SPSS puede calcular correctamente una prueba estadística y el investigador todavía puede llegar a una conclusión equivocada.
El software produce resultados a partir del procedimiento solicitado. La decisión académica consiste en reconocer qué pregunta responde ese procedimiento, qué incertidumbre permanece y hasta dónde puede llegar la interpretación.
🔎 Una sola cifra
Un reporte de investigación incluye únicamente: p = .018. ¿Qué puedes concluir con seguridad?
Objetivo didáctico
🎯 Al concluir esta lección podrás
Distinguir entre procedimiento estadístico, salida e interpretación en SPSS, reconociendo cuándo una conclusión se encuentra respaldada por los resultados y cuándo excede la evidencia disponible por problemas de diseño, incertidumbre, magnitud o causalidad.
Introducción
IBM SPSS Statistics ocupa desde hace décadas un lugar relevante en investigación social, psicológica y educativa porque integra gestión de datos, estadística descriptiva, pruebas de hipótesis, regresión, visualización y otros procedimientos dentro de un entorno común. La documentación de IBM para la versión 32 lo describe como una plataforma que admite desde estadística descriptiva hasta pruebas de hipótesis y análisis predictivo (IBM, 2026a).
Para un estudiante de posgrado, sin embargo, la competencia importante no consiste en memorizar dónde se encuentra una opción del menú. El procedimiento apropiado cambia según la pregunta, el diseño, las variables, la forma de medición y las condiciones del modelo. SPSS puede ejecutar lo solicitado; no puede convertir automáticamente una pregunta de investigación mal formulada en un análisis correcto.
La versión 32.0.0 fue liberada el 23 de abril de 2026 e incorporó, entre otras novedades, análisis de mediación, modelos VAR, mejoras del visor de resultados y capacidades adicionales de asistencia. IBM también ofrece un AI Output Assistant capaz de producir explicaciones en lenguaje natural de resultados seleccionados. Estas funciones modifican la interfaz de interpretación, pero no eliminan la responsabilidad metodológica del investigador.
🧭 Antes y después de SPSS
Abre cada etapa para distinguir qué decide el investigador y qué ejecuta el software.
Desarrollo del tema
El procedimiento se elige desde la pregunta, no desde el menú
La existencia de un procedimiento en SPSS no constituye una razón para utilizarlo. Una pregunta sobre diferencias entre grupos plantea una estructura distinta de una pregunta sobre relación entre variables; una comparación de las mismas personas en dos momentos es distinta de una comparación entre grupos independientes; una variable categórica no se trata necesariamente igual que una puntuación cuantitativa.
Field (2018) insiste en que la estadística debe comprenderse como una relación entre pregunta, modelo y datos. Desde esta perspectiva, ejecutar muchas pruebas «para ver qué sale» puede producir un volumen considerable de tablas sin mejorar la calidad de la investigación.
También importa distinguir análisis descriptivo e inferencial. Una diferencia de medias observada describe lo que ocurrió en los datos disponibles. La inferencia introduce un modelo de incertidumbre para razonar más allá de esa descripción bajo determinadas condiciones. Ninguna de las dos capas convierte automáticamente una asociación en causalidad.
🧩 Primero la estructura de la pregunta
Aplicación práctica. Antes de abrir SPSS, completa esta frase: «Mi análisis necesita reconocer una diferencia, una relación, un cambio o una predicción porque mi pregunta dice...». Si no puedes hacerlo, todavía no es momento de seleccionar un procedimiento.
Leer la salida: estimación, incertidumbre y magnitud
El visor de SPSS puede contener múltiples objetos: tablas, gráficos, notas, advertencias, modelos y registros. La documentación de la versión 32 confirma que el Viewer organiza esos resultados y que las tablas pueden incluir nombres, etiquetas, valores y otros elementos configurables (IBM, 2026a). El problema académico consiste en identificar qué parte de esa salida responde a la pregunta.
En una comparación entre grupos, por ejemplo, conviene separar al menos tres capas. La primera es la estimación: cuál fue la diferencia observada. La segunda es la incertidumbre: qué rango de valores resulta compatible con los datos bajo las condiciones del modelo. La tercera es la magnitud: qué tan grande es la diferencia en términos relevantes o estandarizados.
APA JARS–Quant recomienda que los reportes cuantitativos proporcionen información suficiente para evaluar los resultados y su rigor. Entre sus orientaciones se encuentran la transparencia sobre métodos, decisiones analíticas, tamaño de efecto e intervalos de confianza cuando corresponda (Appelbaum et al., 2018).
Esto evita una práctica reductora: copiar solamente el valor p. Dos análisis pueden producir valores p semejantes y representar efectos de magnitud, precisión o importancia completamente diferentes.
📊 Lee una salida construida
Ejemplo construido con fines didácticos; no procede de una investigación real.
| Resultado | Valor |
|---|---|
| Diferencia media | 4.8 puntos |
| IC 95% | 0.47 a 9.13 |
| p | .030 |
| d de Cohen | 0.49 |
Aplicación práctica. Cuando leas una tabla de resultados, busca primero la estimación y su incertidumbre antes de concentrarte en el valor p. Después pregunta qué representa la magnitud en términos del problema educativo.
El valor p no convierte una tabla en una conclusión
La American Statistical Association publicó en 2016 una declaración destinada a corregir interpretaciones comunes del valor p. Entre sus principios se encuentra que el valor p puede expresar incompatibilidad de los datos con un modelo estadístico especificado, pero no mide la probabilidad de que la hipótesis sea verdadera, no mide el tamaño del efecto y no debería ser la única base de una decisión científica o de política (Wasserstein & Lazar, 2016).
Otro error común consiste en convertir un umbral convencional en una frontera ontológica. Si p = .049 se etiqueta como «hay efecto» y p = .051 como «no existe efecto», una diferencia diminuta en el resultado termina produciendo conclusiones opuestas. La declaración de la ASA y su posterior Task Force recomiendan interpretar los valores dentro de un contexto más amplio de incertidumbre, variabilidad, replicabilidad, diseño y consecuencias de decisión.
La ausencia de significación estadística tampoco establece automáticamente ausencia de diferencia. Para sostener equivalencia, no inferioridad u otras conclusiones de ausencia práctica pueden requerirse diseños y procedimientos específicos. «No encontré evidencia suficiente para afirmar una diferencia» y «demostré que no hay diferencia» son proposiciones distintas.
Finalmente, una asociación estadística no es sinónimo de causalidad. Una correlación entre uso de recursos digitales y rendimiento puede deberse a selección previa, motivación, acceso, experiencia docente u otras variables. La causalidad depende del diseño y del razonamiento científico, no del hecho de que SPSS imprima un valor pequeño de p.
🧪 Tres interpretaciones frecuentes
⚠ Significación estadística no equivale a importancia educativa
Una diferencia puede ser detectable estadísticamente y resultar pequeña o irrelevante para una decisión pedagógica. También puede existir incertidumbre considerable alrededor de una diferencia que no cruza un umbral convencional.
Aplicación práctica. Cada vez que escribas «significativo», completa mentalmente tres preguntas: ¿significativo en qué sentido?, ¿qué magnitud tiene? y ¿qué consecuencia educativa se pretende justificar?
SPSS, inteligencia artificial y responsabilidad interpretativa en 2026
SPSS Statistics v32 incorpora asistencia de inteligencia artificial para interactuar con resultados mediante lenguaje natural. IBM presenta su AI Output Assistant como una herramienta capaz de explicar salidas complejas y producir resúmenes o interpretaciones en lenguaje más accesible mediante integración con watsonx.ai.
Esta función puede resultar útil para localizar rápidamente qué representa una tabla, obtener una explicación inicial de un estadístico o traducir una salida técnica a un registro más accesible. En formación de posgrado también puede funcionar como contraparte de aprendizaje: el estudiante puede comparar su interpretación con la explicación generada.
Sin embargo, una salida no siempre contiene toda la información necesaria para decidir el alcance científico de una afirmación. Una tabla puede indicar que dos grupos presentan medias diferentes, pero no necesariamente contiene la historia de cómo fueron asignados los participantes, qué variables de confusión existen, qué hipótesis fueron planificadas o si el análisis fue seleccionado después de observar los datos.
Por ello, una explicación generada debe contrastarse con el protocolo y el diseño. Incluso si el asistente describe correctamente el resultado estadístico, puede ser necesario corregir una interpretación causal, una generalización excesiva o una afirmación sobre importancia práctica.
🤖 Audita una interpretación automática
Ejemplo construido.
Contexto: estudiantes eligieron voluntariamente utilizar o no una plataforma educativa.
Salida: media de usuarios = 85.0; media de no usuarios = 79.8; p = .012.
Interpretación automática ficticia: «La plataforma mejoró significativamente el rendimiento estudiantil».
Aplicación práctica. Si utilizas una explicación automática de una salida estadística, compara cada verbo con el diseño. Verbos como «causó», «produjo» o «demostró» necesitan una justificación metodológica que no procede simplemente de la tabla.
Conclusión
SPSS es relevante para el investigador de posgrado porque permite organizar y ejecutar procedimientos estadísticos complejos de manera sistemática. Pero precisamente esa capacidad puede producir una ilusión de autoridad: una tabla formal, un gráfico elaborado o una explicación generada automáticamente pueden parecer conclusiones terminadas.
La salida debe leerse como un eslabón de una cadena. Antes están la pregunta, el diseño, las variables y el procedimiento; después aparecen interpretación, incertidumbre, magnitud y decisión. Saltarse cualquiera de esos vínculos permite que un cálculo técnicamente correcto sostenga una afirmación científicamente débil.
La actualización de SPSS en 2026 refuerza esta necesidad. Cuanto más fácil resulte generar y explicar resultados, más importante será distinguir entre lo que calcula el sistema y lo que puede afirmar responsablemente el investigador.
La siguiente lección cambiará de la interpretación numérica a la representación del conocimiento: L8 · Mapas conceptuales: estructurar y comunicar conocimiento académico.
🔭 Para seguir aprendiendo
- Selecciona una tabla estadística de una investigación de tu campo y trata de identificar la estimación principal, la incertidumbre y el tamaño del efecto antes de leer la conclusión de los autores.
- Compara después tu interpretación con la conclusión publicada y observa qué información metodológica utilizaron los autores además de la tabla.
Actividad de aprendizaje autónoma
La tabla no habla sola
Analiza ocho salidas o situaciones estadísticas simplificadas. Todos los números son ejemplos construidos exclusivamente para esta actividad y no proceden de investigaciones reales. Tu tarea es determinar si la interpretación propuesta está sustentada, excede la evidencia, requiere información adicional o parte de un problema en la selección del procedimiento.
Categorías:
- S · Sustentable: la interpretación respeta el alcance de la salida y del diseño informado.
- E · Excede la evidencia: afirma causalidad, ausencia, importancia o generalización que el resultado no permite.
- I · Información insuficiente: faltan elementos esenciales para decidir.
- P · Problema de procedimiento: el análisis no está claramente conectado con una pregunta o con las condiciones necesarias.
Tabla 1: Expediente de interpretación estadística.
| Caso | Salida o situación | Interpretación propuesta |
|---|---|---|
| 1 | Grupo A: media 82.4; Grupo B: media 78.1. Solo se presentan descriptivos. | «El Grupo A aprendió más que el Grupo B». |
| 2 | Diferencia media = 4.8; t(78) = 2.21; p = .030; IC 95% [0.47, 9.13]; d = 0.49. No se informa asignación aleatoria. | «Existe evidencia de una diferencia entre las medias; el resultado no demuestra por sí solo que pertenecer al Grupo A haya causado la diferencia». |
| 3 | Horas de lectura y puntuación: r = .42; p = .001; n = 120. | «Leer más horas provoca mejores puntuaciones». |
| 4 | Diferencia media = 2.1; p = .071; IC 95% [-0.21, 4.41]. | «No existe ninguna diferencia entre los grupos». |
| 5 | Muestra grande; diferencia media = 0.6; p < .001; d = 0.08. | «El cambio es educativamente importante porque p < .001». |
| 6 | Estudiantes eligieron voluntariamente usar o no una plataforma. Usuarios: media 85.0; no usuarios: 79.8; p = .012. | «La plataforma mejoró el rendimiento estudiantil». |
| 7 | El estudiante ejecuta correlaciones, prueba t, ANOVA y regresión «para ver qué sale» sin definir la pregunta que cada procedimiento debe responder. | «Cuantas más pruebas realice, más completo será el análisis». |
| 8 | El único dato reportado es p = .018. | «El resultado es sólido». |
Instrucciones:
- Clasifica los ocho casos como S, E, I o P.
- Identifica en cada caso qué dato o ausencia de información fundamenta tu decisión.
- Cuando la interpretación exceda la evidencia, señala qué palabra o afirmación produce el exceso.
- Cuando falte información, especifica qué necesitarías conocer antes de interpretar.
- Reescribe al menos cuatro de las interpretaciones para que correspondan con el alcance de la evidencia disponible.
- Elige una tabla estadística de un trabajo académico propio o de un artículo de tu campo.
- Identifica pregunta, procedimiento, estimación principal, indicador de incertidumbre y magnitud cuando estén disponibles.
- Escribe una conclusión que distinga resultado estadístico de implicación educativa.
📋 Auditoría de interpretación
Registra los ocho diagnósticos y reconstruye una salida propia. El planificador no determina automáticamente si una conclusión es estadísticamente correcta.
📌 Evidencia de logro
Entrega la clasificación razonada de los ocho casos y la auditoría de una salida estadística propia o procedente de una publicación de tu campo. Debe ser posible reconocer qué pregunta responde el procedimiento, cuál es la estimación principal, qué incertidumbre permanece y qué conclusión puede formularse sin exceder la evidencia.
Si desapareciera el nombre SPSS de una tabla y solo conservaras los números, ¿podrías explicar todavía qué pregunta responde y qué conclusión no permite?
Referencias bibliográficas
- American Psychological Association. (2018). Journal Article Reporting Standards for quantitative research (JARS–Quant).
- Appelbaum, M., Cooper, H., Kline, R. B., Mayo-Wilson, E., Nezu, A. M., & Rao, S. M. (2018). Journal article reporting standards for quantitative research in psychology: The APA Publications and Communications Board task force report. American Psychologist, 73(1), 3–25. doi:10.1037/amp0000191
- Benjamini, Y., De Veaux, R. D., Efron, B., Evans, S., Glickman, M., Graubard, B. I., He, X., Meng, X.-L., Reid, N., Stigler, S. M., & Vardeman, S. B. (2021). The ASA President’s Task Force statement on statistical significance and replicability. The Annals of Applied Statistics, 15(3), 1084–1085.
- Field, A. (2018). Discovering statistics using IBM SPSS Statistics (5th ed.). SAGE.
- IBM. (2026a). IBM SPSS Statistics 32 documentation.
- IBM. (2026b). What’s new in IBM SPSS Statistics: Version 32.0.0.
- IBM. (2026c). IBM SPSS Statistics: AI Output Assistant.
- Wasserstein, R. L., & Lazar, N. A. (2016). The ASA statement on p-values: Context, process, and purpose. The American Statistician, 70(2), 129–133. doi:10.1080/00031305.2016.1154108