Calculadora de correlación parcial

La correlación parcial mide la relación lineal entre dos variables tras eliminar de ambas la influencia lineal de otra variable. El coeficiente de Pearson ordinario entre X e Y puede ser alto porque ambas están asociadas con Z. La correlación parcial de primer orden examina qué relación queda entre X e Y cuando esa asociación compartida con Z se mantiene constante. Es útil para el análisis preliminar de confusión, la investigación exploratoria, la enseñanza y la comprobación de resultados de software estadístico. La calculadora requiere tres coeficientes de Pearson por pares: la correlación entre X e Y, entre X y la variable de control Z, y entre Y y Z. Resta la parte de la asociación X-Y que se desprende de sus relaciones individuales con Z y estandariza el resto. El resultado permanece entre menos uno y más uno cuando las tres entradas forman una estructura de correlación válida. Un resultado positivo indica que los valores residuales mayores de X tienden a acompañarse de valores residuales mayores de Y. Un resultado negativo indica una relación residual inversa. La magnitud describe la fuerza, no la importancia ni la causalidad. Un coeficiente próximo a cero significa que queda poca asociación lineal tras controlar Z; uno más cercano a cualquiera de los extremos indica un patrón lineal restante más fuerte. También importan el contexto, el tamaño muestral, la calidad de medición y la incertidumbre. Esta calculadora solo presenta el coeficiente; no calcula intervalos de confianza ni pruebas de significación, pues esos procedimientos también requieren el tamaño de la muestra y supuestos sobre las observaciones. La fórmula queda indefinida si X o Y tienen una correlación perfecta con Z. En ese caso, eliminar Z no deja variación residual en esa variable. Además, las correlaciones deben calcularse con las mismas observaciones y el mismo tratamiento de los datos faltantes. Los coeficientes por pares procedentes de muestras no relacionadas pueden ser matemáticamente incompatibles. Utiliza el resultado como un ajuste descriptivo conciso y examina gráficos de los datos y un modelo de regresión adecuado si las decisiones dependen de efectos no lineales, interacciones, más variables de control o una interpretación causal.