Calculadora de correlación de Spearman

¿Qué es la correlación de Spearman?

El coeficiente de correlación de rangos de Spearman (ρ o rs) mide la fuerza y dirección de la relación monótona entre dos variables. A diferencia de Pearson, trabaja con rangos en lugar de valores crudos.

Pregunta respondida: "¿Estas variables tienden a aumentar o disminuir juntas?"

Ejemplos:

• "¿Está la satisfacción laboral relacionada con los años de experiencia?" (calificación ordinal)
• "¿Coinciden los rankings de dos jueces?"
• "¿Hay una relación entre el rango de clase y el rendimiento en exámenes?"

Cuándo usar Spearman

Spearman sobre Pearson cuando:

• Los datos son ordinales (rankings, escalas Likert)
• La relación es monótona pero no lineal
• Los datos tienen valores atípicos
• Las distribuciones están muy sesgadas
• Se viola el supuesto de normalidad

Pearson sobre Spearman cuando:

• Ambas variables son continuas y aproximadamente normales
• La relación es específicamente lineal
• Quieres cuantificar la fuerza de relación lineal

Relaciones monótonas vs. lineales

Lineal: Y cambia por una cantidad constante por cada cambio unitario en X. Línea: Y = a + bX

Monótona: Y aumenta (o disminuye) consistentemente a medida que X aumenta, pero no necesariamente a una tasa constante. Podría ser curva, escalonada, o cualquier patrón consistentemente direccional.

Ejemplo: Una curva logarítmica es monótona pero no lineal. Spearman la captura; Pearson puede subestimarla.

Cómo funciona

Paso 1: Clasificar ambas variables

Convierte valores crudos a rangos (1 = menor, n = mayor).

Paso 2: Calcular correlación de rangos

Aplica la fórmula de Pearson a los rangos.

O usa la fórmula simplificada (cuando no hay empates):

$\rho = 1 - \frac{6\sum d^2}{n(n^2-1)}$

Donde d = diferencia entre rangos para cada par.

Paso 3: Calcular

ρ = 1 - [6 × 6] / [5 × 24] = 1 - 36/120 = 1 - 0,3 = 0,70

Manejo de empates

Cuando los valores están empatados, asigna rangos promedio:

Valores: 10, 15, 15, 15, 20 Rangos: 1, 3, 3, 3, 5 (posiciones 2, 3, 4 empatadas → promedio = 3)

Con empates, usa la fórmula completa de Pearson sobre rangos en lugar de la fórmula simplificada de d².

Interpretación

Misma escala que Pearson:

Guías de fuerza:

• |ρ| > 0,7: Fuerte
• |ρ| = 0,4-0,7: Moderada
• |ρ| < 0,4: Débil

Probando significancia

Para n > 10: Usa distribución t

$t = \rho \times \sqrt{\frac{n-2}{1-\rho^2}}$

$gl = n - 2$

Para n pequeño: Usa tablas exactas para ρ de Spearman.

Aplicaciones

Datos ordinales

Escalas Likert, calificaciones de satisfacción, rankings de preferencia.

"¿Está la satisfacción del cliente relacionada con la probabilidad de recomendar?"

Datos no normales

Cuando las distribuciones están sesgadas o tienen colas pesadas.

"¿Está el ingreso relacionado con la felicidad?" (el ingreso típicamente está sesgado)

Acuerdo entre evaluadores

¿Dos jueces clasifican los ítems de manera similar?

"¿Correlacionan los rankings de expertos?"

Psicología y ciencias sociales

Muchas medidas psicológicas usan escalas ordinales.

Evaluación de calidad

Cuando las mediciones son rankings en lugar de valores absolutos.

Spearman vs. Pearson

Perspectiva clave: Para datos distribuidos normalmente con relación lineal, Pearson es ligeramente más potente. Para otros datos, Spearman es más segura.

Ejemplo: Datos ordinales

Escenario: Satisfacción del cliente (escala 1-5) y frecuencia de compra

Σd² = 2,5

ρ = 1 - [6 × 2,5] / [5 × 24] = 1 - 15/120 = 0,875

Fuerte relación positiva entre satisfacción y compras.

Ejemplo: Monótona no lineal

Datos: X y Y = X² (perfecta no lineal pero monótona)

Los rangos son idénticos para X y Y: 1, 2, 3, 4, 5

Spearman ρ = 1,0 (monótona perfecta) Pearson r ≈ 0,98 (fuerte pero no perfecta lineal)

Spearman captura la relación monótona perfecta que Pearson subestima ligeramente.

Supuestos

Variables ordinales o continuas

Ambas variables deben ser al menos ordinales (clasificables).

Relación monótona

La relación debe ser consistentemente direccional.

Spearman perderá patrones en U u otros patrones no monótonos.

Independencia

Las observaciones son independientes entre sí.

Sin empates sistemáticos (para prueba exacta)

Muchos empates reducen la potencia y requieren fórmulas ajustadas.

Alternativa tau de Kendall

El τ de Kendall es otra correlación basada en rangos:

• Más robusta con muestras pequeñas
• Tiene diferentes interpretaciones para significancia
• Más intensiva computacionalmente

Cuándo elegir:

• Muestras pequeñas: Considera τ de Kendall
• Muestras más grandes: Spearman y Kendall dan conclusiones similares

Intervalo de confianza

Usa transformación z de Fisher (igual que Pearson):

$z' = \frac{1}{2} \ln\left(\frac{1+\rho}{1-\rho}\right)$

Calcula IC en espacio z, transforma de vuelta.

Reportando resultados

Formato APA:

"La correlación de Spearman indicó una fuerte relación positiva entre satisfacción del cliente y frecuencia de compra, rs(3) = ,88, p = ,05."

Con interpretación:

"Hubo una correlación positiva significativa entre años de experiencia y satisfacción laboral, rs(48) = ,42, p = ,003, sugiriendo que los empleados más experimentados tienden a reportar mayor satisfacción."

Errores comunes

Usar cuando la relación es no monótona

Spearman asume dirección consistente. Verifica el diagrama de dispersión.

Ignorar empates

Los empates pesados requieren pruebas de significancia ajustadas.

Tratar como medida lineal

Spearman mide monotonicidad, no linealidad.

Sobre-interpretar pequeñas diferencias con Pearson

Frecuentemente ambos coeficientes llevan a conclusiones similares.

Contexto histórico

Charles Spearman desarrolló este coeficiente en 1904, motivado por su trabajo en pruebas de inteligencia.

Spearman necesitaba correlacionar puntuaciones de pruebas que no estaban distribuidas normalmente y frecuentemente involucraban rankings en lugar de mediciones precisas.

Su enfoque basado en rangos se convirtió en fundamental en psicología y ciencias sociales donde los datos ordinales son comunes.

Cálculos relacionados

• Correlación de Pearson — Relaciones lineales
• Valor p de correlación — Prueba de significancia
• Calculadora tau de Kendall — Correlación de rangos alternativa
• Prueba U de Mann-Whitney — Comparación de grupos basada en rangos

Resumen

La correlación de rangos de Spearman (ρ) mide relaciones monótonas aplicando correlación a datos clasificados. Úsala para datos ordinales, distribuciones no normales, o cuando las relaciones son monótonas pero no estrictamente lineales. Calcula clasificando ambas variables y computando la correlación de rangos. El coeficiente va de -1 a +1, con significancia probada vía distribución t para muestras más grandes. Spearman es más robusta a valores atípicos y violaciones distribucionales que Pearson, haciéndola una opción más segura cuando los supuestos son inciertos. Siempre visualiza los datos para verificar que la relación es monótona.