1

©Richard Lowry, 1999

Correlação parcial
Suponhamos que o nosso interesse seja estudar N indivíduos em
três variáveis, X, Y, e Z, com as seguintes correlações:

X versus Y: rXY = +.50 r2XY = .25

X versus Z: rXZ = +.50 r2XZ = .25
2
Y versus Z: rYZ = +.50 r YZ = .25
Inicialmente, focalize no valor de r2, o qual, para este exemplo, é
igual a 0.25. Isto significa que, para cada par de variáveis, XY,
XZ, e YZ, a covariância, ou a sobreposição das variâncias é de
25%. Como ilustrado no diagrama seguinte, 25% da
variabilidade de X sobrepõem com a variabilidade em Y; 25%
 2

da variabilidade de X sobrepõem com variabilidade em Z; e

25% da variabilidade de Y também sobrepõem com
variabilidade em Z.
Note que há uma região onde todos os três
círculos de variabilidade se sobrepõem. O
significado destas três sobreposições é que certa
quantia da correlação encontrada entre
quaisquer duas variáveis equivale à correlação
que cada uma dessas duas tem com a terceira
variável. Assim, 25% das variabilidades
sobrepostas estão entre X e Y, aproximadamente metade
(julgado a olho nu) está empatado com o que existe entre XZ e
YZ. Semelhantemente, para os 25% das variabilidades
sobrepostas entre X e Z, onde metades estão limitadas na parte
 3

superior com a sobreposição de XY e YZ. E, semelhantemente,

para os 25% de sobreposições de YZ, onde metades estão
limitadas na parte superior com a sobreposição de XY e XZ.
A Correlação parcial permite medir a região de três
sobreposições precisamente e, então, removê-lo da figura para
determinar qual seria a correlação entre quaisquer duas variáveis
(hipoteticamente) se elas não fossem, cada uma, correlacionada
com a terceira variável.
Alternativamente, pode-se dizer que a correlação parcial permite
determinar qual a correlação entre quaisquer duas variáveis
(hipoteticamente) se a terceira variável fosse mantida constante.
A correlação parcial de X e Y, com os efeitos de Z removidos
(ou mantido constante), seria dada pela fórmula,
 4

a qual, para o presente exemplo seria,

Conseqüentemente, .

A mesma estrutura geral seria aplicada para calcular a correlação

parcial entre X e Z, com os efeitos de Y removidos:

.
 5

e para calcular a correlação parcial de Y e Z, com os efeitos de

X removidos:

Exemplo de correlação parcial aplicada a vida real.

O Wechsler Adult Intelligence Scale (WAIS) é uma escala
freqüentemente utilizada para medir "inteligência" durante os
anos de infância.
Entre suas várias sub-escalas três estão rotuladas como C, A e
V.
 6

O "C" representa "compreensão", que reflete principalmente na

habilidade do indivíduo testado em compreender os significados
e implicações de passagens escritas.
O "A" refere-se à habilidade do indivíduo em executar tarefas
que requerem habilidade em aritmética.
O "V" representa "vocabulário", que como pode ser imaginado é
uma medida que aumenta ou diminui conforme a amplitude do
vocabulário do indivíduo dentro do domínio do idioma no qual o
teste é construído.
A tabela seguinte mostra as correlações encontradas entre estas
três sub-escalas típicas.
 7

C versus A: rCA = + 0.49 r2CA = 0.24

C versus V: rCV = + 0.73 r2CV = 0.53
A versus V: rAV = + 0.59 r2AV = 0.35

Neste exemplo, as sobreposições são diferentes,

embora a lógica seja a mesma. Isto é, 24% das
sobreposições das variâncias ocorrem na relação entre
compreensão e habilidade em aritmética, uma porção
significativa reflete o fato de que ambas variáveis são
correlacionadas com vocabulário. Se nós fôssemos remover os
efeitos de vocabulário da relação entre C e A, a correlação
parcial resultante seria,
 8

Conseqüentemente, .

Em resumo: com os efeitos de vocabulário removidos, a

correlação entre compreensão e habilidade em aritmética se
desmorona até quase zero.
A conclusão prática é que se nós fôssemos administrar o WAIS
a um grupo de indivíduos, que eram homogêneos com respeito à
amplitude de vocabulário, a correlação entre os escores de
 9

compreensão e aritmética prova-se bastante escasso, da ordem

de r = +0.11 e r2 = 0.01.
Na maioria dos casos, uma correlação parcial da forma geral
rXY.Z mostrar-se-á menor do que a correlação original rXY.

Nesses casos, em que se mostra maior, a terceira variável, Z, é

chamada tipicamente de variável supressora, uma vez que está
suprimindo a maior correlação que estaria embutida entre X e Y
se Z permanecesse constante.
Por exemplo, suponha que um professor, muito exigente, tenha
administrado uma prova na disciplina de estatística e que nós
temos as medições obtidas, a cada um dos estudantes do curso,
as três variáveis seguintes:
 10

X = O esforço despedido no estudo para o exame

Y = O conceito do estudante na prova da disciplina
Z = Uma medida do grau em que o professor inspira temor e
respeito no estudante

A seguir, apresentam-se as correlações entre as três

variáveis:
X versus Y: rXY = +0.20 r2XY = 0.04
X versus Z: rXZ = + 0.80 r2XZ = 0.64
Y versus Z: rYZ = - 0.40 r2YZ = 0.16
 11

Observem que não é estranho a correlação entre X e Y resultar

em baixo valor, rXY = + 0.20 e r2XY = 0.04, indicando mero 4%
de covariância entre os graus de esforço que os estudantes
dispensaram para o exame e as notas que eles receberam?.

Examine, porém, as outras duas correlações e observem que não

é, afinal de contas, tão estranho assim.
Quanto maior o temor e respeito, maior é o esforço que os
estudantes tendem a impor para se preparar para o exame;
conseqüentemente rXZ = + 0.80 e r2XZ = 0.64.
Por outro lado, quanto maior o medo e respeito, os estudantes
tendem menos a fazer um bom exame, como resultado disso rYZ
 12

= - 0.40 e r2YZ = 0.16. Removendo os efeitos supressores, medo

e respeito, da equação, tem-se:

e a correlação entre esforço e o conceito no exame vai de um

pequeno rXY = + 0.20, para um expressivo rXY.Z = +0.95.
 13

Ou, alternativamente: removendo-se o medo e o respeito, a

covariância entre esforço e conceito no exame vai de mero 4%
2
para um valor altamente significativo de 90% (r XY.Z = .90).