Neste post, explicamos o que é um mapa de calor de correlação e por que ele é amplamente utilizado em análise quantitativa de dados. Primeiramente, apresentamos o conceito de correlação. Em seguida, comparamos duas formas de apresentar um conjunto de correlações bivariadas: a matriz de correlação e o mapa de calor. Depois, descrevemos algumas classes de paletas de cores adequadas para esse tipo de representação. Por fim, mostramos quando usar o mapa de calor de correlação, incluindo limitações e cuidados de interpretação.
O que é correlação?
A correlação se refere à interdependência estatística entre duas variáveis. Trata-se de um conceito fundamental para diversas técnicas de análise quantativas de dados, incluindo, por exemplo, a regressão linear, a análise fatorial confirmatória e vários modelos de machine learning.
Esse conceito se expressa por meio dos coeficientes de correlação, que consistem em estimativas numéricas da força e da direção da relação entre variáveis. Entre os coeficientes mais conhecidos, destacam-se o r de Pearson, o rhô de Spearman e o tau de Kendall. Em geral, pesquisadores utilizam esses coeficientes para verificar se variáveis tendem a aumentar ou diminuir juntas.
Por exemplo considere dois traços de personalidade: neuroticismo e extroversão. Se a correlação entre eles, em um determinado estudo, é de r = –0,35, podemos interpretar que, à medida que os níveis de neuroticismo aumentam, os níveis de extroversão tendem a diminuir. Essa associação é moderada (Cohen, 1992).
Matriz de correlação e mapa de calor de correlação
A matriz de correlação é uma tabela que apresenta os coeficientes de correlação entre pares de variáveis. Uma matriz com p variáveis conterá [p(p – 1)]/2 correlações únicas.
Por exemplo, considere um banco de dados que contém escores nos cinco fatores de personalidade do Big Five: neuroticismo, extroversão, abertura a novas experiências, agradabilidade e conscienciosidade. A Tabela 1 representa a matriz de correlação dessas variáveis.
| Variável | Neuroticismo | Extroversão | Abertura | Agradabilidade | Conscienciosidade |
| Neuroticismo | — | ||||
| Extroversão | –0,35 | — | |||
| Abertura | –0,01 | 0,27 | — | ||
| Agradabilidade | –0,13 | 0,05 | 0,16 | — | |
| Conscienciosidade | –0,37 | 0,06 | –0,01 | 0,16 | — |
Como a matriz contém cinco variáveis, temos [5(4)]/2 = 10 correlações únicas. Os travessões na diagonal principal omitem as correlações das variáveis consigo mesmas, que são, por definição, iguais a 1. Além disso, omitimos os valores acima da diagonal principal porque a matriz é simétrica, tornando essas informações redundantes.
Embora a matriz da Tabela 1 seja simples, sua leitura se torna progressivamente mais difícil à medida que o número de variáveis aumenta.
Nesse contexto, o mapa de calor de correlação (correlation heatmap) surge como uma solução visual. Ele projeta a matriz de correlação em uma grade de cores, na qual cada célula recebe uma cor de acordo com o valor do coeficiente de correlação, com base em uma paleta predefinida (Figura 1).
Assim, diferentes cores indexam diferentes valores de correlação. Consequentemente, padrões globais tornam-se mais fáceis de identificar. Além disso, quando desejável, podemos incluir os coeficientes nas células do mapa de calor (Figura 2).
Em síntese, a diferença central entre matriz e mapa de calor não é conceitual, mas visual. O mapa de calor transforma números em informação visual, facilitando a exploração inicial dos dados.
A escolha da paleta de cores no mapa de calor de correlação
A escolha da paleta de cores pode facilitar ou dificultar a interpretação do mapa de calor. Portanto, essa decisão não deve ser arbitrária. Em seguida, descrevemos três categorias de paletas de cores.
Paletas sequenciais
Primeiramente, as paletas sequenciais apresentam uma mudança gradual na luminosidade e, frequentemente, na saturação da cor, geralmente usando uma única tonalidade. Elas são úteis para representar informações ordenadas (e.g., coeficientes de correlação phi).
As Figuras 1 e 2 usam a paleta viridis, que é contínua, perceptualmente uniforme e amigável para pessoas com daltonismo. Outros exemplos das paletas sequenciais são a magma e a Greys (Figura 3). Esta última pode ser especialmente útil em contextos que exigem impressão em preto e branco.
Paletas divergentes
Em segundo lugar, as paletas divergentes utilizam duas cores contrastantes para destacar desvios em relação a um valor central, como a correlação nula. No caso do coeficiente de correlação de Pearson, uma cor (e.g., azul) pode representar correlações positivas, enquanto outra (e.g., vermelho) pode indicar correlações negativas. Exemplos comuns incluem coolwarm e RdBu (Figura 4).
Paletas qualitativas
Por fim, as paletas qualitativas utilizam cores distintas em passos discretos. Elas são apropriadas para dados categóricos ou para destacar grupos previamente definidos, mas não são adequadas para representar coeficientes de correlação contínuos, como o r de Pearson.
Em mapas de calor de correlação, seu uso pode ser justificável apenas em situações muito específicas, como quando as cores representam classes de correlação previamente categorizadas (e.g., fraca, moderada e forte ou algum outro esquema de categorias), e não os valores contínuos em si (Figura 5).
Portanto, sempre que possível, prefira paletas contínuas e acessíveis. Além disso, inclua uma barra de cores bem definida para orientar a interpretação do leitor.
Quando usar o mapa de calor de correlação?
O mapa de calor de correlação é especialmente útil na análise exploratória de dados. Ele permite identificar rapidamente padrões, agrupamentos de variáveis e possíveis redundâncias.
Em psicometria, por exemplo, pesquisadores podem utilizá-lo para examinar relações entre traços latentes ou entre itens de um instrumento de autorrelato, antes de aplicar técnicas como a análise fatorial.
Além disso, o mapa de calor é especialmente vantajoso quando lidamos com um número maior de variáveis. Em uma matriz de correlações com 15 variáveis, por exemplo, torna-se difícil identificar rapidamente associações relevantes. Em contrapartida, o mapa de calor facilita essa inspeção visual, como ilustrado na Figura 6.
Aqui, nós facilmente notamos que apenas três variáveis têm relações importantes entre si: K e N estão positivamente relacionadas entre si (r = 0,74) e ambas estão negativamente relacionadas com B (rs = –0,75 e –0,79, respectivamente).
Apesar dessas vantagens, o mapa de calor não resolve todos os problemas. Ele não informa, por exemplo, se as relações entre variáveis são lineares ou monotônicas — pressupostos das correlações de Pearson e de Spearman, respectivamente.
Além disso, ele resume apenas associações bivariadas. Embora possa sugerir variáveis candidatas à remoção em modelos, o mapa de calor não substitui procedimentos mais adequados para avaliar relações multivariadas, como diagnósticos formais de multicolinearidade.
Onde criar mapas de calor de correlação?
No JASP, a opção mapa de calor está disponível no teste de correlação, na aba Regressão (Figura 7). No entanto, essa implementação oferece poucas opções de customização, como alteração de rótulos, remoção de coeficientes das células ou escolha da paleta de cores.
No jamovi, o mapa de calor aparece na análise de fidedignidade, no módulo Fator (Figura 8). Nesse caso, a principal limitação é o uso exclusivo da correlação de Pearson para gerar a representação.
Por fim, linguagens de programação oferecem opções altamente customizáveis. Em Python, bibliotecas como matplotlib e seaborn permitem criar mapas de calor flexíveis e reprodutíveis. De modo semelhante, no R, pacotes como ggplot2 possibilitam a criação de gráficos de alta qualidade, incluindo mapas de calor de correlação.
Quer aprender a criar mapas de calor e outras visualizações avançadas no R? A Psicometria Online Academy ensina passo a passo como fazer isso com rigor estatístico e clareza visual.
Referências
Cohen, J. (1992). Statistical power analysis. Current Directions in Psychological Science, 1(3), 98–101. https://doi.org/10.1111/1467-8721.ep10768783
Dudáš, A. (2024). Graphical representation of data prediction potential: Correlation graphs and correlation chains. The Visual Computer, 40, 6969–6982. https://doi.org/10.1007/s00371-023-03240-y
Matplotlib. (n.d.). Choosing colormaps in Matplotlib [website]. https://matplotlib.org/stable/users/explain/colors/colormaps.html
Rougier, N. P., Droettboom, & Bourne, P. E. (2014). Ten simple rules for better figures [Editorial]. PLoS Computational Biology, 10(9), Article e1003833. https://doi.org/10.1371/journal.pcbi.1003833
VanderPlas, J. (2017). Python data science handbook: Essential tools for working with data. O’Reilly.
Como citar este post
Lima, M. (2026, 6 de fevereiro). O que é um mapa de calor de correlação? Blog Psicometria Online. https://blog.psicometriaonline.com.br/o-que-e-um-mapa-de-calor-de-correlacao
