Respuesta directa
Un ejemplo práctico de cambios en la correlación muestra cómo un valor de correlación puede variar cuando cambian la ventana de datos, los factores impulsores o las condiciones utilizadas para calcularlo. “Práctico” significa que se especifican los números y supuestos, y luego se recalcula la correlación para cada situación, de modo que puedas ver qué cambió y por qué.
En la práctica, se trata la correlación como una estadística descriptiva: resume cómo dos series temporales se mueven juntas durante una muestra específica. Si esa muestra se altera—utilizando un período diferente, una frecuencia de observación distinta o valores influenciados por diferentes fuerzas subyacentes—entonces la correlación puede cambiar.
Mecanismo o definición
La correlación (más comúnmente la correlación de Pearson) entre dos variables mide la fuerza y la dirección de su co-movimiento lineal en un conjunto dado de observaciones pareadas. No afirma que el futuro coincidirá con el pasado.
Un “cambio en la correlación” se refiere, por tanto, a un cambio en la correlación calculada cuando se modifica algo en la configuración, como por ejemplo:
- la ventana temporal (períodos anteriores vs. posteriores),
- el régimen de eventos (comportamiento de riesgo activo vs. aversión al riesgo),
- la frecuencia o alineación del muestreo (diaria vs. horaria, y cómo se emparejan las marcas de tiempo),
- o los insumos (por ejemplo, usar rendimientos en lugar de niveles brutos).
Términos técnicos comunes, aclarados:
- Ventana de series temporales: el período exacto durante el cual se recopilan observaciones pareadas.
- Observaciones pareadas: cada punto en una serie emparejado con el punto correspondiente en la otra.
- Rendimientos vs. niveles: los rendimientos a menudo se comportan de manera más estacionaria que los niveles de precios brutos; mezclar enfoques puede alterar la correlación.
Ejemplo práctico (numérico, con supuestos explícitos)
Supongamos que tienes dos variables, A y B, medidas en cinco momentos alineados. Calcularás la correlación dos veces utilizando dos muestras diferentes:
Supuestos (declarados explícitamente):
- Se utiliza la correlación de Pearson sobre las observaciones pareadas mostradas.
- Se calcula la correlación sobre la muestra de cinco puntos cada vez.
- Las series ya están alineadas en el tiempo (sin desajuste de marcas de tiempo).
- Se utilizan los valores directamente tal como se dan (no rendimientos), puramente con fines de demostración.
Muestra 1 (los cambios en la correlación aún no están presentes)
Observaciones pareadas (5 momentos):
- A: 1, 2, 3, 4, 5
- B: 2, 4, 6, 8, 10
Aquí B es exactamente 2×A, por lo que se mueven perfectamente juntas. Según la definición de correlación de Pearson, la correlación es +1.
Muestra 2 (mismas variables, relación diferente)
Ahora cambia solo B de manera que invierta el patrón de co-movimiento mientras A permanece igual:
- A: 1, 2, 3, 4, 5
- B: -1, -2, -3, -4, -5
Aquí B es exactamente −1×A, por lo que se mueven perfectamente en direcciones opuestas. La correlación de Pearson se convierte en −1.
Qué significa “la correlación cambió” aquí
Entre la Muestra 1 y la Muestra 2, la correlación pasó de +1 a −1. En este escenario simplificado, el factor impulsor detrás del comportamiento de B efectivamente cambió de signo. En datos reales, tales cambios de signo pueden ocurrir cuando las condiciones subyacentes se desplazan, cuando un conjunto diferente de fuerzas domina, o cuando la ventana de muestra cruza límites de régimen.
Limitaciones y riesgos (modos de fallo materiales)
-
La correlación depende de la muestra. Si calculas la correlación en una ventana temporal diferente o con una alineación distinta, puedes obtener un número diferente. La estadística resume la muestra elegida, no una relación garantizada.
-
La correlación puede romperse bajo cambios de régimen. Si la relación entre variables no es estable a lo largo del tiempo (por ejemplo, un período dominado por un conjunto de factores que luego cambia a otro), la correlación puede moverse bruscamente.
-
No es causalidad. Incluso una correlación fuerte no identifica por qué las variables se mueven juntas. Diferentes mecanismos pueden producir una correlación similar.
-
No linealidad y problemas de distribución. La correlación de Pearson se dirige al co-movimiento lineal. Si la relación es no lineal o está afectada por valores atípicos, el valor de correlación puede ser engañoso.
-
Las muestras pequeñas pueden exagerar los cambios. Con pocas observaciones pareadas, las estimaciones de correlación pueden oscilar drásticamente. Tu “ejemplo práctico” debería, por tanto, incluir suficientes puntos para ser significativo.
Verificación y siguiente pregunta a plantear
Para verificar de forma independiente los cambios en la correlación, puedes:
- Fijar la definición (qué medida de correlación, qué transformación como rendimientos o niveles).
- Recrear el conjunto de datos pareados para cada ventana/régimen.
- Recalcular la correlación para cada conjunto de datos utilizando el mismo método.
- Comprobar la sensibilidad: ¿el resultado permanece similar cuando ajustas ligeramente los límites de la ventana o la alineación del muestreo?
Una pregunta útil a continuación es: **¿Qué cambió exactamente entre las muestras: la ventana temporal, la alineación o los factores impulsores subyacentes?