estadistica.ar · Enciclopedia de Estadística en españolhttps://estadistica.ar/conceptos/eleccion-de-medida-de-asociacion
Qué medida de asociación usar
La tabla de doble entrada que devuelve el coeficiente correcto según el tipo de las dos variables, y las tres preguntas que hay que contestar antes de calcular.
Por Jorge Luis Montivero, Licenciado en Estadística · Mu3Sigma
1 · La pregunta previa
Todo el módulo de análisis bivariado responde una sola pregunta —¿estas dos variables están relacionadas?— con una docena de herramientas distintas. Cuál corresponde no depende del gusto ni de cuál dé más alto: lo decide el tipo de las dos variables.

2 · La tabla que resuelve la mayoría de los casos
| Nominal | Ordinal | Cuantitativa | |
|---|---|---|---|
| Nominal | V de Cramér · OR si es 2×2 | V de Cramér | Eta (razón de correlación) |
| Ordinal | V de Cramér | Spearman · Kendall | Spearman |
| Cuantitativa | Eta | Spearman | Pearson |
La tabla se lee igual en las dos direcciones porque lo que importa es el tipo de cada variable, no su orden. Eso no quiere decir que todas las medidas sean simétricas: eta, por ejemplo, mide cuánto de la cuantitativa explica el grupo, y la pregunta inversa no tiene sentido. También son asimétricas la d de Somers, la lambda y la tau de Goodman-Kruskal, que distinguen cuál variable predice a cuál.
La regla general es que manda la escala más pobre de las dos: si una es ordinal y la otra cuantitativa, va Spearman. La excepción es la celda de eta. Aplicada al pie de la letra, la regla llevaría a categorizar la cuantitativa y usar V de Cramér, que tira información; eta la conserva.
Dos casos particulares:
- Dos ordinales con pocas categorías, cargadas de empates, se resumen mejor con la tau-b de Kendall o la gamma de Goodman-Kruskal que con Spearman.
- Una dicotómica y una cuantitativa: la correlación punto-biserial es Pearson con la dicotómica codificada 0 y 1, y en ese caso eta coincide con .
3 · Las tres preguntas, en orden
1 · ¿Qué escala tiene cada variable? Resuelve la fila y la columna de la tabla. Ojo con las variables guardadas como números que en realidad son categóricas —códigos de provincia, de rama, de nivel educativo—: lo que manda es el concepto, no el formato. Ver escalas de medición.
2 · ¿Qué forma tiene la relación? Se contesta mirando el diagrama de dispersión, nunca adivinando:
| Forma | Medida |
|---|---|
| Lineal | Pearson |
| Monótona pero curva | Spearman o Kendall |
| No monótona (U, ciclo) | Ninguna correlación sirve: eta, agrupando la explicativa en tramos |
3 · ¿Hay valores extremos o asimetría fuerte? Si los hay, Pearson queda comprometido y conviene Spearman, o Pearson sobre una transformación.
4 · El caso 2×2, que tiene medidas propias
Cuando las dos variables son dicotómicas hay más opciones que en cualquier otra celda, y cada una responde algo distinto:
| Medida | Qué contesta | Rango |
|---|---|---|
| Phi | Cuán fuerte es la asociación | −1 a 1 |
| Diferencia de riesgos | Cuántos puntos porcentuales de más | −1 a 1 |
| Riesgo relativo | Cuántas veces más probable | 0 a ∞ |
| Odds ratio | Cuántas veces mayor la chance | 0 a ∞ |
Phi va de −1 a 1 cuando se calcula con signo, como ; la versión que sale del chi-cuadrado pierde el signo y va de 0 a 1. En cualquiera de las dos, si los márgenes de la tabla están muy desparejos, el máximo alcanzable queda por debajo de 1.
5 · Un ejemplo con las tres respuestas
Horas trabajadas e ingreso de la ocupación principal:
| Pregunta | Respuesta | Consecuencia |
|---|---|---|
| ¿Escalas? | Las dos cuantitativas | La celda es Pearson |
| ¿Forma? | Crece hasta unas 40 horas y después se aplana | Spearman también |
| ¿Extremos? | Sí, el ingreso tiene cola larga | Pearson queda castigado |
Por eso el resultado correcto informa las dos: Pearson 0,249 y Spearman 0,411, y la diferencia entre ambas es parte del hallazgo. Pero hay que leerla con cuidado: una brecha así puede venir de que la relación no es lineal, de los valores extremos o de las dos cosas. Acá pesan las dos:
| Horas semanales | ≤10 | 10–20 | 20–30 | 30–40 | 40–45 | 45–50 | más de 50 |
|---|---|---|---|---|---|---|---|
| Ingreso mediano | $200.000 | $400.000 | $700.000 | $1.000.000 | $1.100.000 | $900.000 | $1.000.000 |
La mediana sube con fuerza hasta las 40 horas y después se aplana: no es una recta. Y los extremos también cuentan: sacando el 1 % de ingresos más altos, Pearson sube de 0,249 a 0,331, y con el logaritmo del ingreso llega a 0,431. La diferencia entre coeficientes avisa; el diagrama de dispersión dice cuál de las dos causas es.
6 · Lo que ninguna medida contesta
Elegir bien el coeficiente resuelve cómo medir la asociación, y deja intactas tres preguntas que ninguna fórmula responde:
| Pregunta | Dónde se resuelve |
|---|---|
| ¿Es causal? | Diseño del estudio, no el cálculo |
| ¿Se mantiene al controlar una tercera variable? | Estratificando, o con regresión múltiple |
| ¿Es generalizable a la población? | La prueba y su intervalo |
7 · Errores frecuentes
- Usar Pearson con variables ordinales porque están guardadas como números.
- Usar correlación con variables nominales. No hay orden que correlacionar.
- Calcular la asociación sin graficar.
- Elegir la medida según cuál da más alto.
- Comparar coeficientes de familias distintas. Una V de 0,25 y un de 0,25 no indican la misma intensidad, salvo en una tabla 2×2, donde V = phi = con las variables codificadas 0 y 1. Tampoco se comparan Spearman y Kendall: con las horas y el ingreso dan 0,411 y 0,296 para la misma relación.
- Olvidar que cuantitativa × categórica tiene medida. No hay que dicotomizar ni inventar códigos: va eta.
- Informar el coeficiente sin el ni el intervalo.
- Leer cualquiera de ellos como prueba de causa.
8 · En el software
# R — una por celda de la tabla
# d: ocupados de la EPH con ingreso y horas; region y cat_ocup, como factores
x <- d$horas; y <- d$ingreso
cor(x, y) # Pearson 0.249
cor(x, y, method = "spearman") # Spearman 0.411
cor(x, y, method = "kendall") # Kendall 0.296
tabla <- table(d$region, d$cat_ocup)
rcompanion::cramerV(tabla) # V de Cramér (rcompanion se instala aparte)
# Eta: cuantitativa por categórica
modelo <- aov(ingreso ~ region, data = d)
lsr::etaSquared(modelo) # eta cuadrado (lsr se instala aparte)
summary(lm(ingreso ~ region, data = d))$r.squared # lo mismo, sin paquetes
# Python
import numpy as np
import pandas as pd
from scipy import stats
x, y = d["horas"], d["ingreso"]
stats.pearsonr(x, y)
stats.spearmanr(x, y)
stats.kendalltau(x, y)
tabla = pd.crosstab(d["region"], d["cat_ocup"])
stats.contingency.association(tabla, method="cramer") # V de Cramér
# Eta cuadrado a mano: variabilidad entre grupos sobre total
gm = d["ingreso"].mean()
entre = d.groupby("region")["ingreso"].agg(["mean", "size"])
sc_entre = (entre["size"] * (entre["mean"] - gm) ** 2).sum()
sc_total = ((d["ingreso"] - gm) ** 2).sum()
sc_entre / sc_totalSeguir leyendo
Bioestadística · Fundamentos y descripción · 68 de 330
Estadística para Economía y Administración · Fundamentos y descripción · 67 de 318
Probabilidad y Estadística · Fundamentos y descripción · 67 de 302
Estadística para Ciencias Sociales · Fundamentos y descripción · 65 de 288
Estadística para la tesis · Los datos · 118 de 233
Cómo citar: Montivero, J. L. (2026). Qué medida de asociación usar. estadistica.ar. https://estadistica.ar/conceptos/eleccion-de-medida-de-asociacion
estadistica.ar es gratuita y sin publicidad. Si te sirvió, podés invitar un cafecito por transferencia al alias mu3sigma. Asesoramiento estadístico, encuestas y capacitaciones: m3s.pro · WhatsApp +54 9 383 499-7929.
Cómo citar esta entrada
APA (7.ª edición)
Montivero, J. L. (2026). Qué medida de asociación usar. estadistica.ar. https://estadistica.ar/conceptos/eleccion-de-medida-de-asociacion
BibTeX
@misc{estadistica_ar_eleccion_de_medida_de_asociacion,
author = {Montivero, Jorge Luis},
title = {{Qué medida de asociación usar}},
year = {2026},
howpublished = {\url{https://estadistica.ar/conceptos/eleccion-de-medida-de-asociacion}},
note = {estadistica.ar. Consultado el \today},
urldate = {2026-11-09}
}Última actualización: 9 de noviembre de 2026. El contenido está bajo licencia CC BY-NC-SA 4.0: se puede reutilizar citando la fuente y sin fines comerciales.