Cuando era estudiante de psicología, interpretar los resultados de SPSS me parecía un ejercicio de descifrar jeroglíficos. Las tablas interminables, las siglas sin contexto, los asteriscos que aparecían (o no) junto a los p-valores. Recuerdo mirar una tabla de ANOVA y no saber por dónde empezar a leer. No me lo habían explicado bien, y los manuales de estadística no ayudaban mucho.
Tras varios años trabajando con datos de investigación, lo que antes me resultaba opaco se ha convertido en algo casi automático. La clave no fue estudiar más teoría, sino aprender a hacer siempre las mismas preguntas a cada tabla: ¿es significativo?, ¿cuánto efecto tiene?, ¿puedo fiarme de estos datos? En esta guía te enseño exactamente eso. Y si tienes prisa y la salida ya está delante, pégala en el intérprete de salidas gratuito y hace esas tres preguntas por ti, con la frase en APA 7 al final.
La lógica que hay detrás de todas las tablas de SPSS
Independientemente del análisis que hagas, SPSS siempre te devuelve la misma estructura básica. Si entiendes esta lógica, puedes interpretar cualquier tabla:
1. El estadístico de contraste: Un número (t, F, U, χ²) que resume cuánto se desvían tus datos de lo que esperarías por azar.
2. Los grados de libertad (gl o df): Indican cuánta información tienen tus datos para estimar el estadístico. Más participantes = más grados de libertad = más potencia.
3. El p-valor (Sig.): La probabilidad de obtener un resultado así o más extremo si la hipótesis nula fuese cierta. Si p < .05, rechazas la nula.
4. El tamaño del efecto: Lo que SPSS a menudo NO te da directamente, y lo que realmente importa. Un resultado puede ser significativo pero irrelevante si el efecto es minúsculo.
Esa es la estructura. Ahora vamos test por test.
Interpretar una t de Student
SPSS te devuelve dos tablas: la de estadísticos descriptivos (medias, desviaciones típicas) y la de la prueba en sí.
Lo que necesitas mirar en la tabla de la prueba:
Prueba de Levene: Mira primero la columna "Sig." de Levene. Si p > .05, usa la fila "Se asumen varianzas iguales". Si p < .05, usa la fila "No se asumen varianzas iguales". Muchos investigadores no miran esto y usan siempre la primera fila, lo cual es un error.
t y gl: Reporta ambos. Ejemplo: t(45) = 2.34.
Sig. (bilateral): Este es tu p-valor. Si es < .05, hay diferencia significativa entre los dos grupos.
Diferencia de medias e IC 95%: Mucho más informativo que el p-valor. Si el intervalo de confianza no incluye el 0, la diferencia es significativa.
Lo que SPSS no te da: la d de Cohen. Tienes que calcularla aparte. Puedes usar nuestra calculadora de tamaño del efecto introduciendo los valores de t y gl.
Interpretar un ANOVA de un factor
SPSS te da varias tablas. Las importantes son:
Tabla ANOVA: Busca la fila "Inter-grupos" (o "Between Groups"). Ahí tienes F, gl (dos valores: gl del numerador y gl del denominador) y Sig. Si p < .05, hay al menos una diferencia significativa entre los grupos.
Pero cuidado: un ANOVA significativo solo te dice que hay diferencia en algún sitio, no dónde. Para eso necesitas los post-hoc.
Comparaciones post-hoc: SPSS te ofrece varias opciones. Mi recomendación:
• Si las varianzas son homogéneas (Levene no significativo): usa Tukey HSD.
• Si las varianzas NO son homogéneas: usa Games-Howell.
• Si tienes hipótesis específicas a priori: usa Bonferroni.
Calcula eta cuadrado parcial manualmente: η²p = SS_entre / (SS_entre + SS_error). O usa nuestra calculadora introduciendo el valor F y los grados de libertad.
Interpretar una correlación de Pearson
La tabla de correlaciones de SPSS es una matriz simétrica. Para cada par de variables te da tres cosas:
r: El coeficiente de correlación. Va de -1 a 1. El signo indica la dirección.
Sig. (bilateral): El p-valor. Con muestras grandes casi todo sale significativo, así que fíjate más en el tamaño de r.
N: El número de casos. Si tienes datos perdidos, N puede variar entre pares de variables.
Interpretación práctica de r (Cohen, 1988): r = .10 es pequeño, r = .30 es moderado, r = .50 es grande. En psicología, una correlación de .30 ya se considera relevante.
Un error que veo constantemente: reportar la correlación sin mencionar que no implica causalidad. Los revisores lo detectan siempre.
Interpretar una chi-cuadrado
Para variables categóricas. SPSS te da la tabla de contingencia y la prueba.
En la tabla "Pruebas de chi-cuadrado", busca la fila "Chi-cuadrado de Pearson". Las columnas son: Valor (el χ²), gl, y Sig. asintótica.
Regla importante: Si alguna casilla esperada tiene un valor menor que 5, el chi-cuadrado no es fiable. SPSS te avisa con una nota al pie. En ese caso, usa la prueba exacta de Fisher (que SPSS calcula automáticamente para tablas 2x2).
El tamaño del efecto aquí es la V de Cramer (que sí te da SPSS en la tabla de "Medidas simétricas"). Interpretación: V = .10 pequeño, V = .30 moderado, V = .50 grande.
Interpretar una regresión lineal
SPSS te da tres tablas principales:
1. Resumen del modelo: R² te dice qué porcentaje de la varianza de la variable dependiente explica tu modelo. R² = .25 significa que tu modelo explica el 25% de la varianza. Usa R² ajustado si tienes varios predictores.
2. ANOVA: Indica si el modelo global es significativo. Si F es significativo, al menos uno de tus predictores tiene efecto.
3. Coeficientes: Esta es la tabla clave. Para cada predictor:
B (no estandarizado): Por cada unidad que sube X, Y cambia B unidades. Depende de la escala de medida.
Beta (estandarizado): Permite comparar la importancia relativa de cada predictor. Va de -1 a 1.
t y Sig.: Si el p-valor es < .05, ese predictor contribuye significativamente al modelo.
IC 95% para B: Si el intervalo incluye el 0, el efecto no es significativo.
Antes de interpretar nada, verifica los supuestos. Consulta nuestra guía de supuestos estadísticos y usa el intérprete de normalidad para verificar los residuos. Si vas a montar el modelo de regresión paso a paso, te será útil mi tutorial de regresión lineal en SPSS, que cubre el flujo completo desde el diagnóstico hasta el reporte.
Interpretar pruebas no paramétricas
Si tus datos no cumplen supuestos de normalidad (muestras pequeñas, distribuciones sesgadas), usarás alternativas no paramétricas.
U de Mann-Whitney (alternativa a la t independiente): SPSS te da U, Z y Sig. Reporta los tres. El tamaño del efecto es r = Z / √N.
Wilcoxon (alternativa a la t pareada): Similar. T, Z y Sig. El efecto también se calcula como r = Z / √N.
Kruskal-Wallis (alternativa al ANOVA): H, gl y Sig. Si es significativo, necesitas comparaciones por pares (SPSS las calcula automáticamente desde la versión 20).
Los 5 errores que veo con más frecuencia
Después de revisar cientos de análisis de doctorandos e investigadores, estos son los patrones que se repiten:
1. No verificar supuestos. Hacen un ANOVA sin comprobar normalidad ni homocedasticidad. Los revisores lo pillan siempre.
2. Reportar solo el p-valor. Sin tamaño del efecto ni intervalos de confianza. Las guías APA 7 lo exigen explícitamente.
3. Usar siempre la primera fila de la t de Student. Sin mirar el test de Levene primero.
4. Interpretar r² como r. Una correlación de .30 (r) corresponde a r² = .09, es decir, solo explica el 9% de la varianza.
5. No reportar N para cada análisis. Especialmente grave cuando hay datos perdidos y N varía entre análisis.
Antes de enviarlo: estos cinco errores son justo los que un revisor metodológico marca en la primera ronda, y casi siempre están en el apartado de resultados. Si ya tienes el manuscrito escrito, pásalo por el revisor de artículos: es una pre-revisión gratuita estilo Reviewer 2 que te señala qué parte de tus análisis chirría antes de que te lo diga la revista.
Cómo reportar los resultados en formato APA 7
Una vez que has interpretado los resultados, necesitas escribirlos en formato APA. Usa nuestra herramienta de formato APA 7: introduces los valores y te genera el texto listo para copiar. Y si el análisis se complica o quieres que un revisor no te marque incidencias, un consultor estadístico puede revisar la interpretación y el reporte completo antes del depósito.
Algunas reglas rápidas:
• Los p-valores no llevan cero antes del punto: .023, no 0.023.
• Si p < .001, escribe p < .001 (no .000).
• Los estadísticos (t, F, r) van en cursiva.
• Siempre incluye grados de libertad, estadístico, p-valor y tamaño del efecto.
Mi recomendación personal: considera dejar SPSS
Después de años usando SPSS profesionalmente, hoy lo recomiendo cada vez menos. SPSS te obliga a calcular muchas cosas a mano (tamaños del efecto, intervalos de confianza para diferencias, post-hoc robustos) que otros softwares te dan directamente.
Mis alternativas preferidas:
R (con paquetes como effectsize, report y papaja): Gratuito, reproducible, y con el paquete report te genera directamente el texto APA de cualquier análisis. Es lo que uso en mi trabajo diario.
jamovi: Gratuito, interfaz visual similar a SPSS, pero te devuelve automáticamente la tabla en formato APA con tamaños del efecto incluidos. Es la opción perfecta si no quieres aprender a programar.
Si tu departamento te obliga a usar SPSS, al menos combínalo con nuestras herramientas gratuitas para calcular lo que SPSS no te da.
Referencias
American Psychological Association. (2020). Publication manual of the American Psychological Association (7th ed.).
Cohen, J. (1988). Statistical power analysis for the behavioral sciences (2nd ed.). Lawrence Erlbaum.
Field, A. (2024). Discovering statistics using IBM SPSS statistics (6th ed.). Sage.