Aunque no nos dediquemos a la investigación, los profesionales de la Psicología debemos mantener nuestro conocimiento actualizado. Para ello, como en cualquier otra ciencia, debemos recurrir a las revistas especializadas de nuestro campo de estudio y, por tanto, debemos ser capaces de interpretar los resultados que ofrecen los artículos de investigación.

El primer paso para interpretar correctamente un artículo científico es identificar cuáles son las variables estudiadas y las hipótesis que pretenden ponerse a prueba. De forma general, podemos considerar que las variables independientes (que pueden ser factores o predictores, en función del diseño) son aquellas variables que afectan a las dependientes. Por ejemplo, podemos estudiar cómo afecta una terapia (variable independiente) a un problema de conducta determinado o patología (variable dependiente).

Por otra parte, siguiendo el enfoque de Neyman y Pearson (1928), cuando hablamos de hipótesis debemos tener claro que partimos de una hipótesis nula, que es la que propone que no hay diferencias significativas entre los grupos comparados, o que no existe una relación significativa entre las variables analizadas. Es decir, para mantener el mismo ejemplo, partimos siempre de que el tratamiento (la terapia) no funciona. Los datos son los que van a decirnos si mantenemos esta hipótesis o, por el contrario, la rechazamos en favor de la hipótesis alternativa (sí hay diferencias significativas).

Rechazar o no el enunciado propuesto en la hipótesis nula depende, como decimos, de los datos, pero no debemos olvidar que siempre hay un margen de error. Por tanto, dependemos de la probabilidad máxima de error que se haya asumido. Dicha probabilidad, de lo que viene en llamarse error tipo I, es alfa (el criterio más común es emplear un valor α = 0,05) y debe compararse con el valor de significación obtenido tras el análisis de los resultados del estudio. La significación de una prueba estadística es la probabilidad de equivocarnos si rechazamos la hipótesis nula, es decir, nos informa de la compatibilidad de los datos obtenidos con el enunciado de dicha hipótesis (Lapresa, Álvarez, Anguera, Arana, y Garzón, 2015). Así, si la significación obtenida es menor o igual que el valor de alfa, la hipótesis nula puede ser rechazada. En cambio, si el valor de significación obtenido es mayor que alfa, debemos mantener la hipótesis nula.

Así, en principio, la mecánica del procedimiento de decisión es sencilla, pero una buena interpretación depende del enfoque estadístico que se haya seguido en la investigación (Ato y Vallejo, 2007) y de otros conceptos relevantes. Uno de los más importantes es el tamaño del efecto. Se trata de un índice estadístico que nos da información relevante, según el caso:

1.- Nos indica la cantidad de influencia que presenta una determinada variable (un determinado tratamiento)

2.- Nos indica el porcentaje de relación que existe entre las variables estudiadas (la terapia y el problema tratado).

En el primer caso se calcula como la diferencia estandarizada entre los parámetros comparados. Uno de los índices más empleados es la “d” de Cohen (Cohen, 1992). Su interpretación, a pesar de ser subjetiva, se puede llevar a cabo en función de los valores que aparecen en la tabla 1.

Tabla 1. Interpretación de los valores del estadístico “d” de Cohen

Valor de “d”

Tamaño del efecto

Menor o alrededor de 0,20

Pequeño

Alrededor de 0,50

Medio

Alrededor de 0,80 o mayor

Elevado

Nota: La misma interpretación se realizaría si los valores fueran negativos.

En el segundo caso se halla el coeficiente de determinación (el coeficiente de correlación al cuadrado entre las variables). Su valor, multiplicado por 100, indica el porcentaje de la variabilidad de los datos en la variable dependiente que puede ser explicado por medio del efecto de la variable independiente. Cuanto más se aproxime a 100, mayor será el tamaño del efecto.

Por tanto, la interpretación ideal de los resultados de un contraste de hipótesis aunaría los resultados de significación con los del tamaño del efecto. De esta forma se podrían dar los 4 casos diferentes que se recogen en la tabla 2.

Tabla 2. Interpretación de la significación y el tamaño del efecto

Caso

Interpretación

Encontrar un nivel de significación elevado (por encima de 0,05) y un tamaño del efecto pequeño.

 

No se debe rechazar la hipótesis nula, ya que el error al hacerlo sería elevado y las diferencias encontradas entre los grupos son pequeñas.

Encontrar un nivel de significación pequeño (igual o menor de 0,05) y un tamaño del efecto elevado.

 

Se puede rechazar la hipótesis nula, ya que el error al hacerlo sería mínimo y las diferencias encontradas entre los grupos son grandes.

Encontrar un nivel de significación pequeño (igual o menor de 0,05) y un tamaño del efecto pequeño.

Se podría rechazar la hipótesis nula pero los resultados posiblemente no tendrán importancia en la práctica.

Encontrar un nivel de significación elevado (por encima de 0,05) y un tamaño del efecto elevado.

No se debe rechazar la hipótesis nula, ya que el error al hacerlo sería elevado pero se debe tener en cuenta que se está minusvalorando la importancia de los resultados en la práctica.

Nota: En los dos primeros casos la decisión estadística no presenta ningún problema. En el tercero, se asume como significativo un efecto que en la práctica no lo es. En el cuarto, no se llega a apreciar el efecto real de un posible tratamiento.

Como vemos, para comprobar si las conclusiones que se extraen de los experimentos son ciertas, no basta solo con observar la significación obtenida; es necesario tener en cuenta también si el tratamiento aplicado produce cambios apreciables en la práctica. Con esto en mente, al actualizar nuestros conocimientos en psicología, o en cualquier otra ciencia, podremos ser mucho más críticos. La ciencia puede confundirnos con sus datos y estadísticas pero, si tenemos claro lo más básico, estaremos un poco más cerca de la verdad.

 

Referencias bibliográficas:

Ato, M. y Vallejo, G. (2007). Diseños Experimentales en Psicología. Madrid: Ediciones Pirámide.

Cohen, J. (1992). Una breve introducción a la potencia estadística. Psychological Bulletin, 1, 155-159.

Lapresa, D., Álvarez, I., Anguera, M.T., Arana, J. y Garzón, B. (2015). Comparative analysis of the use of space in 7-a-side and 8-a-side soccer: how to determine the minimum sample size in observational methodology. Journal Motricidade, 11(4), 92-103.

Neyman, J, y Pearson, E. S. (1928). On the use and interpretation of certain test criteria for purposes of statistical inference. Biometrika, 20A, 175-240, 263-294.

Neyman, J., y Pearson, E. S. (1933). On the problem of the most efficient tests of statistical hypotheses. Transactions of the Royal Society of London Series A, 231, 289-337.

 

Entrada publicada el 04/09/2017

Editor: Universidad Isabel I

Burgos, España

ISSN: 2659-5222

Comentarios

Muchas gracias, Ildefonso, por un artículo tan útil. La estadística suele provocar cierto respeto entre los estudiantes pero con tus explicaciones todo se hace mucho más sencillo.

Muchas gracias a ti por tu inestimable ayuda y apoyo (¡con un tamaño del efecto máximo!).

Añadir nuevo comentario