Después de haber asesorado estadísticamente a decenas de doctorandos y haber revisado más tesis de las que puedo contar, puedo afirmar que los errores estadísticos en las tesis de psicología siguen un patrón predecible. No son errores exóticos ni sofisticados. Son, en su mayoría, errores básicos que se repiten una y otra vez, y que podrían evitarse con una formación metodológica algo más sólida o con una consulta estadística a tiempo. Lo frustrante es que muchos de estos errores se detectan en la fase de defensa o de revisión, cuando ya es demasiado tarde para recorrer los datos y el tiempo invertido no se puede recuperar.
El error más común, con diferencia, es no planificar el análisis estadístico antes de recoger los datos. Muchos doctorandos diseñan su estudio, recogen la muestra y solo entonces se preguntan qué análisis deberían hacer. Esto lleva a situaciones absurdas: muestras demasiado pequeñas para los análisis que se pretenden, variables medidas en un formato que no permite el análisis deseado, o diseños que no incluyen las condiciones de control necesarias para responder a las hipótesis planteadas. Un análisis de potencia a priori, que es un cálculo que se puede hacer en cinco minutos con G*Power o con nuestra calculadora de tamaño del efecto, te dice cuántos participantes necesitas. No hacerlo es como construir una casa sin planos y esperar que salga bien.
Errores en la elección y aplicación de los análisis
Un error frecuente es aplicar pruebas paramétricas sin verificar sus supuestos. Si no tienes claro qué análisis corresponde, nuestro selector de test estadístico te guía paso a paso. La prueba t y el ANOVA asumen normalidad de los residuos y homogeneidad de varianzas, y aunque son razonablemente robustos a violaciones moderadas de estos supuestos (especialmente con muestras grandes), hay situaciones en las que las violaciones son lo suficientemente graves como para invalidar los resultados. Lo paradójico es que muchos doctorandos aplican tests de normalidad (Shapiro-Wilk, Kolmogorov-Smirnov) pero luego no saben qué hacer con los resultados. Si la prueba de normalidad es significativa, cambian automáticamente a un test no paramétrico, sin considerar que los tests de normalidad tienen mucha potencia con muestras grandes y pueden rechazar normalidad por desviaciones triviales que no afectan a la validez del ANOVA.
Otro error clásico es el uso indiscriminado de correlaciones de Pearson sin explorar visualmente la relación entre las variables. Una correlación de Pearson mide la relación lineal entre dos variables, y puede ser cercana a cero incluso cuando existe una relación fuerte pero no lineal. También es muy sensible a outliers: un solo punto extremo puede inflar o deflactar dramáticamente el coeficiente de correlación. La solución es sencilla: antes de calcular cualquier correlación, haz un gráfico de dispersión. Si la relación no parece lineal o si hay outliers evidentes, la correlación de Pearson no es la herramienta adecuada.
La confusión entre correlación y causalidad es quizás el error conceptual más grave y más difícil de erradicar. Muchos doctorandos escriben conclusiones causales basándose en datos correlacionales, con frases como "la autoestima produce mejores resultados académicos" cuando lo que realmente han mostrado es una asociación entre ambas variables. La dirección de la causalidad podría ser la inversa (los buenos resultados mejoran la autoestima), podría haber una tercera variable que explique ambas (el nivel socioeconómico, por ejemplo), o la relación podría ser bidireccional. Solo los diseños experimentales con manipulación y aleatorización permiten inferencias causales legítimas.
Problemas con las comparaciones múltiples
Cuando un doctorando tiene un cuestionario con 20 escalas y compara dos grupos en cada una de ellas, está realizando 20 pruebas estadísticas simultáneas. Con un nivel de significación de 0.05, la probabilidad de obtener al menos un falso positivo ya no es del 5%, sino de aproximadamente el 64%. Esto es lo que se conoce como el problema de las comparaciones múltiples, y la cantidad de tesis que lo ignoran por completo es alarmante. La corrección de Bonferroni (dividir alfa por el número de comparaciones) es la más conocida pero también la más conservadora, y puede hacer que pierdas efectos reales. Alternativas como la corrección de Holm o el control de la tasa de descubrimientos falsos (FDR) ofrecen un mejor equilibrio entre el control de falsos positivos y la potencia estadística.
Un problema relacionado es lo que podríamos llamar la exploración disfrazada de confirmación. El doctorando tiene una hipótesis vaga, explora los datos en múltiples direcciones, encuentra un resultado significativo, y escribe la tesis como si esa hubiera sido su hipótesis desde el principio. Esta práctica, conocida como HARKing (Hypothesizing After Results are Known), no es necesariamente deshonesta en su intención, pero sí produce una ciencia engañosa. La solución es sencilla en principio: distinguir claramente en la tesis entre análisis confirmatorios (planificados a priori) y análisis exploratorios (realizados a posteriori), y ser transparente sobre el proceso.
Cómo evitar estos errores
La mejor prevención contra los errores estadísticos en la tesis es consultar con un estadístico especializado en tesis doctorales antes de recoger los datos, no después. Una consulta de una hora en la fase de diseño puede ahorrarte meses de trabajo perdido. Si tu universidad no ofrece este servicio, busca asesoría estadística externa. Es una inversión que se paga sola en tiempo y frustraciones evitadas.
También es importante que tu director de tesis tenga competencia estadística suficiente para supervisar tus análisis, o que reconozca abiertamente sus limitaciones y te derive a alguien que pueda ayudarte. Desafortunadamente, no todos los directores tienen esta honestidad, y algunos doctorandos heredan errores metodológicos de sus supervisores sin saberlo. Si algo no te convence en los análisis que te han sugerido, busca una segunda opinión. Al final, la tesis lleva tu nombre, y la responsabilidad sobre la corrección de los análisis es tuya.