Alcances y limitaciones epistemológicas de la inferencia estadística contemporánea: una revisión sistemática
DOI:
https://doi.org/10.36097/rsan.v1iEspecial_3.4198Palabras clave:
Inferencia estadística, epistemología, significación estadística, inferencia causalResumen
La inferencia estadística es fundamental para producir conocimiento científico, interpretar evidencia y orientar decisiones bajo incertidumbre. Sin embargo, su validez depende del diseño, los supuestos, la transparencia analítica y la adecuada interpretación de los resultad. El objetivo del estudio es sintetizar cualitativamente los alcances y las limitaciones epistemológicas atribuidos a la inferencia estadística en la literatura científica reciente Se realizó una revisión sistemática cualitativa orientada por PRISMA 2020. Se consultaron las bases de datos de PubMed y Europe PMC para identificar publicaciones aparecidas entre 2021 y 2025. Se incluyeron 13 estudios, analizados mediante una síntesis temática, comparativa e interpretativa. Los resultados se organizaron en cinco ejes: reinterpretación del valor p y los intervalos como medidas de compatibilidad; coexistencia de los enfoques frecuentista y bayesiano; reproducibilidad y calidad del reporte estadístico; cuantificación de la incertidumbre en inteligencia artificial; y relación entre inferencia causal y aprendizaje automático. La literatura revisada cuestiona las decisiones dicotómicas basadas exclusivamente en la significación estadística y destaca la necesidad de considerar tamaños del efecto, supuestos, contexto y relevancia práctica. También señala que la validez inferencial está condicionada por prácticas institucionales, transparencia y calidad del diseño. Se concluye que la inferencia estadística continúa siendo esencial para el razonamiento científico, pero no proporciona certezas definitivas. Su uso riguroso requiere explicitar supuestos, calibrar la incertidumbre, garantizar transparencia analítica y diferenciar claramente asociación, predicción y causalidad.
Descargas
Referencias
Allen, G. I., Gan, L., & Zheng, L. (2024). Interpretable machine learning for discovery: Statistical challenges and opportunities. Annual Review of Statistics and Its Application, 11, 97-121. https://doi.org/10.1146/annurev-statistics-040120-030919
Altman, D. G. (1994). The scandal of poor medical research. The BMJ, 308(6924), 283-284. https://doi.org/10.1136/bmj.308.6924.283
Amrhein, V., Greenland, S., & McShane, B. (2019). Scientists rise up against statistical significance. Nature, 567(7748), 305-307. https://doi.org/10.1038/d41586-019-00857-9
Benjamin, D. J., Berger, J. O., Johannesson, M., Nosek, B. A., Wagenmakers, E.-J., Berk, R., Bollen, K. A., Brembs, B., Brown, L., Camerer, C., Cesarini, D., Chambers, C. D., Clyde, M., Cook, T. D., De Boeck, P., Dienes, Z., Dreber, A., Easwaran, K., Efferson, C., ... Johnson, V. E. (2018). Redefine statistical significance. Nature Human Behaviour, 2(1), 6-10. https://doi.org/10.1038/s41562-017-0189-z
Boscardin, C. K., Sewell, J. L., Tolsgaard, M. G., & Pusic, M. V. (2024). How to use and report on p-values. Perspectives on Medical Education, 13(1), 250-254. https://doi.org/10.5334/pme.1324
Brand, J. E., Zhou, X., & Xie, Y. (2023). Recent developments in causal inference and machine learning. Annual Review of Sociology, 49, 81-110. https://doi.org/10.1146/annurev-soc-030420-015345
Button, K. S., Ioannidis, J. P. A., Mokrysz, C., Nosek, B. A., Flint, J., Robinson, E. S. J., & Munafo, M. R. (2013). Power failure: Why small sample size undermines the reliability of neuroscience. Nature Reviews Neuroscience, 14(5), 365-376. https://doi.org/10.1038/nrn3475
Chakraborti, T., Banerji, C. R. S., Marandon, A., Hellon, V., Mitra, R., Lehmann, B., Braeuninger, L., McGough, S., Turkay, C., Frangi, A. F., Bianconi, G., Li, W., Rackham, O., Harbron, C., Parashar, D., & MacArthur, B. D. (2025). Personalized uncertainty quantification in artificial intelligence. Nature Machine Intelligence, 7, 522-530. https://doi.org/10.1038/s42256-025-01024-8
Cobey, K. D., Ebrahimzadeh, S., Page, M. J., Thibault, R. T., Nguyen, P.-Y., Abu-Dalfa, F., et al. (2024). Biomedical researchers' perspectives on the reproducibility of research. PLOS Biology, 22(11), e3002870. https://doi.org/10.1371/journal.pbio.3002870
Fornacon-Wood, I., Mistry, H., Johnson-Hart, C., Faivre-Finn, C., O'Connor, J. P. B., & Price, G. J. (2022). Understanding the differences between Bayesian and frequentist statistics. International Journal of Radiation Oncology, Biology, Physics, 112(5), 1076-1082. https://doi.org/10.1016/j.ijrobp.2021.12.011
Gelman, A., & Loken, E. (2014). The statistical crisis in science. American Scientist, 102(6), 460-465. https://doi.org/10.1511/2014.111.460
Gelman, A., Carlin, J. B., Stern, H. S., Dunson, D. B., Vehtari, A., & Rubin, D. B. (2013). Bayesian data analysis (3rd ed.). CRC Press.
Goligher, E. C., Heath, A., & Harhay, M. O. (2024). Bayesian statistics for clinical research. The Lancet, 404(10457), 1067-1076. https://doi.org/10.1016/S0140-6736(24)01295-9
Goodman, S. N. (1999a). Toward evidence-based medical statistics. 1: The P value fallacy. Annals of Internal Medicine, 130(12), 995-1004. https://doi.org/10.7326/0003-4819-130-12-199906150-00008
Goodman, S. N. (1999b). Toward evidence-based medical statistics. 2: The Bayes factor. Annals of Internal Medicine, 130(12), 1005-1013. https://doi.org/10.7326/0003-4819-130-12-199906150-00019
Greenland, S., Senn, S. J., Rothman, K. J., Carlin, J. B., Poole, C., Goodman, S. N., & Altman, D. G. (2016). Statistical tests, P values, confidence intervals, and power: A guide to misinterpretations. European Journal of Epidemiology, 31(4), 337-350. https://doi.org/10.1007/s10654-016-0149-3
Homa-Bonell, J. K. (2023). Interpreting P values in 2023. Journal of Patient-Centered Research and Reviews, 10(3), 102-103. https://doi.org/10.17294/2330-0698.2064
Ioannidis, J. P. A. (2005). Why most published research findings are false. PLOS Medicine, 2(8), e124. https://doi.org/10.1371/journal.pmed.0020124
Mansournia, M. A., & Nazemipour, M. (2024). Recommendations for accurate reporting in medical research statistics. The Lancet, 403(10427), 611-612. https://doi.org/10.1016/S0140-6736(24)00139-9
Mansournia, M. A., Nazemipour, M., & Etminan, M. (2023). P-value, compatibility, and S-value. Global Epidemiology, 5, 100085. https://doi.org/10.1016/j.gloepi.2022.100085
McShane, B. B., Gal, D., Gelman, A., Robert, C., & Tackett, J. L. (2019). Abandon statistical significance. The American Statistician, 73(sup1), 235-245. https://doi.org/10.1080/00031305.2018.1527253
Nosek, B. A., Ebersole, C. R., DeHaven, A. C., & Mellor, D. T. (2018). The preregistration revolution. Proceedings of the National Academy of Sciences, 115(11), 2600-2606. https://doi.org/10.1073/pnas.1708274114
Oliveira, R. I., Orenstein, P., Ramos, T., & Romano, J. V. (2024). Split conformal prediction and non-exchangeable data. Journal of Machine Learning Research, 25(225), 1-38. https://www.jmlr.org/papers/v25/23-1553.html
Page, M. J., McKenzie, J. E., Bossuyt, P. M., Boutron, I., Hoffmann, T. C., Mulrow, C. D., et al. (2021). The PRISMA 2020 statement: An updated guideline for reporting systematic reviews. BMJ, 372, n71. https://doi.org/10.1136/bmj.n71
Pearl, J. (2009). Causality: Models, reasoning, and inference (2nd ed.). Cambridge University Press.
Rafi, Z., & Greenland, S. (2020). Semantic and cognitive tools to aid statistical science: Replace confidence and significance by compatibility and surprise. BMC Medical Research Methodology, 20, 244. https://doi.org/10.1186/s12874-020-01105-9
Sun, E. D., Ma, R., Navarro Negredo, P., Brunet, A., & Zou, J. (2024). TISSUE: Uncertainty-calibrated prediction of single-cell spatial transcriptomics improves downstream analyses. Nature Methods, 21, 444-454. https://doi.org/10.1038/s41592-024-02184-y
Tejada-Lapuerta, A., Bertin, P., Bauer, S., Aliee, H., Bengio, Y., & Theis, F. J. (2025). Causal machine learning for single-cell genomics. Nature Genetics, 57(4), 797-808. https://doi.org/10.1038/s41588-025-02124-2
Wasserstein, R. L., & Lazar, N. A. (2016). The ASA's statement on p-values: Context, process, and purpose. The American Statistician, 70(2), 129-133. https://doi.org/10.1080/00031305.2016.1154108
Wasserstein, R. L., Schirm, A. L., & Lazar, N. A. (2019). Moving to a world beyond p < .05. The American Statistician, 73(sup1), 1-19. https://doi.org/10.1080/00031305.2019.1583913
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2026 Lissette Beatriz Villavicencio Cedeño, Yoiler Batista Garcet, Sandra Elizabeth Tenelanda Cudco , Deysi Margoth Guanga Chunata , Darwin Casaliglla Ger
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
