Cómo interpretar y escribir resultados estadísticos
La salida del software no es el resultado: el resultado es la interpretación científica de esa salida
En la mayoría de los análisis frecuentistas, un resultado bien reportado responde cuatro preguntas: ¿hacia dónde va el efecto?, ¿qué tan grande es?, ¿con cuánta incertidumbre se conoce? y ¿qué tan compatibles son los datos con la hipótesis nula? Omitir cualquiera de estos elementos deja al lector con una interpretación incompleta.
QUÉ REPORTAR
Más que “hubo diferencia significativa”: las medias de cada grupo o, preferiblemente, la diferencia entre medias con su intervalo de confianza, el estadístico de prueba con sus grados de libertad, el valor de p y, cuando sea posible, un tamaño del efecto (por ejemplo, d de Cohen) que indique si la diferencia es grande o trivial en términos prácticos.
EJEMPLO
ECOLOGÍA “La altura promedio de los árboles fue mayor en el sitio A que en el sitio B (diferencia = 4.2 m, IC 95% [1.1, 7.3], t(38) = 2.71, p = 0.010, d de Cohen = 0.86).”
CIENCIAS DE LA SALUD “La presión arterial sistólica promedio fue menor en el grupo con el nuevo fármaco que en el grupo placebo (diferencia = -8.4 mmHg, IC 95% [-13.1, -3.7], t(58) = 3.42, p = 0.001, d de Cohen = 0.62).”
QUÉ REPORTAR
El coeficiente (r de Pearson o rho de Spearman según corresponda), su dirección, el tamaño de muestra, el valor de p y, cuando sea posible, un intervalo de confianza. Describir la fuerza de una correlación como “débil”, “moderada” o “fuerte” es útil como referencia, pero esos umbrales son convenciones, no reglas fijas: su interpretación depende del campo y de la variabilidad típica del sistema estudiado. Una correlación, por fuerte que sea, no implica causalidad — ver Correlación vs. causalidad.
EJEMPLO
ECOLOGÍA “Se encontró una correlación positiva entre la cobertura de dosel y la riqueza de aves (r = 0.52, IC 95% [0.21, 0.74], n = 35, p = 0.002).”
CIENCIAS DE LA SALUD “Se encontró una correlación positiva entre el índice de masa corporal y la glucosa en ayunas (r = 0.41, IC 95% [0.18, 0.60], n = 120, p < 0.001).”
QUÉ REPORTAR
El estimado del coeficiente (β), su error estándar o intervalo de confianza, el estadístico de prueba correspondiente y el valor de p — y, sobre todo, traducir el coeficiente a una frase interpretable en las unidades originales de la variable: “por cada incremento de una unidad en X, Y cambia en β unidades, manteniendo las demás variables del modelo constantes”. Interpretar el coeficiente fuera del rango de datos observado es extrapolación, no inferencia.
Si se reporta el modelo completo y no solo un coeficiente aislado, conviene acompañarlo de una medida de ajuste apropiada para el modelo — por ejemplo, R², R² ajustado, pseudo-R² o deviance explicada, según corresponda — junto con las estadísticas globales pertinentes.
EJEMPLO
ECOLOGÍA “Por cada grado Celsius adicional de temperatura promedio, la densidad de la especie disminuyó en 2.3 individuos/ha (β = -2.3, EE = 0.8, IC 95% [-3.9, -0.7], p = 0.004), controlando por elevación.”
CIENCIAS DE LA SALUD “Por cada 10 minutos adicionales de actividad física semanal, la frecuencia cardíaca en reposo disminuyó en 0.4 latidos por minuto (β = -0.04, EE = 0.01, IC 95% [-0.06, -0.02], p < 0.001), controlando por edad y sexo.”
Un mismo modelo, distintos tipos de coeficiente: en un modelo con predictores mixtos, cada tipo de variable se interpreta distinto. El coeficiente de un predictor categórico (como tipo de cobertura) es la diferencia entre esa categoría y la categoría de referencia — lo mismo que se calcula en una comparación de medias. El coeficiente de un predictor numérico (como elevación) es una pendiente: el cambio esperado en la variable respuesta por cada unidad adicional. Ver Pruebas estadísticas como modelos lineales.
Cuando se reporta un modelo completo, conviene traducir tanto el ajuste global como cada coeficiente a una redacción clara — no basta con copiar la tabla de salida del software.
model <- lm(densidad_ave ~ cobertura + elevacion, data = datos)ASÍ SE REPORTA Se ajustó un modelo lineal para modelar la densidad de una especie de ave en función del tipo de cobertura y la elevación. El modelo explica una proporción significativa de la varianza (R² = 0.41, F(2, 57) = 19.8, p < 0.001, R² ajustado = 0.39). La densidad fue menor en bosque secundario que en bosque primario (β = -1.8 individuos/ha, IC 95% [-2.9, -0.7], t(57) = -3.28, p = 0.002), y disminuyó en promedio 0.015 individuos/ha por cada metro adicional de elevación (β = -0.015, IC 95% [-0.024, -0.006], t(57) = -3.41, p = 0.001).
Error: reportar solo el valor de p, sin magnitud del efecto ni incertidumbre.
CORRECCIÓN
Un p = 0.03 no dice si el efecto es grande o trivial — hay que acompañarlo del tamaño del efecto y un IC.
Error: tratar “no significativo” como sinónimo de “no hay efecto”.
CORRECCIÓN
No rechazar H₀ no es lo mismo que demostrar que H₀ es verdadera — el estudio pudo carecer de poder estadístico (ver Prueba de hipótesis vs. estimación).
Error: asumir que significancia estadística implica relevancia práctica o biológica.
CORRECCIÓN
Con una muestra suficientemente grande, hasta una diferencia diminuta puede resultar “significativa”.
Error: redactar una correlación o un coeficiente de un estudio observacional como si demostrara causalidad.
CORRECCIÓN
Sin manipulación experimental, la asociación puede deberse a variables de confusión (ver Correlación vs. causalidad).
Error: interpretar coeficientes de regresión fuera del rango de los datos observados.
CORRECCIÓN
La relación estimada puede no mantenerse más allá de lo medido — es extrapolación, no inferencia.
Error: interpretar un intervalo de confianza que incluye cero como evidencia de que no existe efecto.
CORRECCIÓN
Un intervalo que incluye cero indica que los datos son compatibles con efectos positivos, negativos o nulos; no demuestra que el efecto sea exactamente cero.
Error: confundir precisión con significancia.
CORRECCIÓN
Intervalos de confianza estrechos indican estimaciones más precisas, independientemente de que el resultado sea o no estadísticamente significativo.
EN RESUMEN
Un resultado bien reportado indica la dirección del efecto, su magnitud, una medida de incertidumbre (IC) y su significancia, siempre en el contexto de la pregunta de investigación. El valor de p por sí solo no basta, la significancia estadística no equivale a relevancia práctica, y ninguna asociación —por fuerte que sea— demuestra causalidad si el diseño no lo permite.
Manuel Spínola · ICOMVIS-UNA
Cómo citar
@online{spínola2026,
author = {Spínola, Manuel},
title = {Cómo interpretar y escribir resultados estadísticos},
date = {2026-08-04},
url = {https://mspinola-infografias.netlify.app/infografias/estadistica/proceso/interpretar_resultados_estadisticos.html},
langid = {es}
}