Interpretación de Resultados Estadísticos y Significación del Valor p

La Regla de Oro de la Significación (El valor p)

• p ≤ 0.05 → ¡SÍ PASA ALGO! Hay diferencias, hay relación, el tratamiento funciona, etc. (Rechazo H₀).
• p > 0.05 → ¡NO PASA NADA! Los grupos son iguales, no hay efecto, todo se debe al azar. (Acepto H₀).

1. El Supuesto de Normalidad (Shapiro-Wilk)

¿Qué es? Saber si los datos forman una Campana de Gauss perfecta (donde Media = Mediana = Moda).

Criterio Invertido (¡OJO!): Aquí buscamos que sea mayor de 0.05 para que el modelo sea correcto.

• p > 0.05 → SÍ hay Normalidad → Se usan Pruebas Paramétricas (Student, ANOVA).
• p ≤ 0.05 → NO hay Normalidad → Se usan Pruebas No Paramétricas (Wilcoxon, Mann-Whitney, Kruskal-Wallis).

2. Comparación de Grupos (Contraste de Medias)

A. Independent Samples T-Test (2 Grupos de personas distintas)

Qué mirar: Columna p y Effect Size (Cohen's d).

Interpretación:

• Si p ≤ 0.05: Los grupos son significativamente diferentes.
• Miras la d de Cohen: Si es > 0.80, la magnitud o tamaño del efecto es Alta (muy importante en la práctica).

B. Paired Samples T-Test (Mismo grupo: Antes vs. Después)

Qué mirar: Columna p y Effect Size (Cohen's d).

Interpretación:

• Si p ≤ 0.05: El cambio o evolución es significativo (el entrenamiento funcionó).
• Miras la d de Cohen (ignora el signo menos): Si es > 0.80, el impacto es de magnitud Alta.

C. ANOVA (3 o más grupos distintos)

Qué mirar: Columna p general y η² (Eta cuadrado).

Interpretación:

• Si p ≤ 0.05: Al menos un grupo es diferente a los demás.
• Miras η²: Si es > 0.14, el efecto es Alto (el grupo explica mucha variabilidad).

¡OBLIGATORIO SI DA SIGNIFICATIVO! Mira la tabla de abajo: Post Hoc Tests:

• Miras el p de cada pareja (ej. Control vs. Fuerza). Si su p ≤ 0.05, esos dos grupos concretos son diferentes entre sí.

D. Kruskal-Wallis (3 o más grupos, pero SIN normalidad)

Qué mirar: Columna p y ε² (Epsilon cuadrado).

Interpretación:

Igual que el ANOVA pero para datos no normales.

• Para ver parejas (Post Hoc): Busca la tabla llamada Dwass-Steel-Critchlow-Fligner y mira los valores p de los cruces.

3. Relación entre Variables (Correlaciones de Pearson o Spearman)

Aquí no hay grupos; se cruzan variables continuas en una matriz.

Qué mirar: El valor p y el coeficiente (Pearson's r o Spearman's rho).

Interpretación:

• Si p > 0.05: No están relacionadas (la línea es plana, no hay tendencia).
• Si p ≤ 0.05: SÍ están relacionadas. Ahora miras el signo y el número de r:
  • Signo (+): Relación directa (a más de una variable, más de la otra).
  • Signo (-): Relación inversa (a más de una, menos de la otra).
  • Fuerza: Cuanto más cerca esté de 1 o -1, más fuerte/alta es la relación.

4. Asociación de Categorías (Tablas de Contingencia / Chi-Cuadrado χ²)

Se usa para variables cualitativas (ej. Deporte practicado vs. Si se ha lesionado o no).

• Paso 1: Mirar la tabla Chi-squared Tests.
  • Si p ≤ 0.05: Las variables NO son independientes (están asociadas, el deporte influye en lesionarse).
• Paso 2: Buscar el "por qué" en los Residuos Estandarizados Corregidos (Ze).
  • Busca los números que rompan los límites de 1.96 y -1.96:
    • Valor > 1.96: En esa casilla hay MÁS casos de los que debería haber por azar.
    • Valor < -1.96: En esa casilla hay MENOS casos de los que debería haber por azar.

Estructura Sugerida para la Redacción de Resultados

1. Significación: "Como p es [menor/mayor] que 0.05, el resultado es [significativo/no significativo]..."
2. Resultado práctico: "...lo que significa que [existen diferencias entre grupos / hay relación / cambia el post-test]..."
3. Magnitud: "...con un tamaño del efecto / fuerza de asociación [alto / medio / bajo] según el estadístico [Cohen's d / Eta / r / Residuos]."