Cómo usar la correlación en datos de encuesta sin engañarte

Dos preguntas de tu encuesta se mueven juntas. Eso es todo lo que afirma un coeficiente de correlación, y la mayoría de los equipos le lee cuatro o cinco afirmaciones de más. Los datos de encuesta rompen la correlación de maneras previsibles, y saber cuáles te tocan es casi toda la habilidad.

La aritmética no es la parte difícil. Pegas dos columnas en nuestra calculadora de correlación de Pearson y en un segundo tienes r, r cuadrado y un valor p. El criterio está en el resto: si esas columnas debían compararse siquiera, y qué frase puedes escribir debajo.

Damos por sabida la definición, que cubre nuestro glosario sobre análisis de correlación. Lo que sigue se apoya en ella, aplicado a datos de cuestionario.

Qué afirma realmente una correlación, y qué no

Un coeficiente contesta una sola pregunta: qué tan bien describe una recta la nube de puntos cuando dibujas la respuesta A contra la B. Lo demás que la gente le cuelga es añadido.

No trae pendiente en unidades reales. Una r de 0,6 entre soporte y disposición a recomendar no dice cuántos puntos de NPS ganas por punto de soporte. Eso es una pendiente de regresión, el número que quería finanzas.

No trae dirección de causa. Ninguna. La r de A con B es idéntica a la de B con A, hasta el último decimal. La flecha la pones tú.

No dice nada de los subgrupos. Un 0,4 global puede ser 0,7 entre los clientes nuevos y 0,05 entre los antiguos, y hasta cambiar de signo dentro de un segmento.

Y no dice si la relación importa. Una r de 0,15 sobre cuarenta mil respondentes es significativa hasta el absurdo y comercialmente irrelevante, distinción que trata nuestra entrada sobre tamaño del efecto. Y 0,5 no significa la mitad. Elévala al cuadrado: 0,25, la varianza que comparten las dos respuestas.

Dos preguntas de la encuesta, o una pregunta y un resultado real

Hay dos correlaciones muy distintas en datos de encuesta. Los equipos calculan la primera porque sale gratis.

Pregunta contra pregunta. Los dos números vienen del mismo cuestionario, la misma persona, la misma sentada. Las columnas ya están juntas en la exportación, y son lo más contaminado que vas a producir nunca.

Sirven para una cosa: entender la estructura del cuestionario. Qué preguntas se agrupan. Cuáles preguntan lo mismo dos veces. Si tus seis impulsores son un halo con seis etiquetas.

Pregunta contra resultado. Un número sale de la encuesta y el otro de facturación, del producto o del CRM. Si renovó. Cuántos tickets abrió. Los unes por un identificador de respondente.

Cuesta más montarlo y vale cada hora. Los dos extremos ya no comparten método, humor, escala ni sesión, así que casi toda la inflación artificial desaparece. Espera coeficientes más pequeños: así era en realidad.

Hay una tensión aquí. Cruzar con registros de comportamiento exige respuestas identificadas, y eso cambia lo que la gente escribe. O el cruce, o el anonimato. Decide antes de salir a campo.

Datos Likert: Pearson, Spearman y por qué la discusión no termina nunca

La r de Pearson supone escala de intervalo: la distancia entre 2 y 3 es igual que entre 4 y 5. Una escala de Likert no lo garantiza: el salto de "en desacuerdo" a "neutral" no es el mismo que el de "de acuerdo" a "totalmente de acuerdo". Las respuestas Likert son ordinales. En rigor, aplicarles Pearson está mal.

Casi todo el mundo lo hace igual, y casi siempre sale bien. Las simulaciones sugieren que Pearson sobre escalas de 5 o 7 puntos recupera algo cercano a la relación real mientras las distribuciones no estén muy sesgadas. La violación es real, el daño casi siempre pequeño.

La pregunta útil es cuándo la elección cambia tu respuesta. Ve a Spearman con escalas de tres o cuatro puntos. Cuando la distribución está muy escorada, que en satisfacción es casi siempre. Cuando unos pocos casos extremos hacen el trabajo. Cuando la relación se ve monótona pero curvada. Spearman correlaciona rangos, así que la distancia entre puntos deja de importar.

Calcula las dos. No cuesta nada. Pearson 0,52 contra Spearman 0,49: reporta la que quieras y sigue. Pearson 0,61 contra Spearman 0,38: algo deforma el ajuste lineal, y ahí tienes un hallazgo en vez de un coeficiente.

Dos casos de borde se resuelven mal. Si una variable es binaria, renovó o no, y la otra es una valoración, quieres el coeficiente biserial puntual: Pearson con la binaria codificada 0 y 1. Si las dos son categorías nominales, el trabajo es de una prueba de chi cuadrado. Y para que las escalas se porten bien, tienes nuestra guía de escalas de Likert.

Cuántas respuestas hacen falta para que la r signifique algo

Casi ningún artículo sobre correlación entra aquí. Y es lo que más decisiones cambia de toda la página.

Un coeficiente sobre pocas respuestas no es un poco impreciso. Es inestable, más de lo que sugiere la intuición. Saca dos columnas aleatorias de cuarenta números sin relación entre sí y verás una r cercana a 0,3 con frecuencia incómoda, por pura suerte. Ese número acaba presentado como hallazgo en la revisión mensual.

Ponle un intervalo a cada coeficiente. Abajo, el intervalo al 95% para una r observada de 0,30, junto al coeficiente más pequeño que supera el umbral habitual de significancia estadística.

Respuestas	r mínima que llega a p < 0,05	Intervalo al 95% para una r observada de 0,30	Qué puedes decir con honestidad
30	0,36	-0,07 a 0,60	Nada. El intervalo cruza el cero
50	0,28	0,02 a 0,53	Positiva, de tamaño desconocido
100	0,20	0,11 a 0,47	Positiva, de débil a moderada
200	0,14	0,17 a 0,42	Positiva y modesta, vale seguirla
400	0,10	0,21 a 0,39	Modesta, se puede citar con su rango
1000	0,06	0,24 a 0,36	Estimación estable, comparable entre olas

Vuelve a leer la primera fila. Con treinta respuestas, un 0,30 es compatible con la ausencia de relación y con una bastante fuerte. Eso no es un hallazgo débil. No es un hallazgo.

Alrededor de 200 respuestas completas es donde las correlaciones empiezan a comportarse como estimaciones y no como rumores. Comparar coeficientes entre olas o segmentos pide bastante más, porque dos intervalos anchos casi siempre se solapan. Planifica con la calculadora de tamaño muestral y acota el resultado con la calculadora de intervalos de confianza.

Vigila el denominador. Si una pregunta estaba al final de un formulario largo, el par se apoya en mucha menos gente de la que sugiere tu total de respuestas, y el abandono no es aleatorio.

Sesgo de método común, o por qué tus correlaciones se ven mejor de lo que son

Cuando dos medidas salen del mismo respondente, el mismo instrumento y el mismo momento, parte de la relación pertenece al método y no al asunto medido. Las revisiones de investigación con autoinforme sitúan la varianza atribuible al método en torno a una cuarta parte.

Una cuarta parte, antes de hablar de la calidad del soporte.

Los mecanismos son poco glamorosos y muy humanos. A la gente le gusta ser coherente: quien puntuó el soporte con un 4 siente el tirón de poner otro 4 a la experiencia general. La impresión general se filtra hacia lo concreto, y por eso quien adora la marca es generoso hasta con la facturación. Algunos asienten a cualquier frase, hábito documentado como sesgo de aquiescencia. Y el orden de las preguntas también pesa.

Mención aparte para quien contesta en línea recta: su efecto es mecánico. Quien marca 5 en todo sin leer aporta un par perfectamente correlacionado a cada celda. Un puñado en una muestra de 200 levanta la cuadrícula entera. Fíltralos por tiempo dedicado y por varianza.

Esto no se elimina, solo se encoge, y sobre todo en el diseño. Toma la variable de resultado fuera de la encuesta. Separa las dos medidas en el tiempo. Varía los formatos de escala para que no compartan anclajes. Aleatoriza el orden de los ítems. Incluye una variable marcador sin relación con nada, y trata lo que correlacione con ella como suelo de ruido.

Y luego descuenta con honestidad. Si la correlación de encuesta contra encuesta es 0,55 y la de encuesta contra comportamiento es 0,20, la segunda está más cerca de la verdad del mundo. La primera, de la verdad sobre tu cuestionario.

La trampa del análisis de impulsores en NPS y CSAT

Casi todos los programas de lealtad hacen el mismo análisis. Correlacionan cada atributo del servicio contra la métrica principal y presentan los tres primeros como impulsores. Es el uso más extendido de la correlación en encuestas, y el razonamiento que lo sostiene no se sostiene.

Cuatro estructuras distintas producen el mismo coeficiente, y el coeficiente no puede distinguirlas.

La primera es la que esperabas: un soporte mejor sube de verdad la lealtad. La segunda es una causa compartida: los corporativos reciben soporte más rápido y ya se quedan más tiempo. La tercera es la flecha al revés, más verosímil de lo que los equipos admiten: quien ya te quiere puntúa bien cada interacción. La cuarta es método puro.

Nada en la r te dice cuál de las cuatro estás mirando. Nada en el ranking tampoco, porque las cuatro inflan el número igual.

La palabra que hay que vigilar es "impulsa". Una correlación autoriza "está asociado con". No autoriza "impulsa", ni "causa", ni "si mejoramos X, Y sube Z puntos". Esa última frase acaba en una solicitud de presupuesto, y un coeficiente transversal no la respalda, tenga el tamaño que tenga.

Ordena los atributos si quieres, pero como generador de hipótesis. Después pon a prueba el primero: cambia esa cosa para un grupo y no para otro, y mira la métrica. Un experimento vale más que una matriz de veinte atributos. Qué métrica principal encaja con cada trabajo lo vemos en nuestra comparación de NPS, CSAT, CES y CSI.

Mira el diagrama de dispersión antes de citar el número

Calcula la r y después dibuja los puntos. En ese orden, sin saltarte el segundo paso. Un coeficiente resume en un número una imagen de dos dimensiones, y los resúmenes pierden cosas.

La imagen muestra los valores atípicos. En encuestas rara vez son errores de captura y casi siempre son personas reales: el cliente furioso, el entusiasta, la cuenta diez veces más grande. Uno solo, en una muestra de 60, mueve la r 0,15.

Muestra la curvatura. Los datos de satisfacción se doblan, porque los atributos vienen con rendimientos decrecientes de fábrica. Mover a un cliente de 1 a 3 en soporte cambia mucho la lealtad. Moverlo de 4 a 5 casi no se nota.

Muestra el techo. Si tu CSAT promedia 4,6 sobre 5 con el ochenta por ciento de las respuestas pegadas al tope, casi no queda varianza que correlacionar. El rango restringido encoge la r por pura mecánica, así que un coeficiente bajo en una muestra muy satisfecha habla de la escala, no de los clientes.

Queda una atenuación más, y esta sí tiene arreglo. Las medidas poco fiables ponen techo a la correlación observable: dos preguntas sueltas y temblorosas no dan un coeficiente alto ni con las ideas de fondo muy ligadas. Una escala de tres o cuatro ítems sube ese techo; compruébala con nuestra calculadora de alfa de Cronbach.

Matrices de correlación y el problema de la pesca de datos

Una matriz de correlaciones es seductora. Veinte preguntas, una cuadrícula, todos los pares a la vez en rojo y azul. Parece un análisis.

Cuenta las celdas. Veinte ítems dan 190 pares únicos y, con el umbral habitual del cinco por ciento, unos nueve o diez parecerán significativos por azar aunque sean independientes. Busca las celdas más rojas y las encontrarás. Serán casualidad.

Tres formas de mantenerte honesto. Escribe tus hipótesis antes de mirar. Corrige por pruebas múltiples si insistes en revisarlo todo. O trata la matriz como exploración, saca los pares que te sorprendieron y confírmalos en la siguiente ola. Un patrón que se repite vale más que un valor p pequeño en los datos que lo produjeron.

Cuándo la correlación es directamente la herramienta equivocada

Varias preguntas habituales en encuestas parecen problemas de correlación y no lo son.

Comparar dos grupos no lo es. Si los clientes corporativos están más satisfechos que los pequeños es una diferencia entre dos medias, con su intervalo.

Las categorías nominales tampoco. Región, plan y canal de adquisición no tienen orden numérico, y codificarlos del 1 al 5 da un coeficiente que cambia si reordenas la lista. Ahí toca una tabulación cruzada y una prueba de chi cuadrado.

Más de dos variables a la vez tampoco. Querer el efecto del soporte manteniendo constantes el plan y la antigüedad te mete en análisis de regresión. Muerde sobre todo al buscar impulsores, donde un ranking por pares acredita a cada atributo la misma varianza compartida.

Tres preguntas sobre facilidad de uso tampoco: eso es fiabilidad, no correlación. Y dos métricas seguidas en el tiempo son una trampa, porque si las dos suben por razones sin relación, correlacionarán casi a la perfección.

Un ejemplo completo: rapidez del soporte y disposición a recomendar

Una empresa de software encuesta a 620 clientes al cerrar cada ticket. Tres valoraciones de 1 a 5, rapidez de la primera respuesta, calidad de la resolución y trato del agente, y después la recomendación de 0 a 10. Aparte, el helpdesk guarda el tiempo real de respuesta y facturación sabe quién renovó. El caso es inventado.

Las correlaciones entre preguntas salen fuertes. Calidad de la resolución contra recomendación, 0,61. Valoración de rapidez, 0,47. Trato del agente, 0,44. Con eso el equipo ya nombra la resolución impulsor principal y monta un trimestre de trabajo.

Ahora entran los datos de fuera. Tiempo medido de primera respuesta contra recomendación: -0,12. Renovación: 0,19.

Esa distancia es toda la lección. La rapidez percibida correlaciona con la lealtad a 0,47, y la registrada, sobre los mismos tickets, a -0,12. No pueden medir lo mismo. El 0,47 recoge sobre todo que quien se siente bien con una empresa habla bien de todo.

Ahora mira las tres preguntas de servicio entre sí, cosa que casi nadie hace. Resolución contra rapidez, 0,58. Resolución contra trato, 0,55. Rapidez contra trato, 0,52. Tres palancas supuestamente independientes correlacionan entre ellas casi tanto como con el resultado. No son tres impulsores. Son una impresión medida tres veces, y ordenarlas es ordenar ruido.

Algo real sobrevive: la renovación contra la recomendación, 0,19, es positiva y estable con esta muestra. El informe honesto dice que el bloque de servicio está asociado con la lealtad, que los atributos no se separan con estos datos y que el siguiente paso es probar un cambio.

Cómo explicar la r a quien no hace estadística

El arreglo es dejar de ponerla como titular y reportar una diferencia. No "el soporte correlaciona con la recomendación a 0,61", sino "quienes puntuaron el soporte con 4 o 5 dieron una recomendación media de 8,4, frente a 5,1 entre quienes le dieron 1 o 2". La misma relación, en unidades que la sala entiende. La r va al anexo.

Enseña también la imagen: un diagrama de dispersión con su recta, o barras con el resultado agrupado por el predictor. Y da el rango. Un "alrededor de 0,3, entre 0,2 y 0,4" vacuna a la sala contra el 0,27 del trimestre que viene.

Si dices esto	Ellos entienden esto	Di esto en su lugar
El soporte correlaciona con el NPS a 0,6	El soporte causa el 60% de nuestro NPS	Quien está contento con el soporte puntúa 3,3 puntos más
La correlación es estadísticamente significativa	El efecto es grande y está demostrado	Es poco probable que sea azar, y es pequeño
El onboarding es el impulsor principal	Arreglamos el onboarding y la métrica sube	El onboarding va primero en asociación, causa sin probar
La r cuadrado es 0,25	Explicamos una cuarta parte del comportamiento	Tres cuartas partes de la variación vienen de lo no medido
La correlación subió de 0,27 a 0,31	La relación se está fortaleciendo	Las dos lecturas caen en el mismo rango, nada se movió

Mete una frase fija en cada informe: esto muestra que las dos cosas se mueven juntas, no cuál mueve a cuál. Sobre qué acompaña a un coeficiente en la misma presentación, tienes nuestra guía de análisis descriptivo.

Errores que aparecen una y otra vez

Citar un coeficiente sin el tamaño de muestra al lado. Una r de 0,4 con 35 personas y una r de 0,4 con 3.500 no son la misma afirmación.

Ordenar atributos correlacionados como palancas independientes. Si seis impulsores correlacionan 0,5 entre sí, el ranking se baraja solo en la próxima ola.

Comparar coeficientes entre olas sin intervalos. Casi todo el movimiento de un trimestre a otro es ruido de muestreo, y tratarlo como tendencia genera trabajo inútil.

Dejar que la palabra "impulsor" entre al informe sin discusión. Convierte una asociación en afirmación causal en silencio, en una palabra, y después no la quita nadie.

Por dónde seguir

Con los datos en la mano, la secuencia es corta. Limpia a los que contestaron en línea recta. Dibuja el par antes de calcular nada. Corre Pearson y Spearman y mira si coinciden. Ponle un intervalo al resultado. Y contrasta tu frase con las cuatro estructuras de arriba.

Si el estudio todavía está en diseño, la decisión con más palanca es la de la segunda sección: mide al menos un lado de la relación fuera del cuestionario. Todo lo demás de esta página es control de daños.

Para poner a prueba un cuestionario antes de que salga, con los formatos de escala y el orden de ítems que alimentan el sesgo de método, pásalo por el mejorador de encuestas. Desde cero, crea una encuesta gratis y exporta las respuestas a estos análisis.

Preguntas frecuentes

¿Se puede usar la correlación de Pearson con datos de escala Likert?

En la práctica sí, con matices. Las respuestas Likert son ordinales y el supuesto de intervalo de Pearson queda formalmente violado, pero las simulaciones sugieren que el daño es pequeño en escalas de 5 y 7 puntos con distribuciones simétricas. Cambia a Spearman con escalas de tres o cuatro puntos, distribuciones muy escoradas, valores atípicos visibles o relaciones curvadas.

¿Cuántas respuestas hacen falta para que una correlación sea fiable?

Alrededor de 200 respuestas completas es donde las correlaciones empiezan a comportarse como estimaciones y no como rumores. Por debajo de 100, un resultado moderado y la ausencia de resultado se parecen demasiado. Con 30 respuestas, una r observada de 0,30 lleva un intervalo al 95% de aproximadamente -0,07 a 0,60, compatible con la ausencia total de relación.

¿Por qué dos preguntas de la misma encuesta siempre parecen correlacionar?

Porque parte de lo que comparten es la medición y no el asunto medido. El afán de coherencia, un halo general, la tendencia a estar de acuerdo y el orden de las preguntas empujan las respuestas de una persona en la misma dirección. Es el sesgo de método común, y el único arreglo fiable es sacar un lado del par fuera del cuestionario.

¿Una correlación alta con el NPS significa que ese atributo impulsa la lealtad?

No. Cuatro estructuras producen el mismo coeficiente: un efecto causal real, una tercera causa compartida como el plan o la antigüedad, la causalidad al revés porque el cliente satisfecho puntúa con generosidad cada interacción, y el método de medición compartido. Una correlación no puede distinguirlas. Usa el ranking como generador de hipótesis y prueba al primer candidato con un experimento.

¿Spearman o Pearson para datos de encuesta?

Pearson cuando las dos variables se pueden tratar como de intervalo, la escala tiene puntos suficientes y la relación se ve lineal. Spearman cuando el dato es ordinal y con pocos puntos, cuando las distribuciones están sesgadas, con valores atípicos o cuando la relación es monótona pero curvada. Spearman correlaciona rangos en lugar de valores, y así deja de importar la separación entre puntos.

¿Cómo se explica un coeficiente de correlación a un público no técnico?

Conviértelo en una diferencia entre grupos. En vez de "el soporte correlaciona con la recomendación a 0,61", di "quienes puntuaron el soporte con 4 o 5 dieron una recomendación media de 8,4, frente a 5,1 entre quienes le dieron 1 o 2". Añade un diagrama de dispersión, da un rango y cierra con una frase fija: se mueven juntas, no sabemos cuál mueve a cuál.

¿Qué es una buena correlación en investigación por encuesta?

No hay umbral universal, y las bandas convencionales son más laxas de lo que parecen. En autoinforme, las correlaciones entre ítems de actitud caen de forma rutinaria entre 0,4 y 0,7, en buena medida por el método compartido. Entre una respuesta de encuesta y un comportamiento real como la renovación suelen quedar entre 0,1 y 0,3, y aun así importan. Juzga un coeficiente contra lo que produce el mismo enfoque en tu sector.