Hoy aprendemos a medir si dos variables cuantitativas van juntas, cuánto, y, sobre todo, qué no podemos concluir a partir de eso.
Cómo recorrer la clase
Los bloques van en orden: los tres primeros son videos; el cuarto y el quinto son de práctica, para que leas vos.
1. De la intuición a la relación
Nube de puntos · dirección · curvas · casos extremos
2. Del gráfico al número
El r de Pearson · signo y magnitud · débil, moderada o fuerte
3. ¿Es real? ¿Cuánto pesa? ¿Qué no dice?
Prueba · R² · correlación no es causalidad
4. Leer una salida de SPSS
Una matriz real de Latinobarómetro
5. Artículos académicos reales
Ciencia Política o Relaciones Internacionales
Los fragmentos de video que acompañan la clase
En los bloques 1 y 3 vas a encontrar fragmentos de programas y de una conferencia de investigación (Camila Perochena y Natalia Aruguete) y citas de discursos presidenciales. No son de relleno: muestran, en programas que probablemente mirás, el tipo de razonamiento que hoy aprendemos a examinar con lupa. Verlos antes de cada video de la clase cambia mucho lo que te llevás.
Además
Ejercicios: más de treinta correlaciones reales para practicar la receta, cada una con su respuesta.
R y SPSS: los scripts completos de la clase, para que los ejecutes y cambies las variables.
Bases: las dos bases de la clase, listas para abrir.
Bloque 1 · De la intuición a la relación entre variables
Antes de empezar: no te lo pierdas
Camila Perochena en Odisea Argentina. Mirá solo el tramo del minuto 2:14 al 3:39 (el video ya arranca ahí).
Mientras lo mirás, pensá:
- 2:14 a 2:53. ¿Qué relación identifica el investigador entre las disputas internas del gobierno y la difusión de escándalos de corrupción? ¿Alcanza para demostrar que las internas los provocan, o haría falta más evidencia?
- 3:01 a 3:39. ¿Por qué distingue entre la presencia de los escándalos y su efecto electoral? ¿Qué otras variables podrían intervenir entre los escándalos y el voto?
Una pregunta de investigación real
Natalia Aruguete (que investiga junto con Ernesto Calvo) sobre comunicación política, redes y desinformación. No hace falta ver la conferencia entera: el video arranca, aproximadamente, en el tramo del experimento sobre mensajes de las vacunas (alrededor de 1:45:00). Si no coincide justo, buscá esa parte avanzando o retrocediendo unos minutos.
Abrir en YouTube (aprox. 1:45:00)
Mientras lo mirás, pensá:
- Las variables. Aruguete compara dos formas de presentar un mensaje sobre las vacunas. ¿Qué característica del mensaje cambia? ¿Qué respuestas de los participantes se observan?
- La relación. Según los resultados que presenta, ¿qué diferencias aparecen entre las reacciones ante las dos formulaciones? ¿Qué evidencia usa para sostenerlo?
- El puente con la clase. Si quisiéramos estudiar si dos variables cuantitativas tienden a variar juntas, ¿qué información necesitaríamos, y qué nos permitiría conocer un coeficiente de correlación?
Lo que cambia es el encuadre del mensaje: una versión afirma que la vacuna reduce el riesgo de internación o muerte; la otra dice que es falso que no lo reduzca. Las dos dicen lo mismo, pero de distinta manera. Las respuestas que se registran son la disposición a darle me gusta, compartir, comentar o ignorar, además de las emociones declaradas y el tiempo de respuesta. Según la exposición, la versión afirmativa generó más disposición a interactuar y compartir.
Como los investigadores decidieron qué versión recibía cada participante, se trata de un experimento: permite investigar el efecto de la formulación sobre las respuestas. Las variables son categorías (afirmativo o negativo, comparte o no comparte), así que no corresponde un r de Pearson.
Pearson resume otra cosa: la dirección y la intensidad de una asociación lineal entre dos variables cuantitativas. Para usarlo necesitaríamos, para cada caso, dos valores numéricos (por ejemplo, dos escalas del 1 al 10). Son herramientas distintas, y las dos sirven para investigar relaciones entre variables.
Video de la clase
Bloque 2 · El coeficiente de Pearson: del gráfico al número
Guía orientativa de la materia
| Valor de r (sin mirar el signo) | Asociación lineal |
|---|---|
| Cerca de 0 (menos de 0,30) | Débil (algunos autores ponen el límite en 0,25) |
| Entre 0,30 y 0,75 | Moderada |
| Desde 0,75 | Fuerte: comparten más de la mitad de su variabilidad (0,75² ≈ 0,56) |
Es una convención didáctica, no una ley estadística. El signo indica la dirección: positiva (directa) o negativa (inversa).
Bloque 3 · ¿Es real? ¿Cuánto pesa? ¿Qué no dice?
Parte 3A · ¿Es real? ¿Cuánto pesa?
Parte 3B · Lo que la correlación no dice
El salto que escuchamos todos los días
El mismo salto, desde los dos lados de la grieta:
Javier Milei, declaraciones radiales, citado por Chequeado (8/2/2024).
Cristina Fernández de Kirchner, citada por iProfesional.
Asociación o efecto: lo que permite el diseño
Volvé a la conferencia de Natalia Aruguete, ahora al tramo de la noticia falsa atribuida a Verónica Magario (aproximadamente entre 1:25:00 y 1:45:00). Los tiempos son orientativos: buscá la parte donde aparece la noticia y después se explica el experimento.
Abrir en YouTube (aprox. 1:25:00)
Mientras lo mirás: ¿qué características de las personas se comparan? ¿Qué respuestas se observan frente al mensaje original y frente a la verificación?
| Ejemplo | Qué se relaciona | Qué podemos concluir |
|---|---|---|
| Noticia falsa sobre Magario | Identificación política y evaluación del mensaje | Hay una asociación, pero la identificación política no fue asignada por los investigadores: no podemos atribuirle automáticamente un efecto causal. |
| Mensajes sobre las vacunas | Encuadre del mensaje y reacción de los participantes | El encuadre fue asignado por los investigadores: si el diseño es adecuado, permite hablar de un efecto. |
| Mapas de redes | Afinidad política y circulación de contenidos | Muestran un patrón de agrupamiento, pero por sí solos no dicen qué mecanismo lo produce. Un mapa de redes no es una matriz de correlaciones. |
Bloque 4 · Leer una matriz de correlaciones en SPSS
Empezá por acá
La salida
Latinobarómetro 2017, Argentina. Tres variables: autoubicación ideológica (0 = izquierda, 10 = derecha), cuán democrático es el país (1 a 10) y corrupción percibida en el Gobierno nacional (0 a 10). Datos ponderados.
La receta, para cada par
- ¿Qué dos variables estoy relacionando?
- ¿Pasa el test? Si p no es menor que 0,05, me detengo en esa celda: se deja de lado esa asociación, no toda la fila ni la columna.
- ¿Cuál es la dirección? Positiva (directa) o negativa (inversa).
- ¿Cuál es la intensidad? Débil, moderada o fuerte.
- ¿Cuánta variabilidad comparten, según el R²?
- ¿Qué significa, y qué no puedo concluir?
Guía de lectura
- ¿Qué hay en la diagonal de la matriz y por qué?
- ¿Por qué alcanza con leer uno solo de los dos triángulos?
- ¿Qué significan el
,000de la fila «Sig. (bilateral)» y los dos asteriscos? - ¿Por qué el N es distinto en cada celda?
- Para cada uno de los tres pares: ¿pasa el test?, ¿cuál es la dirección?, ¿cuál es la intensidad?
- Calculá el R² del par ideología × democracia. ¿Qué te dice?
- Escribí en dos frases el hallazgo principal de la tabla, sin afirmar más de lo que permite.
- Pensando en la próxima clase: si quisieras explicar la evaluación de la democracia con una regresión, ¿cuál de las otras dos variables mirarías primero? ¿Por qué?
Estructura. Una matriz de correlaciones no es una tabla de contingencia ni un chi-cuadrado: cada celda es la relación entre un par de variables. La diagonal tiene unos porque es cada variable correlacionada consigo misma. La tabla es un espejo: la correlación entre A y B es la misma que entre B y A. En la correlación no hay variable dependiente ni independiente, así que alcanza con leer un triángulo.
Significación. El ,000 no quiere decir que la probabilidad sea cero: es un valor p menor que 0,001 que SPSS redondea. Los dos asteriscos indican que la correlación es significativa al nivel 0,01. Los tres pares pasan el test.
El N. Cambia de una celda a otra porque, para cada par, SPSS usa a las personas que respondieron esas dos preguntas (eliminación por pares).
Lectura de cada par.
- Ideología × democracia: r = 0,253. Positiva y débil (está en la frontera: con el criterio de 0,25 que usan algunos autores sería moderada, pero en cualquier caso es una asociación de poco peso). Quienes se ubican más a la derecha tienden a ver al país algo más democrático. R² ≈ 0,06: comparten apenas un 6 % de su variabilidad.
- Ideología × corrupción en el Gobierno: r = −0,185. Negativa y débil. Quienes se ubican más a la derecha tienden a percibir algo menos de corrupción en el Gobierno nacional.
- Democracia × corrupción en el Gobierno: r = −0,161. Negativa y débil. Quienes perciben más corrupción en el Gobierno tienden a ver al país algo menos democrático.
Hallazgo principal. Las tres variables se relacionan de manera estadísticamente significativa, pero débil: con más de mil casos, el test detecta asociaciones muy pequeñas. Significativo no es lo mismo que fuerte.
Hacia la regresión. Para explicar la evaluación de la democracia, la ideología es la candidata más asociada (0,253, frente a −0,161 de la corrupción percibida). Pero las dos relaciones son débiles: es esperable que, aun juntas, dejen sin explicar la mayor parte de las diferencias entre las personas. Y ojo: una variable no entra a una regresión solo porque su r sea alto. También importan la teoría, el diseño de la investigación y la calidad de la medición.
Lo que no podemos concluir. Que la ideología cause una visión más favorable de la democracia, o que percibir corrupción haga ver al país menos democrático. Las relaciones pueden ir en cualquier dirección o depender de terceras variables; por ejemplo, de la evaluación del gobierno de turno. La tabla describe asociaciones, no explica sus causas.
Bloque 5 · De la clase a la investigación real
Empezá por acá
Elegí uno de los dos artículos. No necesitás leerlo entero ni entender todos los métodos: la guía te lleva a la matriz. Los dos están en inglés, pero una matriz de correlaciones se lee igual en cualquier idioma.
Actitudes populistas en América Latina
Chaparro, H., Uribe-Bravo, K. A. y Ruiz-Dodobara, F. (2024). Mediating Variables Between Relative Deprivation and Populist Attitudes: Cases From Colombia, Peru, and Chile. Journal of Politics in Latin America. Acceder al artículo completo (acceso abierto; incluye un resumen en español).
El trabajo estudia cómo se relacionan la privación relativa, el pluralismo, la desconfianza política y las actitudes populistas en Chile, Colombia y Perú, con una encuesta a 3.800 personas.
Guía de lectura
- Antes de mirar los números. ¿Qué fenómeno político estudian los autores? ¿Cuáles son las cuatro variables que aparecen en la matriz de correlaciones?
- Ubicar la matriz. Buscá la Tabla 1. ¿Qué países aparecen? ¿Hay una matriz para cada país? ¿Cuántos casos tiene cada una?
- Las marcas de significación. Debajo de la tabla aparece
*** p < .001. ¿Qué significa? ¿Qué te dice sobre las correlaciones marcadas así? - Una correlación concreta. En Chile, la correlación entre privación relativa y desconfianza política es r = .654. ¿Es positiva o negativa? ¿Cómo describirías su intensidad según la guía de la materia?
- Comparar países. ¿Qué variable presenta la correlación más alta con las actitudes populistas en cada país? ¿El resultado es el mismo en Chile, Colombia y Perú?
- Un signo para pensar. Buscá en el artículo cómo se mide el pluralismo: ¿un valor alto indica más o menos pluralismo? Con eso en mente, ¿esperabas el signo de su correlación con las actitudes populistas?
- Del número al argumento. Explicá con tus palabras uno de los resultados más relevantes de la matriz, sin limitarte a repetir el coeficiente.
- Los límites. ¿Una correlación positiva demuestra que una variable causa la otra? ¿Qué información adicional necesitarías para sostener una afirmación causal?
Las correlaciones entre las cuatro variables son positivas y estadísticamente significativas (p < .001) en los tres países, con muestras de entre 1.219 y 1.299 casos. La correlación entre privación relativa y desconfianza política en Chile (r = .654) es positiva y moderada según nuestra guía: quienes sienten que les toca menos de lo que les corresponde tienden a desconfiar más de la política.
La variable más asociada con las actitudes populistas cambia según el país: en Chile es la privación relativa (r = .543); en Colombia, el pluralismo (r = .601). En Perú también es el pluralismo (r = .522), aunque prácticamente empata con la privación relativa (r = .517): una diferencia tan chica no permite afirmar que una pese más que la otra.
El signo del pluralismo merece atención. En el artículo, un valor alto indica actitudes más pluralistas, y aun así se asocia positivamente con las actitudes populistas, cuando la teoría suele presentarlos como opuestos. Es un buen ejemplo de un resultado que obliga a volver a la teoría y a las mediciones antes de interpretarlo.
Que p < .001 indica que es muy improbable obtener estas correlaciones si en la población no hubiera relación lineal. No demuestra, por sí solo, que alguna variable cause actitudes populistas. Para eso, los autores avanzan con análisis adicionales: modelos de regresión y de ecuaciones estructurales.
Al comparar, revisá: ¿identificaste la variable con la correlación más alta en cada país? ¿Distinguiste la significación de la intensidad? ¿Evitaste afirmar causalidad a partir de la matriz?
Economía y estabilidad política en el G20
Doğan, F. C. (2026). Balancing economic security, economic growth, and sustainable stability as pillars of G20 states. Frontiers in Political Science. Acceder al artículo completo (acceso abierto).
El estudio analiza las relaciones entre estabilidad política, seguridad económica, crecimiento económico, efectividad gubernamental y apertura comercial en 19 países del G20 entre 2002 y 2025.
Guía de lectura
- El problema. ¿Qué relación general buscan estudiar los autores entre las condiciones económicas y la estabilidad política?
- Las variables. Buscá la Tabla 1 y la Tabla 3. ¿Qué mide cada una de las cinco variables de la matriz? ¿Con qué indicador se mide la «seguridad económica»? ¿Te parece una buena manera de medirla?
- La unidad de análisis. Cada observación, ¿es un país o un país en un año determinado? ¿Cuántas observaciones podría haber como máximo?
- Una correlación. En la Tabla 3, ¿cuál es la correlación entre estabilidad política y efectividad gubernamental? ¿Qué indica su signo? ¿Cómo describirías su intensidad?
- Comparar. Entre las cuatro variables restantes, ¿cuál tiene la correlación más alta con la estabilidad política? ¿Y la más baja?
- Una diferencia con el otro artículo. ¿La Tabla 3 informa valores p o asteriscos? ¿Podés saber, solo con esta tabla, qué correlaciones son estadísticamente significativas?
- Para qué sirve la matriz. El autor la usa antes de estimar sus modelos. ¿Qué información aporta? ¿Por qué no alcanza, por sí sola, para demostrar que una variable produce cambios en otra?
La «seguridad económica» se mide con las reservas internacionales como porcentaje del PBI: una medida discutible, porque deja afuera muchas cosas que entendemos por seguridad económica. Es una buena oportunidad para preguntarse por la validez de los indicadores antes de leer los números. La unidad de análisis es el país-año: 19 países a lo largo de 24 años, es decir, hasta 456 observaciones, no 19.
La estabilidad política presenta correlaciones positivas con las otras cuatro variables. La más alta es con la efectividad gubernamental (r = .63), moderada según nuestra guía; le siguen la seguridad económica (r = .41), el crecimiento económico (r = .28) y la apertura comercial (r = .15), estas dos últimas débiles.
La matriz permite comparar la dirección y la intensidad de las asociaciones, pero no informa valores p ni asteriscos: con esta tabla sola no podemos saber cuáles son estadísticamente significativas. Tampoco podemos concluir que una mayor efectividad gubernamental cause una mayor estabilidad política. El autor usa la matriz como una primera aproximación, y para chequear que las variables explicativas no estén demasiado correlacionadas entre sí antes de estimar sus modelos econométricos.
Al comparar, revisá: ¿identificaste la asociación más alta y la más baja? ¿Evitaste atribuir significación cuando la tabla no la informa? ¿Distinguiste una asociación observada de una relación causal?
Para cerrar cualquiera de los dos recorridos
Imaginá que tenés que explicarle a un compañero el hallazgo más importante de la matriz en dos frases. ¿Qué dirías, y qué aclaración metodológica agregarías?
No hace falta que coincidas palabra por palabra con el análisis del profesor. Lo importante es que identifiques las variables, interpretes bien la dirección y la intensidad, y aclares qué no puede concluirse solo a partir de la correlación.
Ejercicios autoguiados
Correlaciones reales de diputados argentinos (PELA-USAL 2017) y de la ciudadanía (Latinobarómetro 2017). Para cada una, aplicá la receta antes de mirar la respuesta.
- ¿Pasa el test? (p menor que 0,05)
- Si pasa: ¿la relación es positiva (directa) o negativa (inversa)?
- ¿Es débil (menos de 0,30; algunos autores usan 0,25), moderada (entre 0,30 y 0,75) o fuerte (desde 0,75)?
- ¿Cuánta variabilidad comparten, según el R²?
Script de R
Descargá el script y las bases (pestaña Bases), guardalos en la misma carpeta y ejecutalo. Solo usa R base. La última sección es para que cambies las variables y practiques.
# ============================================================
# Métodos Cuantitativos · Correlación de Pearson
# Datos: Latinobarómetro 2017 (Argentina) y PELA-USAL, Diputados Argentina 2017
# Solo usa R base: no hace falta instalar paquetes.
# ============================================================
# 1. Cargar las bases ----------------------------------------
# Guardá los dos CSV en la misma carpeta que este script y elegí esa carpeta:
# Session > Set Working Directory > To Source File Location
lb <- read.csv("Latinobarometro2017_correlacion.csv")
pela <- read.csv("PELA_Diputados_2017_correlacion.csv")
# Los códigos de "no sabe / no responde" pasan a NA (dato perdido)
for (v in setdiff(names(lb), c("WT", "edad"))) lb[[v]][lb[[v]] < 0] <- NA
for (v in setdiff(names(pela), "ponder")) pela[[v]][pela[[v]] > 10] <- NA
# 2. Una función para la correlación ponderada ----------------
# Devuelve r, el valor p (bilateral) y el n, como la salida de SPSS.
correlacion <- function(x, y, w) {
ok <- !is.na(x) & !is.na(y) & !is.na(w)
r <- cov.wt(cbind(x[ok], y[ok]), wt = w[ok], cor = TRUE)$cor[1, 2]
n <- sum(ok)
p <- if (abs(r) >= 1) 0 else 2 * pt(-abs(r * sqrt(n - 2) / sqrt(1 - r^2)), df = n - 2)
data.frame(r = round(r, 3), p = format.pval(p, digits = 3, eps = 0.001), n = n)
}
# 3. Primero, el gráfico --------------------------------------
# Ideología × valoración de Macri (diputados). Con jitter() los puntos
# repetidos se separan un poco para que se vean todos.
plot(jitter(pela$ubic_macri), jitter(pela$val_macri),
xlab = "Ubicación ideológica que le asigna a Macri (1-10)",
ylab = "Valoración de Macri (1-10)",
main = "Diputados argentinos, 2017", pch = 19, col = "#1F2A44")
# 4. Después, el número: un par de variables ------------------
correlacion(pela$ubic_macri, pela$val_macri, pela$ponder) # r = -0,785
correlacion(pela$ideologia, pela$ideologia_partido, pela$ponder)
correlacion(pela$ideologia, pela$val_papa, pela$ponder) # no pasa el test
correlacion(lb$ideologia, lb$democracia, lb$WT) # significativa, pero débil
# Nota: SPSS informa el N ponderado (1030); acá se muestra la cantidad de casos (1049).
# El r es el mismo.
# 5. Una matriz de correlaciones ------------------------------
# Lo mismo que la salida de SPSS del bloque 4.
vars <- c("ideologia", "democracia", "corrupcion_gob")
matriz <- outer(vars, vars, Vectorize(function(a, b)
correlacion(lb[[a]], lb[[b]], lb$WT)$r))
dimnames(matriz) <- list(vars, vars)
matriz
# 6. Probá vos -------------------------------------------------
# Cambiá las variables y leé el resultado con la receta de la clase:
# test → dirección → intensidad → R²
names(pela)
names(lb)
res <- correlacion(pela$tlc_eeuu, pela$tlc_ue, pela$ponder)
res
res$r^2 # R²: variabilidad compartida
Sintaxis de SPSS
Abrí la base con doble clic (archivo .sav de la pestaña Bases), abrí la sintaxis y ejecutá con Ctrl+A y Ctrl+R. Las variables ya tienen nombres claros, etiquetas y los «no sabe / no responde» definidos como perdidos.
* ============================================================.
* Métodos Cuantitativos · Correlación de Pearson.
* Abrí primero la base con doble clic (archivo .sav) y después ejecutá
* esta sintaxis: Ctrl+A para seleccionar todo y Ctrl+R para ejecutar.
* ============================================================.
* ---------- Latinobarómetro 2017, Argentina ----------.
* Abrí Latinobarometro2017_correlacion.sav.
WEIGHT BY WT.
* 1. Primero, el gráfico: nube de puntos.
GRAPH
/SCATTERPLOT(BIVAR)=ideologia WITH democracia.
* 2. Después, la matriz de correlaciones (la del bloque 4).
CORRELATIONS
/VARIABLES=ideologia democracia corrupcion_gob
/PRINT=TWOTAIL NOSIG
/MISSING=PAIRWISE.
* 3. Una matriz más grande: corrupción percibida en seis instituciones.
CORRELATIONS
/VARIABLES=corrupcion_justicia corrupcion_empresas corrupcion_gob
corrupcion_munic corrupcion_congreso corrupcion_sindicatos
/PRINT=TWOTAIL NOSIG
/MISSING=PAIRWISE.
* ---------- PELA-USAL, Diputados Argentina 2017 ----------.
* Abrí PELA_Diputados_2017_correlacion.sav.
WEIGHT BY ponder.
* 4. Nube de puntos: ubicación ideológica de Macri × valoración de Macri.
GRAPH
/SCATTERPLOT(BIVAR)=ubic_macri WITH val_macri.
* 5. Un par de variables.
CORRELATIONS
/VARIABLES=ubic_macri val_macri
/PRINT=TWOTAIL NOSIG
/MISSING=PAIRWISE.
* 6. Matriz: ideología, economía, comercio y líderes.
CORRELATIONS
/VARIABLES=ideologia estado_mercado tlc_eeuu tlc_ue val_evo val_macri
/PRINT=TWOTAIL NOSIG
/MISSING=PAIRWISE.
* 7. Probá vos: cambiá las variables de la lista y leé el resultado
* con la receta de la clase: test → dirección → intensidad → R².
Bases de la clase
Latinobarómetro 2017 · Argentina
1.200 personas. Ideología, evaluación de la democracia, corrupción percibida en seis instituciones, valoración de líderes y edad. Ponderador: WT.
PELA-USAL · Diputados Argentina 2017
Encuesta a diputados nacionales. Ideología propia y del partido, posición sobre Estado y mercado, temas de valores, tratados comerciales y valoración y ubicación de líderes. Ponderador: ponder. Valores mayores que 10 = no sabe / no responde.
Quiz integrado
Comparación de medias y correlación.