El primer punto se refiere a la **tasa de error Tipo I (α).

** En el contexto de la investigación, α es
la probabilidad de cometer un error al afirmar que existe una relación o efecto cuando en realidad
no la hay. El autor sugiere que la mayoría de los investigadores tienden a depender de un valor
comúnmente establecido para α, que es α = 0.05. Esto significa que, en sus análisis estadísticos,
están dispuestos a aceptar un 5% de probabilidad de cometer este tipo de error.

En el artículo, se utiliza una tabla 2x2 para representar los resultados de la investigación en función
de la relación verdadera entre las variables y el resultado de la investigación. La relación verdadera
puede ser positiva (Sí) o negativa (No), y el resultado de la investigación puede ser afirmativo (Sí) o
negativo (No). La tabla presenta diferentes combinaciones de estos resultados.

La fórmula clave discutida por el autor es la del Valor Predictivo Positivo (VPP), que representa la
probabilidad de que un resultado de investigación afirmativo sea verdadero. Esta fórmula
incorpora la tasa de error Tipo I (α), la tasa de error Tipo II (β) y la relación verdadera ®. En
términos simples, el autor destaca que, para que un resultado de investigación sea más probable
que sea verdadero que falso, la condición (1 – β)R > α debe cumplirse, considerando la común
elección de α = 0.05.

En resumen, el autor subraya la importancia de comprender y controlar la tasa de error Tipo I en la

investigación, ya que puede afectar la interpretación de los resultados y la probabilidad de que los
hallazgos sean verdaderos.

El segundo punto aborda el concepto de **sesgos** en la investigación. El autor define el sesgo

como la combinación de diversos factores de diseño, datos, análisis y presentación que tienden a
producir resultados de investigación que no deberían ocurrir. Aquí hay una desglose más detallado:

1. **Definición de Sesgo (u):** El autor introduce “u” como la proporción de análisis

probados que no habrían sido “resultados de investigación” pero que terminan
presentados y reportados como tales debido a sesgos. Es decir, “u” representa la influencia
de factores externos que distorsionan la objetividad de los resultados.
2. **Impacto en el Valor Predictivo Positivo (VPP):** El sesgo afecta directamente al Valor
Predictivo Positivo (VPP), que es la probabilidad de que un resultado de investigación
afirmativo sea verdadero. El autor presenta una fórmula ajustada de VPP que tiene en
cuenta el sesgo. Cuanto mayor sea "u," menor será el VPP, a menos que la tasa de error
Tipo I (α) sea considerablemente baja.
3. **Tipos de Sesgos:** El sesgo puede manifestarse de diversas maneras, como el reporte
selectivo o distorsionado de resultados, manipulación en el análisis o en el reporte de
hallazgos. También se menciona el sesgo inverso, que puede anular ocasionalmente
hallazgos verdaderos de investigación.
4. **Relación con la Variabilidad Aleatoria:** Es importante destacar que el sesgo no se debe
confundir con la variabilidad al azar que puede llevar a algunos hallazgos falsos por
casualidad. El sesgo implica una influencia sistemática que distorsiona la interpretación de
los resultados.

En resumen, el autor enfatiza que el sesgo puede tener un impacto significativo en la

interpretación de los resultados de investigación y que la presencia de sesgos puede disminuir
considerablemente las posibilidades de que un resultado sea verdadero. El artículo sugiere que el
control y la conciencia de los sesgos son fundamentales para mejorar la validez de los hallazgos
científicos.

El tercer punto se centra en la **comprobación repetida por diferentes equipos independientes**

y cómo esto puede afectar la probabilidad de obtener resultados verdaderos en la investigación.
Aquí tienes una explicación detallada:

1. **Comprobación por Equipos Independientes:** Cuando varios equipos de investigación

abordan las mismas preguntas o preguntas similares de manera independiente, se espera
que los resultados sean corroborados. Este enfoque se basa en la idea de que la repetición
y validación independiente aumentan la confianza en los hallazgos.
2. **Globalización de los Esfuerzos de Investigación:** En entornos de investigación
globalizados, donde varios equipos de investigación de diferentes partes del mundo
abordan las mismas preguntas, la regla práctica es que múltiples equipos puedan indagar
en las mismas cuestiones.
3. **Disminución de la Probabilidad con Mayor Número de Estudios:** El autor destaca que,
lamentablemente, a medida que aumenta el número de estudios independientes sobre la
misma pregunta, la probabilidad de que al menos uno de esos estudios afirme un hallazgo
estadísticamente significativo tiende a disminuir.
4. **Fórmula del Valor Predictivo Positivo (VPP):** Se presenta una fórmula que relaciona el
VPP con el número de estudios independientes. Cuanto mayor sea el número de estudios
(representado por “n”), menor será el VPP, a menos que la tasa de error Tipo I (α) sea
considerablemente baja.
5. **Influencia en la Confianza en los Resultados:** Este enfoque destaca la importancia de
no basar la confianza en los hallazgos únicamente en un estudio aislado, ya que la
probabilidad de que sea verdadero disminuye cuando se observa en el contexto de
múltiples estudios independientes.

En resumen, el autor sugiere que la repetición y la comprobación independiente son

fundamentales para aumentar la confianza en los resultados de investigación. Sin embargo,
también señala que, en algunas áreas, la mentalidad predominante se centra en descubrimientos
aislados, lo que puede afectar la validez general de los resultados científicos.

El cuarto punto aborda el concepto de **flexibilidad en los diseños, definiciones, resultados y

modos analíticos,** y cómo esta flexibilidad puede influir en la probabilidad de obtener resultados
verdaderos en la investigación. Aquí está una explicación detallada:

1. **Definición de Flexibilidad:** La flexibilidad se refiere a la capacidad de ajustar o

modificar aspectos clave de un estudio, como el diseño experimental, las definiciones de
variables, los resultados medidos y los métodos analíticos. Un mayor nivel de flexibilidad
implica más opciones para ajustar el curso del estudio durante su ejecución.
2. **Relación con el Sesgo (u):** El autor destaca que la flexibilidad aumenta el potencial
para transformar resultados que originalmente serían considerados “negativos” en
resultados “positivos”. Esta transformación está vinculada al sesgo (representado por “u”)
y puede ocurrir durante el análisis o la presentación de los hallazgos.
3. **Impacto en el Valor Predictivo Positivo (VPP):** La flexibilidad afecta directamente al
Valor Predictivo Positivo (VPP), que es la probabilidad de que un resultado de investigación
 afirmativo sea verdadero. Cuanto mayor sea la flexibilidad, mayor será la posibilidad de
introducir sesgos y, por lo tanto, menor será el VPP.
4. **Esfuerzos para Estandarizar Conducta e Informes:** Se menciona que en algunos
diseños de investigación, como las pruebas aleatorias controladas o los meta-análisis, se
han realizado esfuerzos para estandarizar la conducta y los informes. La adhesión a
estándares comunes se sugiere como una medida para aumentar la proporción de
hallazgos verdaderos.
5. **Comparación con Resultados “Negativos”:** La flexibilidad también puede influir en la
interpretación de resultados “negativos”. La capacidad de ajustar variables o métodos
puede llevar a que se busquen resultados positivos, incluso cuando originalmente no los
había.

En resumen, el autor destaca que una mayor flexibilidad en los diseños y métodos de investigación
aumenta el riesgo de introducir sesgos y, por lo tanto, disminuye la probabilidad de que los
resultados de investigación sean verdaderos. Se sugiere que la estandarización y la adherencia a
estándares comunes pueden contrarrestar este efecto negativo.

El quinto punto se refiere a una serie de **corolarios** derivados de las consideraciones

anteriores, ofreciendo conclusiones más específicas sobre la probabilidad de que un hallazgo de
investigación sea verdadero. Aquí hay una explicación detallada de cada corolario:

1. **Corolario 1 – Tamaño de Muestra:** Cuanto más pequeños son los estudios realizados
en un campo científico, menor es la probabilidad de que los resultados de investigación
sean verdaderos. Un tamaño de muestra pequeño significa menor poder estadístico, y el
Valor Predictivo Positivo (VPP) de un hallazgo de investigación verdadero disminuye
cuando el poder disminuye hacia el umbral común de 0,05 para la mayoría de las
situaciones.
2. **Corolario 2 – Tamaños de Efecto:** Cuanto más pequeños son los tamaños de efecto en
un campo científico, menor es la probabilidad de que los resultados de investigación sean
verdaderos. La relación entre el poder estadístico y el tamaño de efecto implica que los
resultados son más propensos a ser verdaderos en campos científicos con grandes efectos
que en aquellos con efectos más pequeños.
3. **Corolario 3 – Número y Selección de Relaciones Comprobadas:** Cuanto mayor es el
número y menor la selección de relaciones comprobadas en un campo científico, menor es
la probabilidad de que los resultados de investigación sean verdaderos. La probabilidad
posterior al estudio (VPP) depende en gran medida de las probabilidades pre-estudio ®, y
los campos que realizan grandes pruebas controladas aleatorias pueden tener VPP más
altos que aquellos que generan hipótesis.
4. **Corolario 4 – Flexibilidad de Diseños:** Cuanto mayor es la flexibilidad de los diseños,
las definiciones, los resultados y los modos analíticos en un campo científico, menor es la
probabilidad de que los resultados de investigación sean verdaderos. La flexibilidad
aumenta el potencial para sesgos, transformando resultados negativos en positivos, y la
estandarización podría contrarrestar este efecto negativo.

Estos corolarios proporcionan un conjunto de principios que resumen cómo diferentes factores,
como el tamaño de muestra, los tamaños de efecto, la cantidad de relaciones comprobadas y la
flexibilidad en los diseños, influyen en la probabilidad de obtener resultados de investigación
verdaderos en distintos campos científicos.

La conclusión principal del artículo destaca que la probabilidad de que la mayoría de los resultados
de investigación publicados sean verdaderos puede ser baja. Se argumenta que factores como el
tamaño de muestra, los tamaños de efecto, la cantidad de relaciones comprobadas y la flexibilidad
en los diseños pueden influir significativamente en la confiabilidad de los resultados de
investigación. Además, se enfatiza que la presencia de sesgos y la falta de comprobación repetida
independiente pueden distorsionar aún más la imagen, disminuyendo las posibilidades de que los
resultados sean verdaderos. En resumen, se plantea la idea de que la investigación científica puede
estar sujeta a limitaciones que afectan la validez de muchos de sus hallazgos.