Con anterior se explico el coeficiente de correlación r como la medida del
grado de asociación lineal entre dos variables. Para el modelo de regresión con tres variables podemos calcular tres coeficientes de correlación que serian: r12 (correlación entre Y y X2). r13 (correlación entre Y y X3). r23 (correlación entre X2 y X3) Estos coeficientes de correlación se denominan coeficientes de correlación bruta o simple o coeficientes de correlación de orden cero y se calculan a partir de la definición del coeficiente de correlación dada con anterioridad Consideremos la siguiente interrogante: ¿Podemos decir en realidad que r12 mide el “verdadero” grado de asociación (lineal) entre Y y X2 cuando existe una tercera variable que es X3 que puede estar asociada a ellas?
En general, r12 tal vez no refleje el verdadero grado de asociación entre Y y
X2 en presencia de X3. Por consiguiente, lo que se necesita es un coeficiente de correlación que sea independiente de la influencia, si hay alguna, de X3 sobre X2 y Y. Dicho coeficiente de correlación se obtiene y se conoce apropiadamente como coeficiente de correlación parcial. r12.3 = coeficiente de correlación parcial entre Y y X2, manteniendo X3 constante r13.2 = coeficiente de correlación parcial entre Y y X3, manteniendo X2 constante r23.1 = coeficiente de correlación parcial entre X2 y X3, manteniendo Y constante
Estas correlaciones parciales se obtienen con facilidad a partir de los coeficientes
de correlación simples o de orden cero, de la siguiente forma: Las correlaciones mostradas anteriormente se denominan coeficientes de correlación de primer orden. Por “orden” se quiere decir el número de subíndices secundarios.Así r 12.3 4 sería el coeficiente de correlación de orden dos, r 12.345 sería el coeficiente de correlación de orden tres, y así sucesivamente. Como ya vimos, r12, r13 y las siguientes se denominan correlaciones simples o de orden cero. La interpretación de r12.34, por ejemplo, es que éste da el coeficiente de correlación entre Y y X2, manteniendo constantes X3 y X4. Interpretación de los coeficientes de correlación simple y parcial 1.- Aunque r12 = 0, r12.3 no será cero a menos que r13 o r23, o ambos, sean cero. 2.- Si r12 = 0 y r13 y r23 son diferentes de cero y tienen el mismo signo, r12.3 será negativo, mientras que si son de signos opuestos, será positivo. Ejemplo: Sea Y = rendimiento del cultivo, X2 = la lluvia y X3 = la temperatura. Suponga que r12 = 0, es decir, no hay asociación entre el rendimiento del cultivo y la lluvia. Tenga en cuenta, además, que r13 es positiva y r23 es negativa. Entonces, como lo indica la ecuación mostrada anteriormente, r12.3 será positivo; es decir, con la temperatura constante, existe una asociación positiva entre el rendimiento del cultivo y la lluvia. Sin embargo, este resultado, en apariencia paradójico, no es sorprendente. Como la temperatura X3 afecta el rendimiento Y y también afecta la lluvia X2, con el fin de encontrar la relación neta entre rendimiento del cultivo y lluvia se debe eliminar la influencia de la “molesta” variable temperatura. Este ejemplo muestra que el coeficiente de correlación simple puede generar resultados equivocados. 3.- Los términos r12.3 y r12 (y comparaciones similares) no necesitan tener el mismo signo. 4.- En el caso de dos variables r2 se encuentra entre 0 y 1. La misma propiedad se cumple para los coeficientes de correlación parcial al cuadrado. Se debe verificar que es posible obtener la siguiente expresión a partir de las ecuaciones que nos permiten hallar los coeficientes de correlación parciales:
La expresión r¨2 12.3 puede denominarse coeficiente de determinación
parcial e interpretarse como la proporción de la variación en Y no explicada por la variable X3 que se explica por la inclusión de X2 en el modelo. Conceptualmente, es semejante a R¨2. Relaciones entre R2, los coeficientes de correlación simple y los coeficientes de correlación parcial: