Gran parte de la investigación científica se basa en las pruebas de hipótesis, con la idea esencial de ajustar un modelo estadístico a nuestros datos y luego evaluarlo con una prueba estadística. Si la probabilidad de obtener resultados por casualidad es menor que .05, entonces generalmente aceptamos la hipótesis experimental como verdadera: o sea, hay efecto en la población. Normalmente reportamos “hay un efecto significativo de …”. Sin embargo, no podemos cegarnos solamente con ese término “significativo”, porque incluso encontrando un resultado bajo de significación, esto no necesariamente expresa que el efecto fue importante. Pequeños efectos en ocasiones producen resultados significativos, sobre todo al usar grandes muestras.
Un resultado no significativo no se debe interpretar como “…no existe diferencias entre las medias…” o “…no hay relación entre las variables…”, pues por muy pobre que sea la diferencia, la hay, y esta puede ser importante para algunos estudios a pesar de no ser significativa en términos estadísticos.
Una medida que ayuda a cuantificar y comprender los resultados de una prueba de hipótesis es el tamaño del efecto, este complementa la significación. El tamaño del efecto es la magnitud del resultado, que nos permite ofrecer una estimación del alcance de nuestros hallazgos. En estadística, el tamaño del efecto se refiere a una forma de cuantificar el tamaño de la diferencia entre dos grupos. Es relativamente sencillo de calcular y comprender, además puede ser aplicado a cualquier resultado medido en las ciencias sociales. Este es especialmente valioso al cuantificar la efectividad de una intervención, relativa a alguna comparación.
¿Qué tan grande es el efecto? En este sentido es importante contextualizar el tamaño del efecto según alguna referencia, por ejemplo, resultados científicos anteriores. Además, no deben ser arbitrarios, sino que deben venir de la propia escala de medida con la que estemos trabajando. Existen 3 estrategias que pueden ayudar en la correcta interpretación del tamaño del efecto, llamadas las tres Cs:
- el contexto,
- la contribución
- el criterio de Cohen
Dependiendo del contexto, un efecto pequeño puede ser significativo, por ejemplo: sidesencadena grandes consecuencias o respuestas, si pequeños efectos pueden acumularse y producir grandes efectos, entre otras. El otro elemento es evaluar su contribución al conocimiento, o sea, si el efecto observado difiere de lo que otros investigadores han encontrado y si es así, en cuánto; para esto es necesario comparar la bibliografía existente con nuestros resultados y brindar explicaciones alternativas para nuestros hallazgos.Por último, se debe tener en cuenta el criterio de Cohen, que establece 3 puntos de corte para interpretar el tamaño del efecto según los valores del estadístico, específicamente para la «d» de Cohen. Sin embargo, estos cortes dependen del estadístico usado, por lo cual es necesario consultar las especificidades de cada medidor del tamaño del efecto para realizar su interpretación, que en la mayoría se utiliza: efecto pequeño, efecto medio, efecto grande, como podemos apreciar en la siguiente tabla:
Al respecto, el manual de estilo APA v7 (American Psychological Association Publication Manual 7th Edition) propone ajustarse a los estándares JARS (Quantitative Design Reporting Standards, JARS, https://apastyle.apa.org/jars/), donde se precisa que se debe reportar, siempre que sea posible, “el tamaño del efecto estimado y los intervalos de confianza de cada prueba de inferencia realizada”. De hecho, investigadores de la APA han identificado que no reportar el tamaño del efecto es uno de los 7 fallos más comunes en los artículos científicos.
Es por ello que las principales revistas académicas no admiten artículos de investigaciones cuantitativas que no reporten el tamaño del efecto. Este se ha convertido en uno de los datos invariantes al reportar investigaciones que impliquen pruebas de comparación entre grupos y asociaciones. Por tal motivo, Comunicar exige esta medida en sus artículos de este corte, por ejemplo, en uno de los últimos números se reportaba:
En el cual evidencia un correcto uso del tamaño del efecto y un adecuado reporte.
Existen varias familias (o tipos) de medidas del tamaño del efecto, relacionadas con los tipos de pruebas realizadas, y cada una de estas medidas tienen una interpretación diferente según sus valores. Entre las principales se encuentran:
- Correlaciones: tamaño del efecto basado en la varianza explicada (ej. r de Pearson, coeficiente de determinación R2, V de Cramer y eta-cuadrada η2).
- Diferencias: tamaño del efecto basado en diferencias entre grupos (ej. Cohen’s d, Glass’ Δ, Hedges’ g, Odds ratio y Relative risk).
Finalmente, hay 3 razones importantes para informar sobre el tamaño del efecto:
- El p-valor le puede informar la dirección de un efecto, pero sólo la estimación del tamaño del efecto le dirá lo grande que es.
- Sin una estimación del tamaño del efecto, ninguna interpretación significativa puede tener lugar.
- Permite comparar cuantitativamente los resultados de estudios realizados en diferentes situaciones.
Comments are closed