Correlación y regresión lineal

Última actualización: 30/08/2026 por EMEI

El análisis de la relación entre variables cuantitativas constituye uno de los pilares fundamentales de la bioestadística aplicada a la epidemiología molecular y la investigación clínica. En el contexto actual, donde las tecnologías de secuenciación masiva y la monitorización clínica generan volúmenes ingentes de datos, resulta imperativo comprender las herramientas matemáticas que permiten evaluar la asociación y la predicción biológica. Aunque los conceptos de correlación y regresión lineal se utilizan a menudo de forma simultánea y sus cálculos subyacentes comparten fundamentos matemáticos, responden a preguntas de investigación diametralmente distintas. La correlación cuantifica la dirección y la magnitud de la asociación entre dos variables sin asumir causalidad, mientras que la regresión lineal establece un modelo predictivo donde una variable biológica o clínica depende directamente de otra.

Coeficiente de Correlación de Pearson (r)

Cuando el diseño experimental requiere medir el grado de asociación lineal entre dos variables cuantitativas continuas, el estimador estadístico de elección es el coeficiente de correlación de Pearson. Antes de ejecutar el algoritmo matemático, la metodología rigurosa exige la representación de los datos mediante un gráfico de dispersión para evaluar visualmente la morfología de la relación. Al tratarse de una prueba paramétrica, el coeficiente de Pearson exige que ambas variables sigan una distribución normal (gaussiana).

El coeficiente de Pearson, denotado por la letra r, oscila estrictamente entre los valores -1 y +1. Un valor de r positivo indica una asociación directamente proporcional: el incremento en la concentración de una variable se acompaña del aumento en la otra. Por ejemplo, en la evaluación de la respuesta inflamatoria sistémica frente a Escherichia coli, se espera una correlación positiva entre los niveles séricos de interleucina-6 y la concentración de proteína C reactiva. Por el contrario, un valor de r negativo refleja una asociación inversamente proporcional, donde el aumento de una variable conlleva la disminución de la otra, como ocurre al correlacionar la carga viral del Virus de la Inmunodeficiencia Humana (VIH) con el recuento absoluto de linfocitos T CD4+.

Una correlación se considera perfecta si r es exactamente igual a +1 o -1, escenario en el cual todos los puntos del gráfico de dispersión se alinean sobre una recta matemática exacta. Es crucial definir a priori qué magnitud de r se considerará clínicamente relevante. Debido a la dependencia del tamaño muestral, en estudios epidemiológicos masivos con miles de pacientes, un coeficiente tan bajo y biológicamente irrelevante como r igual a 0,07 puede alcanzar significación estadística (valor p inferior a 0,05). Por consiguiente, el coeficiente r debe reportarse siempre acompañado de su respectivo Intervalo de Confianza del 95 por ciento. Un resultado estadísticamente significativo únicamente demuestra que es altamente improbable que el verdadero valor poblacional de r sea cero.

Coeficiente de Correlación No Paramétrico de Spearman (rho)

En múltiples escenarios de la investigación biomédica, las variables analizadas no cumplen el supuesto de normalidad, o bien se trata de variables ordinales que categorizan estadios clínicos o histológicos. En estas situaciones, el uso de Pearson es metodológicamente incorrecto y se debe recurrir al coeficiente de correlación no paramétrico de Spearman, denotado por la letra griega rho.

Este estadístico se fundamenta en la transformación de los valores brutos de las variables en rangos o posiciones jerárquicas ordenadas de menor a mayor. Un ejemplo clásico en hepatología molecular es la evaluación de la correlación entre el grado de fibrosis hepática medido mediante la escala ordinal METAVIR (de F0 a F4) en pacientes infectados por el Virus de la hepatitis C y los niveles séricos de la enzima alanina aminotransferasa. Al igual que Pearson, el coeficiente rho de Spearman oscila entre -1 y +1, interpretándose la dirección y la fuerza de la asociación de manera análoga. Ambos coeficientes son medidas adimensionales, careciendo de unidades de medida físicas o biológicas.

Errores Metodológicos y Usos Incorrectos de la Correlación

La simplicidad del cálculo de la correlación conduce frecuentemente a interpretaciones erróneas que comprometen la validez de las publicaciones científicas. Es imperativo evitar los siguientes sesgos metodológicos:

• Violación de la Independencia: Ambos coeficientes exigen que las observaciones sean estrictamente independientes. Es un error grave aplicar una correlación estándar cruzando datos de medidas repetidas en los mismos pacientes a lo largo del tiempo, ya que la varianza intra-sujeto distorsiona el estadístico.

• Asunción de Causalidad: La correlación mide asociación matemática, nunca una relación de causa y efecto fisiopatológica. Además, la correlación es bidireccional y simétrica; la asociación de la variable X frente a la variable Y es matemáticamente idéntica a la de Y frente a X.

• Variables de Confusión y Correlaciones Espurias: La presencia de una asociación estadísticamente significativa puede estar mediada por una tercera variable oculta. Por ejemplo, se podría encontrar una fuerte correlación positiva entre la cantidad de canas en el cabello y el riesgo de sufrir un infarto agudo de miocardio. Sin embargo, esta correlación es espuria, ya que ambas variables dependen de una variable de confusión subyacente: la edad cronológica del paciente.

• Inflación del Error Tipo I por Comparaciones Múltiples: En estudios de genómica transcriptómica, existe la tentación de correlacionar la expresión de cientos de genes (como FOXN1, RAG-1 o AICDA) con fenotipos clínicos sin una hipótesis previa. Si se cruzan 20 variables independientes entre sí, se generan 190 pares posibles. Por puro azar estadístico, el 5 por ciento de estas correlaciones (aproximadamente 9 o 10) resultarán significativas con una p inferior a 0,05, generando falsos positivos. Para mitigar este sesgo, es obligatorio aplicar ajustes estadísticos como la corrección de Bonferroni.

• Evaluación de la Concordancia: La correlación de Pearson no debe utilizarse para evaluar la fiabilidad o concordancia entre dos instrumentos de medida clínica o diagnóstica. Para comparar, por ejemplo, dos ensayos de PCR cuantitativa frente a Mycobacterium tuberculosis, se debe emplear el Coeficiente de Correlación Intraclase o el método gráfico de Bland-Altman.

Regresión Lineal Simple: De la Asociación a la Predicción Clínica

Cuando el marco teórico biológico establece que una variable actúa como causa, predictor o determinante de otra, el análisis debe evolucionar hacia la regresión lineal simple. A diferencia de la correlación, la regresión es asimétrica y exige definir claramente una variable dependiente (variable de respuesta, ubicada en el eje Y de las ordenadas) y una variable independiente (variable predictora, ubicada en el eje X de las abscisas).

El objetivo fundamental de la regresión lineal simple es calcular la ecuación de la mejor recta de ajuste que atraviesa la nube de puntos del gráfico de dispersión, minimizando las distancias verticales (residuos) entre cada observación empírica y la recta teórica mediante el método de mínimos cuadrados. La ecuación resultante adopta la forma matemática Y = a + bX.

Para ilustrar este modelo, consideremos un estudio neumológico que evalúa la relación entre el Volumen Espiratorio Forzado en el primer segundo (FEV1, variable dependiente) y la talla anatómica en centímetros (variable independiente) en una cohorte de 170 adolescentes. El FEV1 es un marcador espirométrico crucial para evaluar la permeabilidad de la vía aérea en patologías obstructivas o en infecciones respiratorias crónicas por Pseudomonas aeruginosa. El análisis inicial revela una relación lineal con un coeficiente de correlación de Pearson de 0,86 (Intervalo de Confianza del 95 por ciento: 0,82 a 0,90), confirmando una fuerte asociación positiva.

Interpretación de los Parámetros del Modelo Predictivo

Al ejecutar el modelo de regresión lineal, el software estadístico proporciona tres bloques de información crítica para la interpretación clínica:

• Coeficiente de Determinación (R cuadrado): Equivale al coeficiente de correlación de Pearson elevado al cuadrado. Representa la proporción de la varianza de la variable dependiente que es explicada por la variable independiente. En el estudio espirométrico, un R cuadrado de 0,75 indica que el 75 por ciento de la variabilidad observada en el FEV1 de los adolescentes se explica exclusivamente por las diferencias en su talla anatómica.

• ANOVA de la Regresión: Este análisis de varianza descompone la suma de cuadrados totales en la suma de cuadrados explicada por el modelo y la suma de cuadrados residual (no explicada). Un valor p significativo en esta tabla rechaza la hipótesis nula de que la pendiente de la recta es cero, validando la utilidad predictiva del modelo.

• Coeficientes de la Ecuación (a y b): El modelo estima la constante o intersección (a) y la pendiente (b). En el ejemplo del FEV1, los resultados arrojan una constante de -8,387 y una pendiente de 0,073. La ecuación predictiva se formula como: FEV1 (litros) = -8,387 + 0,073 * Talla (cm). El valor de la pendiente (0,073) posee un significado clínico directo: por cada centímetro adicional de crecimiento en la talla del adolescente, el volumen espiratorio forzado se incrementa en 0,073 litros. Utilizando esta ecuación, para un paciente de 170 centímetros de altura, el modelo pronostica un FEV1 esperado de 4,03 litros (0,073 * 170 – 8,387). El modelo también proporciona el valor beta estandarizado, que en la regresión simple coincide exactamente con el coeficiente de Pearson.

Ruta de Validación del Modelo Predictivo y Análisis de Residuos

La validez de las predicciones clínicas derivadas de una ecuación de regresión depende del cumplimiento estricto de los supuestos matemáticos subyacentes. Esta comprobación se realiza mediante el análisis de los residuos, definidos como la diferencia exacta entre el valor biológico real observado en el paciente y el valor teórico pronosticado por la recta.

• Paso 1: Evaluación de la Linealidad -> Se inspecciona el gráfico de dispersión inicial para confirmar que la relación biológica sigue un patrón rectilíneo, descartando dinámicas exponenciales o saturables que requerirían la transformación logarítmica de las variables.

• Paso 2: Verificación de la Independencia -> Se audita el diseño del estudio para garantizar que cada par de datos proviene de un individuo distinto, evitando la autocorrelación de los residuos.

• Paso 3: Comprobación de la Homocedasticidad -> Se genera un gráfico situando los valores pronosticados tipificados en el eje X y los residuos tipificados en el eje Y. Los puntos deben distribuirse de forma aleatoria formando una nube homogénea. Si la dispersión aumenta o disminuye sistemáticamente (forma de embudo), se viola el supuesto de varianza constante, invalidando la precisión del modelo en ciertos rangos de la variable.

• Paso 4: Análisis de la Normalidad de los Residuos -> Se construye un histograma de frecuencias con los residuos tipificados. La distribución debe asemejarse a una campana de Gauss perfecta con media cero y varianza uno, garantizando que los errores de predicción son aleatorios y simétricos, lo cual es indispensable para calcular intervalos de confianza válidos.

Tabla Comparativa Técnica: Correlación frente a Regresión Lineal

Sección de Consultas Frecuentes (FAQ)

Consulta 1: ¿Por qué una correlación estadísticamente significativa no demuestra causalidad fisiopatológica?

La significación estadística únicamente indica que la asociación matemática observada es improbable que se deba al azar. Sin embargo, dos variables pueden variar de forma conjunta debido a la influencia de una tercera variable de confusión no medida (correlación espuria), sin que exista ningún mecanismo biológico directo que conecte la primera variable con la segunda.

Consulta 2: ¿En qué escenarios clínicos es obligatorio sustituir el coeficiente de Pearson por el de Spearman?

El coeficiente de Spearman es de uso obligatorio cuando las variables cuantitativas no siguen una distribución normal (gaussiana), presentan valores atípicos extremos que distorsionarían la media, o cuando se analizan variables ordinales, como las escalas de estadiaje tumoral, los grados de inflamación histológica o las puntuaciones de dolor.

Consulta 3: ¿Cuál es la utilidad clínica del Coeficiente de Determinación (R cuadrado) en un modelo predictivo?

El R cuadrado cuantifica el porcentaje exacto de la variabilidad de la enfermedad o fenotipo (variable dependiente) que puede ser explicado por el biomarcador o factor de riesgo medido (variable independiente). Un R cuadrado cercano a 1 indica que el modelo es altamente preciso para predecir la evolución clínica del paciente basándose exclusivamente en ese predictor.

Consulta 4: ¿Cómo previene la corrección de Bonferroni la aparición de falsos positivos en estudios genómicos masivos?

Al realizar múltiples pruebas de correlación simultáneas (por ejemplo, cruzando miles de transcritos de ARN con un fenotipo clínico), la probabilidad de encontrar asociaciones significativas por puro azar se dispara, cometiendo Errores Tipo I. La corrección de Bonferroni divide el nivel de significación estándar (alfa de 0,05) entre el número total de comparaciones realizadas, estableciendo un umbral estadístico mucho más estricto para considerar un hallazgo como verdadero.