if you want to remove an article from website contact us from top.

    ¿cuando dos variables se encuentran correlacionadas quiere decir que va a existir una relación de causa-efecto? ¿por qué?

    Santiago

    Chicos, ¿alguien sabe la respuesta?

    obtenga ¿cuando dos variables se encuentran correlacionadas quiere decir que va a existir una relación de causa-efecto? ¿por qué? de este sitio.

    Correlación y relación causal

    Varsity Tutors connects you to top tutors through its award-winning live learning platform for private in-home or online tutoring in your area.

    Correlación y relación causal

    Una correlación es una medida o grado de relación entre dos variables. Un conjunto de datos puede ser positivamente correlacionado, negativamente correlacionado o no correlacionado del todo. Así como un conjunto de valores incrementa el otro conjunto tiende a aumentar, entonces esto es llamado una correlación positiva.

    Así como un conjunto de valores incrementa el otro conjunto tiende a disminuir, entonces esto es llamado una correlación negativa.

    Si el cambio en los valores de un conjunto no tiene efecto en los valores del otro, entonces esto es llamado como "no correlación" o “correlación cero".

    Una relación causal entre dos eventos existe si la ocurrencia del primero causa el otro. El primer evento es llamado la causa y el segundo evento es llamado efecto. Una correlación entre dos variables no implica causalidad. Por otro lado, si hay una relación causal entre dos variables, estas deben estar correlacionadas.

    Ejemplo:

    Un estudio muestra que hay una correlación negativa entre la ansiedad de un estudiante antes de una prueba y el puntaje del estudiante en una prueba. Pero no podemos decir que la ansiedad causa un puntaje más bajo en la prueba; podría haber otras razones-el estudiante quizá no estudió bien, entonces aquí la correlación no implica causalidad.

    Hay una correlación positiva entre el número de horas que Usted pasa estudiando y la calificación que obtiene. Aquí, si hay causalidad; si Usted pasa más tiempo estudiando, resultará en una calificación más alta.

    Una de las medidas más comúnmente usadas de correlación es la correlación del momento del producto Pearson o el coeficiente de correlación Pearson. Se mide usando la fórmula,

    El valor del coeficiente de correlación Pearson varía desde -1 a +1 donde -1 indica una correlación negativa fuerte y +1 indica una correlación positiva fuerte.

    fuente : www.varsitytutors.com

    Correlación vs. causalidad

    Observar que dos variables se mueven conjuntamente no significa que podamos decir que una variable sea la causa de la otra. Por eso solemos decir que "la correlación no implica causalidad".

    Correlación vs. causalidad

    La correlación examina la relación entre dos variables. Sin embargo, observar que dos variables se mueven conjuntamente no significa necesariamente que una variable sea la causa de la otra. Por eso solemos decir que "la correlación no implica causalidad".

    Una correlación fuerte puede indicar causalidad, pero también es probable que existan otras explicaciones:

    Puede ser el resultado del azar: las variables parecen estar relacionadas, pero en realidad no hay una relación subyacente.

    Puede haber una tercera variable al acecho que haga que la relación parezca más fuerte (o más débil) de lo que realmente es.

    En los datos observacionales, las correlaciones no pueden confirmar la causalidad...

    Las correlaciones entre variables nos muestran que hay un patrón en los datos, que las variables tienden a moverse conjuntamente. Sin embargo, por sí mismas, las correlaciones no nos muestran si los datos se mueven juntos porque una variable causa la otra.

    Es posible encontrar una correlación fiable y estadísticamente significativa entre dos variables que en realidad no tienen ninguna relación causal. ¡De hecho, estas correlaciones son comunes! A menudo esto se debe a que ambas variables están asociadas a una variable causal diferente, que tiende a darse junto a los datos que estamos midiendo.

    Ejemplo: el ejercicio y el cáncer de piel

    Vamos a verlo con un ejemplo. Imagine que está analizando datos sobre salud y observa una correlación positiva y estadísticamente significativa entre ejercicio y casos de cáncer de piel, esto es, que las personas que hacen más ejercicio tienden a sufrir cáncer de piel. La correlación parece significativa y fiable, y podemos observarla en múltiples poblaciones de pacientes. Sin hacer más indagaciones, ¡se podría llegar a la conclusión de que el ejercicio causa cáncer! Basándose en estos resultados, incluso podría desarrollarse una hipótesis plausible: quizás el estrés del ejercicio causa que el cuerpo pierda parte de su capacidad para protegerse del daño del sol.

    Pero en realidad, esta correlación podría estar presente en su conjunto de datos porque las personas que viven en lugares que tienen mucha luz solar todo el año son significativamente más activas en su vida diaria que las personas que viven en lugares con menos luz. Esto se refleja en los datos como un incremento del ejercicio. Al mismo tiempo, mayor exposición diaria a la luz solar significa que hay más casos de cáncer de piel. Ambas variables (la tasa de ejercicio y la de cáncer de piel) han sido afectadas por una tercera variable causal (la exposición a la luz solar) pero no tenían una relación causal entre sí.

    ...pero con estudios empíricos bien diseñados, ¡podemos establecer la causalidad!

    Es fundamental para el conocimiento de datos poder distinguir entre aquello que ofrece, o no, una evidencia causal. En el mundo real, la determinación de causalidad nunca es perfecta. Sin embargo, hay una variedad de técnicas experimentales, estadísticas y de diseño de estudios que sirven para encontrar evidencias de relaciones causales: p. ej., la aleatorización, los experimentos controlados y los modelos predictivos con múltiples variables. Más allá de las limitaciones intrínsecas de las pruebas de correlación (p. ej., la correlación no puede medir relaciones causales potenciales con tres variables), es importante entender que la evidencia de causalidad usualmente no procede de pruebas estadísticas individuales, sino de un diseño experimental cuidadoso.

    Ejemplo: enfermedades de corazón, dieta y ejercicio

    Por ejemplo, vamos a imaginar de nuevo que somos investigadores de salud y que estamos examinando un amplio conjunto de datos sobre las enfermedades cardíacas, dieta y otros hábitos de salud. Supongamos que encontramos dos correlaciones: un número mayor de enfermedades cardíacas está correlacionado con dietas más altas en grasa (correlación positiva) y una mayor cantidad de ejercicio está correlacionada con menos enfermedades cardíacas (correlación negativa). Ambas correlaciones son grandes y las encontramos de manera fiable. Seguro que esto nos da una pista sobre la causalidad, ¿verdad?

    En este caso, la correlación puede sugerir una relación causal subyacente, pero sin un trabajo adicional, no la establece. Imaginemos que después de encontrar estas correlaciones, nuestro siguiente paso es diseñar un estudio biológico que examine las maneras en las que el cuerpo absorbe la grasa y cómo afecta esto al corazón. Quizás encontremos un mecanismo a través del cual un mayor consumo de grasa se almacena de tal manera que somete al corazón a mayor presión. También podemos examinar en más profundidad el ejercicio y diseñar un experimento aleatorizado y controlado que descubra que el ejercicio interrumpe el almacenamiento de grasa, lo que reduce la presión sobre el corazón.

    Todas estas evidencias encajan en una explicación: las dietas más altas en grasa realmente pueden causar enfermedades cardíacas. Y a medida que nos adentramos en el problema, las correlaciones originales siguen siendo válidas: ¡las dietas altas en grasa y las enfermedades cardíacas están relacionadas!

    Pero en este ejemplo, observamos que la evidencia causal no fue facilitada por la prueba de correlación en sí, la cual simplemente estudia la relación entre datos observacionales (como el índice de enfermedades cardíacas y dieta y ejercicio reportados). En su lugar, usamos un estudio empírico para encontrar evidencias de esta asociación.

    fuente : www.jmp.com

    Foro de discusion

    Participaciones foro son las diferencias principales entre causalidad correlación? la causalidad se refiere la causa efecto de un fenómeno, en el que una cosa

    1 de 2

    fuente : www.studocu.com

    ¿Quieres ver la respuesta o más?
    Santiago 5 day ago
    4

    Chicos, ¿alguien sabe la respuesta?

    haga clic para responder