Copyrights. PSIKOVERO,
2026. Todos los derechos reservados.
Comunicar hallazgos cuantitativos va mucho más allá de insertar unos cuantos números entre paréntesis y añadir «p < .05". En psicología y ciencias de la salud, donde las decisiones clínicas, educativas o de política pública dependen de la solidez de la evidencia, un reporte impecable es la única forma de convertir datos brutos en conocimiento útil. La séptima edición del Manual de Publicaciones de la APA marcó un punto de inflexión: reforzó la obligación de incluir tamaños del efecto e intervalos de confianza, eliminó ambigüedades sobre el uso de decimales y consolidó un lenguaje común que cualquier revisor, en cualquier parte del mundo, puede interpretar sin sesgos.
Sin embargo, la experiencia muestra que incluso investigadores con años de trayectoria tropiezan con detalles que, aunque parezcan menores, delatan descuido metodológico. Olvidar la cursiva en un símbolo estadístico, reportar un valor p con dos decimales en lugar de tres o, peor aún, omitir la magnitud del efecto, son errores que pueden generar dudas razonables sobre la competencia del autor y, en consecuencia, retrasar la publicación o el depósito de una tesis. Este artículo no repite lo que ya está en el manual: recoge las estrategias que de verdad marcan la diferencia cuando te sientas frente a las salidas de SPSS, JASP, R o jamovi y necesitas redactar una sección de resultados que un revisor lea sin fruncir el ceño.
El corazón del estilo APA aplicado a la estadística descansa sobre un puñado de reglas que actúan como un sistema coherente, no como una lista de caprichos tipográficos. Cada decisión de formato persigue un objetivo: eliminar ambigüedades, facilitar la lectura y permitir que cualquier investigador pueda reconstruir los análisis a partir de la información proporcionada. Dominar estos principios supone un ahorro de tiempo enorme durante la redacción y evita la frustración de recibir correcciones interminables por parte de directores de tesis o revisores externos.
La lógica subyacente es simple pero poderosa. Los símbolos estadísticos que representan valores estimados a partir de una muestra se escriben en cursiva porque son variables, mientras que las letras griegas, que representan parámetros poblacionales o funciones matemáticas, permanecen en redonda. Esta distinción no es un adorno: en un mismo párrafo, un lector entrenado diferencia instantáneamente si se está hablando de un valor concreto obtenido en el estudio (cursiva) o de un concepto teórico (redonda). La confusión entre ambos es una de las causas más frecuentes de rechazo en revisiones técnicas.
A esto se suma el tratamiento de los decimales y el cero inicial. La regla mnemotécnica más útil es la siguiente: si el estadístico puede, por definición, superar el valor de uno (como una media, una desviación típica, un valor t o un valor F), se escribe el cero antes del punto decimal (M = 0.87). Si el estadístico está acotado entre cero y uno (como un valor p, una correlación r, un coeficiente de determinación R² o un alfa de Cronbach), el cero desaparece (p = .032, r = .45). La única excepción práctica es la d de Cohen, que aunque suele moverse entre 0 y 1, puede superar ese umbral, por lo que conserva el cero. Esta aparente minucia es, en realidad, una señal de que quien escribe conoce los fundamentos de lo que está reportando.
Antes de escribir una sola línea sobre significación estadística, la sección de resultados debe responder a preguntas que van mucho más allá de si el valor p fue inferior a .05. El lector necesita saber quiénes participaron, cuántos completaron realmente el estudio y qué ocurrió con los datos que se perdieron por el camino. Esta información, que a menudo se despacha en dos frases mal contadas, es la que permite valorar si los hallazgos son generalizables, si existen sesgos de selección o si la potencia estadística se vio comprometida por una muestra insuficiente.
En estudios de psicología clínica o ciencias de la salud, donde la deserción puede estar relacionada con la propia intervención (por ejemplo, pacientes que abandonan un tratamiento porque no toleran sus efectos secundarios), detallar el flujo de participantes no es opcional. Un diagrama de flujo, aunque ocupe espacio, aporta una transparencia que ningún párrafo puede igualar cuando hay múltiples fases de reclutamiento, criterios de exclusión sobrevenidos o pérdidas de seguimiento. Las fechas de reclutamiento también importan, porque ubican el estudio en un contexto temporal que puede influir en los resultados.
Junto al flujo de participantes, la integridad del conjunto de datos debe quedar explícitamente documentada. No basta con decir que «se eliminaron algunos casos». Es necesario especificar cuántos, por qué razón (fallos técnicos, respuestas incompletas, valores atípicos detectados mediante un criterio definido a priori) y, si se aplicó algún método de imputación o corrección, cuál fue y bajo qué supuestos. En investigaciones con muestras pequeñas, donde cada participante cuenta, esta transparencia protege al autor frente a sospechas de manipulación selectiva de los datos.
Los estadísticos descriptivos son la primera foto que el lector se lleva de los datos. Una tabla bien construida transmite en segundos lo que varios párrafos apenas esbozarían, pero el texto que la acompaña debe guiar la mirada hacia lo importante sin repetir cada cifra. La norma de oro es sencilla: si una cantidad se puede leer en la tabla, el texto solo debe comentarla, no duplicarla. Esto obliga a una disciplina de escritura que muchos investigadores subestiman: elegir qué destacar, qué comparar y qué dejar para que el lector explore por sí mismo.
En variables categóricas, lo habitual es presentar frecuencias absolutas y porcentajes. En variables continuas, la media y la desviación típica son el estándar cuando la distribución es aproximadamente normal, pero si la asimetría es notable, la mediana y el rango intercuartílico resultan más informativos. Un error frecuente en ciencias de la salud es reportar la media de una variable que claramente no sigue una distribución normal (como el número de días de hospitalización) solo porque el programa estadístico la calcula por defecto. La elección entre media y mediana debe ser una decisión consciente, no una inercia del software.
La APA 7 también recomienda incluir, siempre que sea relevante, los intervalos de confianza de las estimaciones descriptivas. Un intervalo de confianza del 95% para una media no solo indica su precisión, sino que permite al lector hacerse una idea inmediata de la variabilidad sin necesidad de examinar los datos brutos. En estudios con varios grupos, la tabla descriptiva debe permitir comparar visualmente las tendencias centrales y las dispersiones antes incluso de entrar en las pruebas inferenciales, preparando el terreno para lo que vendrá después.
La prueba t, en sus distintas variantes, es probablemente la herramienta inferencial más utilizada en psicología experimental y ensayos clínicos simples. Reportarla correctamente exige mucho más que escribir t, los grados de libertad y el valor p. El lector necesita saber, antes de nada, las medias y desviaciones típicas de cada grupo, porque esos números contextualizan el tamaño del efecto que se reportará después. Sin esa información descriptiva, un valor t aislado es un número huérfano que no permite valorar la relevancia práctica del hallazgo.
La cadena completa de reporte para una prueba t de muestras independientes sigue siempre la misma secuencia, y cualquier desviación será detectada por un revisor experimentado. Tras presentar los descriptivos, se escribe el estadístico t en cursiva, los grados de libertad entre paréntesis, el valor exacto con dos decimales, el valor p con tres decimales y, de forma obligatoria, la d de Cohen o la g de Hedges con su intervalo de confianza. Un ejemplo canónico sería: «El grupo experimental (M = 23.45, SD = 4.12) obtuvo puntuaciones superiores al grupo control (M = 19.87, SD = 3.98), t(58) = 3.42, p = .001, d = 0.89, IC del 95% [0.32, 1.45]». Quien se limita a escribir t(58) = 3.42, p < .05 está enviando un mensaje involuntario de impericia.
En el caso de la prueba t para muestras relacionadas, la lógica es la misma, pero el foco descriptivo se desplaza hacia la diferencia media y su desviación típica, ya que lo relevante no son las medias de cada condición por separado, sino el cambio producido. La d de Cohen para medidas repetidas debe calcularse teniendo en cuenta la correlación entre las dos mediciones, algo que SPSS no siempre proporciona por defecto y que obliga al investigador a realizar el cálculo manualmente o mediante sintaxis adicional. Reportar una d calculada con la fórmula de grupos independientes cuando los datos son pareados infla artificialmente el tamaño del efecto y constituye un error grave.
El análisis de varianza, en sus múltiples formas, es la columna vertebral de la investigación experimental con más de dos grupos. Su reporte en estilo APA ha evolucionado notablemente: ya no basta con un valor F significativo seguido de una vaga mención a las diferencias entre grupos. La norma exige, como mínimo, el estadístico F con sus dos grados de libertad (numerador y denominador), el valor p exacto y el tamaño del efecto mediante eta cuadrado parcial (η²p) o eta cuadrado generalizado, dependiendo del diseño. La omisión del tamaño del efecto es, a día de hoy, el motivo más frecuente por el que un revisor solicita una revisión mayor en manuscritos que incluyen ANOVA.
Cuando el ANOVA global resulta significativo, las comparaciones post hoc deben reportarse de forma sistemática. No es aceptable escribir «todas las comparaciones fueron significativas» sin especificar qué prueba se utilizó (Bonferroni, Tukey, Games-Howell), por qué se eligió esa y no otra, y sin ofrecer las diferencias de medias, los valores p corregidos y los intervalos de confianza de cada contraste relevante. En diseños factoriales, la atención se centra primero en las interacciones, porque una interacción significativa puede condicionar la interpretación de los efectos principales, y solo después se analizan los efectos simples o las comparaciones por pares que resulten teóricamente pertinentes.
Un aspecto que genera confusión incluso entre investigadores con experiencia es el tratamiento de los supuestos del ANOVA. La prueba de Levene para homogeneidad de varianzas o la de Mauchly para esfericidad en medidas repetidas no deben reportarse con el mismo detalle que las pruebas sustantivas, pero tampoco pueden ignorarse. La estrategia más limpia es mencionar en el texto que se verificaron los supuestos, indicar brevemente si se cumplieron y, en caso contrario, especificar la corrección aplicada (Greenhouse-Geisser, Huynh-Feldt) junto con los grados de libertad ajustados. Esta información puede ir en el cuerpo del texto o en una nota al pie de la tabla de ANOVA, pero nunca debe omitirse, porque un revisor meticuloso la solicitará.
Los análisis de correlación y regresión comparten un riesgo común: la tentación de interpretar asociación como causalidad. Un reporte riguroso en estilo APA debe prevenir esta confusión desde la propia redacción, utilizando un lenguaje neutro que describa relaciones sin implicar direccionalidad cuando el diseño no la permite. En el caso de las correlaciones bivariadas, la presentación en formato tabla es la norma cuando se manejan más de tres o cuatro variables, ya que una matriz de correlaciones permite al lector apreciar de un vistazo el patrón completo de relaciones, algo imposible de transmitir solo con texto.
En la regresión lineal múltiple, la tabla de coeficientes debe incluir tanto los coeficientes no estandarizados (B) como los estandarizados (β), junto con sus errores estándar, valores t y valores p. Pero la tabla no lo cuenta todo: el texto que la precede debe informar sobre el ajuste global del modelo (R² y su prueba F asociada), la posible presencia de multicolinealidad (mediante los factores de inflación de la varianza, VIF) y, si procede, los resultados de los análisis de supuestos como la independencia de residuos o la homocedasticidad. Omitir estos diagnósticos es uno de los pecados capitales en el reporte de regresiones, porque un modelo con un R² aparentemente alto puede estar completamente distorsionado por la colinealidad entre predictores.
Cuando los datos se resisten a cumplir los supuestos de normalidad o cuando se trabaja con variables ordinales, las pruebas no paramétricas toman el relevo. Su reporte en APA 7 comparte la estructura general de cualquier contraste de hipótesis, pero con particularidades que conviene no pasar por alto. La mediana sustituye a la media como medida de tendencia central, y el tamaño del efecto suele calcularse a partir de la puntuación z estandarizada, obteniendo un valor r que se interpreta de forma análoga a una correlación. Un error muy extendido es reportar la U de Mann-Whitney sin acompañarla de la mediana de cada grupo, lo que deja al lector sin información descriptiva sobre la magnitud de la diferencia.
La prueba de chi-cuadrado de independencia, omnipresente en estudios con variables categóricas, requiere una atención especial a los tamaños muestrales. Un chi-cuadrado significativo puede deberse a un efecto real o, simplemente, a una muestra lo bastante grande como para que cualquier desviación mínima de la independencia alcance significación estadística. Por eso la V de Cramer (o el coeficiente phi para tablas 2×2) no es un accesorio decorativo: es la única forma de valorar si la asociación detectada tiene relevancia práctica. Reportar solo el valor de chi-cuadrado y el valor p equivale a contar la mitad de la historia.
La investigación en psicología y ciencias de la salud ha trascendido hace tiempo el análisis de relaciones bivariadas, y con ello la complejidad del reporte estadístico ha crecido de forma proporcional. Los modelos de mediación y moderación, omnipresentes en la literatura actual, exigen un nivel de detalle que va más allá de enumerar coeficientes de regresión. Cuando se utiliza la macro PROCESS de Hayes, por ejemplo, el reporte debe incluir el efecto indirecto, su error estándar y, de forma obligatoria, el intervalo de confianza obtenido mediante bootstrapping, que constituye la prueba formal de la mediación. La vieja costumbre de apoyarse exclusivamente en el test de Sobel está obsoleta, y los revisores lo saben.
Los modelos de ecuaciones estructurales (SEM) representan el escalón más alto de complejidad en el reporte estadístico. Aquí no basta con declarar que el modelo «ajusta bien» y mostrar uno o dos índices seleccionados de forma conveniente. El estándar actual exige reportar, como mínimo, el chi-cuadrado del modelo con sus grados de libertad y valor p, el CFI (Comparative Fit Index), el TLI (Tucker-Lewis Index), el RMSEA con su intervalo de confianza y el SRMR. Cada uno de estos índices aporta información complementaria sobre distintos aspectos del ajuste, y la valoración conjunta es la que permite emitir un juicio razonado. Un CFI de .91 acompañado de un RMSEA de .09 no puede presentarse como un ajuste excelente, por mucho que el autor desee que su modelo funcione.
Más allá de los índices globales, un reporte completo de SEM debe incluir las cargas factoriales estandarizadas, la varianza explicada de cada variable endógena (R²) y, cuando el modelo incluye varias variables latentes, las correlaciones entre ellas con sus intervalos de confianza. La práctica de presentar únicamente el diagrama de path sin una tabla de coeficientes detallada es insuficiente, porque el diagrama no permite al lector verificar la significación de cada parámetro ni reconstruir el modelo a partir de la información publicada.
Una tabla en estilo APA no es simplemente una cuadrícula con números: es un objeto de comunicación autónomo que, idealmente, debería poder interpretarse sin necesidad de leer el texto principal. Para lograr esta autonomía, cada tabla debe incluir un número en negrita («Tabla 1»), un título en cursiva que describa su contenido y un conjunto de notas al pie que expliquen todas las abreviaturas y los niveles de significación utilizados. Las líneas verticales están prohibidas, y solo se admiten tres líneas horizontales: una bajo el título, otra bajo los encabezados de columna y otra al final de la tabla. Cualquier otra línea es ruido visual.
Las figuras han ganado protagonismo con la séptima edición, que flexibiliza los formatos y anima a utilizar el color de forma accesible (evitando combinaciones problemáticas para personas con daltonismo, como rojo y verde). Cada figura requiere un número en negrita y un título en cursiva, al igual que las tablas, y sus ejes deben estar claramente etiquetados. Si se incluyen barras de error, la leyenda debe especificar sin ambigüedad qué representan: desviación típica, error estándar de la media o intervalo de confianza. Mezclar estos conceptos o, peor aún, no aclararlos, es una fuente inagotable de confusión entre los lectores menos familiarizados con la estadística.
La experiencia acumulada en revisión de manuscritos y dirección de tesis doctorales permite identificar un repertorio de tropiezos que se repiten con sorprendente regularidad, incluso en trabajos de investigadores competentes. Conocer esta lista no garantiza la perfección, pero sí permite revisar el propio manuscrito con ojos de revisor y corregir lo que, de otro modo, se pasaría por alto. El primero de la lista, y el más grave por sus implicaciones, es la omisión sistemática de los tamaños del efecto. Un valor p, por muy pequeño que sea, no informa sobre la magnitud del fenómeno estudiado, y una diferencia puede ser estadísticamente significativa pero clínicamente irrelevante. La APA 7 no se cansa de repetirlo, y sin embargo sigue siendo la carencia más frecuente en las secciones de resultados.
El segundo gran bloque de errores tiene que ver con la inconsistencia tipográfica: mezclar cursiva y redonda en una misma frase, olvidar el punto decimal en el valor p, añadir ceros donde no corresponden o reportar grados de libertad con formatos inventados. Estos fallos, aunque menores, transmiten una imagen de descuido que puede predisponer negativamente al revisor antes incluso de evaluar el contenido sustantivo del trabajo. La solución es tan simple como disponer de una lista de verificación (checklist) de formato APA que se revise sistemáticamente antes de cada envío, sin excepciones ni prisas de última hora.
Mención aparte merece la práctica, aún extendida, de presentar tablas copiadas directamente de la salida del software estadístico. Las tablas de SPSS, por ejemplo, incluyen líneas, formatos de celda y anotaciones que no cumplen con el estilo APA y que delatan inmediatamente que el autor no ha dedicado tiempo a formatear sus resultados. La tabla debe reconstruirse en el procesador de textos siguiendo las directrices de la APA, seleccionando solo la información relevante y descartando todo aquello que el programa genera por defecto pero que no aporta nada (como las etiquetas de «Sig.» en lugar de p, o los intervalos de confianza al 95% para la diferencia de medias cuando no se necesitan).
Reportar resultados estadísticos no es un trámite burocrático, sino el acto final de respeto hacia los participantes que cedieron su tiempo y sus datos, y hacia la comunidad científica que confía en que lo publicado es transparente y reproducible. Aunque la jerga y los símbolos puedan resultar abrumadores al principio, el sistema APA es, en el fondo, un lenguaje que cualquiera puede aprender con práctica y atención a los detalles. Lo fundamental es recordar tres cosas: decir siempre cuántos participantes hubo y qué pasó con los datos perdidos, acompañar cada prueba de significación con una medida del tamaño del efecto, y presentar los números de forma ordenada, sin mezclar formatos ni inventar atajos.
Un consejo práctico para quien se enfrenta por primera vez a esta tarea es trabajar con plantillas. Tener a mano una frase modelo para cada tipo de análisis (prueba t, ANOVA, correlación, chi-cuadrado) y limitarse a sustituir los números reduce drásticamente la probabilidad de error y la ansiedad que genera la página en blanco. La perfección no se alcanza en el primer borrador, sino en la revisión meticulosa de cada detalle, preferiblemente tras dejar reposar el texto uno o dos días y leerlo con ojos frescos, como si se fuera el revisor más exigente del mundo.
El dominio del reporte estadístico en estilo APA trasciende lo meramente formal y se adentra en el terreno de la epistemología aplicada. Cada decisión sobre qué reportar y cómo hacerlo refleja una concepción implícita de lo que significa hacer ciencia. La elección, por ejemplo, entre eta cuadrado parcial y eta cuadrado generalizado no es inocua: el primero depende del diseño y dificulta la comparación entre estudios, mientras que el segundo permite comparar la magnitud de efectos a través de investigaciones con diseños distintos. Quien reporta sin reflexionar sobre estas implicaciones está comunicando resultados; quien lo hace con conciencia está contribuyendo a la acumulación de conocimiento comparable y sintetizable.
En el horizonte inmediato, las prácticas de ciencia abierta están transformando los estándares de reporte. Compartir los datos en bruto y el código de análisis obliga a que el reporte en el manuscrito sea coherente con lo que cualquier otro investigador encontrará al reanalizar los mismos datos. La más mínima discrepancia entre lo reportado y lo obtenible a partir de los datos públicos puede dañar irreparablemente la credibilidad de un estudio. En este nuevo ecosistema, la precisión obsesiva en cada decimal, cada grado de libertad y cada intervalo de confianza no es una exigencia maniática, sino la única forma de construir una ciencia psicológica y de la salud que merezca el adjetivo de reproducible.
Mejora tus habilidades en estadística y análisis de datos con expertos en psicología y ciencias sociales. ¡Tu éxito académico comienza aquí!
