de cada variable. Para una correlación de Pearson, las variables deben ser de tipo ‘Continuous’ (continua). Para una correlación de Spearman, las variables pueden ser ‘Continuous’ u ‘Ordinal’. Puedes cambiar el tipo de variable haciendo clic en el icono que aparece junto al nombre de la columna en la vista de datos.

Si tienes valores faltantes, revísalos antes de empezar. Jamovi los muestra como celdas vacías. El análisis los omitirá automáticamente si has definido la variable correctamente, pero es conveniente saber cuántos hay y si su distribución puede afectar al resultado.

Ejecución del análisis paso a paso

  1. Abre tu conjunto de datos en jamovi.
  2. En la barra de menú superior, haz clic en ‘Analyses’.
  3. Despliega la sección ‘Regression’ y selecciona ‘Correlation Matrix’.
  4. En el panel que aparece a la derecha, arrastra las variables que quieres correlacionar desde la lista de la izquierda al área de ‘Variables’.
  5. En la pestaña ‘Coefficients’, selecciona el tipo de correlación: ‘Pearson’ (por defecto), ‘Spearman’ o ‘Kendall’.
  6. Activa las opciones adicionales que necesites en la pestaña ‘Additional Options’:
    • ‘Flag significant correlations’: Marcará con un asterisco las correlaciones estadísticamente significativas.
    • ‘Confidence intervals’: Mostrará los intervalos de confianza para cada coeficiente.
    • ‘Plots’: Generará un diagrama de dispersión (scatterplot) para cada par de variables.
  7. Los resultados aparecerán automáticamente en el panel de resultados principal.

Interpretación de la matriz de resultados

Jamovi presenta los resultados en una tabla simétrica. Para cada par de variables, verás tres números principales:

Símbolo/ValorQué representa
r (o ρ)El coeficiente de correlación. Varía entre -1 y 1. Un valor cercano a 1 indica una correlación positiva fuerte; cercano a -1, una negativa fuerte; cercano a 0, una relación débil o nula.
pEl valor p (sig.). Indica la probabilidad de obtener un coeficiente así si no hubiera relación en la población. Un valor p menor que 0.05 (o el nivel alfa elegido) suele interpretarse como una correlación estadísticamente significativa.
nEl número de casos (sujetos) con datos válidos para ese par de variables.

El signo del coeficiente indica la dirección de la relación. Una correlación positiva significa que cuando una variable aumenta, la otra también tiende a hacerlo. Una correlación negativa implica que cuando una variable aumenta, la otra tiende a disminuir. La magnitud, por su parte, indica la fuerza: valores más cercanos a 1 o -1 representan relaciones más fuertes.

Si activaste los intervalos de confianza, verás un límite inferior (Lower) y otro superior (Upper) para cada coeficiente. Si el intervalo no contiene el cero, la correlación es significativa al nivel de confianza establecido.

Cuándo usar Pearson y cuándo Spearman

La elección entre un coeficiente u otro depende de las características de tus datos.

Usa la correlación de Pearson cuando:

  • Ambas variables son cuantitativas continuas (como altura, peso, puntuación en un test).
  • La relación entre ellas es lineal.
  • Los datos no presentan valores atípicos (outliers) pronunciados.
  • Las variables siguen una distribución aproximadamente normal (esto es deseable, aunque el test es robusto con muestras grandes).

Usa la correlación de Spearman cuando:

  • Tus datos son ordinales (por ejemplo, rangos, escalas tipo Likert).
  • La relación entre variables es monótona, pero no necesariamente lineal (crece o decrece de forma consistente, pero no a un ritmo constante).
  • Existen valores atípicos que podrían distorsionar el coeficiente de Pearson.
  • Los datos no cumplen el supuesto de normalidad, especialmente en muestras pequeñas.

Como alternativa a Spearman, jamovi también ofrece la correlación de Kendall (tau). Es una opción recomendable cuando tienes muchas observaciones empatadas en el mismo rango o cuando el tamaño muestral es pequeño.

Ejemplo ilustrativo

Imagina un estudio que explora la relación entre las horas de estudio semanales (variable continua) y la satisfacción con el rendimiento académico (variable ordinal medida en una escala del 1 al 10).

  • Datos simulados para 10 estudiantes:
    • Horas: 5, 10, 15, 20, 25, 30, 35, 40, 45, 50
    • Satisfacción: 3, 4, 5, 6, 7, 7, 8, 9, 9, 10
  • Al ejecutar una correlación de Spearman en jamovi con estos datos, podríamos obtener un coeficiente ρ = 0.98, con un valor p < 0.001.
  • Interpretación: Existe una correlación positiva muy fuerte y estadísticamente significativa entre las horas de estudio y la satisfacción con el rendimiento. A más horas de estudio, mayor nivel de satisfacción reportado.

Cómo redactar los resultados en un TFG o artículo (formato APA)

Debes reportar el tipo de análisis, el coeficiente obtenido, los grados de libertad (o el tamaño muestral), el valor p y una interpretación breve. Es crucial no confundir correlación con causalidad.

Para el ejemplo anterior, una redacción en formato APA sería:

«Se realizó un análisis de correlación de Spearman para examinar la relación entre las horas de estudio semanales y la satisfacción con el rendimiento académico. Los resultados mostraron una correlación positiva fuerte y estadísticamente significativa, ρ(8) = 0.98, p < 0.001, indicando que a mayor número de horas de estudio, mayor era la satisfacción con el rendimiento reportada por los estudiantes."

Nota: Los grados de libertad para Spearman se calculan como n – 2 (10 – 2 = 8). Para Pearson se reportaría r(8). Cuando vayas a copiar los resultados desde jamovi, fíjate en que el programa ya te da el valor exacto de p y el coeficiente con varios decimales. En tu trabajo puedes redondear a dos decimales, pero mantén la coherencia con el resto de tu texto. Para una guía más completa sobre resultados en formato APA, consulta nuestra guía específica.

Errores comunes al interpretar correlaciones

  • Inferir causalidad: Una correlación significativa no prueba que una variable cause cambios en la otra. Puede haber una tercera variable no medida que explique la relación.
  • Ignorar la fuerza del efecto: Un valor p significativo solo indica que la correlación es improbable que sea cero. Un coeficiente r = 0.2 puede ser significativo con una muestra muy grande, pero representa una relación muy débil.
  • Asumir linealidad: Pearson mide solo relaciones lineales. Una correlación cercana a cero no descarta que exista una relación no lineal fuerte.
  • No revisar el diagrama de dispersión: Siempre es recomendable activar la opción de gráficos en jamovi para visualizar la relación y detectar patrones extraños o outliers.

Preguntas frecuentes sobre correlación en jamovi

¿Qué hago si mi variable es ordinal (como una escala Likert) y quiero usar Pearson?

No es lo más recomendable. El coeficiente de Pearson asume datos de intervalo/razón. Para datos ordinales, el coeficiente de Spearman es una alternativa más apropiada porque utiliza los rangos de los datos en lugar de sus valores brutos.

Jamovi me da un valor p exacto (ej: 0.034) pero también dice ‘p < .05'. ¿Cuál debo reportar?

Debes reportar el valor p exacto siempre que sea posible (p = 0.034), según las normas APA. La notación ‘p < .05' es un marcador visual que proporciona jamovi, pero el valor preciso ofrece más información.

¿Puedo correlacionar más de dos variables a la vez?

Sí. La herramienta ‘Correlation Matrix’ de jamovi está diseñada para eso. Solo tienes que arrastrar todas las variables de interés al área ‘Variables’. Obtendrás una matriz con las correlaciones entre todos los pares posibles.

En la matriz, la correlación de una variable consigo misma es 1.000 y está marcada como significativa. ¿Debo interpretar eso?

No. Es un resultado obvio (una variable se correlaciona perfectamente consigo misma) y carece de interés interpretativo. Solo debes fijarte en los coeficientes fuera de la diagonal principal de la matriz.

¿Los intervalos de confianza son necesarios para reportar una correlación?

No son estrictamente necesarios, pero su inclusión es una práctica cada vez más valorada, ya que ofrecen una estimación de la precisión del coeficiente obtenido. Proporcionan un rango de valores plausibles para la correlación en la población.

¿Qué hago si mis datos tienen muchos valores faltantes (missing)?

Jamovi, por defecto en este análisis, utiliza el método ‘Pairwise’ para valores faltantes. Esto significa que calcula cada coeficiente de correlación utilizando todos los casos que tengan datos válidos para ese par específico de variables. Si la cantidad de datos faltantes es muy alta o sistemática, podría sesgar tus resultados.

Para continuar aprendiendo a usar este y otros procedimientos, visita nuestra sección con más guías de jamovi.