{p_r} # z: 2 * pnorm(-abs(z)) t: 2 * pt(-abs(t), df) # chi-cuadrado: pchisq(x, df, lower.tail = FALSE) F: pf(x, df1, df2, lower.tail = FALSE)Guía del usuario
Cuándo usarlo. Convierte un estadístico de prueba (z, t, χ² o F) en un valor p bajo la hipótesis nula.
Supuestos. Ya dispone de una estadística calculada correctamente y de los grados de libertad adecuados.
Errores comunes. Un valor p no es la probabilidad de que la hipótesis nula sea verdadera, ni la magnitud de un efecto.
Ejemplo trabajado
Haga clic en "Cargar datos de ejemplo" arriba y, a continuación, en "Ejecutar análisis" para ver un resultado completo con la figura, la fórmula y la interpretación de esta prueba.
Referencias
- Wasserstein RL, Lazar NA. La declaración de la ASA sobre los valores p. Am Stat. 2016;70:129-133.
En pocas palabras: ¿Qué te dice realmente un valor p?
Un valor p responde a una pregunta específica: si realmente no existiera ningún efecto (la hipótesis nula fuera completamente cierta), ¿con qué frecuencia se observaría, por mera casualidad, un resultado al menos tan extremo como el observado? Un valor p pequeño significa que los datos serían sorprendentes en un mundo sin efecto; por lo tanto, los datos son inconsistentes con esa suposición de ausencia de efecto.
Lo que no es : un valor p no es la probabilidad de que la hipótesis nula sea verdadera, no es la probabilidad de que el resultado se haya producido por casualidad, y no mide la magnitud ni la importancia de un efecto. Estas tres confusiones son los errores más comunes en la literatura publicada, y los revisores están capacitados para detectarlos.
La guía completa de los valores p
El valor p es la estadística más frecuentemente reportada en la investigación biomédica y, con mucha diferencia, la más incomprendida. Fue introducido por R. A. Fisher como una medida informal de evidencia en contra de una hipótesis nula, y posteriormente se fusionó con el marco de decisión de Neyman-Pearson en la regla de "rechazar si p < 0.05" que predomina en las revistas científicas actuales. Esta fusión histórica es la raíz de gran parte de la confusión: el valor p se trata como una regla de decisión binaria (sí/no), mientras que se interpreta como una medida continua de evidencia, y ambas interpretaciones no siempre coinciden.
La definición formal
Dado un estadístico de prueba calculado a partir de sus datos, el valor p es la probabilidad: suponiendo que la hipótesis nula y todos los demás supuestos del modelo son correctos. — de obtener un resultado al menos tan extremo como el observado. Formalmente, para una estadística observada, p = P(|X| ≥ |stat| | H₀) para una prueba z o t de dos colas. Para las pruebas chi-cuadrado y F, el valor p es la cola superior, p = P(X ≥ stat | H₀)La calculadora anterior convierte los estadísticos az, t, χ² o F (con los grados de libertad correctos) en esta probabilidad y muestra el comando R correspondiente para que el resultado sea totalmente reproducible.
La advertencia más importante es que el valor p depende de que todo el modelo estadístico sea correcto, no solo el efecto nulo, sino también los supuestos sobre distribución, independencia, ausencia de sesgo de selección y ausencia de error de medición. Un valor p pequeño indica que alguno de esos supuestos es inverosímil, y el efecto nulo es solo una posibilidad. Este es el mensaje central de la guía moderna más citada sobre el tema (Greenland et al., 2016).
Cómo interpretar su resultado
- p <0.001 — evidencia muy fuerte en contra de la hipótesis nula bajo el modelo asumido. Informe el valor exacto (por ejemplo,
p = 0.0004), no “p < 0.05”. - 0.001 ≤ p < 0.05 — evidencia en contra de la hipótesis nula en el umbral convencional. Interpretar a la luz del tamaño del efecto y el intervalo de confianza.
- 0.05 ≤ p < 0.10 — débil/ambiguo. Hacer No Se describe como "con tendencia a la significación" o "acercándose a la significación"; esta formulación es criticada en la literatura metodológica.
- p ≥ 0.10 — los datos son razonablemente compatibles con el valor nulo. Esto es No Prueba de “ausencia de efecto”: la ausencia de evidencia no es evidencia de ausencia, especialmente en un estudio con poca potencia estadística.
Las cinco reglas que hacen cumplir los revisores
1. Informar los valores p exactos.
Escribe. p = 0.03no, p < 0.05Los valores exactos permiten a los lectores aplicar su propio umbral de evidencia. p < 0.001 solo debajo de ese piso.
2. Siempre incluya el tamaño del efecto y el intervalo de confianza del 95%.
Un valor p por sí solo no permite tomar decisiones clínicas. El intervalo de confianza muestra el rango de efectos compatibles con sus datos; el tamaño del efecto indica si la diferencia es relevante.
3. Preespecificar una o dos colas
La prueba bilateral es la predeterminada. Una prueba unilateral solo es válida cuando se formuló una hipótesis direccional antes de analizar los datos.
4. Corrección para comparaciones múltiples
Al probar 20 resultados con α = 0.05, se obtiene aproximadamente un falso positivo por azar. Utilice el método de Bonferroni, el de Holm o el control de la tasa de falsos descubrimientos e indique cuál.
5. Nunca interpretes “no significativo” como “no hay diferencia”.
Un valor p elevado en un estudio pequeño suele indicar baja potencia estadística, no una hipótesis nula definitiva. Indique el intervalo de confianza para que los lectores puedan determinar qué efectos siguen siendo plausibles.
Ejemplos resueltos
Escenarios clínicos reales. Introduzca el estadístico en la calculadora de arriba para reproducir cada valor p.
1. Ensayo de dos grupos (z / normal)
Un ensayo compara un nuevo antihipertensivo con un placebo. El estadístico de prueba estandarizado para la diferencia en la presión arterial sistólica media es z = 2.5.
Lectura: bajo la hipótesis nula de que no existe diferencia, este extremo ocurre aproximadamente el 1.2 % de las veces. Informe junto con la diferencia media y su intervalo de confianza del 95 %.
2. Estudio pequeño pareado (t)
Un estudio antes/después de un protocolo de rehabilitación en 15 pacientes arroja un t pareado = 2.20 con gl = 14.
Lectura: ligeramente inferior a 0.05, pero con n = 15 el intervalo de confianza será amplio. Este es precisamente el caso en el que informar el intervalo (no solo "significativo") es importante.
3. Tabla de contingencia (χ²)
Una tabla de 2×3 de tratamiento vs categoría de respuesta produce χ² = 9.5 con gl = 2.
Lectura: evidencia sólida de asociación. Realice un seguimiento con residuos estandarizados para ver qué células la impulsan; el valor p por sí solo no localiza el efecto.
4. Prueba ómnibus ANOVA (F)
Se compararon tres dietas en cuanto al cambio de peso; el ANOVA unidireccional da F = 4.10 con gl1 = 2, gl2 = 57.
Lectura: al menos una media grupal difiere. El valor p global no indica qué par difiere; realice una prueba post hoc (Tukey HSD) con su corrección correspondiente.
Preguntas frecuentes
¿Me indica el valor p la probabilidad de que mi hipótesis sea verdadera?
No. Esta es la interpretación errónea más común en la literatura. El valor p se calcula asumiendo que la hipótesis nula es verdadera; no puede indicar también la probabilidad de que la hipótesis nula sea verdadera. Para obtener la probabilidad de una hipótesis dados los datos, se necesita un marco bayesiano, no un valor p.
¿Es p = 0.04 “más significativo” que p = 0.06?
El umbral de 0.05 es una convención, y la diferencia entre 0.04 y 0.06 es mucho menor de lo que parece. Considerar uno como un hallazgo significativo y el otro como un resultado nulo es un error conocido: se deben reportar los valores exactos e interpretarlos de forma continua junto con el tamaño del efecto y el intervalo de confianza.
¿Cuál es la diferencia entre significación estadística y significación clínica?
La significación estadística determina si un efecto es distinguible de cero a partir de los datos. La significación clínica determina si el efecto es lo suficientemente grande como para ser relevante para los pacientes. En una muestra grande, una diferencia clínicamente insignificante puede ser altamente significativa desde el punto de vista estadístico; en una muestra pequeña, una diferencia clínicamente importante puede no alcanzar la significación. Siempre se deben reportar ambas.
¿Debo usar una prueba unilateral o bilateral?
Se recomienda utilizar una prueba bilateral por defecto. Una prueba unilateral duplica la potencia aparente, pero solo se justifica cuando se especificó una hipótesis direccional antes de la recopilación de datos, idealmente preregistrada. Los revisores se muestran escépticos ante las pruebas unilaterales elegidas tras analizar los datos.
¿Esta calculadora es compatible con R y SPSS?
Sí. La calculadora utiliza las mismas funciones de distribución que R 4.3.3 (pnorm, pt, pchisq, pfy genera el código R exacto para que puedas reproducir y verificar cada resultado. Los resultados son equivalentes a los de SPSS y Stata para los mismos datos de entrada y grados de libertad.
Lecturas y referencias importantes
Fuentes revisadas por pares e indexadas en PubMed para la sección de métodos y para su propia comprensión.
La referencia moderna esencial: un catálogo de los errores más comunes en la interpretación de valores p, intervalos de confianza y potencia estadística. Léalo primero.
Una revisión actual y accesible que traza el valor p desde Fisher hasta el marco de Neyman-Pearson, con orientación práctica para la elaboración de informes.
Orientación práctica y centrada en la elaboración de informes sobre el umbral de “P < 0.05” y cómo presentar los valores p de forma responsable.
Traduce las advertencias de la Asociación Estadounidense de Estadística a un lenguaje comprensible para los médicos; aclara la distinción entre significancia y relevancia.
Sobre el peligro de dicotomizar los resultados en "significativos/no significativos" y la incertidumbre que esto oculta.
Una guía concisa basada en la declaración de la ASA de 2016, ideal para la enseñanza y como referencia rápida.
¿Necesitas un estadístico para verificar tu análisis?
Nuestros bioestadísticos proporcionan análisis estadísticos listos para su publicación, textos sobre la metodología y asistencia para la respuesta de los revisores, con resultados reproducibles basados en R.
Obtenga ayuda estadística experta