¿Qué pasa si los resultados de mi TFG no son significativos?
¿Qué pasa si los resultados de mi TFG o TFM no son significativos?
Llevas semanas preparando el TFG.
Has diseñado el cuestionario.
Has conseguido participantes.
Has limpiado la base de datos.
Abres SPSS, Jamovi, R o el programa que estés utilizando.
Ejecutas el análisis.
Y aparece:
p = 0,187.
Después otro:
p = 0,324.
Y otro:
p = 0,071.
Ninguno está por debajo de 0,05.
En ese momento aparece el miedo:
¿Está mal mi TFG?
¿He hecho mal el análisis?
¿Voy a suspender?
¿Tengo que cambiar la hipótesis?
¿Necesito conseguir más participantes?
¿Puedo entregar un TFG si los resultados no son estadísticamente significativos?
La respuesta más importante es:
sí.
Un TFG o TFM puede ser perfectamente válido aunque una, varias o incluso todas las hipótesis planteadas no obtengan el resultado esperado.
Tu investigación no tiene como misión obligatoria demostrar que tenías razón.
Su objetivo es analizar una pregunta correctamente.
Y si los datos no respaldan la relación que esperabas encontrar, ese también es un resultado.
Si estás en esta situación y necesitas ayuda para realizar tu TFG o TFM, en TuTFGAprobado.com podemos ayudarte con el análisis estadístico, la interpretación de resultados, la discusión y la adaptación del trabajo a la metodología y rúbrica de tu universidad.
En TuTFGAprobado.com podemos ayudarte tanto si todavía tienes que analizar la base de datos como si ya tienes los resultados de SPSS, Jamovi, R o Excel y no sabes cómo convertirlos en un apartado académico correctamente redactado.
También podemos ayudarte realizando tu TFG o TFM desde el punto en el que se encuentre, especialmente si los resultados obtenidos son diferentes a los que esperabas y no sabes cómo continuar con la discusión y las conclusiones.
¿Qué significa que un resultado no sea significativo?
En muchos TFG cuantitativos se trabaja con un nivel de significación establecido previamente, frecuentemente:
α = 0,05.
Después realizas una prueba estadística y obtienes un valor p.
Por ejemplo:
p = 0,021.
O:
p = 0,324.
De forma simplificada, cuando se utiliza α = 0,05:
p < 0,05
suele interpretarse como evidencia estadística suficiente para rechazar la hipótesis nula dentro del modelo y procedimiento utilizados.
Mientras que:
p > 0,05
indica que los datos no proporcionan evidencia suficiente para rechazarla con ese criterio.
Pero cuidado.
Esto NO significa automáticamente:
“He demostrado que no existe relación.”
Ni:
“Mi hipótesis es falsa.”
Ni:
“Mi estudio ha salido mal.”
Esta diferencia es fundamental.
p > 0,05 no significa que hayas fracasado
Imagina que planteas:
H1: Existe una relación entre el uso diario de Instagram y la autoestima en estudiantes universitarios.
Realizas una correlación.
Resultado:
r = -0,14
p = 0,19.
No puedes escribir:
“Se ha demostrado que Instagram no tiene ninguna relación con la autoestima.”
Eso sería demasiado fuerte.
Una redacción más prudente sería:
No se encontró evidencia estadísticamente significativa de una relación entre el tiempo de uso de Instagram y la autoestima en la muestra analizada.
Observa la diferencia.
No estás diciendo:
“no existe”.
Estás diciendo:
“en este estudio no se encontró evidencia suficiente”.
Mucho más correcto.
¿Un resultado no significativo puede aparecer en un buen TFG?
Por supuesto.
De hecho, una investigación correctamente planteada puede obtener:
resultados significativos;
resultados no significativos;
resultados mixtos;
resultados contrarios a la hipótesis.
Lo importante es:
cómo planteaste la investigación;
si elegiste correctamente la metodología;
si analizaste adecuadamente los datos;
si informaste todos los resultados;
si interpretaste correctamente lo encontrado;
si reconociste las limitaciones.
No:
si todos los valores p son inferiores a 0,05.
El gran error: intentar conseguir significación a toda costa
Obtienes:
p = 0,08.
Te preocupa.
Entonces empiezas a probar:
otra variable;
otra prueba;
otro grupo;
otra combinación;
eliminas participantes;
cambias categorías;
pruebas veinte correlaciones.
Finalmente aparece:
p = 0,043.
Y decides presentar únicamente ese resultado.
Esto es un problema.
La elección del análisis debería partir de:
pregunta;
objetivos;
hipótesis;
variables;
diseño;
características de los datos.
No de:
“qué prueba me da p < 0,05”.
No cambies la hipótesis después de ver los resultados
Imagina:
Hipótesis original:
A mayor utilización de TikTok, menor autoestima.
Obtienes:
p = 0,31.
Después cambias el documento y escribes:
H1: No existe relación entre TikTok y autoestima.
Así parece que:
“acertaste”.
Pero has reformulado la hipótesis después de conocer el resultado.
No deberías presentar como hipótesis previa algo que realmente decidiste después de analizar los datos.
Mantén la transparencia.
Puedes indicar:
La hipótesis planteada no recibió apoyo estadístico en la muestra analizada.
Eso es completamente válido.
¿Una hipótesis tiene que confirmarse para aprobar el TFG?
No.
Este es probablemente uno de los mitos más extendidos.
Una hipótesis:
no es una predicción que tengas obligación de acertar.
Es una proposición que sometes a contraste mediante:
datos;
método;
análisis.
Imagina:
H1 → confirmada.
H2 → no confirmada.
H3 → confirmada parcialmente.
No ocurre nada extraño.
Precisamente estás investigando.
Si ya supiéramos necesariamente el resultado antes de realizar el estudio:
la investigación tendría mucho menos sentido.
Cómo escribir que una hipótesis no se confirma
Puedes utilizar formulaciones como:
Los resultados no proporcionaron apoyo estadístico a la hipótesis H2.
O:
No se observaron diferencias estadísticamente significativas entre los grupos analizados, por lo que la hipótesis planteada no recibió apoyo en la muestra estudiada.
O:
La asociación observada no alcanzó el criterio de significación establecido, por lo que no se encontró evidencia suficiente para respaldar la hipótesis propuesta.
Evita:
H2 es falsa.
Y evita también:
Se acepta definitivamente la hipótesis nula.
La interpretación normalmente requiere más prudencia.
Ejemplo completo con una correlación
Supongamos este objetivo:
Analizar la relación entre procrastinación académica y rendimiento universitario.
Hipótesis:
Mayores niveles de procrastinación se relacionarán con un menor rendimiento académico.
Resultado:
r = -0,18
p = 0,112.
Podrías redactar:
Se observó una correlación negativa débil entre procrastinación académica y rendimiento, aunque la asociación no alcanzó el nivel de significación estadística establecido (r = -0,18; p = 0,112).
Después, en discusión:
Aunque la dirección de la asociación observada fue coherente con la hipótesis planteada, el resultado no alcanzó significación estadística. Por tanto, los datos de la presente muestra no permiten afirmar que exista una asociación estadísticamente significativa entre ambas variables. Este resultado debe interpretarse considerando el tamaño muestral, la precisión de la estimación y las características específicas de los participantes.
Esto es investigación.
No fracaso.
¿Qué hago si p = 0,051?
Aquí aparece otro clásico.
Resultado:
p = 0,051.
Y el estudiante piensa:
“Por 0,001.”
No escribas:
“Casi significativo.”
O:
“Prácticamente significativo.”
O:
“Se puede considerar significativo porque está muy cerca.”
Si tu criterio establecido era:
α = 0,05,
0,051 no atraviesa ese umbral.
Pero tampoco debes interpretar:
p = 0,049 → verdad absoluta.
p = 0,051 → nada.
Los resultados estadísticos deben valorarse dentro de un contexto más amplio.
Mira también:
tamaño del efecto;
intervalos;
precisión;
muestra;
diseño;
evidencia previa.
p = 0,049 y p = 0,051 no pertenecen a universos distintos
Este punto es muy importante.
Imagina dos estudios prácticamente idénticos:
ESTUDIO A:
p = 0,049.
ESTUDIO B:
p = 0,051.
No tendría sentido afirmar:
A demuestra completamente una relación.
B demuestra completamente que no existe.
La diferencia es mínima.
Por eso debes evitar convertir el umbral de 0,05 en una frontera mágica.
La American Statistical Association ha advertido precisamente contra la interpretación mecánica de los valores p y contra basar una conclusión científica exclusivamente en si se supera o no un umbral concreto.
Mira el tamaño del efecto
Este es uno de los elementos que muchos estudiantes olvidan.
Imagina:
r = 0,08.
p = 0,02.
El resultado alcanza el umbral convencional.
Pero:
r = 0,08
indica una asociación muy pequeña.
Otro estudio:
r = 0,32.
p = 0,07.
No alcanza el umbral.
Pero la magnitud estimada de la relación es mayor.
¿Qué está ocurriendo?
Puede influir:
el tamaño de la muestra;
la variabilidad;
la precisión;
el diseño.
Por eso:
p
no explica todo.
Significación estadística no significa importancia práctica
Imagina:
5.000 participantes.
Obtienes una diferencia media minúscula entre dos grupos.
p < 0,001.
Estadísticamente:
hay evidencia de diferencia.
Pero quizá esa diferencia sea:
prácticamente irrelevante.
En cambio, puedes encontrar una diferencia potencialmente relevante dentro de una muestra pequeña que presente:
p > 0,05.
Por eso conviene examinar:
magnitud;
intervalos;
contexto.
No únicamente:
significativo / no significativo.
¿Qué es el tamaño del efecto?
Es una medida que ayuda a comprender:
cuánto
difieren o se relacionan las variables.
Dependiendo del análisis puedes encontrar:
Cohen's d;
r;
R²;
eta cuadrado;
odds ratio;
otras medidas.
No necesitas utilizar todas.
Necesitas la apropiada para:
tu análisis.
Por ejemplo:
una correlación ya proporciona información sobre:
dirección;
magnitud de la asociación.
En una comparación de medias puedes utilizar:
una medida de tamaño del efecto apropiada.
Mira los intervalos de confianza
También pueden aportar información muy valiosa.
Un intervalo muy amplio puede indicar:
mucha incertidumbre.
Esto puede ocurrir con:
muestras pequeñas;
datos muy variables;
estimaciones poco precisas.
Dos estudios pueden tener la misma estimación puntual pero:
niveles de precisión muy diferentes.
Por eso interpretar un resultado mediante:
p = 0,12
y terminar ahí
puede ser insuficiente.
¿Puede deberse a que tengo pocos participantes?
Sí puede influir.
Con una muestra reducida puede resultar más difícil detectar determinados efectos.
Pero no conviertas esto en una excusa automática.
Resultado:
p = 0,23.
No puedes escribir automáticamente:
“No es significativo porque la muestra es pequeña.”
Quizá:
no exista una asociación importante;
el instrumento sea poco preciso;
el efecto sea menor del esperado;
exista mucha variabilidad;
el diseño tenga limitaciones.
Debes interpretar:
todas las posibilidades razonables.
¿Debería conseguir más participantes hasta que salga significativo?
No plantees la recogida de datos así.
Un enfoque problemático sería:
N = 80.
p = 0,08.
Añades 20.
p = 0,064.
Añades 20.
p = 0,047.
Paras.
La decisión sobre:
tamaño muestral
debería basarse preferentemente en una planificación metodológica previa.
No en:
“seguir recogiendo hasta conseguir p < 0,05”.
¿Y si ya he cerrado la recogida de datos?
Analiza:
los datos reales.
No fabriques:
participantes;
respuestas;
encuestas.
No elimines casos reales simplemente porque empeoran:
el p-valor.
Sí puedes eliminar:
errores;
casos que incumplen criterios previamente establecidos;
respuestas no válidas según reglas justificadas.
Pero debes hacerlo por:
criterios metodológicos.
No por:
el resultado que producen.
No borres outliers solo para conseguir p < 0,05
Imagina:
con todos los participantes:
p = 0,09.
Eliminas tres casos:
p = 0,03.
¿Puedes eliminarlos?
La pregunta no es:
“¿mejoró el resultado?”
La pregunta es:
“¿existe una razón metodológica válida para excluirlos?”
Por ejemplo:
Edad introducida:
250 años.
Probablemente:
error.
Participante con ingreso:
muy alto pero real.
Eso puede ser:
un valor extremo legítimo.
No lo elimines únicamente porque no te gusta su efecto sobre el análisis.
¿Puedo cambiar de Pearson a Spearman porque Pearson no es significativo?
No por esa razón.
Debes elegir la prueba basándote en:
tipo de variables;
distribución;
relación;
supuestos;
objetivo.
Si Spearman es metodológicamente más apropiada:
perfecto.
Si la eliges porque:
Pearson dio p = 0,08
y Spearman:
p = 0,04,
tienes un problema.
¿Puedo probar muchas variables hasta encontrar algo?
Tampoco es una buena estrategia.
Encuesta:
30 variables.
Haces:
100 correlaciones.
Por puro azar pueden aparecer algunos resultados llamativos.
Después eliges:
solo esos.
El lector cree que eran:
tus hipótesis iniciales.
Esto distorsiona el proceso.
Tus análisis deberían corresponder con:
objetivos;
hipótesis;
plan de investigación.
Entonces, ¿qué hago con un resultado no significativo?
Haz seis cosas.
1. Comprueba que el análisis es correcto
Pregunta:
¿es la prueba adecuada?
¿están bien codificadas las variables?
¿hay datos perdidos?
¿has introducido correctamente los grupos?
¿cumples los supuestos relevantes?
¿la escala está calculada correctamente?
Antes de interpretar:
verifica.
2. Informa el resultado
No lo escondas.
Si responde a:
una hipótesis;
un objetivo;
una pregunta,
debe aparecer.
3. No exageres la conclusión
No significativo:
no significa necesariamente:
“no existe efecto”.
Utiliza lenguaje prudente.
4. Examina la magnitud
Mira:
efecto;
dirección;
intervalos;
estimaciones.
5. Compáralo con estudios anteriores
¿Otros estudios encontraron algo diferente?
¿Alguno obtuvo resultados similares?
¿Las muestras son distintas?
¿Utilizaron otros instrumentos?
6. Discútelo
Un resultado inesperado puede darte:
una discusión excelente.
Cómo discutir resultados no significativos
Esta es probablemente la parte más importante.
No escribas:
La hipótesis 2 no fue significativa.
Y pases:
a la siguiente.
Pregúntate:
¿Por qué podría haber ocurrido?
Posible explicación 1: características de la muestra
Quizá tu muestra es:
más joven;
más homogénea;
de una única universidad;
de un sector concreto;
muy pequeña;
muy específica.
Esto puede producir resultados distintos a:
estudios anteriores.
Posible explicación 2: instrumento utilizado
Quizá utilizaste:
otra escala;
otra adaptación;
otra forma de medir la variable.
Ejemplo:
Estudio anterior:
horas reales registradas de uso del teléfono.
Tu estudio:
horas estimadas por el participante.
No están midiendo exactamente de la misma manera.
Posible explicación 3: contexto
Investigación anterior:
durante confinamiento.
Tu TFG:
El contexto social puede ser:
completamente diferente.
Otro ejemplo:
estudio previo:
trabajadores presenciales.
Tu muestra:
teletrabajadores.
Las diferencias contextuales pueden importar.
Posible explicación 4: efecto realmente pequeño
Quizá esperabas:
una relación fuerte.
Pero realmente:
es pequeña.
Entonces con tu muestra:
la estimación no alcanza suficiente precisión.
No significa que debas inventar:
una relación.
Significa que debes reconocer:
la incertidumbre.
Posible explicación 5: otra variable puede estar influyendo
Por ejemplo:
quieres estudiar:
redes sociales → ansiedad.
Pero pueden intervenir:
sexo;
edad;
personalidad;
apoyo social;
horas de sueño;
situación académica.
No inventes una explicación causal.
Puedes plantearla como:
posibilidad para futuras investigaciones.
Ejemplo de discusión correcta
Contrariamente a la hipótesis planteada, no se encontró una asociación estadísticamente significativa entre el tiempo diario de uso de redes sociales y la ansiedad. Este resultado difiere de algunas investigaciones previas que han observado asociaciones entre ambas variables. Una posible explicación puede encontrarse en las características de la muestra analizada y en la utilización de una medida autoinformada del tiempo de uso. En cualquier caso, la ausencia de significación estadística no permite concluir que no exista ninguna relación, por lo que futuras investigaciones podrían utilizar medidas objetivas de uso y muestras más amplias y heterogéneas.
Esto sí es:
discusión.
Ejemplo de mala discusión
No salió significativo porque había poca gente.
Problemas:
no justificas;
no comparas;
no analizas;
afirmas causalidad sobre el motivo;
no mencionas literatura.
¿Qué hago con las conclusiones?
No escribas:
Se demuestra que no existe relación entre X e Y.
Mejor:
En la muestra analizada no se encontró evidencia estadísticamente significativa de una asociación entre X e Y.
Otra posibilidad:
Los resultados no permitieron respaldar la hipótesis que planteaba una relación entre X e Y.
Más preciso.
¿Y si TODAS mis hipótesis salen no significativas?
Puede pasar.
Antes de entrar en pánico:
comprueba el análisis.
Si es correcto:
presenta los resultados.
Después:
interpreta.
Quizá tu TFG aporta precisamente evidencia de que:
las relaciones previstas no aparecen claramente en:
esa población;
ese contexto;
esa muestra.
Eso puede ser informativo.
¿Puede suspenderme el tribunal porque ninguna hipótesis se confirma?
No existe una regla académica general según la cual:
“hipótesis no confirmadas = suspenso”.
Un tribunal debería valorar el trabajo conforme a:
la rúbrica;
la metodología;
la ejecución;
la interpretación;
la calidad global.
Un problema mucho más serio sería:
alterar los datos;
ocultar resultados;
elegir pruebas únicamente para conseguir significación;
interpretar incorrectamente los resultados.
Ejemplo de Psicología
Hipótesis:
Los estudiantes que utilizan más redes sociales presentarán mayor ansiedad.
Resultado:
r = 0,12;
p = 0,21.
No escribas:
Las redes sociales no afectan a la ansiedad.
Tu diseño correlacional probablemente ni siquiera permitiría hablar de:
“afectan”.
Mejor:
No se encontró una asociación estadísticamente significativa entre ambas variables en la muestra analizada.
Después discute:
instrumentos;
población;
literatura;
limitaciones.
Ejemplo de ADE o Marketing
Hipótesis:
La credibilidad del influencer se relacionará positivamente con la intención de compra.
Resultado:
β = 0,15;
p = 0,09.
No escribas:
La credibilidad no influye en las compras.
Puede que:
tu medida;
producto;
población;
modelo
generen un resultado diferente.
Discútelo.
Quizá otras variables como:
confianza;
precio;
familiaridad con la marca
tengan un papel mayor.
Solo puedes afirmarlo si tus datos permiten analizarlo o presentarlo prudentemente como posible explicación.
Ejemplo de Educación
Hipótesis:
El grupo que utiliza gamificación obtendrá mayor motivación.
Resultado:
Grupo A: M = 4,12.
Grupo B: M = 3,98.
p = 0,18.
Existe:
una diferencia observada en las medias.
Pero no alcanzó el criterio estadístico establecido.
No escribas:
La gamificación aumenta la motivación.
Tampoco:
La gamificación no sirve.
Presenta:
lo encontrado.
Ejemplo de TFM
En un TFM el tribunal puede esperar una discusión todavía más profunda.
Supongamos:
tres hipótesis.
H1 → apoyada.
H2 → no apoyada.
H3 → resultado contrario.
Precisamente H3 puede convertirse en:
uno de los hallazgos más interesantes.
¿Por qué?
Porque te obliga a:
comparar;
interpretar;
buscar explicaciones;
discutir teoría.
No necesitas que:
todo salga como esperabas.
¿Qué pasa con p = 0,000 en SPSS?
Otro error frecuente.
SPSS puede mostrar:
Sig. = .000.
No significa:
p = 0.
Normalmente significa que el valor es:
muy pequeño
y el programa lo ha redondeado.
En la redacción suele informarse siguiendo el formato correspondiente, por ejemplo:
p < .001.
No escribas:
p = 0,000.
¿Puedo decir “acepto H1”?
Depende del sistema de formulación utilizado, pero suele ser más prudente utilizar expresiones como:
Los resultados respaldan H1.
H1 recibió apoyo.
Los datos fueron consistentes con H1.
Y cuando no:
H1 no recibió apoyo.
Esto evita presentar:
una única prueba
como una demostración absoluta.
El p-valor no es la probabilidad de que tu hipótesis sea cierta
Otro error habitual.
p = 0,03
NO significa:
“Hay un 97 % de probabilidades de que H1 sea cierta.”
Tampoco:
“Solo existe un 3 % de probabilidades de que el resultado sea casual.”
El valor p tiene una interpretación más específica dentro del contraste estadístico.
Evita convertirlo en:
probabilidad de verdad.
¿Necesito hablar de esto en la defensa?
Sí, especialmente si el resultado no esperado es importante.
Te pueden preguntar:
¿Por qué considera que la hipótesis no fue respaldada?
Prepara una respuesta.
Por ejemplo:
En la muestra analizada la asociación estimada fue pequeña y no alcanzó el nivel de significación establecido. Este resultado podría estar condicionado por las características de la muestra y la medición autoinformada de la variable. Por ello, en el trabajo se plantea como futura línea replicar el estudio con una muestra más amplia y medidas objetivas.
Mucho mejor que:
No sé, SPSS dio que no.
Preguntas que pueden hacerte en la defensa
Prepárate para:
¿Por qué cree que no encontró diferencias?
¿El tamaño muestral pudo influir?
¿Su instrumento era adecuado?
¿Qué tamaño tenía el efecto?
¿Qué encontraron otros estudios?
¿Rechaza su teoría?
¿Qué cambiaría en una nueva investigación?
¿Puede afirmar que no existe relación?
¿Por qué utilizó esa prueba?
Si puedes responder estas preguntas:
controlas mucho mejor el resultado.
No intentes esconder el resultado en un anexo
Si era uno de:
tus objetivos principales
o:
tus hipótesis,
debe aparecer claramente.
Mover una tabla a:
Anexo VII
no hace desaparecer:
el resultado.
Tu tribunal puede verlo igualmente.
Y ocultarlo puede generar:
más dudas.
Resultado inesperado no significa resultado malo
Imagina que toda la literatura esperaba:
A.
Y tú encuentras:
B.
Puede deberse a:
error;
azar;
muestra;
contexto;
diferencias metodológicas;
o quizá exista algo interesante que investigar.
Tu obligación no es decidir inmediatamente:
cuál.
Tu obligación es:
analizarlo con prudencia.
Checklist si tus resultados no son significativos
Antes de redactar la discusión comprueba:
La prueba estadística corresponde a mi objetivo.
Las variables están correctamente codificadas.
He revisado datos perdidos.
He comprobado los supuestos pertinentes.
No he eliminado casos para mejorar el p-valor.
No he cambiado la hipótesis después de ver los resultados.
Informo todos los análisis relacionados con mis objetivos.
He revisado el tamaño del efecto cuando corresponde.
He considerado la precisión de las estimaciones.
Comparo los resultados con literatura previa.
No afirmo que p > 0,05 demuestra ausencia total de efecto.
He incluido las limitaciones relevantes.
Las conclusiones reflejan exactamente lo encontrado.
Puedo explicar este resultado durante la defensa.
Preguntas frecuentes sobre resultados no significativos en TFG y TFM
¿Qué pasa si p es mayor que 0,05 en mi TFG?
Si habías establecido α = 0,05, el resultado no alcanza ese criterio de significación. Debes informarlo e interpretarlo correctamente, no ocultarlo.
¿Puedo aprobar un TFG con resultados no significativos?
Sí. Una investigación no necesita obtener resultados estadísticamente significativos para ser académicamente válida.
¿Tengo que cambiar mi hipótesis?
No deberías modificar retrospectivamente una hipótesis únicamente porque el resultado no coincide con ella.
¿Una hipótesis no confirmada está mal?
No. Es un posible resultado de la investigación.
¿p > 0,05 significa que no existe relación?
No necesariamente. Significa que el análisis no proporciona evidencia suficiente para superar el criterio establecido dentro de ese contraste.
¿Tengo que conseguir más participantes?
No automáticamente. El tamaño muestral debería justificarse metodológicamente y no ampliarse únicamente hasta conseguir significación.
¿Puedo eliminar participantes para conseguir p < 0,05?
Solo deben excluirse casos mediante criterios metodológicos justificados, no porque empeoren el resultado.
¿Debo mencionar resultados no significativos?
Sí cuando responden a los objetivos, hipótesis o análisis previstos.
¿Puedo ponerlos en la discusión?
Primero debes informarlos correctamente en resultados. Después debes interpretarlos en la discusión.
¿Cómo pongo una hipótesis que no se confirma?
Puedes indicar que no recibió apoyo estadístico o que los resultados no proporcionaron evidencia suficiente para respaldarla.
¿Un resultado no significativo reduce la calidad del TFM?
No por sí mismo. La calidad depende de la pregunta, método, análisis, interpretación y coherencia global del proyecto.
¿Tus resultados de SPSS no salen como esperabas?
No empieces a cambiar:
hipótesis;
variables;
participantes;
pruebas
al azar.
Primero necesitas comprobar:
si el análisis está correctamente planteado.
En TuTFGAprobado.com podemos ayudarte con la realización de tu TFG o TFM revisando:
objetivos;
hipótesis;
variables;
base de datos;
pruebas estadísticas;
resultados;
tablas;
interpretación.
Si ya has realizado los análisis en SPSS, Jamovi, R o Excel, TuTFGAprobado.com puede ayudarte a transformar los outputs en un apartado de resultados claro y coherente con tu metodología.
TuTFGAprobado.com puede ayudarte con el análisis de tu TFG o TFM
Quizá el problema no sea:
p > 0,05.
Quizá sea que no sabes:
qué prueba utilizar;
cómo interpretar la tabla;
qué estadístico informar;
qué resultado corresponde a cada hipótesis;
cómo pasar de SPSS a Word.
En TuTFGAprobado.com podemos ayudarte realizando tu TFG o TFM desde la fase en la que se encuentre, incluyendo el tratamiento e interpretación de datos cuando el proyecto requiere análisis cuantitativo.
También podemos ayudarte si tu tutor te ha indicado:
“Revisar resultados.”
“Falta interpretar.”
“Las hipótesis no están correctamente contrastadas.”
“Debe mejorar el análisis estadístico.”
“Falta tamaño del efecto.”
En estos casos es importante corregir:
la lógica completa.
No únicamente:
una frase.
¿Ya tienes los resultados pero te falta la discusión?
Es una situación muy habitual.
Tienes:
tablas;
medias;
correlaciones;
ANOVA;
regresiones;
valores p.
Pero no sabes:
qué decir sobre ellos.
En TuTFGAprobado.com podemos ayudarte con la realización de tu TFG o TFM y desarrollar la conexión entre:
resultados;
hipótesis;
bibliografía;
discusión;
limitaciones;
conclusiones.
Esta conexión es fundamental.
La discusión no consiste en volver a escribir:
p = 0,08.
Tiene que explicar:
qué significa ese resultado dentro de tu investigación.
¿Tus hipótesis no se han confirmado?
No tires el TFG.
No cambies los datos.
No inventes respuestas.
No busques otra prueba únicamente para conseguir:
p < 0,05.
Un resultado no significativo:
sigue siendo un resultado.
La pregunta ahora es:
¿está bien analizado?
¿está bien interpretado?
¿está correctamente discutido?
¿las conclusiones son prudentes?
Si necesitas ayuda con estas partes, en TuTFGAprobado.com podemos ayudarte con la realización de tu TFG o TFM a partir de los resultados reales obtenidos y de las exigencias concretas de tu universidad.
Un buen TFG no necesita que “todo salga significativo”
Necesita:
una pregunta clara;
objetivos coherentes;
una metodología adecuada;
datos correctamente analizados;
resultados transparentes;
una discusión crítica;
conclusiones justificadas.
Puede ocurrir:
H1 → apoyada.
H2 → no apoyada.
H3 → no apoyada.
Y continuar existiendo:
un buen proyecto.
De hecho, explicar correctamente por qué tus resultados no coinciden completamente con lo esperado puede demostrar mucha más capacidad crítica que limitarte a celebrar:
“p < 0,05”.
En TuTFGAprobado.com podemos ayudarte realizando y revisando tu TFG o TFM si has llegado a la fase estadística y no sabes cómo seguir.
Podemos partir de:
tu documento;
la base de datos;
los objetivos;
las hipótesis;
los resultados obtenidos;
las correcciones del tutor;
la guía;
la rúbrica;
la fecha de entrega.
TuTFGAprobado.com también puede ayudarte si todavía no has realizado el análisis y necesitas organizar correctamente la relación entre:
objetivos → variables → pruebas → resultados → conclusiones.
Porque el objetivo de un TFG o TFM no debería ser:
conseguir p < 0,05.
El objetivo debe ser realizar una investigación coherente y explicar con precisión aquello que realmente muestran tus datos.
Comentarios