Contenido elaborado por el equipo DataMedix.
Revisión metodológica: Dr. Lucas Vargas, médico epidemiólogo.
Los errores de interpretación pueden ocurrir incluso cuando las pruebas estadísticas fueron ejecutadas correctamente.
La estadística puede calcular un número correcto.
El problema comienza cuando le atribuimos un significado que no tiene.
Error 1. Interpretar p < 0,05 como “resultado verdadero”
El valor p no es la probabilidad de que la hipótesis sea verdadera.
Tampoco representa directamente la probabilidad de que el hallazgo se deba al azar. La ASA ha señalado explícitamente estas interpretaciones como incorrectas.
Error 2. Interpretar p > 0,05 como “no existe asociación”
No superar un umbral convencional puede coexistir con:
- poca precisión;
- muestra pequeña;
- efecto pequeño;
- variabilidad elevada;
- intervalos compatibles con diferentes efectos.
Debemos observar la estimación y el intervalo.
Error 3. Confundir significación con importancia clínica
Una diferencia muy pequeña puede alcanzar un valor p bajo en muestras grandes.
Pregunta también:
¿Importa clínicamente?
Error 4. Confundir asociación con causalidad
Encontrar:
OR = 2,4
no demuestra automáticamente que la exposición cause el desenlace.
Debes considerar:
- diseño;
- temporalidad;
- confusión;
- sesgo;
- medición.
Error 5. Leer OR como RR
El odds ratio y el riesgo relativo no representan exactamente lo mismo.
Cuando un desenlace es frecuente, el OR puede parecer intuitivamente más extremo que el RR.
Error 6. Ignorar la categoría de referencia
OR = 0,60
no puede interpretarse correctamente sin saber qué categoría se compara con cuál.
Error 7. Ignorar el intervalo de confianza
Una estimación puntual puede parecer impresionante pero ser muy imprecisa.
OR 3,0; IC 95 %: 0,50–17,9.
La incertidumbre es enorme.
Error 8. Interpretar igual resultados crudos y ajustados
Si:
OR crudo = 2,4
y:
OR ajustado = 1,2
algo cambió después de introducir las variables del modelo.
Debe analizarse qué podría explicar esa diferencia.
Error 9. Seleccionar solo resultados favorables
Si se realizaron veinte pruebas y únicamente se reportan dos con p < 0,05, el lector recibe una visión incompleta.
Error 10. Llamar “tendencia” a cualquier p cercano a 0,05
Por ejemplo:
p = 0,051 mostró tendencia a la significación.
El número no cambia cualitativamente cuando atraviesa una frontera arbitraria entre 0,049 y 0,051. La ASA ha promovido precisamente evitar interpretaciones dicotómicas de este tipo.
Error 11. Confundir correlación fuerte con acuerdo
Dos instrumentos pueden correlacionarse y, aun así, presentar diferencias sistemáticas importantes.
La prueba estadística debe responder exactamente la pregunta.
Error 12. Ignorar datos faltantes
Si una variable tiene información únicamente en una parte de la población, la muestra utilizada en ese análisis puede no ser igual a la muestra total.
Error 13. Elegir las conclusiones según el software
SPSS, R, Stata o Python pueden calcular estimaciones.
No deciden automáticamente cuál es la interpretación clínica correcta.
Conclusión
Interpretar resultados significa conectar la estadística con:
- diseño;
- población;
- medición;
- incertidumbre;
- clínica;
- posibles sesgos.
No consiste en buscar asteriscos.
¿Quieres revisar si estás interpretando bien tus análisis?
En DataMedix podemos revisar tus tablas y modelos para detectar errores de interpretación antes de que lleguen a la discusión, las conclusiones o la sustentación.
Referencias
- Yaddanapudi LN. The American Statistical Association statement on P-values explained. J Anaesthesiol Clin Pharmacol. 2016 Oct-Dec;32(4):421-423. doi: 10.4103/0970-9185.194772. PMID: 28096569; PMCID: PMC5187603.
- Kumar, V., & Dabas, A. (2026). ICMJE Recommendations (2026) on the Use of Artificial Intelligence in Scientific Writing. Indian Pediatrics, 63(6), 457-457.
- Boesen, K., & Gluud, C. (2026). Justification of clinical trials with updated systematic reviews: calling on the ICMJE to introduce publication requirements. Royal Society Open Science, 13(5), 1-6.
- Alfonso, F., & Crea, F. (2023). New recommendations of the International Committee of Medical Journal Editors: use of artificial intelligence.
- Lang, T. A., & Altman, D. G. (2014). Statistical analyses and methods in the published literature: The SAMPL guidelines. Guidelines for reporting Health Research: A User’s manual, 264-274.
- Indrayan, A. (2020). Reporting of basic statistical methods in biomedical journals: improved SAMPL guidelines. Indian pediatrics, 57(1), 43-48.
