La duda llega siempre en el mismo momento. El manuscrito está terminado, la carta de presentación escrita, tienes el correo del editor abierto en otra pestaña, y entonces te asalta: ¿están bien los análisis que he hecho? Es una pregunta razonable y casi nunca se resuelve, porque «comprobar los análisis» suena a reabrir la base de datos, repetirlo todo y perder una semana que no tienes.
Pero hay una parte que no funciona así. Una porción grande de los errores estadísticos de un paper se detecta sin la base de datos, sin la sintaxis y sin el autor: solo leyendo el texto que ya has escrito. Son fallos de coherencia interna, números que no pueden ser verdad a la vez, y para verlos te basta una calculadora y media tarde. Casi nadie lo hace antes de enviar, y ahí está la oportunidad.
¿Cuánto de grande es esa porción? Nuijten, Hartgerink, van Assen, Epskamp y Wicherts (2016) recomputaron unos 250.000 resultados publicados en revistas de psicología entre 1985 y 2013 y encontraron que alrededor de la mitad de los artículos contenía al menos una inconsistencia entre el estadístico, sus grados de libertad y el p que se reportaba. En torno a uno de cada ocho artículos tenía además una inconsistencia que cambiaba la conclusión: el texto decía «significativo» y las cifras decían que no, o al revés. Hablamos de artículos ya publicados, revisados por pares, en revistas serias.
Eso quiere decir dos cosas. Que el sistema de revisión no atrapa este tipo de fallo. Y que si tú lo atrapas en tu propio manuscrito antes de enviarlo, te ahorras una carta incómoda o, en el peor de los casos, una fe de erratas con tu nombre.
Van ocho comprobaciones. Todas se hacen sobre el PDF de tu manuscrito, ninguna necesita tus datos.
1. Recomputa el p desde el estadístico y sus grados de libertad
Esta es la madre de todas, y la más fácil de explicar: dado el estadístico y sus grados de libertad, el p no es una opinión, es una función determinista. Si escribes t(48) = 2,31, el p a dos colas solo puede valer una cosa. Cualquier programa lo devuelve, y en Excel se hace con una línea.
Las fórmulas exactas, por si quieres el atajo:
- t: a dos colas,
=T.DIST.2T(ABS(t); gl). En R,2 * pt(-abs(t), gl). - F: solo tiene cola superior,
=F.DIST.RT(F; gl1; gl2). En R,pf(F, gl1, gl2, lower.tail = FALSE). - χ²: también solo cola superior,
=CHISQ.DIST.RT(chi; gl). En R,pchisq(chi, gl, lower.tail = FALSE). - z: a dos colas,
=2*(1-NORM.S.DIST(ABS(z); VERDADERO)). En R,2 * pnorm(-abs(z)). - r de Pearson: se pasa a t con t = r·√(gl/(1−r²)) y se sigue con la primera línea.
La regla del redondeo, que es la parte que casi todo el mundo se salta. Cuando escribes t(48) = 2,31 no estás diciendo que la t valga exactamente 2,31: estás diciendo que redondeada a dos decimales da 2,31, o sea que la t verdadera está entre 2,305 y 2,315. Su p, por tanto, está entre .0249 y .0255. Solo si el p que has escrito cae fuera de ese intervalo hay algo que explicar. Si no aplicas esta holgura, te vas a asustar con discrepancias de milésimas que no son errores de nadie.
Y un detalle que se lee mal a menudo: un «p < .05» es un límite, no un valor. Cuadra si el p recomputado puede ser menor que .05, no si vale exactamente eso. La literatura de los ochenta y los noventa casi solo reporta límites, y tratarlos como valores exactos convierte medio corpus en «inconsistente».
Tres ejemplos reales de cómo se lee esto:
| Lo que dice el manuscrito | p recomputado | Veredicto |
|---|---|---|
| χ²(1, N = 200) = 8,66, p = .003 | .0033 | Cuadra. Nada que hacer. |
| F(3, 116) = 4,51, p = .04 | .0050 | Inconsistencia menor: los dos son significativos, pero el p está mal copiado. |
| F(1, 118) = 4,02, «no alcanzó la significación», p = .06 | .047 | Inconsistencia grave: cambia la conclusión del párrafo. |
Qué significa que no cuadre. En la inmensa mayoría de los casos, nada dramático: es una errata de transcripción entre la salida del programa y el Word, un decimal desplazado, una fila de la tabla de SPSS leída una línea más abajo. Eso se arregla en dos minutos y nadie se entera. El caso que importa es el otro: cuando el p recomputado y el reportado caen a lados distintos de .05. Ahí no estás corrigiendo una errata, estás corrigiendo una afirmación, y probablemente también la frase de la discusión que colgaba de ella.
La trampa de las colas. En t, r y z, el p de una cola es la mitad del de dos colas, así que un resultado que «no cuadra» a dos colas puede cuadrar perfectamente a una. Ejemplo: t(48) = 2,31, p = .012. A dos colas el p es .025 y no cuadra; a una cola es .0126 y cuadra. ¿Es un error? No se sabe, y por eso no se puede acusar a nadie: depende de un contraste direccional que el texto no menciona. La solución está en tu mano y es una frase en el método («todos los contrastes son bilaterales», o unilaterales y por qué). Con esa frase, una ambigüedad irresoluble se convierte en algo comprobable, y de paso dejas de parecer alguien que decidió las colas después de ver el resultado. En F y en χ² esto no aplica: solo tienen cola superior, y dividir su p entre dos no es «una cola», es un error.
2. El p imposible dado los grados de libertad
Antes incluso de recomputar nada, hay una comprobación de bulto que se hace de un vistazo: con pocos grados de libertad, un p pequeño exige un estadístico enorme. Si no lo tienes, el p no puede ser el que has escrito.
Los techos que conviene tener en la cabeza para p < .001:
- Con 4 gl (una t pareada de 5 sujetos) hace falta |t| ≥ 8,61.
- Con 9 gl, |t| ≥ 4,78. Con 18 gl, |t| ≥ 3,92.
- Una χ² con 1 gl necesita 10,83; con 2 gl, 13,82.
- Una F(1, 10) necesita 21,04; una F(2, 20), 9,95.
Un ejemplo que sale más de lo que parece en estudios piloto: «las puntuaciones de depresión difirieron entre momentos, t(18) = 1,20, p < .001». El p real de esa t es .25. No es una errata de decimales, es un resultado nulo presentado como el hallazgo principal, y esa frase probablemente sostiene un párrafo entero del abstract.
La regla: recorre tus resultados buscando cualquier p < .001 acompañado de un estadístico modesto y de pocos gl. Si el estadístico no llega al techo de su fila, el p está mal.
3. La N que cambia entre el método, la tabla y el texto
Este es el error más humano de todos y aparece en manuscritos por lo demás impecables. El método dice que se reclutaron 132 participantes. La Tabla 1 suma 128. El apartado de resultados habla de «los 124 participantes que completaron el seguimiento». Y en ningún sitio se explica dónde se fueron los ocho que faltan.
No hace falta que sea un fraude ni un descuido grave: casi siempre es que las exclusiones se decidieron en tres momentos distintos del análisis y el texto se escribió en cuatro. Pero para un revisor es una señal de alarma inmediata, porque no puede saber si las exclusiones fueron por criterio previo o por resultado. Y para un editor, tres N distintas en las dos primeras páginas son de los motivos más baratos que existen para firmar un desk-rejection sin mandar el manuscrito a revisión.
La regla: haz una lista con todas las N que aparecen en tu manuscrito — método, diagrama de flujo, cada tabla, cada figura, cada frase de resultados, el abstract — y ponlas en una columna. Solo puede haber tres o cuatro números distintos, y cada uno tiene que tener su frase que lo explique: N reclutada, N analizada, N por análisis concreto si hay pérdidas diferenciales. Si aparece un quinto número sin dueño, tienes trabajo.
4. Los grados de libertad que no casan con la N
Esta es la continuación natural de la anterior, y es más potente porque los gl delatan la N que de verdad entró en cada análisis, la hayas contado o no en el texto. Las equivalencias son fijas:
| Análisis | Grados de libertad | Ejemplo |
|---|---|---|
| t de muestras independientes | n₁ + n₂ − 2 | 60 + 60 → t(118) |
| t pareada o de una muestra | N − 1 | 45 pares → t(44) |
| ANOVA de un factor, k grupos | F(k − 1, N − k) | 3 grupos, N = 90 → F(2, 87) |
| Correlación de Pearson | N − 2 | 100 casos → r(98) |
| Regresión múltiple, k predictores | F(k, N − k − 1) | 4 predictores, N = 150 → F(4, 145) |
| χ² de independencia, tabla f×c | (f − 1)(c − 1), no depende de la N | tabla 2×3 → χ²(2) |
Dos ejemplos de lo que salta con esto. Uno: el método dice que hay 120 participantes en dos grupos de 60 y en resultados aparece t(110). Los gl de esa t tendrían que ser 118, así que faltan ocho casos y el texto no los ha mencionado — puede ser que los perdieras por valores ausentes en esa variable concreta, que es perfectamente legítimo, pero entonces hay que escribirlo. Dos: una tabla de contingencia de 2×3 reportada como χ²(1). Los gl de una χ² de independencia no dependen de la muestra, salen de la forma de la tabla, y ahí solo pueden ser 2.
Dos avisos para no acusarte en falso a ti mismo. Los gl con decimales, tipo F(1,62, 87,30), no son un error: es la corrección de Greenhouse-Geisser o Huynh-Feldt en medidas repetidas, y está bien reportarlos así. Y una t con gl decimales, tipo t(43,71), es la corrección de Welch para varianzas desiguales, también correcta.
5. La media y la DT que se contradicen entre dos tablas
Los descriptivos suelen aparecer dos veces en un manuscrito: en la tabla de características de la muestra y otra vez dentro de la tabla del análisis principal, o en el texto. Se escriben en momentos distintos, a veces desde versiones distintas de la base, y ahí es donde se separan. La misma celda dice M = 24,31 (DT = 8,02) en la Tabla 1 y M = 24,13 (DT = 8,20) en la Tabla 3. Un revisor que lo vea no piensa «errata», piensa «¿cuál de las dos bases de datos usó?».
Dos comprobaciones adicionales que no cuestan nada:
El techo de la desviación típica. Si una variable está acotada entre a y b y tiene media M, su DT no puede superar √((b − M)(M − a)). En un ítem Likert de 1 a 7 con media 6,4, el máximo es √(0,6 × 5,4) = 1,80. Una DT de 2,1 en esa celda es imposible, no improbable. Deja un pelín de holgura por el denominador n − 1 y por eso mismo no persigas diferencias en la segunda cifra, pero un exceso claro es un número que no existe.
El test GRIM. Cuando la media es de datos enteros (un recuento de aciertos, la suma de un cuestionario, un ítem individual), esa media tiene que ser un múltiplo de 1/N. Con N = 40, las medias posibles van de 0,025 en 0,025: 3,600, 3,625, 3,650… Una media reportada de 3,61 es aritméticamente imposible con 40 personas. Es el test GRIM (Brown & Heathers, 2017), funciona a mano con una calculadora y solo sirve con N pequeñas; ojo, no aplica si la media es de promedios de ítems, porque entonces el dato de partida ya no es entero.
6. El tamaño del efecto que falta o que no cuadra con su estadístico
APA 7 pide un tamaño del efecto para cada resultado principal, y aun así siguen llegando apartados de resultados que son una lista de p. Pero además de faltar, el tamaño del efecto puede contradecir al estadístico del que sale, y eso también se ve sin datos:
- d de Cohen desde una t de grupos independientes con n parecidas: d ≈ 2t/√gl. Con t(48) = 2,31 sale d ≈ 0,67. Si en la tabla pone d = 0,21, uno de los dos números está mal. (Con n muy desiguales, la fórmula buena es d = t·√(1/n₁ + 1/n₂).)
- Eta cuadrado parcial desde una F: η²p = gl₁·F / (gl₁·F + gl₂). Con F(2, 87) = 3,12 sale η²p = .067. Si el manuscrito dice .32, hay una celda copiada de otra fila.
- La coherencia con el p: un efecto enorme con una muestra grande no puede venir con un p de .04, y un efecto minúsculo con N = 60 no puede dar p < .001. Cuando la terna estadístico–p–tamaño del efecto no forma un triángulo coherente, el problema suele estar en el tamaño del efecto, que es lo último que se calcula y lo primero que se pega mal.
Si quieres el detalle de qué índice toca en cada diseño y cómo interpretarlo sin caer en los umbrales de manual, está en cómo interpretar la d de Cohen.
7. Las comparaciones múltiples sin corrección (o sin decir cuál)
Esta no es una comprobación aritmética, es de recuento, y por eso se hace igual de rápido: cuenta cuántos p hay en tu apartado de resultados. Si son quince contrastes de la misma familia y ninguna frase del método dice qué se hizo al respecto, tienes un problema que el revisor va a ver antes que tú.
Los números que lo hacen evidente: con 10 contrastes independientes a alfa .05, la probabilidad de que al menos uno salga significativo por azar es del 40 %; con 15, del 54 %. Es decir, con quince correlaciones exploratorias y ninguna corrección, lo esperable es encontrar «algo».
La regla: agrupa tus contrastes en familias (los que responden a la misma pregunta) y para cada familia el método tiene que decir una de tres cosas: qué corrección se aplicó (Bonferroni, Holm, FDR de Benjamini-Hochberg), que los contrastes eran planificados y preespecificados, o que ese bloque es explícitamente exploratorio y se interpreta como tal. Con 15 comparaciones, Bonferroni deja el umbral en .0033, que suele ser demasiado severo; Holm o FDR son casi siempre la opción defendible. Lo que no se sostiene es no decir nada.
Un apunte útil si haces el recomputo del punto 1: si tu p ya viene corregido, no va a cuadrar con el estadístico, y eso no es un error. Por eso conviene etiquetarlos en la tabla (p-FDR, p ajustado): distingues a la primera lo que hay que recomputar de lo que no.
8. El análisis que está en el método y no aparece en resultados
El último es el más tonto y el que más caro sale. En el método anunciaste cinco cosas: descriptivos, comprobación de supuestos, el ANOVA mixto, los post hoc y un análisis de moderación por sexo. En resultados hay cuatro. La moderación desapareció, y lo más probable es que desapareciera porque no salió.
Para el lector, esa ausencia es indistinguible de la selección de resultados. Y funciona igual en la dirección contraria: un análisis que aparece en resultados sin haber sido anunciado en el método hace pensar que se decidió después de ver los datos.
La regla: escribe en una columna cada análisis que anuncias en el método, una línea por análisis, y ve tachando según lo encuentras en resultados. Luego repite el barrido al revés. Los que sobren en cualquiera de los dos lados necesitan una frase: «el análisis de moderación se realizó y no resultó significativo (F < 1); se reporta en el material suplementario». Eso es todo lo que hacía falta, y convierte un agujero en una muestra de rigor. La misma lógica se aplica al abstract: cada afirmación del resumen tiene que tener su número en resultados.
El barrido completo, en el orden en que se hace
Media tarde, con el PDF a un lado y una hoja de cálculo al otro:
Paso 1. Subraya cada resultado inferencial del texto y de las tablas. Cópialos a una hoja: tipo de estadístico, valor, gl, p, tamaño del efecto.
Paso 2. Añade una columna con el p recomputado y otra con la diferencia. Ordena por diferencia y mira solo las filas de arriba.
Paso 3. Comprueba los gl contra la N de cada análisis. Anota las N que no cuadren.
Paso 4. Cruza los descriptivos que aparezcan dos veces.
Paso 5. Cuenta los p, decide las familias y escribe la frase de corrección en el método.
Paso 6. Lista método contra resultados en las dos direcciones.
Y una recomendación de proceso: hazlo antes de la última pasada de redacción, no después. Muchas de estas correcciones cambian una frase de resultados, y cambiar una frase de resultados obliga a repasar la discusión y el abstract. Si lo dejas para el final, o lo haces mal o lo haces tarde.
Lo que esta comprobación no puede decirte
Conviene tenerlo claro para no confiarte. El recomputo no dice si el análisis era el adecuado: solo si el p que reportas sale del estadístico que reportas. Un ANOVA impecablemente transcrito sobre un diseño que pedía un modelo mixto pasa esta comprobación entero.
Tampoco cubre las pruebas no paramétricas — la U de Mann-Whitney, la W de Wilcoxon, la H de Kruskal-Wallis — porque su p depende de la aproximación y de la corrección por empates que haya usado el programa, así que recalcularlo desde el texto daría discrepancias que no son errores tuyos sino del método de recálculo. Lo mismo con la Q de heterogeneidad de un metaanálisis.
Y hay un detalle práctico que sorprende: esto se hace sobre texto. Un resultado partido en celdas de una tabla de Word llega como cifras sueltas y ya no se reconoce como «t(48) = 2,31». Si tus resultados principales viven solo en tablas, el barrido de las tablas lo tienes que hacer tú a mano, columna por columna. Es un argumento más para que los hallazgos centrales aparezcan también redactados en el texto, que es lo que pide APA de todas formas.
Si quieres el resto del contexto sobre qué mira un revisor metodológico en la primera lectura, lo tienes en por qué te rechazan en una Q1, y la anatomía de un apartado de resultados bien montado está en el ejemplo completo de resultados en APA 7.
Hacer este barrido a mano funciona, pero es tedioso y compite con las ganas de enviar de una vez. Si prefieres que te lo hagan sobre el manuscrito entero, Previum lee tu PDF y recomputa los p-valores a partir del estadístico y sus grados de libertad, con el intervalo de redondeo puesto, dentro de una revisión al estilo del Reviewer 2 que también mira el diseño y la escritura. Es la comprobación que separa una errata corregida en casa de una carta del editor, y cuesta menos que releerlo por sexta vez.
Preguntas frecuentes
¿De verdad se pueden detectar errores estadísticos sin ver los datos?
Una parte de ellos, sí, y no es una parte pequeña. Todo lo que sea coherencia interna del propio texto — que el p salga del estadístico y sus gl, que los gl casen con la N, que los descriptivos coincidan entre tablas, que el tamaño del efecto sea el que corresponde a esa F — se comprueba con aritmética sobre lo que está escrito. Lo que no se puede comprobar sin datos es si el análisis era el correcto, si los supuestos se cumplían o si las exclusiones fueron razonables.
Me sale una discrepancia de milésimas. ¿Es un error?
Casi seguro que no. «t(48) = 2,31» solo garantiza que la t está entre 2,305 y 2,315, así que el p compatible es todo un intervalo, aquí de .0249 a .0255. Si tu p reportado cae dentro, cuadra. Las discrepancias que importan son de orden de magnitud (.04 frente a .005) o las que cruzan el umbral de significación.
Reporté un contraste unilateral y el recomputo me marca el resultado. ¿Qué hago?
Escribirlo. En t, r y z el p de una cola es la mitad, así que un resultado que no cuadra a dos colas puede cuadrar perfectamente a una, y quien lee tu manuscrito no tiene forma de saber cuál usaste si no lo dices. Una frase en el análisis de datos («los contrastes de las hipótesis 1 y 2 son unilaterales por ser direccionales; el resto, bilaterales») resuelve todas las líneas de golpe. En F y en χ² no existe la opción: solo tienen cola superior.
¿Puedo escribir p = .000 si eso es lo que sale en SPSS?
No. SPSS imprime tres decimales, así que «,000» significa «menor que ,0005», no cero: un p exactamente cero no existe. APA 7 pide escribirlo como p < .001. Es de las cosas que un editor de mesa corrige sin preguntar, y aparecer con ello delata que el número se copió de la pantalla sin leerlo.
Si encuentro una inconsistencia en un artículo mío ya publicado, ¿qué hago?
Depende de si cambia la conclusión. Si es una errata de transcripción que no altera lo que se concluye, se comunica al editor y suele resolverse con una corrección breve. Si el p recomputado y el reportado caen a lados distintos del umbral, hay que revisar qué afirmaciones del artículo dependían de esa línea antes de escribir a nadie. En ambos casos, escribir tú primero es infinitamente mejor que que lo encuentre otro: estas comprobaciones ya se hacen de forma automatizada sobre corpus enteros de revistas.
¿Esto sustituye a que un estadístico revise el manuscrito?
No, y no pretende. Es el filtro de abajo: quita los errores que no deberían llegar nunca a un revisor y que hoy llegan en la mitad de los artículos. Las decisiones de arriba — si el diseño soporta lo que concluyes, si el modelo es el que pide tu estructura de datos, si el tamaño muestral daba para lo que preguntas — siguen necesitando a alguien que entienda tu estudio.
Referencias
Brown, N. J. L., & Heathers, J. A. J. (2017). The GRIM test: A simple technique detects numerous anomalies in the reporting of results in psychology. Social Psychological and Personality Science, 8(4), 363-369.
Nuijten, M. B., Hartgerink, C. H. J., van Assen, M. A. L. M., Epskamp, S., & Wicherts, J. M. (2016). The prevalence of statistical reporting errors in psychology (1985-2013). Behavior Research Methods, 48(4), 1205-1226.