Además de tener en cuenta que los estudios científicos tienen que cumplir una serie de criterios para que sean válidos (si no, es mala ciencia), éstos pueden estar bien diseñados pero caer en dos errores muy comunes en la interpretación de los resultados:

  • Correlación no siempre implica causalidad
  • Significación estadística no implica siempre relevancia de los resultados.

Ejemplos como los de la imagen inferior muestran claramente la diferencia entre la correlación y causalidad. En muchos estudios la diferencia no es tan obvia y se cae en el error de establecer, por ejemplo, la causa de una enfermedad en un determinado hábito o alimento. Este problema se agrava cuando se estudian múltiples variables y gran cantidad de datos (cada vez más común gracias a los avances informáticos), ya que aumenta la probabilidad de que se produzcan correlaciones estadísticamente significativas.

El debate sobre la significación es más reciente y, aunque más académico, es muy relevante ya que surge ante el creciente problema de reproducibilidad de muchos estudios científicos (muy relacionado con la presión administrativa y económica de “publish or perish”).

21688268_727562900769738_5351111374106257763_o.png

Brevemente, la significación estadística es la forma matemática de contrastar las hipótesis de los experimentos de un modo más científico que el criterio “a ojo”. En la mayoría de estudios se ha utilizado y utiliza como criterio el conocido como p-valor (p<0,05). Este valor va acompañada de la frase mágica “estadísticamente significativo”, que se suele malinterpretar como la probabilidad de que nuestra hipótesis sea correcta o falsa, cuando no es así. Uno de los mayores problemas del p-valor es que los datos pueden tener una diferencia significativa en casos donde la relevancia científica o real de los resultados puede ser limitada: cuando hay mucha diferencia entre los grupos o parámetros pero hay muy pocos datos y en el otro extremos cuando hay muchísimos datos pero las diferencias son muy pequeñas.

p_values_2x.png

Esta precauciones son bastante útiles a la hora de leer noticias sobre estudios de nutrición, psicología o sociología donde se suelen dar titulares muy sensacionalistas con conclusiones categóricas, que en ocasiones se basan en alguno de los problemas mencionados y dan lugar a la sensación de contradicción en estos temas.

Para saber más sobre las limitaciones y precauciones sobre correlación y p-valor en investigación merece la pena leer “Statistics done wrong“, un libro corto que profundiza en este tema de forma clara y amena.

 

 

Anuncios