Los errores en la interpretación de resultados estadísticos no son exclusivos de estudiantes o investigadores noveles. Varios estudios han documentado que incluso profesores de estadística, editores de revistas y revisores experimentados cometen errores interpretativos con regularidad alarmante. El problema no es falta de inteligencia sino falta de reflexión: muchas interpretaciones erróneas se han repetido tanto en artículos y manuales que se han convertido en una especie de folklore estadístico que se transmite de generación en generación sin ser cuestionado.
El error más extendido -- y que exploro en detalle en la tiranía del valor p -- es la inversión del condicional en la interpretación del valor p. El valor p es la probabilidad de obtener los datos observados (o datos más extremos) asumiendo que la hipótesis nula es cierta: P(datos | H0). Muchos investigadores lo interpretan como la probabilidad de que la hipótesis nula sea cierta dados los datos: P(H0 | datos). La diferencia entre ambas es fundamental y no es un tecnicismo. P(lluvia | nubes) es muy diferente de P(nubes | lluvia). Que los datos sean improbables bajo la nula no significa que la nula sea improbable dados los datos. Esta confusión, documentada por Cohen, Gigerenzer y muchos otros, está en la raíz de muchas conclusiones infundadas en la literatura psicológica.
Confundir significación estadística con importancia práctica
Otro error frecuente es tratar la significación estadística como sinónimo de importancia o relevancia. Un resultado puede ser estadísticamente significativo y prácticamente irrelevante. Con una muestra de 10.000 participantes, puedes detectar como significativa una diferencia de medio punto en una escala de 100 puntos. Esa diferencia es real en el sentido estadístico (probablemente no se debe al azar), pero es tan pequeña que carece de cualquier relevancia clínica o práctica. El antídoto contra este error es siempre reportar e interpretar los tamaños del efecto junto con los valores p (nuestro formateador de resultados APA facilita este paso). La d de Cohen, el eta cuadrado parcial, el odds ratio o cualquier otra medida del tamaño del efecto te dice cuánto cambian las cosas, que es la pregunta que realmente importa.
El error inverso también es frecuente: concluir que no hay efecto cuando el resultado no es significativo. Un valor p de 0.15 no demuestra que no haya efecto; solo indica que los datos no proporcionan evidencia suficiente para rechazar la nula con el criterio convencional. La diferencia es sutil pero importante. Con una muestra pequeña, es perfectamente posible tener un efecto real de tamaño moderado y no detectarlo como significativo, simplemente porque la potencia estadística es insuficiente. Por eso es crucial interpretar los resultados no significativos en el contexto de la potencia del estudio y del intervalo de confianza: un intervalo de confianza estrecho que incluye el cero es más informativo que un intervalo amplio que también lo incluye.
Errores con las correlaciones y la regresión
La interpretación causal de correlaciones es probablemente el error que más se menciona en los cursos de estadística y el que menos efecto tiene esa mención. Los investigadores siguen usando lenguaje causal para describir asociaciones correlacionales. Parte del problema es que el lenguaje cotidiano es inherentemente causal: decimos que el estrés "produce" ansiedad, que la autoestima "mejora" el rendimiento, que la pobreza "causa" problemas de salud mental. Traducir estas afirmaciones a un lenguaje puramente asociativo requiere un esfuerzo consciente que muchos investigadores no realizan, especialmente en las secciones de discusión donde la tentación de sobreinterpretar es mayor.
En regresión múltiple, un error común es interpretar los coeficientes como efectos independientes de cada predictor, ignorando el problema de la multicolinealidad. Cuando dos predictores están altamente correlacionados, sus coeficientes de regresión se vuelven inestables y difíciles de interpretar de forma aislada. Un predictor puede tener un coeficiente no significativo no porque no esté relacionado con la variable dependiente, sino porque su varianza compartida con otro predictor ya está capturada por ese otro predictor. Examinar la matriz de correlaciones y los factores de inflación de varianza (VIF) antes de interpretar los coeficientes debería ser un paso obligatorio en cualquier análisis de regresión.
Recomendaciones para evitar estos errores
La mejor protección contra los errores interpretativos es la autocrítica constante. Antes de escribir una conclusión, pregúntate si tus datos realmente la sostienen o si estás extrapolando más allá de lo que el diseño y el análisis permiten. Lee tu sección de resultados como si fueras un revisor escéptico e identifica los puntos donde podrías estar sobreinterpretando. Y no tengas miedo de reconocer la incertidumbre: un artículo que dice "nuestros datos son compatibles con la hipótesis de que X influye en Y, aunque el diseño transversal no permite confirmar la dirección causal" es más honesto y más creíble que uno que afirma categóricamente que X causa Y basándose en una correlación. Si necesitas orientación con tus análisis, nuestro servicio de análisis para tesis doctoral puede ayudarte a evitar estos errores desde el diseño.