Cuando se empezó a utilizar la terapia de remplazo hormonal, se encontró que la toma de HLT (hormona liberadora de tirotropina) correlacionaba con la reducción del riesgo de enfermedad cardiovascular. Posteriormente se detectó que la correlación se debía a que las mujeres que tomaban HLT pertenecían a grupos socioeconómicos con hábitos de vida más saludables, con práctica habitual de ejercicio y dieta más sana (Luque, 2016). Es decir, en este caso hay una tercera variable, que son los hábitos de vida saludable, que explicaría la correlación entre la terapia de remplazo hormonal y el riesgo cardiovascular, y que se puede representar de la siguiente manera:
Siguiendo con el ejemplo, se observa una correlación entre X (tomar HLT) e Y (reducción de riesgo cardiovascular) pero ambas están relacionadas con una
causales correlación parcial finalidad predictiva inexistente regresión lineal múltiple regresión lineal simple tercera variable variable criterio variable predictora Z (hábitos de vida saludable). Sin embargo, si se elimina la influencia de la tercera variable (hay técnicas estadísticas que lo permiten, como la
causales correlación parcial finalidad predictiva inexistente regresión lineal múltiple regresión lineal simple tercera variable variable criterio variable predictora ) se encuentra que la correlación entre X e Y es
causales correlación parcial finalidad predictiva inexistente regresión lineal múltiple regresión lineal simple tercera variable variable criterio variable predictora . Por ello, incluso cuando se encuentran correlaciones altas, en este tipo de diseños no se puede llegar a explicaciones
causales correlación parcial finalidad predictiva inexistente regresión lineal múltiple regresión lineal simple tercera variable variable criterio variable predictora .
El diseño de grupo único se utiliza con
causales correlación parcial finalidad predictiva inexistente regresión lineal múltiple regresión lineal simple tercera variable variable criterio variable predictora cuando existe un mayor conocimiento sobre el problema de investigación. En estos casos, se trabaja con todas las puntuaciones y se pretende encontrar una función que relacione las puntuaciones en la
causales correlación parcial finalidad predictiva inexistente regresión lineal múltiple regresión lineal simple tercera variable variable criterio variable predictora (variable independiente) con la
causales correlación parcial finalidad predictiva inexistente regresión lineal múltiple regresión lineal simple tercera variable variable criterio variable predictora (variable dependiente). Así, mediante el análisis de
causales correlación parcial finalidad predictiva inexistente regresión lineal múltiple regresión lineal simple tercera variable variable criterio variable predictora a partir de una puntuación en la variable predictora (X) se puede pronosticar el valor en la variable criterio (Y); y mediante el análisis de
causales correlación parcial finalidad predictiva inexistente regresión lineal múltiple regresión lineal simple tercera variable variable criterio variable predictora , se puede pronosticar mediante más de una variable predictora (X1, X2…, Xk) el valor en la variable criterio (Y) y averiguar las variables que resulten ser mejores predictores de la variable criterio.
