Contenido elaborado por el equipo DataMedix.
Revisión metodológica: Dr. Lucas Vargas, médico epidemiólogo.
Llegas al análisis final.
Ejecutas la prueba.
Y aparece:
p = 0,18.
Una reacción frecuente es pensar:
“Mi investigación salió mal.”
No.
Un estudio no fracasa porque un valor p sea mayor de 0,05.
Primero: ¿qué significa realmente?
Un resultado que no supera un umbral estadístico convencional no demuestra automáticamente:
“No existe diferencia.”
Tampoco demuestra:
“Los grupos son iguales.”
Lo que puedes afirmar depende de:
- estimación;
- intervalo de confianza;
- tamaño de muestra;
- variabilidad;
- calidad de medición;
- diseño;
- hipótesis planteada.
La ASA advierte que los valores p no deben utilizarse como una regla automática para decidir si una hipótesis es verdadera o falsa.
Ejemplo 1
RR: 1,03
IC 95 %: 0,98–1,08
p = 0,24.
La estimación se encuentra cerca del valor nulo y el intervalo es relativamente estrecho.
Esto aporta información diferente a:
Ejemplo 2
RR: 1,80
IC 95 %: 0,62–5,23
p = 0,28.
Aquí la incertidumbre es enorme.
Aunque ambos presentan p > 0,05, no cuentan la misma historia.
Paso 1. Revisa el intervalo de confianza
Pregunta:
¿Qué efectos son compatibles con mis datos?
El intervalo puede incluir:
- reducción importante;
- ausencia de diferencia;
- aumento importante.
Si ocurre eso, el estudio puede ser simplemente poco preciso para resolver la pregunta.
Paso 2. Revisa la magnitud
Una estimación puede sugerir una diferencia clínicamente relevante aunque exista mucha incertidumbre.
Eso no permite declarar que el efecto existe, pero tampoco justificar decir:
“No hubo ninguna relación.”
Paso 3. Revisa el tamaño de muestra
Pregúntate:
- ¿se calculó tamaño de muestra?
- ¿se alcanzó?
- ¿hubo pérdidas?
- ¿el desenlace fue menos frecuente de lo esperado?
- ¿hay pocos eventos?
No utilices retrospectivamente un cálculo de potencia como forma automática de “rescatar” el resultado. Resulta más informativo evaluar el efecto observado y su precisión.
Paso 4. Revisa la calidad de medición
Una asociación puede atenuarse cuando:
- la exposición está mal medida;
- existe clasificación incorrecta;
- el desenlace tiene errores;
- las categorías son demasiado amplias;
- faltan datos.
Paso 5. Revisa el análisis
Comprueba:
- prueba adecuada;
- supuestos;
- codificación;
- categorías de referencia;
- modelo especificado;
- ajuste;
- valores extremos;
- datos faltantes.
No cambies repetidamente de prueba únicamente buscando obtener p < 0,05.
Paso 6. No cambies la hipótesis después de mirar los resultados
Un resultado inesperado puede generar nuevas hipótesis, pero deben presentarse como exploratorias.
Cómo redactarlo
Evita:
No hubo ninguna diferencia porque p > 0,05.
Mejor:
No se encontró evidencia estadística suficiente para establecer una diferencia entre los grupos en el análisis realizado. La estimación presentó un intervalo de confianza amplio, compatible tanto con una reducción como con un incremento clínicamente relevante del desenlace.
O, cuando el intervalo es estrecho:
La estimación fue cercana al valor nulo y el intervalo de confianza fue relativamente estrecho, lo que sugiere que efectos de gran magnitud son poco compatibles con los datos observados.
¿Y si necesito demostrar que dos tratamientos son equivalentes?
Un ensayo convencional con p > 0,05 no demuestra equivalencia.
Los estudios de equivalencia o no inferioridad requieren hipótesis, márgenes y diseños específicos definidos previamente.
¿Cómo discutir resultados no significativos?
Compáralos con otros estudios.
Pregunta:
- ¿encontraron resultados similares?
- ¿sus muestras fueron mayores?
- ¿tenían más eventos?
- ¿midieron las variables diferente?
- ¿estudiaron otra población?
- ¿el efecto fue parecido aunque el valor p fuera diferente?
¿Debe aparecer en las conclusiones?
Sí, si responde a uno de los objetivos principales.
Ejemplo:
No se observó una asociación clara entre edad y el desenlace estudiado; la estimación presentó amplia incertidumbre, por lo que no pueden descartarse diferencias de magnitud clínicamente relevante.
Un resultado no significativo puede ser importante
Puede indicar:
- que el efecto esperado no fue observado;
- que un efecto grande parece improbable;
- que existe demasiada incertidumbre;
- que se requiere una muestra mayor;
- que la asociación depende de otros factores;
- que una hipótesis previa necesita reconsiderarse.
La ciencia no consiste en producir valores p menores de 0,05.
Consiste en producir información válida.
Errores que debes evitar
- borrar el análisis;
- cambiar la prueba hasta encontrar significación;
- afirmar que los grupos son iguales;
- decir que la hipótesis nula está demostrada;
- ocultar el resultado;
- escribir “casi significativo”;
- interpretar únicamente el valor p;
- aumentar artificialmente la muestra después de observar el resultado sin un plan metodológico adecuado.
Conclusión
Un resultado no significativo no es necesariamente un resultado inútil.
Para comprenderlo necesitas analizar:
- estimación;
- dirección;
- magnitud;
- precisión;
- intervalo de confianza;
- tamaño de muestra;
- calidad de los datos;
- diseño.
El objetivo de una investigación no es conseguir un valor p específico.
Es responder una pregunta de la manera más rigurosa posible.
¿Tus resultados no fueron los que esperabas?
En DataMedix podemos revisar el análisis, los intervalos de confianza, la precisión y la coherencia metodológica para ayudarte a interpretar los resultados sin forzar conclusiones.
Referencias
- Wasserstein, R. L., & Lazar, N. A. (2016). The ASA statement on p-values: context, process, and purpose. The American Statistician, 70(2), 129-133.
- Di Leo, G., & Sardanelli, F. (2020). Statistical significance: p value, 0.05 threshold, and applications to radiomics—reasons for a conservative approach. European radiology experimental, 4(1), 18.
- Andrade, C. (2019). The P value and statistical significance: misunderstandings, explanations, challenges, and alternatives. Indian journal of psychological medicine, 41(3), 210-215.
- Kumar, V., & Dabas, A. (2026). ICMJE Recommendations (2026) on the Use of Artificial Intelligence in Scientific Writing. Indian Pediatrics, 63(6), 457-457.
- Blanco, D., Loder, E., Cook, S., Casals, M., Cortés, J., Cadellans-Arróniz, A., … & Schroter, S. (2026). Analysis of non-prospective trial registration in clinical trials submitted to The BMJ: observational study. bmj, 392.
- 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.
- Ordak, M. (2025). Could adherence to SAMPL Guidelines improve statistical reporting in clinical manuscripts? Insights from 150 editorial reviews for specialty journals. Current Research in Translational Medicine, 103536.
- EQUATOR Network. CONSORT 2025 Statement, incluyendo sus extensiones para diseños de no inferioridad y equivalencia cuando correspondan.
