Los 7 Errores Fatales Más Comunes (y Cómo Evitarlos)

Después de revisar cientos de casos y consultar con metodólogos de diversas universidades, he identificado los errores que más frecuentemente destruyen tesis doctorales. Algunos te sorprenderán por lo básicos que parecen.

Error #1 – Elegir Tests Estadísticos Sin Verificar Supuestos

Este es el error que destruyó la tesis de María. Cada prueba estadística tiene requisitos previos que deben cumplirse para que sus resultados sean válidos. No son “sugerencias”: son condiciones matemáticas sin las cuales los resultados carecen de significado.

ANOVA requiere normalidad de residuos, homocedasticidad e independencia de observaciones. La correlación de Pearson asume linealidad y distribuciones normales bivariadas. La regresión lineal exige ausencia de multicolinealidad, homocedasticidad y normalidad de residuos. Chi-cuadrado necesita frecuencias esperadas suficientemente grandes.

Cuando aplicas un test paramétrico a datos que no cumplen sus supuestos, tus p-valores son completamente poco fiables. Un tribunal competente detectará este error en minutos.

La solución: Antes de elegir cualquier test, lista sus supuestos. Verifica cada uno con pruebas específicas (Shapiro-Wilk para normalidad, Levene para homocedasticidad). Documenta los resultados. Si fallan, usa alternativas no paramétricas.

📖 Para profundizar en la selección correcta de pruebas estadísticas, consulta nuestra guía de errores en investigación cuantitativa.

Error #2 – P-Hacking: Manipular el Análisis Hasta Obtener Significancia

Si el Error #1 es el más común por ignorancia, este es el más peligroso por tentación. Y prácticamente todos los doctorandos caen en él sin darse cuenta.

El p-hacking es modificar repetidamente el análisis —eliminando outliers, probando múltiples variables, ajustando criterios— hasta obtener un p-valor < 0.05. Parece "ajustes razonables" cuando lo haces, pero matemáticamente, cada decisión que tomas después de ver los datos aumenta tu probabilidad de encontrar un falso positivo.

Sus manifestaciones más comunes: probar múltiples modelos sin ajustar por comparaciones múltiples, detener la recolección cuando aparece significancia, excluir participantes post hoc, transformar variables hasta que los residuos “parezcan normales”, reportar solo subgrupos donde el efecto es significativo.

“El artículo de Simmons, Nelson y Simonsohn demostró cómo pequeñas decisiones aparentemente inocuas pueden producir hasta un 60% de falsos positivos, cuando la tasa nominal debería ser del 5%.”
— False-Positive Psychology (PubMed)

La solución más efectiva es el prerregistro: documentar tu plan de análisis antes de ver los datos en plataformas como OSF (Open Science Framework). Si te parece excesivo, al menos documenta tu plan analítico por escrito antes de ejecutarlo.

Error #3 – HARKing: Inventar Hipótesis Después de Ver los Resultados

HARKing (Hypothesizing After the Results are Known) es presentar hipótesis formuladas después de analizar los datos como si hubieran sido planteadas desde el principio. Es el primo sofisticado del p-hacking: mientras uno manipula el análisis, este manipula la narrativa.

Se manifiesta cuando reformulas objetivos tras el análisis, cuando conviertes hallazgos inesperados en “hipótesis principales”, cuando omites análisis no significativos, o cuando reescribes el marco teórico para que “prediga” tus resultados.

El HARKing pervierte la lógica científica. La ciencia funciona porque hacemos predicciones arriesgadas y las ponemos a prueba. Cuando ajustas predicciones a los resultados, estás haciendo lo contrario. Para más información, consulta el artículo sobre HARKing en Wikipedia.

La prevención: Distingue claramente entre análisis confirmatorios (tus hipótesis originales) y exploratorios. Reporta ambos honestamente. Conserva versiones fechadas de tu proyecto. Los hallazgos exploratorios son valiosos, pero preséntalos como generadores de hipótesis para futura investigación.

Error #4 – Reportar Resultados Sin Estándares

Has visto esto mil veces: “La relación fue significativa (p < 0.05)". Y nada más. Este minimalismo no solo es insuficiente; puede invalidar toda la credibilidad de tu análisis.

Un p-valor sin contexto es prácticamente inútil. Solo te dice si un efecto existe, no si es importante. Puedes tener p = 0.001 con una diferencia entre grupos de 0.2 puntos en una escala de 100: estadísticamente significativo, prácticamente irrelevante.

Consulta los Journal Article Reporting Standards (JARS) de APA para checklists interactivos aplicables al capítulo de resultados de tu tesis.

Error #5 – Codificación Caótica en Análisis Cualitativo

Si trabajas con metodología cualitativa, este error es tan devastador como cualquier error estadístico. Codificar “sobre la marcha” sin un esquema previo, forzar categorías teóricas en los datos, no documentar decisiones de codificación, ignorar la saturación teórica, trabajar sin verificación por pares… todo esto destruye la credibilidad de tu análisis.

La codificación es el proceso mediante el cual transformas datos brutos en unidades de análisis. Si es caótico o inconsistente, tus categorías finales son arbitrarias.

La prevención: Crea un libro de códigos desde el inicio con definiciones claras, ejemplos y contraejemplos. Documenta memos analíticos. Realiza codificación múltiple con al menos un segundo codificador en una submuestra mínima del 20%. Calcula y reporta fiabilidad inter-codificador.

📚 Si tu tesis incluye análisis cualitativo, complementa esta sección con nuestra guía completa de investigación cualitativa.

Error #6 – Scripts y Análisis No Reproducibles

Este es el error silencioso. No explota durante tu defensa, sino meses después, cuando alguien —o tú mismo— intenta verificar tus resultados.

El escenario típico: “Hice el análisis hace 6 meses y no recuerdo exactamente qué hice“. Archivos tipo analisis_final_v3_DEFINITIVO_ahora_si.sav. Sin control de versiones. Resultados que varían al re-ejecutar. Dependencia de clics en menús en lugar de scripts documentados.

La reproducibilidad no es opcional en ciencia moderna. Si tú mismo no puedes reproducir tus resultados, nadie más podrá hacerlo. Y sin documentación adecuada, no podrás responder preguntas detalladas durante la defensa.

La solución práctica: Estructura de carpetas estandarizada (datos brutos que nunca modificas, datos procesados, código numerado secuencialmente). Usa scripts en lugar de menús. Implementa control de versiones. Documenta cada decisión. El libro “R for Data Science” enseña estos flujos de trabajo.

Error #7 – Conclusiones Desconectadas de los Datos

Este error suele pasar desapercibido porque ocurre en la fase final, cuando el agotamiento nubla el juicio crítico. Se manifiesta cuando generalizas más allá de tu muestra sin justificación, cuando estableces causalidad desde estudios correlacionales, cuando ignoras limitaciones metodológicas en las conclusiones, o cuando los hallazgos “evolucionan” entre la sección de resultados y las conclusiones.

Tus conclusiones deben ser una traducción fiel de tus resultados, no una interpretación creativa. Cada afirmación concluyente debe poder rastrearse hasta un resultado específico reportado en la sección correspondiente.

Un consejo práctico: después de escribir tus conclusiones, vuelve a la sección de resultados y verifica que cada conclusión tenga un “ancla” en los datos. Si no la encuentras, reformula o elimina esa conclusión.