El coeficiente de correlación de rango de Spearman mide con qué consistencia dos variables se mueven juntas en la misma (u opuesta) dirección — incluso cuando esa relación no es una línea recta. En lugar de trabajar con valores crudos como la r de Pearson, primero ordena cada variable en rangos y correlaciona esos rangos, lo que la hace más robusta frente a los valores atípicos y capaz de capturar cualquier relación monótona, no solo una lineal.
Cómo funciona la transformación de rangos
La ρ de Spearman comienza convirtiendo cada variable en rangos: el valor más pequeño de una lista recibe el rango 1, el siguiente más pequeño recibe el rango 2, y así sucesivamente. Una vez que tanto X como Y están ordenados, se calcula la diferencia d entre los rangos de cada par, se eleva al cuadrado y se suma en Σd². Para un conjunto de datos sin valores empatados, esa suma se sustituye directamente en la fórmula abreviada ρ = 1 − 6Σd² / (n(n²−1)), que produce un valor entre −1 y +1 igual que la r de Pearson — pero basado completamente en el orden de rango en lugar de la magnitud de los números originales.
Por qué los empates cambian la fórmula
Cuando dos o más valores de la misma lista son iguales, no pueden recibir rangos distintos sin un desempate arbitrario. La solución estándar es darle a cada valor empatado el promedio de los rangos que ocuparía colectivamente — por ejemplo, valores empatados en el 3.º y 4.º lugar reciben ambos el rango 3.5. Una vez que los rangos se promedian de esta manera, la fórmula abreviada simple ya no es exacta: se derivó asumiendo que cada rango es un entero distinto. El enfoque correcto es en cambio calcular el coeficiente de correlación de Pearson ordinario sobre los rangos promediados, lo cual es exacto sin importar cuántos empates estén presentes y se reduce a la misma respuesta que la fórmula abreviada cuando resulta que no hay empates en absoluto.
Cuándo elegir Spearman sobre Pearson
La r de Pearson mide qué tan bien se ajusta una relación a una línea recta — puede subestimar una relación fuerte si esa relación se curva, incluso si se curva de manera consistente en una dirección. La ρ de Spearman solo se preocupa por el orden: mientras Y aumente confiablemente (o disminuya confiablemente) conforme aumenta X, ρ estará cerca de ±1 sin importar la forma exacta de la curva. Spearman también es menos sensible a los valores atípicos, ya que un solo valor extremo solo desplaza un rango en lugar de jalar dramáticamente una media o una suma de cuadrados. Recurre a Spearman cuando tus datos son ordinales (clasificaciones, calificaciones, puntuaciones de satisfacción) o cuando un diagrama de dispersión muestra una tendencia clara pero curva; recurre a Pearson cuando necesitas saber específicamente qué tan lineal es una relación, como antes de ajustar una regresión lineal.
Eligiendo la herramienta de correlación correcta
La ρ de Spearman es una de varias formas de cuantificar cómo se mueven juntas dos variables. Si tus datos se ven lineales en lugar de solo monótonos, o quieres una línea de regresión completa, usa la Calculadora de Coeficiente de Correlación para la r de Pearson, o Regresión Lineal para ajustar y predecir a partir de esa línea. Para ver la variabilidad conjunta cruda antes de que se estandarice en un coeficiente adimensional, prueba la Calculadora de Covarianza. Para ver cuánta de la varianza de Y explica realmente un ajuste lineal, usa la Calculadora de Coeficiente de Determinación. Y dado que tanto la fórmula de Spearman como la de Pearson dependen de cuán dispersa está cada variable, la Calculadora de Desviación Estándar es un buen complemento para entender tus datos de entrada.