La revolución tecnológica que en las últimas décadas ha modificado nuestros comportamientos más cotidianos, también ha llegado al deporte. Cada vez se dispone de más herramientas e instrumentos capaces de recoger una enorme cantidad de datos que nos pueden ayudar a tomar mejores decisiones en el campo o cancha. Por eso es interesante capturar toda esta información, porque puede ayudar a ganar. Sin embargo, mientras se ha desarrollado un enorme esfuerzo por mejorar la sofisticación e inmediatez de los sistemas de recogida de datos, es posible que no se haya avanzado tanto en la interpretación adecuada de esa información para ayudar a los entrenadores a mejorar su intervención práctica.

Posiblemente esa limitación tenga mucho que ver con el análisis estadístico de los datos. Tradicionalmente, los investigadores del deporte han basado sus informes y propuestas en la aplicación del valor P. Un valor es significativo “sí o no”. No hay más. Sin embargo, parece que los modelos estadísticos que permiten informar tanto cuantitativa como cualitativamente sobre las probabilidades de que los cambios encontrados en una variable sean reales pueden ser mucho más útiles.

En un reciente artículo, Martin Buchheit¹ sugiere que los investigadores deberían abandonar el tradicional null hypothesis significance testing (NHST) y complementarlo con magnitude-based inferences (MBI) por diversas razones:

• Los valores de P y, a su vez, las conclusiones del estudio, dependen del tamaño de la muestra (cuanto mayor sea n, menor será la P), independientemente del tamaño del efecto.² Así, mientras se puede concluir, por ejemplo, que un suplemento nutricional no es eficaz con una muestra de 12 jugadores (P>0,05), la misma comparación hace que el tratamiento se convierta en útil con n=14 (P>0,05).³ En otras palabras, tener dos sujetos más o menos en la muestra provoca un cambio completo en los resultados. Todo esto es especialmente relevante cuando se estudian los deportes de equipo, donde la cantidad de jugadores analizados es siempre relativamente baja. Los equipos disponen de 12, 16 o 25 jugadores dependiendo de cada modalidad deportiva. No hay posibilidad de tener más jugadores.
• La significación estadística no informa de la magnitud de los efectos, que es precisamente lo que más importa.⁴ Con un tamaño de la muestra suficiente, incluso los efectos muy pequeños (very small), triviales (trivial) o no prácticos (non-practical) se pueden convertir en significativos (P<0,05). Por ejemplo, con 200 jugadores una mejora del 0,01% en el rendimiento, NHST sugeriría la eficacia del suplemento nutricional aunque realmente sea irrelevante la mejora que genera. Sin embargo, es muy probable que los entrenadores y jugadores lo que prefieran sea conocer cuánto permite mejorar el suplemento.
• MBI permite a los investigadores ser honestos con el tamaño de la muestra y reconocer mejores efectos triviales.
• El examen de las magnitudes per se ayuda a proporcionar mejores preguntas de investigación. Teniendo en cuenta que el tamaño del efecto implica mucho más que un sí o un no (NHST), las hipótesis típicas que no tienen un claro fundamento (la aplicación de x mejora el rendimiento) puede ser reemplazadas por enunciados más relevantes y concretos (la aplicación de x mejora en tal porcentaje el rendimiento).
• MBI es compatible con hojas de cálculo disponibles gratuitamente en Internet⁵.
• MBI permite una mejor representación gráfica y visualización de los datos.

En definitiva, en la interpretación de los datos y la comunicación a los entrenadores de los hallazgos mediante informes o charlas parece interesante complementar el tradicional NSHT con MBI. No olvidemos que se trata de cuantificar cada vez mejor el efecto de un ejercicio o tratamiento en el rendimiento de los jugadores y de ayudar a los entrenadores a tomar mejores decisiones para incrementar la probabilidad de ganar. La investigación debe llegar de verdad al campo.

Carlos Lago Peñas

Referencias:

¹ Buchheit, M. (2016). 2016, 11, 551 – 554 3 4 Title: The numbers will love you back in return – I promise, International Journal of Sports Physiology and Performance, 11, 551-554.

² Hopkins, W.G. y A.M. Batterham (2016), Error Rates, Decisive Outcomes and Publication Bias with 200 Several Inferential Methods. Sports Medicine, 46(10): 1563-1573.

³ McCormack, J., B. Vandermeer, and G.M. Allan. (2013). How confidence intervals become confusion intervals. BMC Medical Research Methodology, 13:134.

⁴ Cohen, J (1994). Things I have learned (so far). American Psychologist, 45:1304-1312.

⁵ Hopkins, W.G. A spreadsheet for deriving a confidence interval, mechanistic inference and 207 clinical inference from a P value. Sportscience, 2007. 11, 16-20. DOI: 208 http://newstats.org/xcl.xls