Los grados de libertad no son un adorno del paréntesis: dicen cuántos casos entraron en ese análisis concreto. Si no cuadran con la N que declaras en Participantes, hubo pérdidas que no se contaron.
Prueba t para muestras independientes. Los grados de libertad son N − 2, porque se estiman dos medias. Con t(98) hubo 100 casos en ese contraste.
Prueba t para muestras relacionadas. Son N − 1, y la N es el número de pares, no de observaciones. Confundir las dos es de los errores más frecuentes en diseños pre-post.
ANOVA de un factor. Los del error son N − k, con k el número de grupos. Los del efecto son k − 1, así que F(2, 87) dice tres grupos y 90 casos.
Regresión múltiple. Los del residuo son N − k − 1, con k el número de predictores. Es la que más se equivoca porque el −1 de la constante se olvida.
Casi siempre, casos perdidos no declarados. Si el apartado de Participantes dice 120 y la regresión tiene 104 grados de libertad de residuo con tres predictores, se analizaron 108 personas: doce se quedaron fuera y nadie lo cuenta. No es fraude, es una omisión, pero es justo la que un revisor pregunta.
A veces, eliminación por lista. Con varios análisis y perdidos distintos en cada variable, cada modelo se queda con una muestra distinta. Es legítimo, pero hay que decirlo y dar la N de cada uno. Lo tienes desarrollado en cómo reportar los datos perdidos.
Y de vez en cuando, la N equivocada. En medidas repetidas, dar el número de observaciones en vez del de participantes infla la muestra sin que se note en el texto.
Los grados de libertad son la única cifra del artículo que no se puede maquillar: salen del modelo que se estimó. Por eso son el primer sitio donde mirar cuando algo no encaja.
Y tienen una propiedad útil: son consistentes entre análisis. Si tres modelos sobre las mismas variables dan tres N implícitas distintas sin explicación, ahí hay algo que contar.
Si además el valor p no cuadra con esos grados de libertad, tienes dos señales en la misma línea. Ésa se comprueba en el valor p contra sus grados de libertad.
En los contrastes clásicos sí: se pierde un grado por cada parámetro estimado. En modelos mixtos y en correcciones como Greenhouse-Geisser dejan de ser enteros y de deducirse tan directamente, y ahí esta comprobación no aplica.
Vienen de una corrección: Welch cuando las varianzas no son iguales, o Greenhouse-Geisser y Huynh-Feldt cuando falla la esfericidad. Son correctos y hay que reportarlos con sus decimales, pero ya no permiten deducir la N.
Si varía entre análisis, sí. Basta con una frase en Resultados o una nota en la tabla diciendo cuántos casos entraron en cada modelo y por qué se perdieron. Silenciarlo es lo que convierte una decisión razonable en una sospecha.
Sí, y hay que declararlo con el criterio que usaste y ANTES de mirar los resultados. Lo tienes en cómo reportar los valores atípicos.