Mediste todo el mismo día, con el mismo cuestionario, en la misma muestra. Y en la discusión escribiste que el perfeccionismo «lleva a» la ansiedad académica, o que el apoyo social «reduce» la sintomatología depresiva. El revisor no necesita entrar en tus análisis: le basta con leer los verbos de tu abstract y compararlos con la palabra «transversal» de tu método.
Es probablemente la objeción más universal de la revisión en psicología y ciencias de la salud, y también la más fácil de evitar, porque casi nunca hace falta cambiar los análisis. Lo que hay que cambiar es lo que el manuscrito afirma. Un estudio transversal bien escrito puede publicarse en Q1; un estudio transversal que se comporta como si fuera un experimento no pasa de la segunda ronda.
Aquí encontrarás qué exige exactamente una inferencia causal, por qué el ajuste por covariables no la sustituye, el problema serio y poco conocido de la mediación con datos transversales, el catálogo de verbos que delatan el error, cómo reescribir sin desactivar el interés del artículo y qué responder cuando el revisor ya te lo ha marcado.
Las condiciones clásicas para sostener una afirmación causal son tres: covariación entre causa y efecto, precedencia temporal de la causa, y descarte de explicaciones alternativas. Un estudio transversal te da la primera con total solvencia. No te da la segunda en absoluto, porque todo se midió a la vez. Y te da la tercera solo de forma parcial y bajo supuestos muy fuertes, mediante el ajuste por variables que hayas tenido la suerte de medir.
La ausencia de precedencia temporal es la más grave y la menos negociable. Si mides rumiación y sintomatología depresiva el mismo martes por la tarde, tus datos son exactamente igual de compatibles con «la rumiación produce sintomatología» que con «la sintomatología produce rumiación» que con «ambas comparten una causa común, por ejemplo neuroticismo o un estresor vital reciente». Los tres modelos ajustan la misma matriz de correlaciones. Ningún estadístico va a distinguirlos, porque la información que los distinguiría no está en tus datos.
La tercera condición es donde más se engaña la gente. Meter covariables en la regresión no convierte una asociación en un efecto: solo bloquea las vías de confusión que has medido, con el instrumento que has usado, y asumiendo linealidad y ausencia de error de medida. Cualquier confusor no medido sigue ahí. Y hay un problema adicional que rara vez se contempla: ajustar por la variable equivocada puede empeorar el sesgo. Si controlas por un mediador, absorbes parte del efecto que querías estimar; si controlas por un colisionador (una variable causada por ambas), introduces una asociación espuria que antes no existía.
Esa última posibilidad es la que hace que el reflejo de «he controlado por todo lo que tenía» sea peligroso. La selección de covariables debería salir de un modelo causal explícito, no del listado de variables disponibles en tu base de datos.
Porque el error vive en la superficie del texto, no en los análisis. Un revisor con experiencia hace una lectura de verbos: recorre título, abstract, hipótesis y primer párrafo de la discusión buscando un vocabulario concreto. Efecto de, impacto de, influencia de, contribuye a, conduce a, produce, provoca, determina, reduce, aumenta, mejora, protege frente a, incrementa el riesgo de. Si alguno de esos aparece junto a un diseño transversal, ya tiene el comentario.
Hay un segundo grupo de verbos, más resbaladizos, que también los revisores marcan: predice, explica y anticipa. Son técnicamente aceptables en el sentido estadístico (una variable «predice» otra en una regresión aunque se midan a la vez), pero en el lenguaje natural el lector entiende predicción temporal. La regla práctica que aplican muchos revisores es que si el verbo se puede leer en clave temporal y el diseño no la sostiene, hay que cambiarlo o acotarlo explícitamente.
La tercera señal es estructural: las flechas de tu figura. Un diagrama de senderos con flechas unidireccionales de X a M a Y comunica causalidad de forma inmediata y visual, y el revisor lo ve antes de leer una sola línea del método. Que en el texto pongas «asociación» no compensa un dibujo que dice otra cosa.
La cuarta es el propio título. Un título como «El efecto de la carga académica sobre el agotamiento emocional en estudiantes de enfermería» sobre un estudio transversal es un desk rejection potencial en revistas metodológicamente estrictas, porque el editor ni siquiera necesita mandarlo a revisión para ver el desajuste.
Este merece sección propia porque es donde más manuscritos se caen y donde los autores están más convencidos de que no hacen nada malo. La secuencia es conocida: PROCESS de Hayes, modelo 4, bootstrap con 5.000 remuestreos, efecto indirecto significativo, y una discusión que explica «el mecanismo» por el que X afecta a Y a través de M. Todas las variables medidas en la misma sesión.
El problema no es de redacción, es de estimación. Maxwell y Cole (2007) demostraron formalmente que los coeficientes de mediación estimados con datos transversales son estimaciones sesgadas de los parámetros del proceso longitudinal subyacente, y que el sesgo puede ser enorme: dependiendo de la estabilidad de las variables y del intervalo real en que opera el proceso, el efecto indirecto transversal puede sobrestimar el verdadero, subestimarlo o incluso salir con el signo contrario. No es una cuestión de prudencia interpretativa: la cifra que has calculado no es una versión aproximada de lo que querías estimar.
La mediación es, por definición, un proceso que ocurre en el tiempo: X cambia, eso cambia M, y ese cambio en M cambia Y. Estimar eso con una fotografía instantánea exige asumir que el sistema está en equilibrio y que las relaciones son estacionarias, supuestos que nadie declara y casi nadie puede defender.
Si tu manuscrito ya está escrito y no tienes datos longitudinales, hay dos salidas honestas. La primera es reformular el análisis como un modelo de asociaciones condicionales: puedes reportar el mismo modelo, describiendo el efecto indirecto como una descomposición estadística de la asociación observada y no como un mecanismo, y declarando explícitamente el supuesto causal que estarías asumiendo. La segunda es más valiente y suele gustar a los revisores: mantener el análisis, añadir un párrafo que cite el problema, y reportar un análisis de sensibilidad probando el modelo alternativo con M e Y intercambiados. Si el ajuste es indistinguible, dilo. Esa honestidad pesa más que la significación del efecto indirecto.
Tres pares de frases, con el diagnóstico de por qué la primera cae y la segunda no.
Delata: «Impacto del uso problemático de redes sociales sobre la autoestima en adolescentes».
Aguanta: «Uso problemático de redes sociales y autoestima en adolescentes: un estudio transversal».
Meter el diseño en el título o el subtítulo no es una concesión: en revistas de ciencias de la salud es directamente lo que piden las guías de reporte, y le ahorra al editor la primera pregunta.
Delata: «H2: La inteligencia emocional reducirá los niveles de estrés percibido».
Aguanta: «H2: La inteligencia emocional se asociará de forma inversa con el estrés percibido».
Un futuro verbal con un verbo de cambio («reducirá») describe una intervención, no una correlación. Es un detalle mínimo de redacción que cambia el marco completo de lectura del revisor.
Delata: «Estos hallazgos demuestran que fomentar el apoyo social en el entorno laboral disminuye el burnout, por lo que las organizaciones deberían implementar programas de mentoría».
Aguanta: «Los profesionales que informaron de mayor apoyo social presentaron menores puntuaciones de agotamiento emocional. El diseño transversal no permite establecer la dirección de esta relación: es igualmente plausible que el agotamiento erosione la percepción y el mantenimiento de las redes de apoyo, un patrón documentado en estudios longitudinales sobre retirada social en burnout. Si la relación operase en la dirección que sugiere el modelo teórico, los programas de mentoría serían una vía de intervención razonable, hipótesis que requiere un contraste experimental o al menos con medidas repetidas».
La segunda versión no renuncia a la implicación práctica: la condiciona. Y de paso demuestra que el autor conoce la alternativa causal, que es lo que separa a un manuscrito prudente de uno tímido.
Este error se corrige en una sesión de trabajo. No toques los análisis: toca el texto y añade una capa de justificación de supuestos.
Hacer un grafo acíclico dirigido (DAG) del sistema que estudias, aunque no lo publiques, te obliga a decidir qué papel juega cada variable: confusor, mediador o colisionador. Esa decisión determina qué debes ajustar y qué no, y es la diferencia entre «controlamos por edad, sexo, nivel educativo e ingresos» y «ajustamos por las variables que el modelo teórico identifica como causas comunes de exposición y desenlace». Cuando un revisor te pregunta por qué has metido esas covariables y no otras, el DAG es la respuesta.
Si publicas la figura, mejor: cada vez más revistas de epidemiología y de psicología de la salud lo valoran, y en la práctica desactiva la mitad de los comentarios sobre confusión residual.
Hay una herramienta que impresiona a los revisores porque convierte una discusión cualitativa en un número: el análisis de sensibilidad a confusión no medida. El E-value (VanderWeele y Ding, 2017) responde a la pregunta de qué fuerza mínima de asociación tendría que tener un confusor no medido, con la exposición y con el desenlace, para explicar por completo la asociación que has observado. Si el resultado es que haría falta un confusor con una asociación de RR = 3,2 en ambos frentes, y en tu campo no se conoce ninguna variable con esa fuerza, tu asociación queda mucho mejor respaldada.
Existen implementaciones sencillas en R (paquete EValue) y calculadoras online. Es un párrafo de resultados y cambia la conversación.
No hace falta un estudio longitudinal de tres olas para mejorar sustancialmente tu posición. Separar temporalmente la medición del predictor y del desenlace, aunque sean dos semanas, elimina de golpe una parte del problema y además reduce la varianza común del método. Si tienes acceso a una segunda medición o a datos de registro anteriores a tu encuesta, úsalos: un diseño con predictor retrospectivo documentado y desenlace actual ya no es del todo transversal, y así se puede describir.
Lo primero: no discutas. Si el revisor te ha marcado lenguaje causal en un transversal, tiene razón por definición y cualquier defensa te va a costar una ronda entera. Lo segundo, y esto sí es importante: no te limites a cambiar dos palabras del párrafo que él ha citado. Los revisores comprueban si has hecho la corrección en todo el manuscrito, y encontrar en la segunda ronda un «impacto» en el título después de haberte corregido la discusión es la vía más rápida a un rechazo.
Un modelo de respuesta que cierra el comentario: «Agradecemos esta observación, que compartimos. Hemos revisado el manuscrito completo para eliminar las formulaciones causales y mantener un lenguaje estrictamente asociativo. Los cambios afectan al título (p. 1), al abstract (líneas 9, 14 y 21), a las tres hipótesis (p. 5), a los rótulos de la Figura 2, ahora con flechas bidireccionales, y a siete párrafos de la discusión (pp. 15-18); el listado completo de sustituciones se recoge en la tabla de cambios adjunta. Además, hemos incorporado (a) un párrafo específico sobre direccionalidad que plantea explícitamente la hipótesis inversa y la de causa común (p. 16), (b) un análisis de sensibilidad con E-value para la asociación principal, que indica que un confusor no medido necesitaría asociaciones de al menos RR = 2,4 con ambas variables para anular el resultado (p. 13), y (c) la aclaración de que el modelo de mediación se reporta como descomposición estadística de asociaciones observadas y no como evidencia de mecanismo, siguiendo las advertencias de Maxwell y Cole (2007) sobre mediación con datos transversales (p. 14)».
Si el revisor va más lejos y te pide directamente datos longitudinales, hay que valorar si es una petición razonable o una redefinición del estudio. Cuando no puedes recogerlos, la respuesta correcta no es prometer un estudio futuro: es defender la aportación real de tu artículo en su propio nivel, que suele ser establecer con precisión la magnitud de una asociación en una población concreta, y explicitar que el paso causal corresponde a un diseño distinto. Los editores aceptan ese argumento con bastante frecuencia cuando el resto del manuscrito es sólido y las conclusiones están calibradas.
Técnicamente sí, porque en una regresión «predecir» describe una relación estadística sin implicar tiempo, pero es un campo minado: muchos lectores y bastantes revisores lo leen en clave temporal. Si lo usas, acláralo una vez de forma explícita («predice en sentido estadístico, sin implicación temporal, dado el diseño transversal») y no lo mezcles nunca con verbos de cambio en la misma frase.
Mejora mucho la situación porque aporta precedencia temporal, pero no resuelve la confusión. Un panel con dos olas y análisis cross-lagged sigue expuesto a causas comunes no medidas, y además el modelo cross-lagged tradicional confunde diferencias entre personas con cambio intraindividual, un problema que motivó alternativas como el RI-CLPM de Hamaker y colaboradores (2015). Con datos longitudinales puedes hablar de precedencia y de cambio; para causalidad limpia sigue haciendo falta manipulación o un diseño cuasiexperimental bien identificado.
Sirve para bloquear los confusores que has medido, y poco más. Añadir variables sin criterio puede empeorar las cosas: si ajustas por un mediador pierdes parte del efecto de interés, y si ajustas por un colisionador creas una asociación espuria. La cantidad de covariables no es un indicador de rigor; la justificación de por qué esas y no otras, sí.
No está prohibido y se publica constantemente, pero hay que reportarlo con honestidad. Maxwell y Cole (2007) mostraron que los coeficientes pueden estar seriamente sesgados respecto al proceso longitudinal real. Lo mínimo aceptable hoy en una revista exigente es declarar el supuesto causal que estás asumiendo, evitar el vocabulario de mecanismo, y a ser posible probar y reportar el modelo con el mediador y el desenlace intercambiados.
Condicionándola. En vez de «las escuelas deberían implementar X porque reduce Y», escribe «si la relación observada refleja el patrón causal propuesto por el modelo teórico, X sería un objetivo de intervención plausible; contrastarlo requeriría un diseño experimental». Mantienes el interés aplicado y dejas visible el salto inferencial en lugar de esconderlo.
Es una variable que recibe flechas causales tanto de tu predictor como de tu desenlace. Al ajustar por él, o al seleccionar la muestra según él, se crea una asociación estadística entre las dos variables que no existía en la población. Es la causa de muchas asociaciones inverosímiles publicadas: por ejemplo, estudiar solo a pacientes hospitalizados (la hospitalización es un colisionador de dos patologías) puede hacer que dos condiciones independientes aparezcan correlacionadas negativamente.