Determinant d’una Correlació Significativa

Entenent els paràmetres per evaluar la significació estadística en mostres amb múltiples variables

Punts Clau

Coeficient de correlació (r): Mesura la força i la direcció de la relació lineal entre dues variables, amb valors entre -1 i 1.
Nivell de significació (p): Indicador estadístic (normalment amb un llindar del 5% o p < 0.05) per determinar si la correlació observada no és atribuïble a l’atzar.
Ajustos per comparacions múltiples: Amb 30 variables es poden produir correlacions espúries, requerint correccions com la Bonferroni per mantenir control de l’error d’interpretació.

Introducció al Coeficient de Correlació

El coeficient de correlació, comunament representat per la lletra r, és un valor que quantifica la relació lineal entre dues variables. Amb uns valors que varien entre -1 i 1, un valor proper a 1 indica una relació positiva forta, un valor proper a -1 indica una relació negativa forta i un valor de zero s’interpreta com una absència de correlació lineal.

En una mostreja de 100 observacions amb 30 variables diferents, es poden aplicar diversos mètodes per calcular aquest coeficient, sent el de Pearson un dels més utilitzats. La clau consisteix a determinar si el valor del coeficient de correlació obtingut és suficientment alt per dir que la relació entre dues variables no es deu a l’atzar, sinó que té una significació estadística.

Càlcul de la Significació Estadística

Per establir la significació d’un coeficient de correlació, es fa habitualment una prova d’hipòtesi on la hipòtesi nul·la (H0) assumeix que no hi ha correlació real entre les dues variables (r = 0). S’escull sovint un nivell de significació (alfa) de 0,05, el que implica que només hi ha un 5% de probabilitat d’acceptar per error una correlació que realment no existeix (error Type I).

Un cop calculat el valor del coeficient de correlació, s’utilitza una distribució t per avaluar si aquest valor és estadísticament significatiu. La fórmula per calcular la estadística t en el context d’una correlació de Pearson és:

Fórmula de la t de Student per correlació de Pearson

\( t = \frac{r \sqrt{n - 2}}{\sqrt{1 - r^2}} \)

On:

r és el coeficient de correlació.
n és el nombre total d’observacions (en aquest cas, n = 100).
Els graus de llibertat es calculen com n - 2 (98 en aquest cas).

Comparant el valor de t amb els valors crítics d'una taula de distribució t (basats en 98 graus de llibertat), és possible decidir si es rebutja la hipòtesi nul·la. Si el valor calculat de t és superior al valor crític per al nivell seleccionat, es pot afirmar que la correlació és estadísticament significativa.

Consideracions específiques en una mostra amb 30 variables

Impacte de les comparacions múltiples

Quan s'analitzen 30 variables en una sola mostra, es realitzen moltes proves de correlació (possiblement fins a 435 proves si es consideren totes les parelles possibles). Aquesta gran quantitat de comparacions comporta un alt risc de trobar correlacions que resultin significatives simplement per atzar.

Per tal de contrarestar aquest problema, sovint s'utilitza una correcció per comparacions múltiples. Una de les correccions més comunes és la correcció de Bonferroni:

Correcció de Bonferroni

La correcció de Bonferroni consisteix en dividir el nivell de significació (per exemple, 0,05) pel nombre total de proves que s'estan realitzant. Per a 435 comparacions, el nou nivell de significació, \(\alpha_{\text{adjustat}}\) és:

\( \alpha_{\text{adjustat}} = \frac{0.05}{435} \approx 0.000115 \)

Això significa que, per considerar una correlació significativa després de la correcció, el valor p associat ha de ser inferior a aquest llindar molt més estricte. En altres paraules, el coeficient r ha de ser prou elevat perquè, tot i la reducció del nivell de significació, es pugui obtenir un valor de p tan baix.

Aplicació pràctica amb 100 observacions

En el cas d’una mostra de 100 observacions, amb graus de llibertat totals de 98, els valors crítics d’un coeficient de correlació per un nivell de significació del 5% poden variar en funció de si es tracta d’un test bilateral o unilateral. En diversos estudis i taules estadístiques es suggereix:

Per un test bilateral, un r superior a aproximadament 0.195 pot ser considerat significatiu.
Per un test unilateral, aquest llindar seria lleugerament inferior, per exemple al voltant de 0.174.

Això proporciona una orientació inicial en absència de càlculs específics. Tanmateix, aquests llindars prèviament mencionats poden variar lleugerament depenent de les fonts consultades i dels mètodes d’ajust que s’apliquin per a la comparació de moltes correlacions simultànies.

Procediment per determinar la significació en la teva anàlisi

Passos a seguir

A continuació, es detalla un procediment general per avaluar la significació d’un coeficient de correlació en una mostra amb 100 observacions i 30 variables:

1. Càlcul del coeficient de correlació (r)

Utilitza una eina estadística o programari (com R, Python, SPSS, etc.) per calcular el coeficient r per cada parella de variables.

2. Càlcul de la estadística t

Per cada valor de r, calcula la t de Student utilitzant la fórmula:

\( t = \frac{r \sqrt{n - 2}}{\sqrt{1 - r^2}} \), amb n = 100.

3. Comparació amb el valor crític

Consulta una taula de la distribució t amb 98 graus de llibertat per al nivell de significació desitjat (0,05 per a una prova bilateral o un altre llindar si s’aplica un test unilateral) i compara el valor calculat.

4. Ajust per comparacions múltiples

Si el teu objectiu és avaluar correlacions entre totes les 30 variables, aplica una correcció per comparacions múltiples, com la correcció de Bonferroni, en la qual el nivell de significació s’ajusta dividint 0,05 per la quantitat total de comparacions. Aquesta mesura redueix la probabilitat d’obtenir falsos positius.

Exemple il·lustratiu

Suposem que has obtingut un r de 0.3 per una parella de variables. El càlcul de la t es realitzaria així:

\( t = \frac{0.3 \sqrt{100 - 2}}{\sqrt{1 - 0.3^2}} = \frac{0.3 \sqrt{98}}{\sqrt{1 - 0.09}} = \frac{0.3 \times 9.899}{\sqrt{0.91}} \)

Utilitzant una calculadora, tenim:

\( \sqrt{98} \approx 9.899 \) i \( \sqrt{0.91} \approx 0.954 \), per tant:

\( t \approx \frac{0.3 \times 9.899}{0.954} \approx \frac{2.9697}{0.954} \approx 3.11 \)

Un valor t de 3.11 per 98 graus de llibertat és alt i, en general, superaria el valor crític per a un test bilateral a un nivell de 0,05. No obstant això, amb la correcció de Bonferroni, el llindar per a significació seria molt més estricte, requerint que el p associat sigui molt inferior a 0.05 (en aquest exemple, inferior a 0.000115).

Taula Comparativa dels Llindars de Significació

Aspecte	Valor Crític / Llindar	Observacions
Coeficient r (test bilateral, sense correcció)	~0.195	Indicatiu per a 100 mostres amb 98 graus de llibertat
Coeficient r (test unilateral, sense correcció)	~0.174	S'utilitza si la hipòtesi és direccional
Nivell de significació p	< 0.05	Llindar estàndard abans d'aplicar ajustos per comparacions múltiples
Nivell de significació amb correcció de Bonferroni	0.05 / (nombre total comparacions)	Pot reduir el nivell de p requerit a valors molt petits (ex. 0.000115 per 435 comparacions)

Interpretació Pràctica dels Resultats

La interpretació dels resultats depèn de la metodologia emprada. Si només es vol evaluar la significació d’una correlació entre dues variables, el focus serà en el valor r i el seu valor p associat. Així, si per exemple s’obté un r de 0.30 amb un p de 0.01, això indica una correlació significativa a un nivell del 5% sense necessitat de correcció.

No obstant això, quan es treballa amb un conjunt de dades on es comparen múltiples parelles de variables (com 30 variables en el teu cas), és imprescindible ajustar el llindar de significació per a evitar falsos positius. Així, el valor del p ha de ser interpretat amb la correcció de Bonferroni o un altre mètode de control de l’error.

En resum, no existeix un únic “valor màgic” de r que, per si sol, determini la significació en totes les situacions. El criteri més comú és que el valor p associat sigui inferior a 0.05 (o el nivell ajustat en funció de les comparacions múltiples), i en molts casos per una mostra de 100 observacions, els llindars esmentats (aproximadament 0.195 per un test bilateral) serveixen com a referència.

Recursos Addicionals i Referències

Per a aprofundir en aquest tema, pots consultar els següents recursos que proporcionen taules, exemples pràctics i explicacions detallades sobre l’anàlisi de correlacions i la seva significació estadística: