6 razones por las que el p-value no es el santo grial de la ciencia

Día a día se generan cantidades enormes de datos y modelos cada vez más complejos. Basarlo todo en un corte de 0.05 introduce sesgos de publicación. El llamado efecto cajón, conocido en inglés como file-drawer effect, aparece cuando solo se publican resultados “significativos” y los estudios con resultados nulos se guardan y no ven la luz. Prácticas como p-hacking, es decir, la búsqueda oportunista de análisis hasta encontrar un p-value (valor p) pequeño, distorsionan la evidencia.

La American Statistical Association (ASA) advirtió desde 2016 que el p-value no reemplaza el razonamiento científico, por lo que debemos dejar de dividir los hallazgos en “significativos” y “no significativos” y reportar la evidencia completa con estimaciones, intervalos e interpretación contextual.

¿Qué es el p-value?
Es la probabilidad, calculada bajo la hipótesis nula (H0) y sus supuestos, de obtener un estadístico de prueba al menos tan extremo como el observado. En otras palabras, cuantifica cuán raro sería el resultado si H0 fuera cierta.

Lo que el p-value no te dice:

• No afirma que la hipótesis alternativa (H1) sea verdadera ni que H0 sea falsa; solo mide incompatibilidad con H0.
• No informa la magnitud del efecto ni su relevancia práctica; eso se obtiene con tamaños de efecto e intervalos de confianza.
• No es la probabilidad de que “todo se deba al azar”; es una probabilidad condicionada a que H0 sea cierta y a que los supuestos del método se cumplan.

Ejemplo:
Si comparamos dos grupos independientes con una prueba t y obtenemos t = 2.31, con 38 grados de libertad, el p-value es 0.026. Esto significa que, bajo H0 y asumiendo que se cumplen los supuestos del método, la probabilidad de obtener un estadístico t al menos tan extremo como el observado es del 2.6%.

Con un nivel de significancia α = 0.05, se rechaza H0. Esto quiere decir que los datos observados son poco compatibles con el modelo definido por H0 en este contexto. No implica que H0 sea “falsa” ni que H1 sea “verdadera”; significa que, según la regla de decisión, hay suficiente evidencia estadística para descartar H0 en favor de H1.

Los seis principios clave de la ASA para el uso correcto del p-value:

1. El p-value refleja la incompatibilidad entre los datos y el modelo nulo especificado.
2. No mide la probabilidad de que la hipótesis sea verdadera.
3. No bases conclusiones ni decisiones solo en cruzar un umbral fijo.
4. La inferencia correcta exige reporte completo y transparencia.
5. La significancia estadística no mide magnitud ni importancia.
6. Un p-value aislado rara vez es una buena medida de evidencia.

¿Tienes que hacer tu tesis pero la estadística te frena?
Haz crecer tu investigación con nosotros.
Utiliza el cupón HUBBLOG15 y recibe un 15% de descuento en tu asesoría personalizada de Bioestadística. 📌 Solicita tu asesoría de Bioestadística aquí

Fuentes:

• Ronald L. Wasserstein, Nicole A. Lazar. The ASA’s statement on p-values: context, process, and purpose. The American Statistician, 2016; DOI: 10.1080/00031305.2016.1154108
• American Statistical Association. (2016, March 7). Statistical significance and p-values. ScienceDaily. Retrieved June 2, 2025 from www.sciencedaily.com/releases/2016/03/160307092305.htm