Calculadora de correlação parcial

A correlação parcial mede a relação linear entre duas variáveis após remover de ambas a influência linear de outra variável. Um coeficiente de Pearson comum entre X e Y pode ser alto porque as duas variáveis estão associadas a Z. A correlação parcial de primeira ordem examina qual relação permanece entre X e Y quando essa associação compartilhada com Z é mantida constante. Isso a torna útil para análises preliminares de confundimento, pesquisa exploratória, ensino e conferência de resultados de programas estatísticos. A calculadora exige três coeficientes de Pearson por pares: a correlação entre X e Y, entre X e a variável de controle Z e entre Y e Z. Ela subtrai a parcela da associação X-Y implícita nas relações individuais com Z e padroniza o restante. O resultado fica entre menos um e mais um quando as três entradas formam uma estrutura de correlação válida. Um resultado positivo indica que resíduos maiores de X tendem a acompanhar resíduos maiores de Y. Um resultado negativo indica uma relação residual inversa. A magnitude descreve a força, não a importância nem a causalidade. Um coeficiente próximo de zero significa que resta pouca associação linear após controlar Z, enquanto um valor mais próximo de qualquer extremo indica um padrão linear restante mais forte. Contexto, tamanho amostral, qualidade da medição e incerteza continuam importantes. Esta calculadora informa apenas o coeficiente; não calcula intervalo de confiança nem teste de significância, pois esses procedimentos também exigem o tamanho da amostra e pressupostos sobre as observações. A fórmula fica indefinida quando X ou Y tem correlação perfeita com Z. Nesse caso, remover Z não deixa variação residual nessa variável. As correlações informadas também devem ser calculadas com as mesmas observações e o mesmo tratamento de valores ausentes. Coeficientes por pares reunidos de amostras sem relação podem ser matematicamente inconsistentes. Use o resultado como um ajuste descritivo conciso e examine gráficos dos dados e um modelo de regressão adequado quando decisões dependerem de efeitos não lineares, interações, outras variáveis de controle ou interpretação causal.