Correlação de Pearson: Como Interpretar

Interpretação é tudo em correlação

Você rodou a correlação, apareceu um número: r = -0.48, p = 0.02.

Agora? Será que é forte? Fraco? Importante?

Aqui está o detalhe: interpretar r não é mecânico. Tem técnica, mas também tem julgamento. Vou descomplicar.

A escala: de -1 até +1

Primeiro, o básico.

r nunca fica fora do intervalo de -1 a +1. Sempre.

• r = +1: correlação positiva perfeita. Uma variável explica 100% da outra em relação linear perfeita.
• r = 0: nenhuma relação linear.
• r = -1: correlação negativa perfeita. Relação inversa perfeita.

Na vida real, você vê valores como 0.45, -0.61, 0.82, -0.23. Nunca 1 ou -1.

Quanto mais próximo de 1 ou -1, mais forte a relação.

O sinal positivo ou negativo

Isso é crítico e muita gente erra.

Positivo (+): quando uma variável aumenta, a outra tende a aumentar.

Exemplo: horas de estudo e nota na prova. r = +0.72. Mais estudo, nota maior.

Negativo (-): quando uma variável aumenta, a outra tende a diminuir.

Exemplo: ansiedade pré-prova e desempenho. r = -0.58. Mais ansiedade, pior desempenho.

Ambas são relações reais e importantes. A força (0.72 vs 0.58) é separada do sinal.

Um r = -0.85 (forte e negativo) é tão importante quanto r = +0.85 (forte e positivo). A diferença é a direção.

Magnitudes: fraco, moderado, forte

Aqui entra a interpretação. Existem guias, mas não é regra absoluta.

Escala geral em ciências humanas:

Mas psicologia, às vezes, usa:

Note: a mudança é principalmente na faixa intermediária.

A moral da história: antes de relatar seu r, procure na literatura da sua área. Qual threshold eles usam? Faça como fazem.

O p-valor: a significância

Você tem r = 0.52, p = 0.08.

Tecnicamente, 0.52 é moderado. Mas p = 0.08 quer dizer que a correlação pode ter acontecido por acaso (chance > 5% de acaso). Estatisticamente não significativa.

Você não relata isso como achado. Você diz: “Não houve correlação estatisticamente significativa entre as variáveis.”

Inversamente:

r = 0.35, p = 0.001.

Tecnicamente, 0.35 é fraco. Mas p = 0.001 diz que é real (0.1% chance de acaso). Você relata.

Resumo: r sozinho não basta. Você precisa tanto do valor quanto do p.

R-quadrado: variância explicada

Muita gente não conhece R². Mas é importante.

R² = r²

Se r = 0.60, então R² = 0.36. Significa que 36% da variância em Y é explicada por X. O restante (64%) vem de outras variáveis.

Isso muda a interpretação. r = 0.60 parece bom, mas na verdade, 40% da variação está sem explicação no seu modelo.

Sempre calcule e reporte R². Exemplo:

“Encontrou-se correlação moderada entre X e Y (r = 0.60, p = 0.02, R² = 0.36), explicando 36% da variância.”

Exemplos palpáveis

Vou dar casos reais pra você ver como isso funciona na prática.

Exemplo 1: Ansiedade e desempenho acadêmico

Você estudou 80 alunos. Mediu ansiedade (escala 0-100) e nota final (0-100).

Resultado: r = -0.68, p < 0.001.

Interpretação: “Encontrou-se correlação moderada a forte e negativa entre nível de ansiedade e desempenho acadêmico (r = -0.68, p < 0.001), indicando que alunos com maiores níveis de ansiedade tendem a obter notas menores. Essa relação explica 46% da variância no desempenho (R² = 0.46).”

Isso significa:

• A relação é real (p < 0.001).
• É relativamente forte (-0.68).
• Mas 54% do desempenho é influenciado por outros fatores (não só ansiedade).

Exemplo 2: Idade e tempo de recuperação pós-cirurgia

Você acompanhou 50 pacientes. Mediu idade (em anos) e dias para recuperação total.

Resultado: r = 0.45, p = 0.03.

Interpretação: “Houve correlação fraca a moderada e positiva entre idade e tempo de recuperação pós-cirúrgica (r = 0.45, p = 0.03), sugerindo que pacientes mais velhos tendem a ter recuperação mais lenta. O efeito é pequeno (R² = 0.20), explicando apenas 20% da variação.”

Aqui você reconhece: a idade explica algo, mas não é tudo. Outros fatores (saúde geral, comorbidades, adesão) também contam.

Exemplo 3: Duração de meditação e estresse

Você acompanhou 120 praticantes de meditação. Mediu minutos por dia meditados e score de estresse (escala).

Resultado: r = -0.22, p = 0.07.

Interpretação: “Não houve correlação estatisticamente significativa entre duração da meditação diária e nível de estresse (r = -0.22, p = 0.07).”

Mesmo que r = -0.22 (matematicamente há uma leve relação negativa), o p = 0.07 indica que pode ser acaso. Você não afirma como achado. Aqui entra aquele conceito de “marginalmente significativo”. Alguns orientadores aceitam p entre 0.05 e 0.10 como tendência. Depende da sua instituição, da revista, da área. Consulte seu orientador. Se p = 0.07, você pode escrever: “Observou-se uma tendência não significativa”, mas deixe claro no texto que não é achado robusto.

Armadilhas na interpretação

Confundir força com importância. Um r = 0.45 pode ser “fraco” em magnitude, mas se teoricamente esperado e p < 0.05, é achado relevante.

Ignorar contexto teórico. Em alguns campos, r = 0.40 é esperado como teto máximo. Noutros, r < 0.70 é “insuficiente”. Leia sua fundamentação.

Esquecer que r é linear. Se a relação é curva, exponencial, ou em degraus, Pearson pode dar r pequeno mesmo com relação forte visualmente.

Usar valores críticos de memória. Não. Sempre confira na tabela de valores críticos ou use software. Valores mudam com tamanho amostral.

Reportar sem gráfico. Sempre faça um scatter plot. Números mentem, gráficos não.

Como relatar em sua dissertação

Formato padrão:

“Realizou-se análise de correlação de Pearson para avaliar a relação entre [variável X] e [variável Y]. Encontrou-se correlação [magnitude] e [direção] (r = [valor], p = [valor], R² = [valor]), indicando que [interpretação prática].”

Exemplos reais:

“…correlação moderada e positiva (r = 0.58, p = 0.01, R² = 0.34), sugerindo que participantes com maior suporte social tendem a relatar menor sintomatologia depressiva.”

“…correlação fraca e não significativa (r = 0.17, p = 0.41), não evidenciando relação entre duração de tratamento e satisfação do paciente.”

Simples, direto, técnico.

Dúvidas finais

Se p > 0.05, posso ignorar r completamente? Sim. Não é achado estatisticamente válido. Não ponha na sua discussão como resultado.

Posso comparar r = 0.50 de uma amostra com r = 0.68 de outra? Com cuidado. Tamanhos amostrais diferentes afetam. Use testes de comparação de correlações se precise ser técnico.

E se minhas variáveis são ordinais, não contínuas? Use Spearman, não Pearson.

Posso ter r = -0.95? Sim, é muito forte e negativo? Sim. Quanto mais perto de -1, mais forte a relação inversa.

Minha correlação é significativa mas fraca (r = 0.22, p = 0.04). Vale reportar? Tecnicamente sim, porque é estatisticamente significativa. Mas reconheça na discussão que é achado pequeno. “Embora estatisticamente significativo, o efeito é de pequena magnitude.” Honestidade sempre.

Qual o mínimo de participantes pra uma correlação ser válida? Sem regra fixa, mas n > 30 é consenso mínimo. Com n muito pequeno (n < 15), até correlações razoáveis perdem significância estatística. Tamanho amostral e poder estatístico são gêmeos.

Finalizando

Interpretar correlação é:

1. Olhar o r e saber se é fraco, moderado ou forte (consultando sua área).
2. Olhar o p e confirmar se é real (p < 0.05).
3. Calcular R² e reconhecer quanto é explicado.
4. Fazer gráfico para visualizar.
5. Escrever claramente.

Não é difícil. É principalmente cuidado com detalhe. Você vai rodar essa análise várias vezes durante seu mestrado. Cada vez que roda, fica mais claro. Primeira vez é confuso, segunda vez você já sabe o que procurar, terceira vez vira mecânico. E aqui vai meu truque final: guarde bem a interpretação correta. Memorize as escalas. Porque em seminário, em qualificação, em defesa, alguém vai perguntar “e aí, esse r = 0.58 é forte ou fraco?”. Você responde seguro, mostra que entendeu de verdade. Isso vale ouro.

Faz sentido agora?