tamaño del efecto correlación – effect-size correlation

Correlación del Tamaño del Efecto

Primary Disciplinary Field(s): Psicometría, Estadística Aplicada, Metodología de Investigación Cuantitativa

1. Definición Central

El concepto de correlación del tamaño del efecto (effect-size correlation) se inscribe en el ámbito de la estadística inferencial y la metodología de investigación, representando una medida estandarizada de la fuerza y la dirección de la relación entre dos o más variables. A diferencia de los valores p, que meramente indican si un efecto es estadísticamente significativo (es decir, improbable que ocurra por azar), la correlación del tamaño del efecto cuantifica la magnitud práctica o sustantiva de esa relación. Este constructo es fundamental para ir más allá de la dicotomía de la significación estadística (rechazo o aceptación de la hipótesis nula) y evaluar la relevancia real del hallazgo en el contexto científico o aplicado. Una correlación, en este contexto, no solo se refiere al coeficiente de Pearson tradicional, sino a cualquier métrica que estandarice la covariación observada, permitiendo una interpretación universal de la magnitud del fenómeno estudiado.

La necesidad de estandarización surge de la variabilidad inherente a las unidades de medida originales de las variables. Si se investiga la relación entre horas de estudio (medidas en minutos) y rendimiento académico (medido en puntos de un examen), el coeficiente de covarianza resultante carecería de un significado universalmente comparable. El tamaño del efecto transforma esta covarianza en una escala sin unidades, permitiendo a los investigadores comparar la fuerza de los hallazgos entre estudios que utilizan diferentes instrumentos, poblaciones o diseños experimentales. Por lo tanto, la correlación del tamaño del efecto actúa como un puente crucial entre la observación empírica y la interpretación teórica, asegurando que las conclusiones extraídas reflejen la potencia predictiva o explicativa de la relación estudiada, promoviendo la acumulabilidad del conocimiento científico.

Es vital distinguir entre la correlación como estadístico descriptivo y la correlación como medida del tamaño del efecto. Mientras que el coeficiente de correlación (como r de Pearson) es intrínsecamente una medida de tamaño del efecto cuando se aplica a la relación lineal entre dos variables continuas, el término general “tamaño del efecto correlacional” abarca una familia más amplia de métricas. Esto incluye transformaciones que permiten expresar las diferencias entre grupos (como la d de Cohen) o las varianzas explicadas (como η² o R²) en términos de correlación, facilitando así la integración de resultados heterogéneos en análisis estadísticos de orden superior, como el metaanálisis. Esta versatilidad metodológica subraya su importancia central en la replicabilidad, la planificación de la investigación y la síntesis de la evidencia.

2. Etimología y Desarrollo Histórico

El concepto de correlación tiene raíces profundas en la estadística, popularizado por Sir Francis Galton y formalizado por Karl Pearson a finales del siglo XIX y principios del XX con el desarrollo del coeficiente r. Sin embargo, la formalización del “tamaño del efecto” como una necesidad metodológica separada de la significación estadística es un desarrollo mucho más reciente, impulsado principalmente por los desafíos de la replicabilidad y la sobre-confianza en el valor p. Aunque la idea de cuantificar la magnitud siempre existió, fue el trabajo de Jacob Cohen en la segunda mitad del siglo XX lo que consolidó la práctica de reportar y utilizar sistemáticamente los tamaños del efecto como un estándar metodológico riguroso.

Cohen, particularmente a través de su influyente libro de 1969 sobre el poder estadístico y su obra posterior, argumentó que los investigadores deben reportar métricas de la magnitud del efecto además de los resultados de las pruebas de hipótesis. Él proporcionó criterios estandarizados (pequeño, medio, grande) para interpretar diversas medidas del tamaño del efecto, incluyendo la correlación (r) y la diferencia estandarizada de medias (d). Este marco conceptual transformó la metodología de investigación, promoviendo una visión más matizada de los resultados experimentales al enfatizar que un efecto debe ser tanto estadísticamente detectable como prácticamente significativo. La crítica creciente al uso exclusivo del p-valor, especialmente desde la década de 1980 en adelante, elevó la correlación del tamaño del efecto de una práctica recomendada a un requisito fundamental en muchas revistas académicas de prestigio, impulsando la transparencia metodológica.

El desarrollo histórico también está intrínsecamente ligado al auge del metaanálisis, una técnica estadística diseñada para combinar los resultados de múltiples estudios independientes. Para que el metaanálisis sea viable, todos los resultados de los estudios deben ser convertidos a una métrica común y comparable. La correlación, o medidas basadas en ella (como la r o la z de Fisher), se convirtió en una de las métricas preferidas debido a su capacidad para estandarizar relaciones bivariadas independientemente de las escalas de medición originales. La estandarización de los tamaños del efecto, por lo tanto, no es solo una preocupación de un estudio individual para comunicar la fuerza de sus hallazgos, sino un requisito indispensable para la síntesis acumulativa de la evidencia científica a nivel global, permitiendo conclusiones de mayor peso y validez externa.

3. Características Clave y Métricas

La familia de métricas que caen bajo el paraguas de la correlación del tamaño del efecto se clasifica generalmente en medidas de la familia r (basadas en la proporción de varianza explicada) y medidas de la familia d (basadas en las diferencias de medias estandarizadas). Aunque la d de Cohen no es una correlación en sentido estricto, es crucial su inclusión ya que puede convertirse matemáticamente a r y viceversa, lo que garantiza la comparabilidad y la interoperabilidad de los hallazgos entre diseños experimentales y correlacionales. La selección de la métrica adecuada depende estrictamente del diseño del estudio y de la naturaleza de las variables.

• Coeficiente de Correlación de Pearson (r): Es la medida canónica para la correlación del tamaño del efecto cuando se relacionan dos variables continuas. Mide la fuerza y la dirección de una relación lineal, oscilando entre -1.0 y +1.0. Es intrínsecamente una medida de tamaño del efecto que informa directamente sobre el grado de asociación mutua, siendo la base para muchas otras métricas de la familia r.
• Coeficiente de Determinación (R² o η²): Derivado directamente de r (donde R² es el cuadrado de la correlación simple o múltiple), esta métrica representa la proporción de la varianza total en la variable dependiente que es explicada o contabilizada por la variable(s) predictora(s). Si bien no informa sobre la dirección de la relación (siempre es positiva), proporciona una interpretación intuitiva en términos de porcentaje de varianza explicada, siendo fundamental en análisis de regresión y ANOVA (donde se conoce como Eta Cuadrada, $eta^2$).
• Correlación Biserial-Punto (r_pb): Esta métrica se emplea cuando una variable es continua y la otra es dicotómica (binaria, por ejemplo, éxito/fracaso o grupo de control/tratamiento). Aunque se calcula como una correlación de Pearson, su magnitud refleja la diferencia estandarizada de medias entre los dos grupos definidos por la variable dicotómica, sirviendo como un nexo directo entre la familia r y la familia d.

La convertibilidad entre la familia r y la familia d (por ejemplo, $r = d / sqrt{d^2 + 4}$) es uno de los mayores atributos metodológicos del concepto de correlación del tamaño del efecto. Esta capacidad permite que los investigadores que utilizan diseños de comparación de grupos (que naturalmente generan $d$ de Cohen) puedan transformar sus resultados para la síntesis metaanalítica con estudios que utilizan diseños correlacionales. Además, estas métricas son diseñadas para ser relativamente independientes del tamaño de la muestra, contrastando fuertemente con los estadísticos de prueba como t o F. Esto significa que un tamaño del efecto correlacional de 0.30 representa la misma fuerza de relación práctica, independientemente de si la muestra es de 50 o 5000 participantes.

4. Interpretación y Guías Estandarizadas

La interpretación de la magnitud de una correlación del tamaño del efecto es un acto de juicio informado, ya que la “fuerza” de una relación es, hasta cierto punto, dependiente del contexto disciplinario y de la complejidad del fenómeno estudiado. No obstante, para establecer un lenguaje común y facilitar la comunicación científica, Jacob Cohen propuso directrices heurísticas que se han convertido en el estándar de facto en muchas ciencias sociales y conductuales. Estas directrices definen umbrales para clasificar el tamaño del efecto como pequeño, mediano o grande, proporcionando un punto de referencia esencial para la evaluación de los hallazgos.

Para el coeficiente de correlación de Pearson (r), las directrices de Cohen son las siguientes: un tamaño del efecto pequeño se asocia con un valor de $r approx 0.10$, lo que implica una relación débil que puede ser difícil de detectar sin un gran poder estadístico; un tamaño del efecto mediano se sitúa alrededor de $r approx 0.30$, considerado un efecto de importancia práctica notable; y un tamaño del efecto grande se establece para valores de $r approx 0.50$ o superiores, indicando una relación robusta y fácilmente observable. Es crucial comprender que la aplicación ciega de estos criterios puede ser engañosa; en campos como la epidemiología o la genética, donde los resultados están sujetos a una inmensa variabilidad no controlada, una correlación de 0.10 puede ser considerada un hallazgo significativo y digno de atención.

La contextualización de la interpretación se facilita al considerar el coeficiente de determinación ($R^2$). Una correlación de $r = 0.30$ (tamaño mediano) implica que $R^2 = 0.09$, lo que significa que solo el 9% de la varianza en una variable es explicada por la otra. Si bien este porcentaje puede parecer modesto, en la predicción de resultados complejos y multifactoriales (como la respuesta a un tratamiento médico o el éxito educativo), una variable que explique el 9% de la varianza es extremadamente relevante. Por lo tanto, la interpretación requiere no solo aplicar los criterios de Cohen, sino también evaluar la relevancia práctica, clínica o teórica del porcentaje de varianza explicada dentro del marco de la investigación específica.

5. Rol en el Metaanálisis y el Poder Estadístico

La correlación del tamaño del efecto es el componente esencial y la métrica unificadora del metaanálisis. Esta técnica de síntesis cuantitativa exige que los hallazgos de múltiples estudios independientes, que abordan la misma pregunta de investigación, sean transformados en una métrica común y estandarizada del tamaño del efecto, frecuentemente la $r$ o la $z$ de Fisher (una transformación de $r$). Al estandarizar los resultados, el metaanálisis puede calcular una estimación ponderada y agregada del efecto poblacional real, proporcionando una conclusión más robusta que cualquier estudio individual. Si los estudios individuales reportan sus resultados utilizando estadísticos de prueba dispares (como $t$, $F$, o $chi^2$), la capacidad de convertirlos a una métrica correlacional uniforme es lo que hace posible la síntesis rigurosa de la evidencia.

En el contexto del poder estadístico, la correlación del tamaño del efecto juega un papel normativo y predictivo fundamental. El poder estadístico es la probabilidad de rechazar correctamente una hipótesis nula falsa; es decir, la probabilidad de que un estudio detecte un efecto si este existe realmente en la población. El cálculo del poder estadístico, o el tamaño de muestra requerido para alcanzar un nivel de poder deseado, depende intrínsecamente de tres parámetros: el nivel de significación ($alpha$), el tamaño de la muestra (N), y, crucialmente, el tamaño del efecto anticipado. Sin una estimación informada del tamaño del efecto (a menudo obtenida de metaanálisis o estudios previos y expresada en términos de correlación), el cálculo del poder es arbitrario.

La planificación inadecuada del poder estadístico, frecuentemente resultado de no basar el diseño en un tamaño del efecto correlacional relevante, ha sido identificada como una causa subyacente de la crisis de replicabilidad. Los estudios con bajo poder tienen una alta probabilidad de no detectar efectos genuinos (falsos negativos) o, paradójicamente, de que sus resultados “significativos” sean menos fiables. Por lo tanto, las directrices modernas de la Asociación Americana de Psicología (APA) y otras organizaciones exigen el reporte obligatorio de los tamaños del efecto correlacionales. Esto no solo mejora la interpretación de los resultados actuales, sino que también proporciona los datos esenciales para que futuros investigadores realicen análisis de poder precisos y contribuyan a metaanálisis robustos y acumulativos.

6. Métodos de Cálculo y Conversión

La utilidad metodológica de la correlación del tamaño del efecto se maximiza gracias a la existencia de fórmulas de conversión que permiten a los investigadores moverse fluidamente entre diferentes métricas de efecto. Esto es indispensable para la integración de datos provenientes de estudios con diseños metodológicos distintos. Una de las conversiones más frecuentes es la de la diferencia estandarizada de medias ($d$ de Cohen, típica de diseños experimentales) al coeficiente de correlación ($r$). La fórmula simplificada $r = d / sqrt{d^2 + 4}$ (asumiendo tamaños de grupo iguales) permite que los resultados de experimentos se expresen en una métrica de varianza explicada, facilitando su inclusión en bases de datos metaanalíticas basadas en correlación.

Además de las conversiones entre familias de tamaños de efecto, la correlación puede calcularse directamente a partir de los estadísticos de prueba de hipótesis reportados en la literatura. Por ejemplo, si un estudio solo proporciona el valor t de Student y sus grados de libertad ($gl$), el tamaño del efecto correlacional puede ser recuperado utilizando la relación $r = sqrt{t^2 / (t^2 + gl)}$. Similarmente, los valores $F$ de los análisis de varianza (ANOVA) pueden transformarse en métricas de la familia $r$, como la $eta^2$ (Eta Cuadrada) o la $omega^2$ (Omega Cuadrada). Esta capacidad de recuperación de la magnitud del efecto es crucial cuando los informes originales son incompletos, permitiendo que la evidencia histórica sea aprovechada para la síntesis.

Un método de cálculo avanzado, indispensable en el metaanálisis, es la transformación $z$ de Fisher. Aunque el coeficiente $r$ es la métrica interpretativa final, su distribución muestral es asimétrica, especialmente cuando el valor poblacional es extremo (cercano a -1 o +1). Para realizar operaciones estadísticas válidas, como calcular la media ponderada de múltiples correlaciones, los investigadores transforman primero cada $r$ a $z_r$ utilizando la transformación de Fisher, que normaliza la distribución. Una vez que se calcula el promedio ponderado de los $z_r$, este valor se convierte de nuevo a la escala $r$ para la interpretación final, garantizando la precisión estadística de la síntesis.

7. Debates, Críticas y Limitaciones

A pesar de su valor innegable, la aplicación de la correlación del tamaño del efecto enfrenta críticas metodológicas significativas. La objeción más frecuente se dirige a la aplicación no crítica y dogmática de las directrices de Cohen (0.10, 0.30, 0.50). Los críticos argumentan que estos umbrales son arbitrarios y se basan en una revisión histórica de estudios en un campo específico (psicología social), haciendo que sean inapropiados para disciplinas con diferentes niveles de ruido de medición o varianza natural. Por ejemplo, en estudios sobre el rendimiento de medicamentos, un efecto pequeño (r=0.10) podría traducirse en salvar miles de vidas, siendo, por lo tanto, de una importancia clínica monumental.

Otra limitación crítica es la sensibilidad de la correlación del tamaño del efecto a los artefactos de medición y a las características de la muestra. La restricción del rango, que ocurre cuando la variabilidad de las variables en la muestra estudiada es menor que en la población (por ejemplo, estudiar el rendimiento solo en estudiantes de alto nivel), inevitablemente reduce artificialmente el valor observado de $r$, lo que lleva a una subestimación del tamaño del efecto poblacional real. Además, la baja fiabilidad o el error de medición no corregido en los instrumentos de investigación también atenúa la correlación observada. Los metodólogos más rigurosos abogan por corregir las correlaciones observadas por estos artefactos (corrección por atenuación) para obtener una estimación más precisa del parámetro poblacional.

Finalmente, existe un debate metodológico sobre la interpretación causal y la confusión entre correlación y causalidad. Aunque la correlación es una medida de asociación, su reporte sistemático no implica que la relación sea causal. Es fundamental que los investigadores recuerden que las correlaciones del tamaño del efecto son estimaciones de la asociación lineal o no lineal, y cualquier inferencia causal debe basarse en el diseño de investigación subyacente (por ejemplo, un ensayo controlado aleatorio) y no simplemente en la magnitud del $r$ reportado. La transparencia metodológica y el reporte de intervalos de confianza para el tamaño del efecto son cruciales para mitigar la sobreinterpretación de los hallazgos.

8. Lectura Adicional

• Tamaño del efecto – Wikipedia
• Cohen, J. (1988). Statistical Power Analysis for the Behavioral Sciences (2nd ed.).
• Cumming, G. (2014). The New Statistics: Why and How We Might Move Beyond P Values. American Psychologist.
• Rosenthal, R., & DiMatteo, M. R. (2001). Meta-analysis: Recent developments in quantitative methods for cumulative review. Annual Review of Psychology, 52(1), 59-82.