Un revisor no necesita repetir tus análisis para saber que hay un problema. Muchos errores estadísticos se ven desde la primera lectura, porque dejan huellas en sitios previsibles: el abstract, la tabla 1, el párrafo donde se justifica la muestra, la frase final de la discusión. Quien lleva años revisando manuscritos sabe dónde mirar.
La mayoría de estos errores no son graves por sí mismos ni suponen mala fe. Son costumbres heredadas, plantillas de reporte antiguas, una frase de la tesis que se coló en el artículo. Pero un revisor que ve dos o tres seguidos deja de leer con generosidad, y el tono del informe cambia. Arreglarlos antes de enviar es la inversión de tiempo más rentable de toda la preparación del manuscrito.
Esta guía recorre los doce más frecuentes: qué ve el revisor, por qué es un problema y cómo se arregla, con enlaces a la guía detallada de cada uno. Funciona como lista de comprobación antes de pulsar «enviar».
Son los que más se ven en la discusión y los que un revisor corrige con más impaciencia, porque no dependen de ningún programa: dependen de cómo se lee un resultado.
Un valor p por encima del umbral no demuestra que el efecto sea cero: dice que los datos no permiten descartarlo con ese nivel de evidencia, a menudo porque la muestra es pequeña. La frase «no hubo diferencias entre los grupos» es una afirmación positiva que ese resultado no sostiene. Lo que sí puedes escribir es que no se observó una diferencia detectable, y acompañarlo del intervalo de confianza del efecto para que el lector vea qué valores sigue permitiendo.
Es frecuente leer «el tratamiento funcionó en el grupo A (p = .03) pero no en el B (p = .12)» y concluir que los dos grupos difieren. Que un efecto sea significativo y otro no lo sea no demuestra que sean distintos entre sí; para eso hay que contrastar la diferencia directamente, con una interacción o con el intervalo de la diferencia. Es un error clásico, descrito hace años en la literatura metodológica, y los revisores lo reconocen de inmediato.
Un estudio transversal puede describir asociaciones; no puede decir que una variable «provoca», «reduce» o «predice» otra en sentido temporal. Un título con «efecto de» sobre datos transversales invita al rechazo. Si no hay manipulación ni seguimiento, el verbo debe reflejar una asociación y la discusión debe nombrar las explicaciones alternativas. Tienes la guía completa en la página sobre causalidad con diseño transversal.
Un valor p dice si hay algo que detectar; no dice cuánto. Sin tamaño del efecto, el lector no puede juzgar si el resultado importa, y sin intervalo, no sabe lo impreciso que es. Casi todas las revistas de psicología y salud lo piden. La guía sobre no reportar el tamaño del efecto explica qué medida elegir según la prueba.
Un valor p que no corresponde al estadístico y a los grados de libertad que lo acompañan, unos grados de libertad que no encajan con el tamaño de la muestra, un porcentaje que no suma, una media imposible para el número de participantes. Son errores de transcripción o de versión, no de método, y un revisor los detecta recalculando. Tienes la explicación de cada tipo en las guías sobre valores p que no coinciden con el estadístico y sobre el test GRIM.
Faltan las pérdidas, el porcentaje de casos incompletos o el rango de las variables descriptivas. Y cuando falta, el revisor no puede juzgar si la muestra es adecuada ni si el análisis tuvo que descartar casos. Una tabla descriptiva completa y un diagrama de flujo de participantes resuelven la mayor parte de esos comentarios antes de que existan.
No hay un tamaño mínimo universal; lo que hay es un tamaño suficiente para el efecto que quieres detectar con el análisis que usas. Una muestra que se presenta sin justificación, o con la excusa de que «es similar a la de estudios previos», invita al comentario de falta de potencia. Resuelve la objeción con un cálculo a priori o, si es imposible, con una sensibilidad: qué efecto mínimo detecta tu muestra. Hay una guía sobre potencia estadística insuficiente.
El programa elimina por defecto los casos con valores perdidos, y si no lo cuentas, el lector asume que no los había. Cuántos faltan, en qué variables y con qué patrón es información que se pide en cualquier revisión. La guía sobre datos perdidos explica cuándo basta con eliminar y cuándo hay que imputar.
Alumnos dentro de aulas, pacientes dentro de centros, medidas repetidas de la misma persona. Si tratas esas observaciones como independientes, los errores estándar salen demasiado pequeños y los resultados parecen más seguros de lo que son. Un revisor lo detecta en cuanto lee cómo se reclutó la muestra. La solución es un modelo que tenga en cuenta la agrupación, o declarar por qué no es necesario.
Veinte pruebas con un umbral de .05 producen, solo por azar, algún resultado significativo. Si el artículo hace muchas comparaciones sin ajustar, el revisor lo dirá, y tendrá razón. Hay que preespecificar un resultado primario, corregir (Bonferroni, Holm o control de la tasa de falsos descubrimientos) o declarar abiertamente el carácter exploratorio. La guía sobre comparaciones múltiples sin corrección lo desarrolla.
Normalidad de los residuos, homogeneidad de varianzas, linealidad, ausencia de multicolinealidad. Un ANOVA o una regresión sin una línea sobre sus supuestos es una invitación a pedirlos. No hace falta un capítulo: una frase con la comprobación y, si falla, qué alternativa robusta has usado. Tienes la guía sobre supuestos estadísticos sin comprobar.
Un resultado inesperado presentado como si hubiera sido la hipótesis desde el principio, un análisis que se eligió porque «salió», una variable que se dicotomizó por el punto de corte más favorable. Se llama HARKing y a menudo no es deliberado. Un revisor lo percibe por la coherencia excesiva entre introducción y resultados. La salida honesta es separar lo confirmatorio de lo exploratorio, como desarrolla la guía sobre HARKing.
No hace falta releer el manuscrito doce veces. Hazlo en tres pasadas. En la primera, lee solo el abstract y la discusión buscando lenguaje causal y conclusiones sobre efectos nulos (errores 1 a 3). En la segunda, lee resultados y tablas con la calculadora al lado: ¿cada p corresponde a su estadístico?, ¿suman los porcentajes?, ¿hay tamaño del efecto y intervalo? (errores 4 a 6). En la tercera, lee el método con la cabeza de un revisor: muestra, pérdidas, datos anidados, supuestos, correcciones y qué estaba preespecificado (errores 7 a 12).
Las comprobaciones numéricas, que son las más cansadas de hacer a mano, se pueden automatizar: Previum recalcula los valores p desde sus grados de libertad, detecta cifras que se contradicen entre secciones y verifica cada referencia. No sustituye tu criterio sobre el diseño, pero te libera del trabajo que más errores humanos genera.
Tres de los errores de esta lista se pueden comprobar sin leer el artículo con ojos humanos, solo con aritmética: el valor p que no sale de su estadístico, la media imposible para su n y el N que cambia de una sección a otra. Pega tu apartado de resultados, o el manuscrito entero, y la comprobación recalcula cada p desde t, F, chi-cuadrado, r o z, aplica el test GRIM a las medias de variables enteras y cruza el N entre secciones.
Cada inconsistencia sale con la frase citada, lo que no cuadra y el valor recalculado. Todo corre en tu navegador: no se envía nada y no hace falta cuenta. Los demás errores de la lista, los de diseño e interpretación, son los que lee el revisor simulado de Previum en el manuscrito entero.
Entre los que más se repiten están no reportar el tamaño del efecto ni los intervalos de confianza y sacar conclusiones que van más allá del diseño. Son fáciles de arreglar, y por eso conviene comprobarlos antes de enviar.
Depende de cuál. Los errores de reporte suelen traducirse en una petición de corrección. Los de diseño o análisis que afectan a la conclusión (una muestra insuficiente, un análisis que no responde a la pregunta, causalidad sin base) sí pueden llevar al rechazo o a una revisión mayor.
Los errores de reporte y de coherencia numérica los puedes comprobar tú con paciencia y una calculadora, o con una herramienta que los recalcule. Los de diseño y análisis conviene que los revise alguien con experiencia, porque requieren juzgar si el método responde a la pregunta.
Avisa al editor lo antes posible. Si el manuscrito está en revisión, puedes enviar una corrección o incluirla en la respuesta. Si ya está publicado, las revistas tienen un procedimiento de corrección. Es mejor reconocerlo que que lo encuentre otro.
Algunos sí, sobre todo en revistas que usan herramientas de comprobación automática. Aunque el revisor no los recalcule, un valor p que no concuerda con su estadístico se nota a simple vista cuando es muy distinto, y despierta sospechas sobre el resto de las cifras.
Sí, y más cuando es sencillo: los errores de reporte (cifras que no cuadran, tamaños del efecto ausentes, supuestos sin mencionar) no dependen de la complejidad del análisis. Una revisión previa los detecta antes de que lo haga el revisor.