Tienes la salida delante: tablas, columnas de números y un valor p en alguna parte. El análisis ya está hecho, quizá incluso lo hizo otra persona. Lo que nadie te dio es la traducción: qué dicen esos números sobre tu hipótesis y cómo se escribe eso en la tesis o en el artículo. Y ahí el software no ayuda, porque SPSS, R, jamovi, JASP, Stata y hasta Excel comparten el mismo defecto de fábrica: calculan, pero no interpretan.
La buena noticia es que interpretar una salida estadística no es un conocimiento de software, es un método. El mismo, siempre: identificar qué prueba tienes delante, localizar el estadístico y su p, buscar el tamaño del efecto y traducir todo eso a una frase de hallazgo. Cuando dominas esos cuatro pasos, cambiar de programa es solo cambiar de etiquetas: la lógica no se mueve.
Esta guía recorre ese método completo, los seis malentendidos que más caro se pagan ante un tribunal o un revisor, qué mirar exactamente en cada prueba (t, ANOVA, correlación, regresión, chi-cuadrado), cómo se llama lo mismo en cada software y las señales de que tu salida merece una segunda mirada antes de reportar nada.
Da igual si tu salida viene de un visor de SPSS, de una consola de R o de una captura que te mandó tu director por WhatsApp: toda salida de estadística inferencial clásica se lee en el mismo orden. Estos cuatro pasos son ese orden.
Parece obvio y es donde más gente se pierde, sobre todo cuando el análisis lo corrió otra persona. Busca el nombre en el título de la tabla o de la función: «Prueba T», «ANOVA», «Correlaciones», «Coeficientes», «Pruebas de chi-cuadrado». Cada prueba responde una pregunta distinta y esa pregunta es el marco de todo lo demás: la t compara dos grupos, el ANOVA tres o más, la correlación mide asociación entre continuas, la regresión predice y el chi-cuadrado cruza categóricas. Si no sabes qué pregunta responde tu tabla, ningún número de esa tabla te va a decir nada.
Toda prueba clásica se condensa en una línea: un estadístico (t, F, r, χ²), sus grados de libertad y un valor p. El estadístico mide cuánto se alejan tus datos de lo que esperarías si no hubiera nada (la hipótesis nula); el p, qué tan improbables serían datos así de extremos si de verdad no hubiera nada. La convención: con p menor que .05, el resultado se declara estadísticamente significativo. Es una regla de decisión, no un certificado de importancia, y esa diferencia es el corazón de la siguiente sección.
El p responde «¿hay señal?»; el tamaño del efecto responde «¿de qué tamaño?». Son la d de Cohen para comparaciones de medias, eta cuadrado para ANOVA, la propia r en correlación, R² en regresión y la V de Cramér para chi-cuadrado. El problema práctico: muchos programas no lo incluyen por defecto. SPSS no reportó la d de Cohen hasta sus versiones recientes, y mucha gente escribe su sección de resultados solo con valores p. Ese es, hoy, uno de los reproches más automáticos de cualquier revisor, y casi siempre el efecto se puede derivar de lo que la salida sí trae.
El último paso es el que separa una salida leída de un resultado interpretado: escribir primero la afirmación en palabras (quién puntuó más, en qué dirección, con qué magnitud) y dejar los números como respaldo entre paréntesis. Por ejemplo: «El grupo de intervención mostró menor ansiedad que el grupo control, con un efecto moderado, t(58) = 2.41, p = .019, d = 0.62». El hallazgo va delante; la estadística lo sostiene. Un párrafo de resultados que empieza por «La tabla 2 muestra los valores obtenidos» no está interpretando nada: está narrando muebles.
La interpretación estadística tiene errores baratos y errores caros. Los caros son los que un tribunal o un revisor detectan en segundos, porque llevan años viéndolos. En los 346 manuscritos que hemos analizado con nuestro revisor automático, el 84% recibió el equivalente a Major revisions, y el 62% de las debilidades señaladas se concentran en método y análisis: buena parte son, exactamente, frases de interpretación como las que siguen.
Para las cinco pruebas que cubren la mayoría de tesis y artículos en psicología y ciencias de la salud: qué mirar en cualquier software y qué debe llegar al papel.
Mira el valor t, los grados de libertad, el p y la d de Cohen, más las medias y desviaciones de cada grupo, que son las que dan dirección al hallazgo. Ojo con un detalle que cambia entre programas: SPSS da dos filas (varianzas iguales asumidas o no; Levene decide cuál leer) y R aplica por defecto la corrección de Welch. Se reporta: medias y desviaciones de ambos grupos, y «t(58) = 2.41, p = .019, d = 0.62».
Mira la F, sus dos grados de libertad (entre y dentro de grupos), el p y la eta cuadrado parcial. Y recuerda qué responde el ANOVA: solo dice que al menos un grupo difiere de otro, no cuál. Sin post hoc con corrección (Bonferroni, Tukey), afirmar «el grupo A superó al B» es escribir más de lo que la prueba dijo. Se reporta el omnibus, «F(2, 87) = 5.12, p = .008, η²p = .105», y después los post hoc con sus p corregidos.
Mira la r con su signo, el p y el n. La correlación tiene una ventaja: la r ya es el tamaño del efecto, con los umbrales orientativos de .10, .30 y .50 para pequeño, moderado y grande. Dos cuidados: el signo lleva la dirección del hallazgo (una r de −.34 entre apoyo social y burnout se lee «a más apoyo, menos burnout»), y una r puede estar fabricada por dos o tres casos extremos, así que el diagrama de dispersión no es decorativo.
Aquí hay dos niveles y se leen en orden. Primero el modelo global: R² (varianza explicada) y su F con p, que dicen si el conjunto de predictores funciona. Después, predictor por predictor: B, β y el p de cada uno. Que el modelo sea significativo no vuelve significativos a todos los predictores, y viceversa. La β compara predictores entre sí dentro del modelo; la B interpreta en unidades reales («por cada hora adicional de sueño, la escala de estrés baja 1.4 puntos»).
Mira el χ², sus grados de libertad, el p y la V de Cramér como tamaño del efecto, junto con los porcentajes de la tabla cruzada, que hacen legible el hallazgo. Verifica la condición clásica: si alguna frecuencia esperada baja de 5, la salida suele avisarlo y toca la prueba exacta de Fisher. Y en tablas 2×2, R aplica por defecto la corrección de continuidad de Yates y SPSS la muestra en fila aparte: la «misma» prueba puede dar números distintos según dónde la corras.
Una parte enorme del «no entiendo mi salida» no es estadística, es vocabulario. Cada programa etiqueta las mismas cantidades a su manera, y saber mapearlas te permite leer cualquier salida con un solo aprendizaje.
Que un tutorial de SPSS te sirve para leer una salida de R, y al revés, si sabes traducir etiquetas, pero también que los valores por defecto no coinciden: Welch y Yates en R, casos completos en casi todos. Si trabajas sobre todo con un programa, tenemos guías específicas para interpretar resultados en jamovi y para leer un output de R, además de la guía de SPSS en el blog; esta página es el mapa común a todas ellas.
Interpretar también es auditar. Antes de traducir un solo número a texto, pasa esta lista: son las señales que más veces convierten un «resultado raro» en un error de datos detectado a tiempo.
El punto de llegada de toda interpretación es un párrafo en APA 7, y tiene una anatomía fija: hallazgo en palabras, estadística entre paréntesis, tamaño del efecto siempre. Los detalles de formato que los revisores miran con lupa: estadísticos con dos decimales, valores p con tres y sin cero antes del punto (p = .019, no p = 0.019), símbolos estadísticos en cursiva y valores exactos de p salvo cuando bajan de .001.
Un ejemplo completo, de la tabla al texto: «Los pacientes del programa de terapia combinada mostraron una reducción de la sintomatología depresiva mayor que los del tratamiento habitual, con un efecto moderado, t(94) = 2.87, p = .005, d = 0.59, IC 95% [0.18, 1.00]». Una sola frase y están la dirección, la magnitud, la evidencia y la precisión. Todo lo demás de esta guía existe para poder escribir frases así con fundamento.
Y una frontera que conviene respetar: en resultados se reporta, en discusión se explica. «Los hombres puntuaron más alto en riesgo percibido» va en resultados; «posiblemente por diferencias de socialización» va en discusión. Mezclarlas es de las correcciones más repetidas, y de las más fáciles de evitar.
Que, si en la población no existiera el efecto que estás probando, obtener datos tan extremos como los tuyos ocurriría menos del 5% de las veces. Por convención, eso basta para declarar el resultado estadísticamente significativo. No dice que el efecto sea grande, ni importante, ni que tu hipótesis tenga un 95% de probabilidad de ser cierta.
No. Un resultado no significativo se reporta con su estadístico, su p exacto, su tamaño del efecto y su intervalo de confianza, y se discute con honestidad (potencia, tamaño muestral, medición). Lo que sí arruina una tesis es ir probando análisis hasta que algo dé p < .05: eso se llama p-hacking y los tribunales y revisores lo reconocen a simple vista.
Casi siempre se puede calcular con lo que la salida sí trae: la d de Cohen desde las medias y desviaciones (o desde la t y los grados de libertad), la eta cuadrado desde la F y sus gl, la V de Cramér desde el χ² y el n. En correlación no hay que hacer nada: la r ya es el tamaño del efecto. Nuestra herramienta lo calcula automáticamente al pegar la salida, precisamente porque es el hueco más común.
La lógica es idéntica: mismos cuatro pasos, mismas cantidades. Cambian las etiquetas (Sig. frente a p-value, gl frente a df, B frente a Estimate) y, más importante, algunos valores por defecto: R aplica Welch en la prueba t y la corrección de Yates en el chi 2×2, así que dos salidas «de la misma prueba» pueden mostrar números distintos sin que ninguna esté mal.
Las referencias habituales: d de 0.2, 0.5 y 0.8 y r de .10, .30 y .50 para pequeño, moderado y grande. Pero son orientaciones, no leyes: el propio Cohen advirtió contra usarlas de forma mecánica. Una d de 0.2 puede ser enorme si hablas de mortalidad y una de 0.8, trivial en una tarea de laboratorio. Citar efectos típicos de estudios similares defiende mejor que citar umbrales genéricos.
Puedes, con dos riesgos conocidos: los chatbots generales tienden a inventar valores que no están en tu tabla y no conocen los defaults del software que usaste (Welch, Yates, tratamiento de perdidos). Una herramienta construida para leer salidas estadísticas reduce ese margen, pero la regla vale para cualquier IA, incluida la nuestra: verifica cada número contra tu tabla, porque quien firma la interpretación eres tú.