La regla que te enseñaron —«Pearson si hay normalidad, Spearman si no»— es la versión corta y es imprecisa. La diferencia real es qué tipo de relación mide cada uno: Pearson mide qué tan bien tus datos caen sobre una recta; Spearman mide si una variable sube cuando la otra sube, sin importar la forma. Aquí están los cinco criterios que sí deciden, con la tabla y el párrafo listo.
Tienes dos variables numéricas, quieres saber si están relacionadas y SPSS te ofrece las dos casillas en la misma ventana. La decisión parece trivial hasta que un sinodal te pregunta por qué elegiste una y no la otra. Esta guía es la respuesta larga.
Qué mide cada uno, en una frase
Pearson (la r) trabaja con los valores tal cual. Calcula qué tan cerca están tus puntos de una línea recta. Si la relación es real pero curva, Pearson la subestima o incluso la reporta como inexistente.
Spearman (la rho o rs) convierte cada variable en rangos —el más alto es 1, el siguiente 2, y así— y luego corre Pearson sobre esos rangos. Al hacerlo deja de importar la distancia entre los valores y solo importa el orden. Por eso captura cualquier relación monótona: una que sube siempre, o baja siempre, aunque no lo haga en línea recta.
El coeficiente de rangos lo propuso Charles Spearman en 1904, en The American Journal of Psychology, 15(1), 72, precisamente porque en psicología las mediciones rara vez tenían una escala métrica confiable y lo único defendible era el orden. Ese sigue siendo el mejor resumen de cuándo te conviene.
Los cinco criterios que deciden
| Criterio | Pearson | Spearman |
|---|---|---|
| 1. Nivel de medición | Ambas variables de intervalo o razón | Basta con que ambas sean ordinales; también acepta numéricas |
| 2. Forma de la relación | Solo detecta bien la relación lineal | Detecta cualquier relación monótona, recta o curva |
| 3. Casos extremos | Muy sensible: un solo caso lejano puede cambiar el resultado | Robusto: el caso extremo solo ocupa el último rango |
| 4. Distribución | La inferencia supone normalidad bivariada | No supone normalidad |
| 5. Qué reportas | r, gl, p, y el r2 como varianza compartida | rs, n, p; el cuadrado no se interpreta igual |
Fíjate en el criterio 2, que es el que la regla corta se salta: si la relación es curva pero siempre creciente, Spearman puede darte .90 mientras Pearson te da .70, y ninguno de los dos «está mal». Están midiendo cosas distintas.
El criterio 3 en imagen: por qué un solo caso te cambia la conclusión
En muestras chicas de licenciatura —treinta, cuarenta casos— basta un participante atípico para mover la r varios puntos. Antes de elegir el coeficiente, grafica el diagrama de dispersión y míralo. Si ves un punto solitario en una esquina, la decisión sobre qué hacer con él es previa y tiene sus propias reglas.
Un matiz que conviene tener a la mano: de Winter, Gosling y Potter (2016), en Psychological Methods, 21(3), 273-290, compararon los dos coeficientes en muchas distribuciones y tamaños de muestra y documentan que con muestras pequeñas ninguno de los dos es especialmente estable, y que las diferencias entre ambos dependen de la distribución concreta más que de una regla general. Traducción práctica: no presentes tu elección como si fuera una ley; preséntala como una decisión justificada por tus datos.
La ruta en SPSS
- Analizar → Correlacionar → Bivariadas.
- Pasa tus dos variables (o todas las que quieras correlacionar entre sí) al cuadro Variables.
- En Coeficientes de correlación marca Pearson, Spearman o ambas. Marcar las dos y compararlas es una jugada legítima y frecuentemente informativa.
- Deja la prueba de significación en Bilateral salvo que tu hipótesis tenga dirección declarada de antemano.
- Acepta. La salida es una matriz simétrica: solo necesitas leer el triángulo de arriba o el de abajo, no los dos.
Antes de esa ventana, ve a Gráficos → Cuadros de diálogo antiguos → Dispersión/Puntos y produce el diagrama. Correr una correlación sin haber visto la nube de puntos es la manera más común de reportar un número que no describe nada.
Lo que la correlación no te autoriza a decir
- No es causalidad. Es la advertencia de siempre y sigue siendo la más incumplida en las discusiones de tesis. Una tercera variable puede estar produciendo las dos, y eso tiene su propio tratamiento en la guía sobre la variable de confusión.
- No es predicción. Si lo que quieres es estimar cuánto cambia Y por cada unidad de X, necesitas una regresión, no una correlación. El procedimiento está en regresión lineal múltiple en SPSS.
- Una correlación alta entre dos predictores no es un hallazgo: es un problema. Cuando ambas variables van a entrar como independientes en un mismo modelo, la correlación entre ellas se llama de otra forma y se diagnostica de otra forma, en qué es la multicolinealidad y cómo se detecta con el VIF.
- «Significativa» no es «fuerte». Con 500 casos una r de .09 sale significativa y no describe absolutamente nada.
El caso mexicano típico: escalas tipo Likert
La mayoría de las tesis de licenciatura en México correlacionan dos escalas —satisfacción con desempeño, clima con rotación, ansiedad con rendimiento—. Ahí la respuesta práctica es:
- Puntaje total o promedio de dimensión: se trata como numérico y Pearson es defendible, siempre que el diagrama de dispersión se vea razonablemente lineal.
- Ítem individual contra ítem individual: son ordinales con cinco valores; Spearman es la opción más honesta.
La construcción del puntaje —y por qué un ítem suelto no es una variable continua— está en la guía de escala de Likert para tesis, y la evidencia de que ese puntaje mide lo que dices que mide, en validez y confiabilidad del instrumento.
Cómo se escribe en el capítulo
| Caso | Cómo se redacta |
|---|---|
| Pearson, relación positiva | Se encontró una correlación positiva moderada entre satisfacción laboral y desempeño, r(118) = .42, p < .001, lo que equivale a un 18 % de varianza compartida. |
| Spearman, variables ordinales | La asociación entre nivel de estudios del tutor y el puntaje del alumno resultó positiva y baja, rs = .21, n = 96, p = .039. |
| Sin asociación | No se observó asociación entre ambas variables, r(78) = .06, p = .598. |
| Cuando reportas ambos | Dado que el diagrama de dispersión mostró una relación creciente no lineal, se reportan ambos coeficientes: r(58) = .48 y rs = .67, ambos con p < .001. |
La matriz de correlaciones completa se presenta como tabla, con su número, su título y su nota; el formato exacto está en cómo hacer tablas y figuras en APA 7, y la ubicación del párrafo dentro del capítulo en cómo redactar el capítulo de resultados.
El veredicto, sin diplomacia
Si tus dos variables son puntajes de escala, la nube de puntos se ve razonablemente recta y no hay casos lejanos, usa Pearson: es lo que espera tu comité y lo que permite hablar de varianza compartida.
Usa Spearman si alguna variable es ordinal, si la nube es claramente curva, si hay casos extremos que no vas a eliminar, o si tu muestra es chica y prefieres un resultado que no dependa de un participante. Y si dudas, reporta los dos y explica en una línea por qué difieren: eso se lee como criterio, no como indecisión.
Lo que no conviene, y es lo que los comités detectan, es correr los dos y reportar solo el más alto sin decir que corriste ambos.
Con el coeficiente ya elegido, lo que suele frenar es sostener el mismo criterio y el mismo formato en las quince correlaciones que trae tu capítulo. Tesify te ayuda a redactar ese bloque a partir de tus propios resultados y con la estructura que piden los comités mexicanos; cotejar cada cifra contra tu salida sigue siendo tuyo. Si además comparaste dos grupos, la otra mitad del capítulo está en prueba t de Student en SPSS paso a paso.
Preguntas frecuentes
¿Puedo usar Pearson si mis datos no son normales?
El coeficiente se calcula igual, pero la prueba de significación asociada supone normalidad bivariada. Con muestras grandes esa suposición es tolerante; con muestras chicas y distribuciones muy sesgadas conviene reportar Spearman o acompañar la r de un intervalo obtenido por remuestreo.
¿Qué diferencia hay entre Spearman y Kendall?
Ambos son coeficientes de rangos. La tau de Kendall se basa en el conteo de pares concordantes y discordantes y suele preferirse con muestras muy pequeñas o con muchos empates. Spearman es el que reportan casi todas las tesis y el que tus lectores van a reconocer.
¿A partir de qué valor una correlación es «fuerte»?
No hay un umbral universal: depende del campo. Los rangos que circulan —bajo hasta .30, moderado hasta .50, alto arriba de .50— son convenciones, no reglas. Repórtalos como referencia y no como criterio de decisión, y acompaña siempre el coeficiente de su significancia y del tamaño de la muestra.
¿Puedo correlacionar una variable dicotómica con una numérica?
Sí, y el resultado se llama correlación biserial puntual, pero es matemáticamente equivalente a comparar los promedios de los dos grupos. Si tu pregunta es «¿difieren estos dos grupos?», la prueba t responde lo mismo de forma más interpretable.
¿Cuántos casos necesito para una correlación?
Depende de qué tan grande sea la asociación que quieres poder detectar. Con treinta casos solo verás correlaciones fuertes; las débiles requieren cientos. El cálculo se hace desde el diseño y está en cómo calcular el tamaño de la muestra.
¿Reporto la matriz completa o solo las correlaciones significativas?
La matriz completa. Presentar solo las que salieron significativas es una forma de reporte selectivo, y en una tabla de correlaciones se nota de inmediato porque quedan celdas vacías sin explicación.