El mismo apartado de Resultados, antes y después

El apartado de Resultados está terminado. Los análisis los corriste hace cuatro meses, una parte los rehizo un coautor después de limpiar la base y el documento va por la séptima versión. Ahora tienes que decidir una cosa muy concreta: si lo mandas tal cual o si le dedicas dos tardes a repasar unos números que, hasta donde recuerdas, estaban bien. Este artículo es esa decisión con las cifras encima de la mesa: tres párrafos de un apartado de Resultados, con lo que tenían mal y con lo que dicen una vez arreglados. El estudio es inventado; los errores son de los que salen todas las semanas, y cada número se puede recomputar con lo que el propio párrafo publica, así que puedes ir comprobándolos mientras lees.

El estudio y la regla del juego

El manuscrito describe un ensayo con tres brazos: una intervención, un control activo y una lista de espera. Se asignaron 108 personas, 36 por brazo, y completaron la medida postratamiento 90: n = 28 en intervención, n = 30 en control activo y n = 32 en lista de espera. Las variables que aparecen en los tres párrafos son una escala de ansiedad de 21 ítems con recorrido de 0 a 63 y una escala de rumiación de 10 ítems con recorrido de 10 a 40.

La regla es que nada de lo que viene a continuación necesita los datos brutos. Los grados de libertad ya te dicen la N: 87 es 90 menos 3 grupos, 58 es 28 más 32 menos 2, y 106 es 90 más 18 menos 2. Si esos números no cuadran con la N del apartado de método, hay un problema antes de mirar nada más. Y si cuadran, el resto de la comprobación es aritmética: un estadístico, sus grados de libertad y una distribución conocida.

Los tres errores pertenecen a las tres familias en las que cae casi todo lo que un revisor marca en Resultados. Aritmética. El número no sale de sus propios ingredientes. Precisión. El número está, pero sin la incertidumbre que lo acompaña, y entonces afirma más de lo que puede. Justificación. El análisis puede estar bien ejecutado y aun así no se defiende, porque nadie ha dicho por qué esa prueba y no otra.

Párrafo 1: la p que no sale de sus grados de libertad

Antes. «El análisis de varianza mostró diferencias significativas entre los tres grupos en sintomatología ansiosa postratamiento, F(2, 87) = 4.31, p = .003. Las medias fueron 12.4 (DT = 4.1) en el grupo de intervención, 13.5 (DT = 4.3) en el control activo y 15.6 (DT = 4.5) en la lista de espera.»

Una F de 4.31 con 2 y 87 grados de libertad deja por encima de sí el 1,64% de la distribución. El valor de p es .016, no .003. Dicho al revés, que es como lo lee un revisor: para que p fuera .003 con esos mismos grados de libertad, la F tendría que haber sido 6.21. Aquí no hay margen de interpretación ni hace falta un modelo de lenguaje que opine; es una función de distribución acumulada y sale igual en cualquier ordenador del mundo. Lo interesante es que la F sí es correcta: coge las tres medias, las tres desviaciones típicas y los tres tamaños de grupo del propio párrafo, monta la varianza entre grupos y la de dentro, y sale 4.31. O sea que el análisis se hizo bien y lo que viajó mal fue el valor de p, copiado de otra fila de la salida o de una versión anterior del análisis que se rehizo después de excluir dos casos y de la que solo se actualizaron algunos números. Es el error más aburrido que existe y es también el más frecuente.

Conviene decir qué gravedad tiene, porque exagerar aquí sería tramposo: .003 y .016 caen del mismo lado de .05, así que la conclusión del párrafo no cambia. En la terminología de este campo eso no es una inconsistencia grave, es una inconsistencia a secas. El problema no es lo que le hace a ese resultado, es lo que le hace al resto: un revisor que encuentra una p que no sale de sus grados de libertad en el segundo párrafo de Resultados deja de leer el manuscrito y empieza a auditarlo. Si quieres el detalle de cómo se escribe cada valor de p, lo tienes en cómo reportar valores p en APA 7.

Después. «El análisis de varianza mostró diferencias entre los tres grupos en sintomatología ansiosa postratamiento, F(2, 87) = 4.31, p = .016, η_p² = .090, IC 90% [.010, .182]. Las medias fueron 12.4 (DT = 4.1; n = 28) en el grupo de intervención, 13.5 (DT = 4.3; n = 30) en el control activo y 15.6 (DT = 4.5; n = 32) en la lista de espera. El intervalo del tamaño del efecto abarca desde valores muy pequeños hasta moderados, por lo que la magnitud del efecto de grupo queda estimada con poca precisión en esta muestra.»

El tamaño del efecto también sale del propio párrafo: η_p² es el producto de los grados de libertad del numerador por la F, dividido entre eso mismo más los grados de libertad del denominador. Con 2, 4.31 y 87 da .090. El intervalo del 90% es la convención para η² y no un despiste, porque la F es una prueba de una cola y el intervalo del 90% es el que se corresponde con el contraste al 5%.

Párrafo 2: el tamaño del efecto sin intervalo

Antes. «El grupo de intervención puntuó más bajo en rumiación que la lista de espera, t(58) = 2.14, p = .037, d = 0.55, lo que representa un tamaño del efecto medio.»

Aquí no hay ningún error de aritmética, y esto conviene decirlo para no vender humo: la d cuadra con su t. Con 28 y 32 personas, d es la t multiplicada por la raíz de la suma de los inversos de los dos tamaños de grupo, o sea 2.14 por 0.259, que da 0.55. Todo consistente. Lo que falla es otra cosa: el párrafo presenta una estimación puntual como si fuera un hallazgo y la etiqueta con un adjetivo, «medio», que le da una firmeza que no tiene. «Medio» no es una propiedad de la intervención, es una etiqueta convencional pegada a un número que este estudio no ha podido clavar. Las reglas de escritura, con el detalle de la cursiva y el cero inicial, están en cómo reportar la d de Cohen en APA 7.

El intervalo del 95% para esa d, calculado con la distribución t no central, va de 0.03 a 1.07. Léelo despacio: con estos datos, el efecto de la intervención sobre la rumiación es compatible con algo prácticamente nulo y también con algo grande. La semiamplitud es de 0.52, más que el propio efecto estimado. Para que ese intervalo midiera ±0.20 harían falta unas 200 personas por grupo, y el estudio tiene 28 y 32. Con esos tamaños, la potencia para detectar un efecto de 0.55 era del 55%: apenas mejor que lanzar una moneda. Nada de esto invalida el resultado; lo sitúa, y por eso en la versión corregida el adjetivo desaparece y lo sustituye el intervalo, que dice lo mismo sin prometer.

Después. «El grupo de intervención puntuó más bajo en rumiación que la lista de espera al postratamiento (M = 21.0, DT = 5.6, n = 28 frente a M = 24.1, DT = 5.6, n = 32), t(58) = 2.14, p = .037, d = 0.55, IC 95% [0.03, 1.07]. La diferencia de medias fue de 3.1 puntos, IC 95% [0.20, 6.00]. El límite inferior del intervalo se aproxima a cero, de modo que estos datos son compatibles tanto con un efecto trivial como con uno grande, y la estimación de la magnitud debe tomarse como preliminar.»

Fíjate en que la versión corregida añade la diferencia de medias en puntos de la escala, 3.1 puntos con su intervalo. Es el número que un clínico puede juzgar sin traducir nada: sobre una escala que va de 10 a 40, tres puntos son tres puntos. La d estandariza para poder comparar entre estudios; la diferencia bruta es la que permite discutir si eso le importa a alguien.

Párrafo 3: la prueba que nadie justificó

Antes. «Los participantes que abandonaron el estudio (n = 18, M = 22.3, DT = 8.3) presentaban puntuaciones basales de ansiedad más altas que quienes lo completaron (n = 90, M = 19.4, DT = 4.6), t(106) = 2.09, p = .039. Este resultado se tuvo en cuenta al interpretar los efectos del tratamiento.»

La aritmética vuelve a ser correcta: con esas medias, esas desviaciones y esos tamaños, la t de Student sale 2.09 y su p es .039. El problema es que la t de Student asume que las dos varianzas son iguales, y el propio párrafo publica dos desviaciones típicas, 8.3 y 4.6, cuya razón de varianzas es de 3,3 veces. Y no es una desigualdad cualquiera: el grupo más pequeño, el de 18 personas, es el más variable. Cuando eso pasa, la t de Student se vuelve liberal, es decir, reparte más resultados significativos de los que le corresponden. El p = .039 está sesgado a la baja y el párrafo no dice ni una palabra sobre por qué se eligió esa prueba.

Con la t de Welch, que no asume homogeneidad de varianzas y que cuesta exactamente lo mismo de calcular, el resultado es t(19.14) = 1.44, p = .166. La conclusión se da la vuelta: lo que se anunciaba como una diferencia entre quienes abandonan y quienes se quedan deja de sostenerse. Delacre, Lakens y Leys (2017) defienden precisamente usar Welch por defecto y desaconsejan el procedimiento en dos pasos de probar primero la igualdad de varianzas para decidir después qué t se corre. La corrección, entonces, no es «te falta la prueba de Levene»: es «usa la prueba que no necesita ese supuesto y dilo».

Hay una segunda capa que un revisor de verdad va a marcar. Con 90 y 18 personas y esas dos desviaciones típicas, la comparación de Welch solo alcanza una potencia del 80% para diferencias de alrededor de 6 puntos en la escala, y la observada es de 2.9. Es decir, el análisis nunca estuvo en condiciones de zanjar la pregunta en ninguna de las dos direcciones. Un resultado no significativo aquí tampoco demostraría que el abandono fue aleatorio, y esa es la afirmación que la mitad de los manuscritos cuelan en la Discusión sin que nadie la mire.

Después. «Se comparó la puntuación basal de ansiedad entre quienes completaron el estudio (n = 90, M = 19.4, DT = 4.6) y quienes lo abandonaron (n = 18, M = 22.3, DT = 8.3). Dado que las varianzas difieren de forma apreciable y los tamaños muestrales son desiguales, se empleó la t de Welch, que no asume homogeneidad de varianzas: t(19.14) = 1.44, p = .166. La diferencia fue de 2.9 puntos, IC 95% [−1.32, 7.12]. Con estos tamaños muestrales y esta dispersión, la comparación solo alcanzaría una potencia del 80% para diferencias en torno a 6 puntos, por lo que no permite ni descartar ni afirmar que el abandono se relacione con la gravedad basal.»

Qué ha cambiado en realidad

Los datos son los mismos. No se ha recogido a nadie más, no se ha corrido ningún análisis nuevo que exija reabrir la base y no se ha tocado ni una decisión de diseño. El primer resultado sigue siendo significativo, porque .016 está por debajo de .05 igual que lo estaba .003. El segundo también. El único que se cae es el tercero, y se cae porque nunca estuvo de pie: la p de .039 era el subproducto de una prueba que no correspondía.

Lo que cambia es lo que el texto afirma. Los tres párrafos corregidos suman 309 palabras donde los originales sumaban 136: 173 palabras más, un tercio de columna en la maqueta de casi cualquier revista. A cambio, hay tres comentarios de revisor que ya no vas a recibir, y son tres de los que más caros salen porque llegan en la primera ronda y obligan a rehacer texto en Resultados y en Discusión a la vez.

También cambia lo que la Discusión puede decir. Si la comparación de abandono no es significativa con la prueba correcta y además no tenía potencia para serlo, la frase «los grupos eran comparables al inicio» desaparece del manuscrito y la sustituye una limitación honesta. Eso es peor para el relato y mejor para el artículo: una limitación declarada es una limitación que el revisor no tiene que descubrir, y un revisor que descubre cosas rara vez se para en la primera.

Por qué estos tres llegan hasta la revista

Porque llegan siempre. Nuijten y colaboradores (2016) pasaron un recomputador automático por más de 250.000 valores de p publicados en ocho revistas de psicología entre 1985 y 2013: la mitad de los artículos que usaban contraste de hipótesis contenían al menos una p inconsistente con su estadístico y sus grados de libertad, y uno de cada ocho contenía una inconsistencia grave, de las que pueden haber cambiado la conclusión. Además, las graves eran más frecuentes entre las p declaradas significativas que entre las no significativas, lo que apunta a un sesgo sistemático a favor de lo significativo.

Esa recomputación, la del primer párrafo, ya está resuelta y es gratis. El paquete statcheck, de Michèle Nuijten y colaboradores, está en CRAN con licencia GPL-3 y tiene versión web en statcheck.io: subes un pdf, un html o un docx y te recalcula los valores de p. Reconoce correlaciones y contrastes t, F, χ², z y Q siempre que estén reportados completos y en formato APA. Pásalo. Es la comprobación con mejor relación entre lo que cuesta y lo que ahorra que existe hoy en este oficio, y decir lo contrario para vender otra cosa sería mentir.

Sus propios límites los declara la herramienta y conviene tenerlos claros: no suele encontrar los estadísticos que están dentro de tablas, en revistas de psicología detecta alrededor del 60% de los contrastes, y una desviación pequeña de formato, corchetes en vez de paréntesis o un punto y coma en vez de una coma, basta para que un resultado le pase desapercibido. Comprobado en septiembre de 2026, porque estas cosas cambian.

Y sobre todo: la recomputación de p no toca los otros dos párrafos. Un intervalo que falta no es una inconsistencia aritmética, no hay nada que recalcular. Una prueba mal elegida tampoco: los números están bien calculados, lo que está mal es cuáles se calcularon. Esos dos siguen dependiendo de que alguien lea el apartado sabiendo qué buscar, y la revisión por pares no es ese filtro: un revisor lee, no recalcula. Por eso los tres párrafos de este artículo habrían pasado.

Cómo pasar tu propio apartado por esto

A mano se puede, y en una tarde. Recomputa cada valor de p a partir de su estadístico y sus grados de libertad. Comprueba cada tamaño del efecto contra la t o la F con la que convive en la misma frase. Y escribe, para cada prueba, una sola frase que diga por qué esa y no otra; si no te sale la frase, ahí tienes el problema. El barrido completo, ordenado y con las ocho comprobaciones que se hacen sin abrir los datos, está en cómo comprobar tus análisis antes de enviar.

La vía automática hace la misma pasada sobre el manuscrito entero. El Previum recomputa los valores de p desde los grados de libertad con código, no con un modelo; contrasta los tamaños del efecto contra la F o la t del propio autor; y verifica las referencias una a una contra ocho bases: Crossref, OpenAlex, Semantic Scholar, PubMed, DOAJ, arXiv y OpenLibrary. La prosa del informe sí la escribe un modelo, pero alrededor de números que no puede cambiar. Si quieres ver la forma exacta que tiene la salida antes de subir nada, está el informe de ejemplo completo.

Lo que no hace, para que no te lleves una sorpresa: no decide por ti qué prueba usar. Marca que la justificación falta y te enseña lo que implican tus propios números, como en el tercer párrafo de aquí arriba, pero elegir entre Welch, un modelo mixto o un bootstrap es una decisión con criterio detrás, y esa la tomas tú o se la encargas a alguien. Cuando el problema es de diseño y no de redacción, eso es consultoría, que es trabajo humano y se cobra por horas.

Y no es revisión por pares. Es autoevaluación del autor sobre su propio manuscrito antes de enviarlo: la misma lectura que le harías tú si tuvieras la distancia y el tiempo. El manuscrito no se almacena, hay encargo de tratamiento publicado y los subencargados están nombrados uno a uno.

Preguntas frecuentes

Si statcheck ya recomputa las p y es gratis, ¿para qué quiero nada más?

Para el primer párrafo, no quieres nada más: pásale statcheck y arregla lo que salga. Lo que no cubre son los otros dos casos de este artículo. Un tamaño del efecto sin intervalo no es una inconsistencia aritmética y no hay nada que recalcular; una prueba mal elegida tampoco, porque los números están bien hechos y el error está en cuáles se hicieron. A eso súmale sus límites declarados: no lee tablas y en psicología detecta alrededor del 60% de los contrastes. La parte que resuelve la resuelve muy bien y gratis; el resto sigue siendo lectura.

He corregido la p y sigue saliendo significativa. ¿Tengo que mencionarlo en algún sitio?

Si el manuscrito no se ha enviado todavía, no: corriges el número y sigues. No hay nada que declarar sobre un borrador. Si el artículo ya está publicado la respuesta cambia, y depende del tamaño del desajuste: cuando la p corregida cae del mismo lado de .05 que la publicada, suele bastar una corrección menor; cuando cambia de lado, el editor va a querer revisar el resultado entero. En los dos casos se escribe al editor, no se deja pasar.

El intervalo de mi d va de casi cero a mucho. ¿No queda mejor no ponerlo?

Queda mejor en la lectura de tu jefe y peor en la del revisor, que lo va a calcular en treinta segundos con tu t y tus n. Un intervalo ancho no es un defecto del análisis, es información sobre el tamaño de la muestra, y presentarlo tú te permite además enmarcarlo: preliminar, generador de hipótesis, a replicar con más gente. Ocultarlo convierte una limitación normal en un hallazgo que no aguanta la primera comprobación.

Los análisis los hizo un coautor y ya no tengo la salida original. ¿Puedo comprobar algo?

Casi todo lo de este artículo, sí, y es el caso más habitual. La recomputación no necesita la salida de SPSS ni la sintaxis: necesita el estadístico, sus grados de libertad y la N, y esos tres ya están escritos en tu manuscrito. Los tres errores de aquí arriba se detectan leyendo el papel. Lo que no se puede hacer sin datos es cambiar de análisis, y ahí sí hay que volver a llamar al coautor.

¿Previum me dice qué prueba debería haber usado?

No, y desconfía de lo que te lo prometa. Te marca que la justificación no está y te muestra lo que implican tus propios números: que tus dos desviaciones típicas se diferencian tanto, que el grupo pequeño es el más variable, que con esa n la potencia da para lo que da. Con eso encima de la mesa, la elección entre Welch, un modelo mixto o un procedimiento de remuestreo la haces tú, que conoces el diseño, o se la encargas a un estadístico.

¿Esto sustituye a la revisión por pares?

No. No es revisión por pares: es autoevaluación del autor sobre su propio manuscrito antes de enviarlo. Nadie externo emite un juicio sobre tu trabajo ni hay dictamen que valga ante una revista. Lo que hace es adelantarte los comentarios más mecánicos, que son justo los que se pueden arreglar solo y los que peor sientan cuando llegan firmados por un revisor anónimo cuatro meses después.

Quédate con la parte que no caduca: en un apartado de Resultados, cada número tiene que poder salir de otros números que están en la misma página. La p sale del estadístico y de sus grados de libertad, el tamaño del efecto sale de la t o de la F, y la prueba sale de una frase que explique por qué esa. Cuando los tres encajan, el apartado se puede auditar y no pasa nada. Cuando uno no encaja, la duda no se queda ahí: se extiende a todo lo demás que has escrito, y esa es la parte cara.