Me salió p = .06: qué significa y qué escribes

Miras la salida, ves .060 y haces la resta mental: me faltan diez milésimas. A partir de ahí solo hay una tentación, escribir «marginalmente significativo», «se aproximó a la significación» o «mostró una tendencia», porque parece la manera honesta de no tirar seis meses de trabajo. Es la que más cara sale: de todas las formas de cerrar un resultado en el filo, esa es la única que el revisor lee como una confesión de que habrías usado el .05 sin pestañear si te hubiera salido a favor. Con un .060 hay bastantes cosas que sí puedes decir, y ninguna de ellas necesita un adverbio.

Qué dice de verdad un p = .060 (y qué diría un .042)

El valor p contesta una pregunta estrecha: si en la población el efecto fuera exactamente cero y el resto de supuestos del modelo se cumpliera, ¿con qué frecuencia saldrían datos al menos tan extremos como los tuyos? Un .060 responde que, bajo ese supuesto, unos datos así o más extremos aparecerían una de cada diecisiete veces. No dice que haya un 6% de probabilidad de que la hipótesis nula sea cierta, ni un 94% de que la tuya lo sea, ni que el efecto sea pequeño. Dice algo sobre unos datos bajo un supuesto, y nada sobre la probabilidad de tu hipótesis.

Dos estudios gemelos enseñan el problema mejor que cualquier definición. Los dos comparan una intervención breve de regulación emocional con una lista de espera, midiendo ansiedad, con 64 personas por grupo. El primero sale t(126) = 1.90, p = .060, d = 0.34, IC 95% [-0.01, 0.69]. El segundo sale t(126) = 2.05, p = .042, d = 0.36, IC 95% [0.01, 0.71]. Toda la distancia entre ellos son dos centésimas de d. Uno se cuenta como que la intervención funciona y el otro como que no.

Mira los dos intervalos en lugar de los dos valores p: [-0.01, 0.69] y [0.01, 0.71] dicen lo mismo sobre el mundo. Los dos son compatibles con un efecto que cambiaría decisiones clínicas y los dos son compatibles con uno inapreciable. La evidencia es continua; lo discreto es la decisión que tomaste al cortarla por un punto, y ese corte no reparte los resultados en dos naturalezas distintas. Cómo se lee un intervalo así, tramo a tramo, está en interpretar intervalos de confianza.

Por eso un .060 no es un resultado a medias ni un resultado defectuoso. Es un resultado con un intervalo ancho, que es una cosa muy concreta, muy escribible y bastante más informativa que el adverbio que estabas a punto de poner.

El .05 es arbitrario, pero deja de ser negociable en cuanto lo eliges

El umbral no salió de ninguna demostración. Fisher (1925) propuso el .05 como un nivel cómodo —uno de cada veinte— para decidir a qué resultados merecía la pena volver, y dejó escrito que cada investigador podía fijar otro según el problema. En física de partículas el corte está en cinco sigmas. En psicología hay propuestas serias de bajarlo a .005 para los hallazgos nuevos (Benjamin et al., 2018). Nada de eso convierte al .05 en una constante de la naturaleza; es un acuerdo de gremio.

Lo que sí hace ese acuerdo es partir el espacio en dos, y ese carácter binario no viene de Fisher: viene del marco de decisión de Neyman y Pearson, donde alfa es una tasa de error que te comprometes a asumir antes de ver los datos; si la eliges después, deja de ser la tasa que dices estar controlando. «Significativo» solo significa algo dentro de ese compromiso. La expresión «marginalmente significativo» vive de mezclar los dos marcos: usas la regla de decisión para el titular y el continuo de evidencia para las excepciones, según cuál te convenga en cada frase.

Hay una prueba casera que lo deja claro. Nadie escribe «marginalmente no significativo» ante un p = .042, ni dice que un efecto «tiende a la nulidad» cuando el p sube de .012 a .049. El vocabulario del margen viaja siempre en la misma dirección, la que le conviene a la hipótesis de quien escribe. Cuando un término solo aparece cuando ayuda, ha dejado de describir la evidencia: es un argumento disfrazado de descripción.

Que el umbral sea arbitrario es un buen motivo para no colgar de él toda la conclusión, y ese debate es viejo y está bien planteado en adiós a la tiranía del valor p. Pero la salida no es ablandarlo caso por caso y siempre en tu favor. La salida es dar el efecto con su intervalo y dejar que el lector vea lo mismo que estás viendo tú.

Lo que no puedes escribir (y por qué salta en revisión)

«Tiende a la significación». Una tendencia necesita una serie: medidas repetidas, una dosis creciente, algo que se mueva. Tu p es un número fijo calculado sobre unos datos fijos. No va camino de ninguna parte y no llegará a .04 si esperas sentado.

«Marginalmente significativo». No hay margen. Un margen sería un carril de indecisión pactado de antemano, y no lo pactaste: pusiste un corte en .05. Si de verdad querías una zona intermedia, se declara antes, con su criterio explícito, y entonces el .060 cae dentro de una regla y no de una excusa.

«Casi alcanzó la significación», «rozó el umbral», «se quedó a las puertas». Las tres describen un movimiento que no existe, y las tres producen el mismo efecto en quien revisa: si el .060 se cuenta como un casi-sí, es que el .05 nunca fue tu criterio.

«No significativo, pero en la dirección esperada». Describir la dirección del estimador es correcto; usarla como apoyo no lo es. Si el efecto real fuera exactamente cero, la mitad de los estudios daría una diferencia en la dirección que tú predijiste, por puro azar. La dirección sola, sin magnitud ni intervalo, no distingue tu hipótesis del ruido.

Nada de esto es un vicio personal tuyo. Pritschet, Powell y Horne (2016) revisaron artículos de psicología a lo largo de cuatro décadas y encontraron que llamar «marginalmente significativos» a los valores entre .05 y .10 se fue haciendo más frecuente con los años en las revistas que analizaron. Es un hábito del campo, y precisamente por eso los revisores lo tienen fichado: cuando aparece, lo que se pone en duda no es esa frase, es si el resto del análisis se decidió antes o después de ver los resultados.

Lo que sí puedes escribir, palabra por palabra

En Resultados, sin adjetivos. El estadístico completo con sus grados de libertad, el p exacto y el tamaño del efecto con su intervalo: «La intervención no se diferenció de la lista de espera en el umbral fijado, t(126) = 1.90, p = .060, d = 0.34, IC 95% [-0.01, 0.69]». Ni «marginal», ni «tendencia», ni un «sin embargo» que empuje al lector hacia donde tú querías llegar. Las reglas de cursivas, decimales y ceros para el p están en cómo reportar valores p en APA 7.

En Discusión, todo lo que diga el intervalo. «El intervalo de confianza es compatible con efectos de hasta d = 0.69, un tamaño que en este contexto tendría interés clínico, y también con la ausencia de efecto; el estudio no distingue entre las dos posibilidades». Esa frase la firma cualquier metodólogo, dice bastante más que un «marginalmente significativo» y no promete nada que los datos no sostengan.

También puedes decir qué podía ver tu diseño. Con 64 por grupo, alfa de .05 a dos colas y una potencia del 80%, el efecto más pequeño detectable ronda d = 0.50: tu estudio nunca estuvo montado para un efecto de 0.34. Eso es un análisis de sensibilidad, y se calcula con el diseño y no con el resultado, que es justo al revés que la potencia post hoc: esa se saca del efecto observado y no añade nada al p que ya tienes. Si además quieres orientar a quien replique, detectar un d = 0.34 con esa misma potencia pediría unas 136 personas por grupo, más del doble de las que tienes; esa cifra se da como orientación y con la salvedad de que un efecto estimado con un intervalo tan ancho es una base imprecisa para planificar. Si necesitas el d y su intervalo a partir del estadístico, los saca la calculadora de tamaño del efecto.

Lo que ninguna de esas frases te permite es afirmar que no hay efecto. Eso es un contraste distinto, equivalencia o factor de Bayes, y está explicado en qué hacer cuando no salió significativo. Con un intervalo que llega hasta 0.69, ese contraste te va a salir indeterminado, y decir «indeterminado» es la respuesta correcta cuando es la verdadera.

El otro .060: el que aparece después de corregir

Hay una versión de este problema que duele más, porque el resultado llegó a estar del lado bueno. Corriste cinco contrastes planificados, el crítico salió p = .012 y, al corregir por comparaciones múltiples, el valor ajustado se puso en .060: Bonferroni multiplica por los cinco contrastes y da exactamente eso, y Benjamini-Hochberg devuelve lo mismo para el más pequeño del conjunto, salvo que otro contraste de la familia tire del ajuste hacia abajo. La tentación cambia de forma pero es la misma: dar el .012 en el texto y dejar la corrección en una nota a pie, o escribir «significativo antes de la corrección» como si eso fuera una categoría.

No lo es. La regla a la que te comprometiste incluye la familia de contrastes y el método de ajuste; el umbral no era .05 a secas, era .05 después de corregir. Lo que se escribe es sencillo y va entero: «el contraste no se mantuvo tras el ajuste, p = .012, p_FDR = .060, d = 0.34, IC 95% [-0.01, 0.69]». El valor sin corregir aparece en la tabla porque es información, no porque sea un resultado alternativo que puedas usar cuando el otro no te sirve.

Donde de verdad escarba un revisor es en la familia. Si en el preregistro había cinco contrastes y en el manuscrito hay tres, o si la corrección se aplica a un bloque de análisis y al bloque decisivo no, el .060 pasa a ser el menor de los problemas. Y hay una lectura que conviene no perder de vista: con Benjamini-Hochberg los valores ajustados dependen del conjunto entero, así que un .012 que se convierte en .060 está diciendo algo sobre tu batería de contrastes, no solo sobre ese efecto.

Las cuatro maneras de bajar un .060 del umbral, y por qué se ven las cuatro

Pasar a una cola. Es la más rápida: el .060 se convierte en .030 dividiendo entre dos. Solo es legítima si la hipótesis direccional y la prueba unilateral estaban decididas antes de mirar, y aun así hay que declararlo en Método. Elegirla después de ver la dirección no es una prueba distinta: es fijar el umbral con los datos delante.

Recoger más participantes hasta que baje. Si la regla de parada es «sigo hasta que cruce el .05», la tasa de falsos positivos ya no es el 5% que crees estar controlando, y combinada con dos o tres flexibilidades más se dispara (Simmons et al., 2011). Ampliar la muestra es perfectamente legítimo; lo que contamina el análisis es que el criterio de parada dependa del resultado que quieres.

Quitar un caso extremo. Un criterio de valores atípicos decidido al ver el .060 no es un criterio, es una palanca. Si el caso extremo existe de verdad y hay razones para excluirlo, el manuscrito lleva los dos análisis, con y sin él, y explica cuál es el principal y por qué.

Meter una covariable que ayuda. Ajustar por algo planificado es análisis; ajustar por lo primero que baje el p es selección de modelo guiada por el resultado, y deja huella evidente: la covariable aparece en el modelo crítico y en ningún otro sitio del artículo.

Ninguna de las cuatro es invisible. Los grados de libertad que no cuadran con la muestra descrita en Método, la prueba unilateral que solo asoma en un contraste de diez, la covariable huérfana: eso se ve leyendo, sin necesidad de los datos. La salida limpia es la contraria y no cuesta nada: el análisis preplanificado va como principal, con su .060 escrito sin adornos, y cualquier otra cosa que hayas probado va etiquetada como exploratoria. Un análisis exploratorio bien declarado no resta credibilidad; uno disfrazado de confirmatorio se lleva por delante la del artículo entero.

Qué te va a preguntar el revisor y cómo dejarlo cerrado

Un resultado en el filo dispara tres preguntas, y conviene que las tres estén contestadas dentro del texto antes de que alguien las haga. Qué efecto podía detectar tu diseño. Qué sigue siendo compatible con tus datos. Y si el análisis que produjo ese .060 es el que tenías planeado o el que quedó después de probar cosas.

La tercera es la que decide el destino del manuscrito. Si hay un preregistro o un plan de análisis con fecha, el .060 es un dato y se acabó la discusión. Si no lo hay, el revisor solo puede juzgar por señales indirectas, y ahí un «marginalmente significativo» pesa mucho más de lo que parece: es la señal de que el umbral se leyó con la calculadora ya encendida.

Y hay un consuelo real, que no es el de «no te preocupes». Tu estimación no se pierde: d = 0.34 con su varianza entra en cualquier metaanálisis futuro exactamente igual que la de un estudio significativo, porque ahí no hay umbral que valga y lo que se combinan son efectos, no decisiones. Lo que decide si tu estudio suma o desaparece no es el .060: es que hayas dado el efecto y el intervalo con la precisión suficiente para que otro pueda usarlos.

Preguntas frecuentes

¿Un p = .06 es significativo?

No con un alfa de .05. El .060 está por encima del umbral y la decisión es negativa, sin matices. Lo que sí puedes decir es hacia dónde apunta el estimador y qué sigue siendo compatible con el intervalo, y eso se escribe con los números delante: t(126) = 1.90, p = .060, d = 0.34, IC 95% [-0.01, 0.69]. Lo que no puedes es llamarlo significativo poniéndole un adverbio delante.

¿Puedo escribir que mi resultado tiende a la significación?

No, porque nada tiende a nada. El valor p es un número fijo calculado sobre unos datos fijos: el que tienes no se mueve. Otro estudio con más gente daría otro valor p, mayor o menor, pero eso sería un dato nuevo y no una tendencia del que ya tienes. En su lugar, escribe el valor exacto, el tamaño del efecto con su intervalo y una frase que describa la dirección del estimador sin prometer un destino: «la diferencia fue favorable a la intervención, pero el intervalo incluye el cero».

¿Puedo pasar a una prueba de una cola para que salga p = .03?

Solo si la hipótesis direccional y la prueba unilateral estaban fijadas antes de ver los datos y así consta en Método. Cambiar a una cola después de ver un .060 lo convierte en .030 por aritmética, no por evidencia: estás dividiendo entre dos, no midiendo mejor. Es de las primeras cosas que comprueba un revisor cuando ve un contraste unilateral suelto entre diez bilaterales.

¿Puedo recoger más participantes hasta que el p baje de .05?

No con esa regla de parada, porque mirar el p y decidir si sigues rompe el control de error que da sentido al umbral. Sí puedes ampliar la muestra si el tamaño adicional se decide sin mirar el resultado, se declara en el manuscrito y se reporta el análisis con la muestra completa; o si usas un diseño secuencial con fronteras corregidas planificado desde el principio. La diferencia entre lo uno y lo otro es si el criterio de parada depende de lo que quieres que salga.

¿Por qué el umbral es .05 y no .06 o .01?

Porque Fisher (1925) lo propuso como un nivel cómodo, uno de cada veinte, y el campo lo adoptó. No hay nada en la matemática que privilegie ese número: la física de partículas trabaja con cinco sigmas y hay una propuesta bien argumentada de mover el corte a .005 para hallazgos nuevos en ciencias sociales (Benjamin et al., 2018). Que sea arbitrario no lo hace flexible después de ver los datos: lo que le da sentido es haberlo fijado antes.

¿Cómo escribo un p = .06 en APA 7?

Con la letra en cursiva, sin cero inicial y con el valor exacto: p = .060. APA 7 admite dos o tres decimales, y con un resultado en el filo conviene usar tres, porque .060 dice dónde estás y .06 no. Nunca lo sustituyas por p > .05 cuando tienes el valor exacto, y acompáñalo siempre del estadístico con sus grados de libertad y del tamaño del efecto con su intervalo de confianza.

Un .060 no hunde un artículo; un .060 mal escrito, sí. Da el valor exacto, el efecto con su intervalo y el análisis de sensibilidad, deja los adverbios fuera y etiqueta como exploratorio lo que sea exploratorio. Si lo que tienes delante es decidir qué análisis va como principal cuando el resultado se quedó en el filo, eso lo vemos en mi consultoría estadística.