Correlación: no toda correlación implica causalidad Translated title: Correlation: not all correlation entails causality

Abstract

Resumen El concepto de correlación implica contar con un par de observaciones (X y Y), es decir, el valor que toma Y para determinado valor de X; la correlación permite examinar la tendencia de dos variables a ir juntas, por ejemplo, sabemos que al incrementar la edad también aumentan las cifras de presión arterial, por lo tanto, si queremos responder una pregunta de investigación como ¿cuál es la relación entre edad y presión arterial?, la prueba estadística pertinente es una prueba de correlación. Esta prueba permite cuantificar la magnitud de la correlación entre dos variables y ayuda a predecir valores. Si estas variables tuvieran una correlación perfecta se podría inferir el valor de la variable Y conociendo el valor de X. Debido a estas ventajas, la correlación es una de las pruebas más usadas en el ámbito clínico, ya que además de medir la dirección y magnitud de la asociación de dos variables, es uno de los fundamentos de los modelos de predicción, como los modelos de regresión lineal, logística y riesgos proporcionales de Cox.

Translated abstract

Abstract The concept of correlation entails having a couple of observations (X and Y), that is to say, the value that Y acquires for a determined value of X; the correlation makes it possible to examine the trend of two variables to be grouped together. We know that, with increasing age, blood pressure figures also increase, therefore, if we want to answer a research question like “what is the connection between age and blood pressure?” the relevant statistical test is a correlation test. This test makes it possible to quantify the magnitude of the correlation between two variables, but it is also helpful for predicting values. If these variables had a perfect correlation, the value of the variable Y could be deduced by knowing the value of X. Because of these advantages, the correlation is one of the most frequently used tests in the clinical setting since, in addition to measuring the direction and magnitude of the association of two variables, it is one of the foundations for prediction models, such as linear regression model, logistic regression model and Cox proportional hazards model.