Você está na página 1de 22

Process-tracing e a produo de

inferncia causal

Fbio Mariano Espndola Silva


Eleonora Schettini Martins Cunha

Resumo

O process-tracing um mtodo utilizado para arti- mtodo, de forma introdutria, algumas de suas
cular diferentes fatores causais na anlise de fen- caractersticas, conceitos e procedimentos que pos-
menos sociais complexos e historicamente delimi- sam guiar desenhos de pesquisa, enfatizando seu
tados e pode ser um poderoso aliado do pesquisador potencial em produzir inferncia causal nos estudos
em estudos qualitativos. Ganha especial relevncia em cincias sociais. Eventualmente recorremos a
no panorama inferencial, tanto pela sua forma pecu- analogias para facilitar a assimilao, demonstrar
liar de anlise histrica, quanto pela sua adaptao as ferramentas utilizadas em sua aplicao prtica e
ainda no completamente explorada pela literatura apresentar nossa compreenso sobre seu potencial.
cientfica brasileira. Neste artigo, apresentamos o

Palavras-chave
Process-tracing; inferncia causal; pesquisa qualitativa; teste de hiptese.

104 Process-tracing e a produo de inferncia causal


Process-tracing and production of
causal inference

abstract

Process tracing is a method used to articulate diffe- present the method, in an introductory way, some
rent causal factors on the analysis of complex and of its features, concepts and procedures that can
historically limited social phenomena and can be guide research designs, emphasizing their poten-
used as a powerful ally of the researcher in qualita- tial to produce causal inference in studies in social
tive studies. It gains special relevance on this infe- sciences. Eventually we resort to analogies to facili-
rential panorama especially for its peculiar histori- tate assimilation, demonstrate the tools used in its
cal analysis and its adaptation not yet fully explored practical application and introduce our understan-
by Brazilian scientific literature. In this article, we ding of its potential.

Keywords
Process-tracing; causal inference; qualitative research; hypotheses testing.

sobre os autores

Fbio Mariano Espndola Silva


Mestrando em Cincia Poltica na Universidade Federal de Minas Gerais. Graduado em Cincia Poltica
pela Universidade Federal de Pernambuco. Especial interesse nas reas de estudos legislativos, carreiras
legislativas, polticas pblicas e metodologia de pesquisa em cincia poltica.
Contato: fabio.mes@gmail.com.

Eleonora Schettini Martins Cunha


Doutora em Cincia Poltica. Professora do Departamento de Cincia Poltica da Universidade Federal de
Minas Gerais. Principais reas de estudos: teoria democrtica, polticas pblicas, poltica de assistncia
social.
Contato: eleonora.ufmg@gmail.com.

submetido em
Setembro de 2015.

aprovado em
Novembro de 2015.

TEORIAE SOCIEDADE n 22.2 - julho - dezembro de 2014 105


When you have eliminated all which is impossible, then
whatever remains, however improbable, must be the truth.
Sherlock Holmes

1 - Introduo

A revoluo iniciada por King, Keohane e Verba (1994) no mbito das


pesquisas em Cincia Poltica produziu um impacto significativo no campo,
chamando a ateno tanto dos pesquisadores que se aventuravam em sofisticados
mtodos quantitativos, mas tambm, e principalmente, daqueles que desenvolviam
pesquisa qualitativa. Dentre as quatro caractersticas destacadas como prprias de
um desenho de pesquisa (1) O objetivo a inferncia; (2) Os procedimentos so
pblicos; (3) As concluses so incertas; e (4) O contedo da cincia o mtodo
destacamos a primeira, que merece nossa especial ateno nesse artigo. Para os
autores, a mera acumulao de dados, sem o objetivo de inferir nada, alm disso,
no constitui cincia. O principal objetivo de qualquer estudo cientfico, portanto,
deve ser o de produzir inferncias vlidas, ou seja, os dados coletados da realidade
devem ser utilizados para produzir uma descrio ou uma relao de causalidade
que no pode ser observada de imediato.
As afirmaes de King, Keohane e Verba (1994) se baseiam na ideia de que
anlises de regresso e estatstica seriam ferramentas para estabelecer parmetros
de produo cientfica em estudos qualitativos, o que levou a uma grande inquietao
entre os metodlogos qualitativos. Os argumentos crticos variam, mas de modo
geral consideram o proposto pelos autores para mtodos qualitativos simplstico,
ilusrio e inapropriado para compreender os desenhos de pesquisa qualitativa,
uma vez que supervalorizariam as foras da pesquisa quantitativa e diminuiriam o
valor das pesquisas qualitativas (Mahoney 2010).
A posio da teoria na pesquisa qualitativa tambm ponto de controvrsia.
A noo corrente imediatamente aps a divulgao das ideias de King, Keohane
e Verba era a de que os desenhos de pesquisa baseados em anlise histrica
comparativa estariam relacionados apenas ao desenvolvimento de teoria, haja vista
que, para uma proposio explicativa adquirir alguma credibilidade seria necessrio
desenvolv-la e test-la antes de realizar generalizaes (Rueschmeyer 2003). As
pesquisas histricas comparativas estariam relegadas apenas ao estgio inicial do
contexto da descoberta de proposies explicativas, e no estariam relacionadas ao
contexto da sua validao onde elas seriam testadas e poderiam, a partir de ento,
gerar generalizaes.
Esta viso foi suplantada por metodlogos qualitativos que argumentaram
acerca da fora dos desenhos de pesquisa qualitativos de caso nico, ou poucos

106 Process-tracing e a produo de inferncia causal


casos (small n), como apropriados tanto para desenvolver a teoria, quanto test-
la alm de contriburem para uma avanada reflexo terica (Rueschmeyer
2003). Quando utilizado no teste de teorias, mtodos qualitativos como o process-
tracing podem gerar ideias e insights tanto sobre a existncia de causas, quanto de
mecanismos causais, igualmente traos auxiliares para a teoria em considerao
(Mahoney 2010).
Neste artigo, partimos da base estrutural, formulada por King, Keohane e
Verba (1994) sobre desenhos de pesquisa qualitativa, e o aperfeioamento dessas
formulaes, decorrente de acrscimos e expanses produzidos por seus crticos, em
especial os da corrente qualitativa. Tratamos especificamente de process-tracing,
mtodo desenvolvido inicialmente no campo da psicologia cognitiva, na dcada de
1960, mas que tem sido cada vez mais utilizado no campo das cincias sociais. Em
sua origem, o mtodo examinava os passos intermedirios de um processo mental
cognitivo no intuito de compreender como as pessoas tomam decises. Transposto
inicialmente para a Cincia Poltica, ampliou-se sua utilizao para alm da anlise
individual, sendo empregado para fazer inferncias relacionadas a explicaes
estruturais ou de nvel macro (Bennett e Checkel 2015). O mtodo process-tracing
est associado, nas Cincias Sociais, a um movimento iniciado nos anos 1990
por alguns estudiosos que se propuseram a construir explicaes baseadas nas
referncias a mecanismos causais ou entidades subjacentes que geram processos e
resultados observados. A explicao causal, para esses estudiosos, construda em
torno de eventos sequenciais e contguos (Bennett e Checkel 2015).
O mtodo tem se mostrado muito til para analisar fenmenos complexos,
situados historicamente, cujas explicaes demandam a articulao de diferentes
fatores, como os estruturais, institucionais, sociais, dentre outros. Ele contribui
para a construo e o teste de hipteses quanto aos mecanismos causais que geraram
e/ou incidem sobre o fenmeno e, nesse sentido, possibilita produzir inferncias
vlidas. Suas caractersticas o indicam para o estudo de caso e, aqui, as inferncias
sobre as explicaes causais dizem respeito ao caso estudado.
Como este um mtodo que tem ganhado relevncia, mas ainda pouco
abordado nas publicaes nacionais, nosso objetivo neste artigo apresentar,
de forma introdutria, algumas caractersticas, conceitos e procedimentos que
possam ser orientadores para desenhos de pesquisa, enfatizando seu potencial em
produzir inferncia causal. Certamente, estudiosos que desejam utiliz-lo devero
aprofundar seu conhecimento sobre o mtodo, de modo a ampliar e aprofundar o
que anunciamos nessas poucas pginas.
Inicialmente, apresentamos um panorama do process-tracing, com seus
elementos constitutivos, objetivamente delimitando-o e demonstrando a sua
importncia para compreender a inferncia causal em pesquisa qualitativa. No

TEORIAE SOCIEDADE n 22.2 - julho - dezembro de 2014 107


intuito de facilitar a compreenso do mtodo, recorremos a analogias destacadas
na literatura. Em seguida, tecemos consideraes sobre a perspectiva bayesiana e a
formulao de inferncias causais neste desenho especfico, bem como descrevemos
os mecanismos de testes de hiptese como uma importante ferramenta inferencial.
Por fim, apresentamos nossas reflexes sobre o potencial do mtodo nos estudos
em cincias sociais.

2 - Process-Tracing: um panorama

Process-tracing um mtodo de pesquisa qualitativa que possibilita a


anlise de evidncias nos processos, sequncias e conjunturas de eventos num
caso para o propsito de desenvolver ou testar hipteses sobre mecanismos causais
que possam explicar o caso (Bennett e Checkel 2015: 7). Nesse sentido, deve-se
identificar a cadeia causal e a conexo entre os mecanismos causais por meio da
observao sistemtica, em um mesmo caso, de evidncias selecionadas e analisadas
para avaliar hipteses (Bennett 2008; Collier 2011; Mahoney 2012).
Process-tracing , em essncia, a montagem cuidadosa, por meio de testes
de hipteses, de um encadeamento causal que leva a algum resultado especfico,
produzindo uma explicao a partir de um caso individual, nico (Benett 2008). Usa-
se o process-tracing, portanto, quando se pretende explicar um efeito ou resultado
especfico, relacionado a um caso situado no tempo e no espao, e necessita-se ter
uma maior compreenso da natureza das relaes causais que o geraram, isto ,
quando se pretende capturar mecanismos causais em ao (Bennett e Checkel
2015: 9). Uma analogia interessante para a compreenso da potencialidade
do mtodo utilizada por George e Bennett (apud Bennett e Checkel 2015). Ao
encontrar uma fila de domins cados um sobre o outro numa mesa aps eles terem
sido colocados enfileirados de p, pode-se levantar hipteses que expliquem o
encontrado: um primeiro domin caiu e gerou o processo que derrubou os demais,
ou o vento, ou um esbarro de algum na mesa, ou alguma outra fora causal. A
resposta demandar usar as evidncias disponveis para testar cada explicao
alternativa.
Process-tracing difere-se de outros mtodos de estudos de caso ou de poucos
casos (small-n) em razo do tipo de inferncias que podem ser feitas a partir da
presena, ou ausncia, de mecanismos causais no caso estudado e a interao de uma
srie de partes do mecanismo, de modo a explicar a ligao entre uma proposio
hipottica X ao resultado Y. Um mecanismo causal constitudo por um conjunto
de partes que interagem, cada uma delas composta de agentes ou entidades
que tm a capacidade de alterar seu ambiente porque possui uma propriedade

108 Process-tracing e a produo de inferncia causal


invariante, que, num contexto especfico, transmite fora fsica ou informao que
influencia o comportamento de outros agentes ou entidades (Waldner 2012). Cada
agente ou entidade, portanto, produz movimento que transmite fora causal para
a prxima parte do mecanismo (Pedersen e Beach 2013: 39, traduo livre), isto
, as atividades produzem mudanas e a interao entre os mecanismos possibilita
explicar os resultados produzidos no contexto onde eles operam.
Uma definio mais abrangente de mecanismo causal considera-o como

um processo fsico, social ou psicolgico no observvel por meio do qual


agentes com capacidade causal operam, mas somente em contextos ou condies
especficas, para transferir energia, informao ou questes para outras entidades.
Ao faz-lo, o agente causal muda as caractersticas, capacidades ou propenses da
entidade afetada de modo que persista at um posterior mecanismo causal agir so-
bre ele. Se formos capazes de medir as mudanas na entidade que esto ocorrendo
aps a interveno do mecanismo causal e em isolamento temporal ou espacial de
outro mecanismo, ento se pode dizer que o mecanismo causal gerou a mudana
observada na entidade (George e Bennett 2005 apud Bennett e Checkel 2015: 12
traduo livre).

Dada a relevncia do conceito de mecanismo causal para o mtodo process-


tracing, cabe detalh-lo um pouco mais, a partir das reflexes de Pedersen e Beach
(2013). Uma primeira caracterstica que causalidade assume uma perspectiva
determinstica 1, ou seja, no exige o critrio de regularidade ou de associao
regular entre as partes, mas sim a influncia interativa de causas que se interligam
e produzem os resultados. Os mecanismos no so considerados como variveis
intervenientes, mas como entidades, partes de um todo, em que cada uma contribui
para explicar o resultado.
O pesquisador deve, assim, deter sua ateno nas aes e atividades
produzidas pelas entidades e que transmitem fora causal de X para Y, ou seja,
como o mecanismo produz um resultado e o contexto em que funciona. Essas
aes podem ser produzidas por indivduos nicos ou por indivduos que atuam
colaborativamente, o que implica dizer que os mecanismos causais podem ocorrer
ou operar no nvel de anlise micro, que foca nos atributos dos agentes individuais
(pessoas), no macro, ao observar normas, papis e estruturas institucionais (grupos,
classes, Estados etc.) ou ligando os dois nveis.
Alm dessa distino em razo do nvel de anlise, cabe destacar outras
diferenciaes entre os mecanismos causais. Uma delas quanto ao tipo de
explicao terica: mecanismos causais podem ser estruturais, relacionados a

1 E no probabilstica, portanto, por no se buscar uma associao regular emprica de padres que ligariam X a Y.

TEORIAE SOCIEDADE n 22.2 - julho - dezembro de 2014 109


constrangimentos e oportunidades para a ao poltica derivadas do entorno
dos atores; institucionais, prprios de instituies construdas e / ou alteradas
pelos atores; ideacionais, originados das ideias e das interpretaes do mundo;
psicolgicos, como regras mentais incorporadas e que resultam em comportamentos
regulares. Outra diferenciao diz respeito ao grau de especificidade contextual
do mecanismo, ou seja, se o mecanismo aplicvel num caso especfico ou se
aplicvel num conjunto de casos, o que demanda a definio clara do contexto
onde o mecanismo deve operar. Por fim, mecanismos causais distinguem-se entre
si em razo da dimenso temporal, isto , o horizonte de tempo em que foras
causais produzem resultados e o horizonte de tempo dos prprios resultados h
mecanismos incrementais, que produzem resultados no longo prazo, e mecanismos
limiares, que o fazem imediatamente (Pedersen e Beach 2013).
Um cuidado necessrio em pesquisas que se utilizam de process-tracing
quanto definio dos conceitos centrais os quais sustentam as proposies
relacionadas ao contexto especfico em estudo, ou seja, as condies necessrias
e/ou suficientes para que ocorram os resultados. Esses conceitos, derivados de
teorias, devem incluir atributos relevantes para o mecanismo causal e, portanto,
guardam estreita relao com hipteses causais. Assim sendo,

cada parte do mecanismo causal deve ser conceituada como composta de


entidades engajadas em atividades [...], enquanto atividades so as produtoras de
mudana, ou transmitem foras causais atravs de um mecanismo [...]. A conceitua-
o terica de entidades utiliza nomes, enquanto as atividades devem incluir verbos
que definam os transmissores de fora causal atravs do mecanismo (Pedersen e
Beach 2013: 49)

Segundo Pedersen e Beach (2013) h trs variaes de process-tracing,


conforme: o propsito da pesquisa se o desenho centrado na teoria ou no
caso, se o objetivo testar ou construir teoria; a compreenso da generalidade do
mecanismo causal; os tipos de inferncias que podem ser feitas.
Uma primeira, denominada de Theory-test process-tracing, implica em
deduzir uma teoria da literatura existente e testar se evidncias mostram que as
partes do mecanismo causal esto presentes no caso e se funcionam de acordo
com o esperado. A segunda variao o Theory-building process-tracing, no qual
se pretende construir uma explicao terica generalizvel a partir de evidncias
empricas, inferindo um mecanismo causal mais geral a partir de um caso particular.
A ltima variao, e mais comumente utilizada, Explaining outcomes process-
tracing que objetiva construir uma explicao quanto a um resultado num caso
especfico. Essas variaes tm importantes implicaes metodolgicas para o
desenho de pesquisa.

110 Process-tracing e a produo de inferncia causal


sobre essa ltima variao process-tracing para explicar resultados
que nos deteremos nesse artigo, especialmente em razo da sua maior utilizao
nas cincias sociais. O processo de construo da explicao dos resultados ou
efeitos aponta para um desenho de pesquisa reiterado que combina dialeticamente
deduo e induo (Pierce 1955 apud Pedersen e Beach 2013). No caminho dedutivo,
testam-se os mecanismos existentes apontados pela teoria para verificar se eles
podem explicar os resultados particulares. No entanto, nem sempre a teoria prov
esses mecanismos e, ento, necessrio realizar o caminho indutivo, que se utiliza
de evidncias empricas no intuito de se buscar uma explicao plausvel quanto aos
mecanismos causais que produziram o resultado. Esse movimento se repete sempre
que necessrio, at o pesquisador se sentir satisfeito com as explicaes produzidas
para aqueles resultados especficos (Pedersen e Beach 2013).

2.1 - Desenho de pesquisa e process-tracing

Um bom desenho de pesquisa que se utiliza de process-tracing deve


observar trs elementos essenciais: 1) Anlise da observao de processos causais;
2) Descrio; 3) Sequncia (Collier 2011). Sobre esses elementos trataremos
detidamente a seguir.
a) Anlise da observao de processos causais
A comparao com a metodologia utilizada por mdicos legistas ou detetives,
tal como fazem Mahoney (2012) e Van Evera (1997), nos parece til para a melhor
compreenso do mtodo. O pesquisador, tal como um investigador criminal,
observa um resultado e gera uma diversidade de hipteses que o ajudem a explicar
como aquele resultado se produziu. Por exemplo, as hipteses para compreender
um assassinato levariam um investigador criminal a avaliar em qual contexto o
crime ocorreu, qual tipo de arma foi utilizada, os possveis motivos do assassino
para execuo do crime, vestgios de plvora etc.
Tendo-se em mente o fenmeno a ser estudado, preciso selecionar as
observaes que se destacaro para a anlise sistemtica. Nesse aspecto, autores
que conseguem rebater os pontos fracos especficos de King, Keohane e Verba
(1994) em pesquisa qualitativa so de elevada importncia, como Collier, Brady
e Seawright (2010). Eles consideram existir duas formas principais de realizar
observaes, as quais correspondem a tipos especficos de material emprico: as
observaes de conjunto de dados (data-set observations DSO) e as observaes

TEORIAE SOCIEDADE n 22.2 - julho - dezembro de 2014 111


de processos causais (causal-process observations CPO) 2.
As DSO se referem ao conjunto de dados que serve para realizar testes
estatsticos e possibilita uma espcie de alavancagem inferencial estariam
dispostos de maneira matricial e seriam ideais para a montagem de anlises thick,
as quais observam o contexto como um todo. J as CPO correspondem ao conjunto
de material emprico que se constitui como insights ou pedaos de dados, os quais
fornecem informaes sobre o contexto ou sobre o mecanismo (Collier at al. 2010)
seriam ideais para uma anlise thin. Esta ltima semelhante a colocar uma lupa
em determinado ponto de um mecanismo da cadeia causal e avali-lo, observando
as partes. O process-tracing contribui para a inferncia causal, primariamente,
pelas descobertas geradas pelas observaes de processos causais (Mahoney 2010).
importante notar, portanto, que observar um fenmeno social atravs de
process-tracing implica em analisar as sequncias no desenrolar dos mecanismos na
direo causa efeito. Consequentemente, este tipo de desenho de pesquisa realiza
uma alavancagem inferencial muito difcil de ser promovida em anlises estatsticas
thick seja por estabelecer claramente a direo causal, ou ainda porque lida com
a potencial entrada de variveis esprias de maneira muito eficiente (Bennett
2010). Uma anlise por meio de process-tracing, que observa os mecanismos na
ordem inversa, quer dizer, saindo do efeito at a causa pode, por exemplo, revelar
variveis que estavam de fora da literatura terica ou do conhecimento prvio do
pesquisador 3 (Bennett 2010).
O process-tracing como uma ferramenta de promoo de alavancagem
inferencial pode ser utilizado no somente como forma de elevar o nmero de
observaes teoricamente relevantes (King, Keohane e Verba 1994: 227), mas
tambm para produzir inferncias vlidas. De fato, metodlogos chegaram
concluso de que possvel fazer inferncias causais vlidas, desde que o
pesquisador disponha do tipo certo de evidncia 4 o importante, na verdade,

2 Pedersen e Beach (2013:122) chamam a ateno para a distino entre observao e evidncia quando se
trata de CPO: observao dado emprico bruto, que apenas torna-se evidncia, com valor inferencial, aps ser
avaliado conforme seu contedo e sua exatido, e interpretado no contexto. Os autores apontam quatro passos
para se avaliar a qualidade das evidncias: a prpria coleo dos dados ser o bastante; aquilo revelado pelo
contedo dos dados; a confiana na exatido das medidas; a probabilidade da evidncia.

3 Bennett (2010) ainda elenca dois possveis problemas no desenho de process-tracing: o da possibilidade
de regresso infinita, quando o pesquisador pode no estar atento sobre o limite do nvel de detalhe que deve
mergulhar para ligar a causa X e o resultado Y; e dos graus de liberdade, uma vez que a preocupao estatstica
da indeterminao quando o nmero de variveis muito maior que o nmero de casos importada (tambm
em King, Kehoane e Verba 1994: 86). O autor resolve estes dois impasses com uma nica explicao: como nem
todos os dados so criados da mesma maneira, o importante para o process-tracing no a quantidade de
evidncias, mas sua contribuio em adjudicar entre as hipteses alternativas.

4 Pedersen e Beach (2013) consideram que as evidncias relevantes em process-tracing podem ser de quatro
tipos: padro (onde se observa predio de padro estatstico), seqncia (no qual se observa cronologia
temporal e espacial de eventos), trao / vestgio (sua mera existncia indica que o mecanismo existe), prova
(contedo do material emprico).

112 Process-tracing e a produo de inferncia causal


a relao entre a evidncia e a hiptese, e no a quantidade absoluta de evidncias
(Bennett 2010; Mahoney 2010). Disso se infere que a complementaridade gerada
por trabalhos posteriores, est mais conectada a enderear as fraquezas do mtodo
do que a uma impossibilidade do process-tracing de produzir inferncias vlidas
como reduziram King, Keohane e Verba.
De acordo com esta nova corrente qualitativa, aps uma pesquisa com
process-tracing o pesquisador j compreenderia como funcionam os mecanismos
causais e conseguiria comprovar ou modificar a teoria, 5 ou mesmo gerar novas
proposies tericas, podendo seguir para uma anlise comparativa ou, a depender
da pergunta de pesquisa, at mesmo para um experimento, seguro da potencialidade
que a anlise de process-tracing pode trazer para a produo de inferncia causal.
Esta combinao de mtodos e formas de inferncia , inclusive, desejvel e foi
descrita como pluralismo inferencial por Rezende (2015) 6.
b) Descrio
A essncia de qualquer trabalho envolvendo process-tracing, como j
mencionado, demonstrar como se desenrolam processos especficos, atravs dos
mecanismos que conectam causa (X) a efeito (Y) ao longo do tempo, no fluxo X Y.
Assim sendo, os mecanismos s podem ser integralmente reconhecidos e observados
num panorama mais amplo se cada ponto da cadeia causal que est sendo estudada
for descrito de maneira apropriada. Para ilustrar, til continuar com a analogia
do investigador criminal. Ele conhece o efeito e, a partir das observaes derivadas
das hipteses que construiu, chegou possvel causa do crime. No entanto, o
investigador precisa demonstrar a relao entre a causa e o efeito, ou seja, como as
observaes de processos causais se unem, como numa corrente com vrios elos,
conectados entre si. Os elos desta corrente, ou os fatos e evidncias encontrados
pelo investigador, seriam as observaes de processos causais elencadas por Collier
et al. (2010).
O exerccio do investigador, ento, o de descrever cuidadosamente cada
uma das evidncias identificadas nas suas observaes (cada elo da corrente),
passo fundamental para compreender a corrente como um todo. Portanto, um
bom trabalho de process-tracing se preocupa no somente com a corrente, mas
em descrever cada um dos elos em momentos especficos do tempo (como numa
fotografia, que captura uma cena). A descrio deve ser cuidadosa e detalhada o
suficiente de modo que se possa desenvolver ou testar teorias e aventar hipteses

5 Van Evera (1997 : 65) afirma, inclusive, que as predies trazidas por uma anlise com process-tracing so,
em geral, nicas isto significa dizer que nenhuma outra teoria pode predizer o mesmo parmetro de eventos.
Logo, um process-tracing bem feito e amplo de um nico caso pode prover um forte teste de teoria.

6 Manuscrito ainda no publicado.

TEORIAE SOCIEDADE n 22.2 - julho - dezembro de 2014 113


para realizar as inferncias causais.
c) Sequncia
Seguindo com a mesma analogia, no basta o investigador demonstrar a
fora de cada evidncia encontrada em suas observaes, mas que essas evidncias
esto ligadas entre si e essa ligao forte o suficiente para explicar a relao
entre a causa e o efeito, ou seja, o crime. Como numa corrente, os elos devem estar
conectados uns aos outros de maneira a compor uma nica estrutura. No caso de
investigaes cientficas, a conexo entre os elos so as hipteses elaboradas pelos
pesquisadores com base em teoria, se seguirem o mtodo dedutivo, ou com base em
alguma espcie de conhecimento prvio, se o mtodo for indutivo.
As hipteses aventadas devem ser lanadas sob o espectro mais amplo
possvel, para que seja possvel incluir at mesmo hipteses absurdas (Bennett
2010), ou, como diria Sherlock Holmes, quando houver eliminado tudo que
impossvel, o que restar, embora improvvel, deve ser verdadeiro (Doyle 1960: 111).
O ensinamento do escritor ingls de romances criminais valioso ao pesquisador:
as hipteses causais devem ser eliminadas, uma a uma, at que a restante o que
explica a conexo entre causa e efeito.
Contudo, algumas questes permanecem. Em primeiro lugar, quais as bases
que sustentam as hipteses propostas? E ainda, como deve agir o cientista que
ambiciona explicar as causas que levaram ao efeito observado, para descartar as
hipteses imprestveis ao caso, deixando apenas as relevantes? Para responder a
essas perguntas, e avanar na explanao do desenho de pesquisa com process-
tracing, necessrio compreender a contribuio bayesiana na produo de
inferncias com poucos casos.

3 - A Produo de Inferncia Causal em Process-tracing

Partindo da afirmao de King, Keohane e Verba (1994) de que o estudo


cientfico tem como principal objetivo a produo de inferncias vlidas, uma
questo logo se coloca: a prpria ideia de inferncia. Como h fenmenos sociais
complexos, em relao aos quais difcil conhecer e medir completamente o que
ocorre na realidade somos forados a fazer um salto inferencial daquilo que
podemos observar empiricamente para produzir explicao causal. Inferncia,
portanto, essa operao mental a qual possibilita derivar uma proposio a partir
da sua relao com outras.
Dessa concepo surgem as noes de inferncia descritiva e de inferncia
causal, respectivamente. Na inferncia descritiva so utilizadas observaes do
mundo para aprender sobre fatos no observados [...], j a inferncia causal envolve

114 Process-tracing e a produo de inferncia causal


aprender sobre efeitos causais a partir dos dados observados (King, Keohane e
Verba 1994: 8), ou seja, os dados coletados da realidade devem ser utilizados para
produzir uma descrio ou uma relao de causalidade que no pode ser observada.
Durante muito tempo, e mesmo aps a revoluo metodolgica introduzida
por King, Keohane e Verba (1994), se questionou a relevncia dos estudos de
poucos casos (small-n) na produo de inferncias vlidas. Em verdade, e como j
mencionado anteriormente, a produo metodolgica relacionada matria focou
na produo de inferncias baseadas em modelos de lgica frequentista, derivados
da anlise estatstica, importados para as anlises qualitativas. No demorou a
constatao de que esta abordagem era insuficiente para agregar valor s pesquisas
que buscam explicar as foras causais que produzem um fenmeno.
As ferramentas prprias da anlise estatstica e mesmo de mtodos
comparativos mostravam-se inadequadas concepo de causalidade que orienta a
anlise dos processos causais e quando se deseja verificar a ausncia ou presena de
mecanismos causais em casos especficos. Enquanto mtodos estatsticos buscam
fazer inferncias sobre o tamanho do efeito causal que variveis independentes
tm sobre a varivel dependente na populao do fenmeno [...], pesquisas
com process-tracing objetivam fazer inferncias sobre a presena / ausncia de
mecanismos causais hipotetizados num nico caso (Pedersen e Beach 2013: 72), o
que caracteriza fundamentalmente a ambio inferencial do process-tracing.
Cabe lembrar que existem dois mtodos principais para a produo
cientfica de inferncia em cincia poltica: o mtodo indutivo e o mtodo dedutivo.
Se considerarmos o mtodo dedutivo para o teste de teorias e avaliarmos as
possibilidades que as abordagens bayesiana 7 e frequentista apresentam para
tal, verificamos que a primeira teria a vantagem de atualizar os graus de crena,
tratando-os probabilisticamente, flutuando esta probabilidade de acordo com a
possibilidade das hipteses serem verdadeiras e mantendo a flutuao atualizada,
medida que forem sendo encontradas novas evidncias (Benett 2008). Portanto,
as probabilidades das hipteses a serem testadas, diferentemente da abordagem
frequentista, no so estticas, porm modificveis quando vo sendo adicionadas
evidncias posteriores.
A ideia de que algumas evidncias tm poder inferencial maior que outras
central para a anlise em process-tracing, uma vez que nem toda evidncia tem o
mesmo valor probatrio (Benett 2008: 710, traduo livre). Essa uma premissa
que articula fortemente a lgica bayesiana e o mtodo.

7 Abordagem bayseana decorre das proposies de Thomas Bayes, matemtico ingls do Sculo XVIII, que
deixou importantes contribuies estatstica quanto ao papel das observaes na produo do conhecimento.
Na lgica bayseana, o analista d maior peso evidncia que esperada a priori ser menos provvel baseada
no conhecimento prvio do fenmeno (Pedersen e Beach 2013: 83)

TEORIAE SOCIEDADE n 22.2 - julho - dezembro de 2014 115


A lgica bayesiana parte da seguinte questo: como podemos aumentar
a confiana em uma explicao luz das evidncias? O aumento da confiana
est relacionado a uma probabilidade posterior da teoria sobre a evidncia. Para
calcular esta probabilidade posterior so necessrios trs passos: (1) partir de
uma probabilidade inicial que expressa nossa confiana na teoria mesmo antes
de encontrar novas evidncias; (2) buscar informao sobre a probabilidade de
modo que, se a teoria for verdadeira para o caso, ser encontrada alguma evidncia
particular no caso em questo; (3) conhecer a probabilidade de que a evidncia
encontrada seja falso positiva, ou seja, encontra-se a evidncia mesmo que a
teoria seja falsa (Bennett e Checkel 2015). Os testes de hipteses, que apresentamos
a seguir, so relevantes para construir essa confiana.
No entanto, antes de passar aos testes, importante destacar que process-
tracing e a lgica bayesiana se aproximam, ainda, em trs aspectos importantes:
ambos utilizam de evidncias para afirmar algumas explicaes e lanar dvidas
sobre outras; ambos do importncia para os valores probatrios das evidncias em
relao explicao alternativa, bem como para os testes diversos ou independentes
de evidncias mais do que ao nmero de peas de evidncias, pois uma evidncia
de alto valor probatrio pode auxiliar muito mais um observador do que vrias
fracas; ambos alertam quanto a confiar totalmente em teorias ou explicaes, pois
h limites na evidncia observvel e possvel que teorias ainda no formuladas
possam prover explicaes superiores s existentes (Bennett e Checkel 2015).
Outro aspecto importante da abordagem bayesiana tambm est no fato
de o Teorema de Bayes 8 incluir o conhecimento prvio como uma varivel dentro
da equao que determina a probabilidade condicional de uma hiptese. Assim,
o desenho de process-tracing pode seguir tanto para o lado dedutivo se esse
conhecimento prvio for relevante, consistente e ajudar a modelar as hipteses,
quanto para o lado indutivo 9, caso o processo em anlise seja excessivamente
desviante ou suficientemente divergente das demais teorias disponveis (Benett
2008).

8 O Teorema de Bayes estabelece que nossa crena na validade de uma hiptese, aps a recolha de elementos
de prova (posterior), igual probabilidade de evidncia condicional da hiptese ser verdadeira em relao a
outras hipteses alternativas (verossimilhana), vezes a probabilidade de que uma teoria verdadeira com base
em nosso conhecimento prvio (Pedersen e Beach 2013: 83).

9 importante ressaltar que a anlise bayesiana no consegue abarcar com tanta eficincia a esfera de gerao
de teoria, a qual tambm possvel obter com process-tracing, pois hipteses completamente novas podem
ocorrer ao pesquisador com base em apenas uma nica pea de evidncia, para a qual no existia nenhuma
teoria anterior clara (Benett 2008: 708).

116 Process-tracing e a produo de inferncia causal


3.1 - Testes de Hiptese

Bennett e Checkel (2015) alertam que process-tracing um mtodo que,


aparentemente, tem um forte componente intuitivo e seu uso assistemtico pode
gerar potenciais erros inferenciais. Para reduzir esses riscos, faz-se necessrio
utilizar salvaguardas metodolgicas e, dentre elas, os testes de hipteses adquirem
relevncia. As hipteses levantadas pelo pesquisador precisam ser colocadas
prova para que permaneam como parte da explicao. til, mais uma vez,
pensar num pesquisador que busca desvendar uma anlise de processos como
um investigador criminal: cada elemento do crime (ou observao de processo
causal, para os pesquisadores) gera uma hiptese sobre sua lgica existencial no
conjunto explicativo dos mecanismos que levaram ao delito: essas hipteses devem
ser refutadas (ou confirmadas) pelo investigador criminal por meio de evidncias
circunstanciais que desemboquem na resoluo do crime.
Como o investigador poltico no possui condies de voltar no tempo
e observar por si prprio as evidncias materiais necessrio que ele utilize as
observaes de processos causais e faa testes especficos para manter o conjunto de
hipteses que dar sustentao sua anlise e realizar as inferncias causais devidas.
Nessa perspectiva, a anlise deve ser estruturada de modo a testar a manifestao
emprica (ou terica, a depender do tipo de process-tracing) de cada parte do
mecanismo buscando traar a relao entre os mecanismos, estejam elas sistemtica
ou no sistematicamente presentes (Pedersen e Beach 2013). Os mecanismos no
sistemticos possibilitam capturar escolhas de atores ou contingncias prprias do
caso estudado e que podem ser importantes para explicar os resultados.
Os testes de hiptese foram originalmente elaborados por Van Evera (1997)
e so baseados na certeza e na frequncia da evidncia que a teoria deduz. Uma
formulao posterior destes testes, por Bennett (2010), afirmou que as inferncias
dependem de testar as condies necessrias e/ou suficientes para a relao
entre o mecanismo e o resultado 10 o que nos parece mais didtico. Este critrio
classificatrio tornou-se o padro utilizado para explicar estes testes desde ento,
podendo ser de quatro tipos: hoop test, smoking-gun test, doubly-decisive test e
straw-in-the-wind test 11.

10 Uma condio necessria aquela que tem que estar presente para um resultado ocorrer, ou seja, sem ela
no h o resultado, mas ela no produz tal resultado quando isolada. Uma condio suficiente aquela que,
quando presente, gerar o resultado (Pedersen e Beach 2013; Kay e Baker 2015).

11 Os nomes originais em ingls foram mantidos para facilitar a compreenso atravs do uso de termos precisos,
tal como so expressos na literatura original que os produziu. Traduzi-los poderia acarretar em importantes
falhas interpretativas.

TEORIAE SOCIEDADE n 22.2 - julho - dezembro de 2014 117


Hoop Test
Um hoop test um teste de argola, em que a hiptese deve passar por uma
argola hipottica para permanecer sob considerao. Caso falhe, no avana e
eliminada. Como analogia, cabe pensar em um concurso canino, no qual a regra
o co passar por um circuito composto por vrias argolas: somente se passar por
dentro de todas elas receber o prmio. Passar por uma nica argola uma condio
necessria para que o co vena, contudo no suficiente, pois ele deve concluir
todo o percurso com sucesso. Em outras palavras, um teste de necessidade: passar
nele comprova que a evidncia necessria, porm no suficiente para conceder
validade hiptese (Bennett 2008; Collier 2011). A principal consequncia da falha
num hoop test gerar confiana no pesquisador de que aquela hiptese deve ser
descartada para explicar a causa ou o resultado. Por outro lado, passar no teste gera
alguma evidncia positiva em favor da hiptese, e isso depender da dificuldade do
teste, que est relacionada frequncia com que a condio (CPO) est presente
(Mahoney 2012).
Mahoney (2012) considera ser necessrio observar dois pontos bsicos: (1)
Se o caso analisado possui todas as condies reconhecidamente necessrias para a
causa ou resultado. Estas condies so, em verdade, as observaes de processos
causais (CPO) que devem estar presentes para a causa ou resultado ocorrer; (2) No
sentido de inferir a existncia de uma causa ou resultado, o pesquisador tambm
pode buscar rastros auxiliares deixados por estas causas, na possibilidade de terem
ocorrido de fato.
Smoking Gun Test
Um teste de smoking gun um teste forte de suficincia, que prov um critrio
suficiente, porm no necessrio, para a corroborao de uma hiptese. O exemplo
de Van Evera (1997) til como ilustrao: caso um suspeito seja encontrado,
momentos aps um assassinato, com uma arma ainda fumegando em mos, isso
uma prova suficiente para demonstrar sua culpabilidade no crime. Contudo, no
necessrio portar uma arma fumegante para ser culpado.
Passar em um teste de smoking gun uma prova bastante contundente de
que a hiptese seja vlida, inclusive derrubando de maneira igualmente forte as
hipteses rivais sobre a mesma causa ou resultado. Falhar num teste deste tipo
no elimina a hiptese, porm a enfraquece. A alavancagem inferencial obtida
aps um teste de smoking gun falho, contudo, depende da dificuldade do teste
quanto mais difcil de passar no teste, maior ser o ganho para a inferncia causal.
Esta dificuldade, por sua vez, depende de quo comuns ou compartilhados so os
atributos gerais das observaes de processos causais (CPO) utilizadas nos testes
(Mahoney 2012).

118 Process-tracing e a produo de inferncia causal


Doubly Decisive Test
Um teste doubly decisive, ou duplamente decisivo, implica em considerar
a hiptese sob os critrios necessrio e suficiente. Passar em um teste doubly
decisive confirma fortemente uma hiptese e elimina, automaticamente, todas as
demais alternativas uma vez que aquela observao de processo causal (CPO)
possui as condies necessria e suficiente para prover suporte explicao, no h
sentido em considerar nenhuma outra hiptese.
Este seria o teste definitivo para desvendar a validade de uma hiptese e,
sem dvida, o que promove a maior alavancagem inferencial causal. Contudo,
testes desta natureza so extremamente raros nas cincias sociais (Collier 2011;
Van Evera 1997). Um artifcio utilizado para atingir o mesmo objetivo analtico
dos doubly decisive a combinao dos testes anteriores (hoop e smoking gun) em
hipteses rivais se a hiptese passa em um teste smoking gun, por exemplo, e
todas as suas alternativas falham num teste hoop, isto gera a mesma alavancagem
inferencial de realizar um nico teste doubly decisive (Bennett 2010).
Straw In The Wind Test
Os testes de hipteses anteriores se baseavam em critrios ideais de
necessidade e suficincia, que podem no ser atingidos na realidade. De fato, a
grande maioria das generalizaes nas cincias sociais tm natureza probabilstica
e o straw in the wind utilizado quando no se consegue estabelecer nenhum
desses critrios para a observao de processo causal (CPO) especfica sob anlise
(Mahoney 2012). O acmulo de vrios testes desta natureza tem o potencial
de apontar na direo correta da cadeia causal, sendo positiva e esperada a sua
aplicao, em especial, nos primeiros estgios de uma anlise de process-tracing.
Vale a pena ressaltar que o teste, em si mesmo, tambm s consegue conceder ao
pesquisador uma noo sobre o rumo da validade da hiptese testada.
O teste straw in the wind o mais fraco dentre os quatro testes de hiptese,
pois no concede um critrio necessrio e nem suficiente para sustentar a hiptese
testada. Sua melhor aplicao no enfraquecimento de hipteses rivais e o suporte
alavancagem inferencial est em atribuir algum valor aprobativo hiptese.
importante na anlise com process-tracing, mesmo sendo fraco, pois o mais
recorrente, e muito utilizado em casos onde a teoria pouco elucidativa, como
forma de prover o suporte necessrio para que o pesquisador avance na anlise.
O quadro a seguir sistematiza os testes de hiptese para inferncia causal em
process-tracing e seu potencial para afirmar inferncia causal.
Esses testes guiam o pesquisador e tornam possvel a produo de estudos
nos quais a inferncia causal pode ser obtida com uma margem muito maior de
segurana. Na prtica, contudo, nem sempre possvel conduzir testes to robustos
como o doubly decisive, pois h uma ameaa constante e real de evidncias esprias

TEORIAE SOCIEDADE n 22.2 - julho - dezembro de 2014 119


ou outras espcies de erros advindos da complexidade de cada tipo de anlise (Kay e
Baker 2015), especialmente em process-tracing, onde o componente da explicao
histrica to importante. O artifcio de empilhar testes mais fracos para elevar
o patamar analtico desejvel, mas s vezes no possvel fazer uma anlise
comparada de hipteses em estudos de caso muito especficos. Ao analisar um
argumento histrico, pode ser que s seja possvel compreend-lo causalmente por
inteiro, por meio de contextualizao que articule outros argumentos ou processos
causais. Para tanto, dois outros conceitos so de fundamental importncia.

Quadro - Sntese dos testes de hiptese para inferncia


causal em process-tracing

SUFICIENTE PARA AFIRMAR INFERNCIA CAUSAL?

NO SIM

1. Straw-in-the-Wind 3. Smoking-Gun

PASSAR: Afirma a relevncia da hiptese,


PASSAR: Confirma a hiptese.
porm no a confirma.

NO
NO PASSAR: A hiptese no NO PASSAR: A hiptese no
eliminada, mas levemente eliminada, mas enfraquecida de
enfraquecida. alguma forma.

NECESSRIO Implicaes para Hipteses Rivais:


PARA Implicaes para Hipteses Rivais:
PASSAR - substancialmente as
AFIRMAR PASSAR - levemente as enfraquece. /
enfraquece. / NO PASSAR - fortalece
INFERNCIA NO PASSAR - levemente as fortalece.
um pouco.
CAUSAL?
2. Hoop 4. Doubly Decisive

PASSAR: Afirma a relevncia da hiptese, PASSAR: Confirma a hiptese e elimina


porm no a confirma. as outras.

NO PASSAR: Elimina a hiptese. NO PASSAR: Elimina a hiptese.


SIM

Implicaes para Hipteses Rivais: Implicaes para Hipteses Rivais:


PASSAR - levemente as enfraquece. / PASSAR - elimina. / NO PASSAR -
NO PASSAR - levemente as fortalece. substancialmente as fortalece.

Fonte: Reproduo de tabela que consta em Collier (2011: 825).

Alm das causas necessrias e suficientes (ou ambas) o pesquisador pode


se deparar com configuraes especiais de causalidade que so, essencialmente,
compostas em duas etapas. necessrio que esta maior complexidade na causalidade

120 Process-tracing e a produo de inferncia causal


seja levada em considerao, especialmente nas pesquisas case-oriented12. Isto
acontece porque, muitas vezes, uma causa no est diretamente ligada a um
resultado especfico, nem por necessidade, nem por suficincia. Contudo, ela pode
estar conectada a uma condio intermediria que, por sua vez, liga-se ao resultado
final por qualquer uma dessas condies. No desdobramento em que a causa parte
Insuficiente e Necessria de uma condio que, por sua vez, no-necessria (do
ingls Unecessary) e Suficiente para o resultado, temos uma composio causal
do tipo INUS (Mahoney 2008 : 418; Mahoney et al. 2009: 125). Porm, quando
uma causa parte Suficiente, mas no-necessria (do ingls Unecessary) de uma
condio que , por sua vez, Insuficiente e Necessria para um resultado especfico,
temos a relao de causalidade do tipo SUIN (Mahoney 2008: 418; Mahoney et al.
2009: 126). Observe que as duas letras iniciais destas relaes de causalidade esto
sempre ligadas s condies de necessidade e suficincia atreladas causa que
se analisa; assim como as duas ltimas letras destes acrnimos esto diretamente
ligadas s condies intermedirias que levam ao resultado e so compostas pelas
primeiras.
Mas por que o pesquisador que objetiva trabalhar com process-tracing deve
estar atento a estas duas condies de causalidade complexas? Exatamente por elas
representarem uma dificuldade maior no estabelecimento direto da relao causal
quando do encadeamento de processos causais. Ou seja, s vezes uma causa pode
no ser de imediato nem necessria, nem suficiente, nem ambas. Porm, pode, por
um arranjo, compor uma condio intermediria que, por sua vez, se conecta ao
resultado e isto mais difcil de rastrear. Os tipos INUS e SUIN de causalidade
podem ser submetidos aos mesmos testes demonstrados acima, uma vez que so
apenas uma composio dos elementos de necessidade e suficincia em duas etapas.
Com os cinco tipos de causalidade 13 mapeados corretamente, possvel caminhar
para uma anlise destas relaes causais e, finalmente, a um encadeamento dos
processos causais com a aplicao do mtodo sequenciado de elaborao 14 que est
no centro do process tracing.
Ainda que se proceda a todos os cuidados para que o mtodo seja eficaz,
alcanando os objetivos propostos pelos pesquisadores que o utilizam, algumas
crticas a ele dirigidas merecem ser destacadas. Uma primeira diz respeito

12 Case-oriented researchers seek to identify the causes of particular outcomes in specific cases. They may
find causal patterns that apply broadly, but their primary concern is with causation in the specific cases
under analysis(Mahoney 2008: 413).

13 I. Necessrias; II. Suficientes; III. Necessrias e Suficientes; IV. INUS; V. SUIN.

14 O mtodo sequenciado de elaborao foi desenvolvido por Mahoney et al. (2009: 128-133) para
operacionalizar a parte de Sequncia que descrevemos brevemente no item 1.1.c.

TEORIAE SOCIEDADE n 22.2 - julho - dezembro de 2014 121


prpria definio de mecanismo causal, que no pressupe serem eles observveis
diretamente. Parte-se aqui da ideia de que seria necessrio verificar o mecanismo
trabalhando, como engrenagem de uma mquina, para se afirmar seu papel na cadeia
causal. No entanto, como lembram Bennett e Checkel (2015), h meios de fazer
inferncias sobre causalidade que no demandam, necessariamente, a observao
direta, podendo-se utilizar instrumentos de observao que possibilitam alcanar
um maior grau de confiana. So as hipteses sobre tais mecanismos que geraro
implicaes observveis e testveis. No entanto, sempre haver a possibilidade de
algum aspecto escapar observao.
Outra crtica ao mtodo quanto sua capacidade de construir explicaes
que sejam detalhadas no tempo, considerando-se incrementos temporais ou
mesmo causas temporalmente distantes, o que levaria o pesquisador a regressar
infinitamente no tempo, em busca de pequenos incrementos e de nveis mais
detalhados para sua anlise. A esses argumentos, pode-se responder que, como
todo mtodo, process-tracing no infalvel, produzindo explicaes incompletas
e provisionais, mas que devem ser suficientemente convincentes e defensveis.
Caber ao pesquisador identificar e definir onde comear e terminar a construo e
o teste das explicaes (Bennett e Checkel 2015).
H, ainda, crticas quanto ao aspecto interpretativista e construtivista
relacionado ao mtodo em detrimento de explicaes geradas a partir da perspectiva
positivista. elas, Bennett e Checkel (2015) respondem com uma problematizao
a respeito do prprio campo, pois consideram que h, possivelmente, a distino
entre trs possibilidades de construtivismo na compreenso da vida social: a
convencional, a interpretativa e a ps-moderna. A primeira aspira a explicaes
causais e considera que h padres para a interpretao da vida social superiores a
outros. A segunda considera que agentes e estruturas so mutuamente constitutivos
um agente contesta estruturas e estruturas determinam cursos de ao do agente
e que causas e consequncias tambm se constituem mutuamente. A terceira
sustenta que a linguagem a mais central das estruturas sociais inerentemente
ambgua e sujeita a interpretaes, o que no impossibilita que sejam desenvolvidos
padres de evidncia.

4 - Consideraes Finais

Este artigo buscou apresentar, de modo breve, os fundamentos do mtodo


process-tracing e descrever, em linhas gerais, o desenho de pesquisa que dele se
utiliza, colocando como ponto central a importncia da produo de inferncias
vlidas nesta espcie de desenho.

122 Process-tracing e a produo de inferncia causal


Evidencia-se que o mtodo valioso tanto para desenvolver teorias, quanto
para test-las. Por sua vez, h fenmenos complexos, multicausais, cuja anlise e
explicao requerem uma abordagem qualitativa que possibilite a combinao de
aspectos institucionais, contextuais, sociais, dentre outros. Dado que o resultado
observvel, o estudioso busca as causas que explicam esse resultado e elas podem
ser variadas.
Questes como: Por que determinada ao governamental foi eficaz
num dado governo? Como uma poltica pblica adquiriu os contornos que lhe
caracterizam? Por que um movimento social adquiriu fora e relevncia? Por que
um tema passou a ser prioritrio na agenda pblica? Como foi construda a opinio
pblica sobre determinado assunto? Por que alguns grupos utilizam da violncia
como meio de ao social? Quais fatores microeconmicos contriburam para gerar
um fenmeno macroeconmico? Como essas, muitas outras questes, similares em
sua complexidade, tm no process-tracing um aporte interessante para a busca de
explicaes.
Como mtodo qualitativo aplicvel a estudo de um caso especfico, process-
tracing no produz generalizaes. O uso do mtodo pode contribuir para testar
e refinar hipteses sobre mecanismos causais, podendo ser teis para a reviso
de teorias, mas no se produzem explicaes que possam ser transferidas para
outros casos, mesmo aqueles considerados similares. Process-tracing, quando bem
desenvolvido, pode promover insights valiosos sobre um caso nico, bem como,
com a mesma capacidade inferencial, testar a teoria neste caso. Para que possa
ser bem utilizado, o conhecimento especfico anterior se mostra fundamental neste
tipo de desenho, especialmente porque no se baseia numa lgica frequentista, mas
na lgica bayesiana.
Por fim, ainda que reconheamos a importncia desse tipo de desenho para
a pesquisa qualitativa, necessrio afirmar que ela relativa, pois o mtodo uma
ferramenta e no um fim em si mesmo quando se trata de produzir explicaes
sobre fenmenos sociais. Outros mtodos e tcnicas so igualmente importantes,
quando se tem pretenses diferentes daquelas que o process-tracing possibilita.
No entanto, por ter um forte potencial de capturar mecanismos causais em ao,
contribui efetivamente para construir e testar hipteses que podem auxiliar a
formular, fortalecer e/ou refutar teorias. Nesse sentido, em muito contribui para a
produo de conhecimento cientfico.

TEORIAE SOCIEDADE n 22.2 - julho - dezembro de 2014 123


Referncias Bibliogrficas

BENNETT, Andrew. 2008. Process-tracing: A Bayesian Perspective. In: The Oxford


Handbook of Political Methodology. New York, NY. Oxford University Press.
________. 2010. Process-tracing and Causal Inference. In: Rethinking Social
Inquiry. Lanham, MD: Rowman & Littlefield Publishers Inc., p. 207-219.
BENNETT, Andrew; CHECKEL, Jeffrey T. 2015. (Ed.) Process-tracing: from
metaphor to analytic tool. Cambridge. Cambridge University Press.
(Strategies for Social Inquiry).
COLLIER, David; BRADY, Henry E.; SEAWRIGHT, Jason. 2010. Sources of
Leverage in Causal Inference: Toward and Alternative View of Methodology.
In: Rethinking Social Inquiry. Lanham, MD: Rowman & Littlefield Publishers
Inc., p. 180-199.
COLLIER, David. 2011. Understanding Process-tracing. PS: Political Science and
Politics. Vol. 44, N. 4, p. 823-830.
DOYLE, Arthur Conan. 1960. The Sign of the Four. In: The Complete Sherlock
Holmes. Vol. 1 e 2. New York. Doubleday.
KAY, Adrian; BAKER, Philip. 2015. What Can Causal Process-tracing Offer to Policy
Studies? A Review of the Literature. The Policy Studies Journal. Vol. 43, N.
1, p. 1-21.
KING, Gary; KEOHANE, Robert O.; VERBA, Sidney. 1994. Designing Social
Inquiry: Scientific Inference in Qualitative Research. Princeton, NJ.
Princeton University Press.
MAHONEY, James; KIMBALL, Erin; KOIVU, Kendra L. 2009. The Logic of
Historical Explanation in the Social Sciences. Comparative Political Studies.
Vol. 42, N. 1, p. 114-146.
MAHONEY, James. 2008. Toward a Unified Theory of Causality. Comparative
Political Studies. Vol. 41, N. 4/5, p. 412-436.
MAHONEY, James. 2010. After KKV: The New Methodology of Qualitative Research.
World Politics. Vol. 62, p. 120-147.
________. 2012. The Logic of Process-tracing Tests in the Social Sciences.
Sociological Methods & Research. Vol. 41, p. 570-597.
PEDERSEN, Rasmus Brun; BEACH, Dereck. 2013. Process-Tracing Methods:
foundations and guidelines. Ann Arbor: University of Michigan Press.
REZENDE, Flvio. 2015. Modelos de Causao e o Pluralismo Inferencial na
Cincia Poltica. Manuscrito no publicado.
RUESCHMEYER, Dietrich. 2003. Can One or Few Cases Yield Theoretical Gains?
In: Comparative Historical Analysis in The Social Sciences. New York, NY.
Cambridge University Press.

124 Process-tracing e a produo de inferncia causal


SHAMI, Mahvish. 2012. Collective Action, Clientelism, and Connectivity. American
Political Science Review. Vol. 106. No. 3. p. 586-606. Agosto.
VAN EVERA, Stephen. 1997. Guide to Methods for Political Science Students.
Ithaca, NY: Cornell University Press.
WALDNER, David. 2012. Process tracing and causal mechanisms. In: KINCAID,
Harold. The Oxford Handbook of Philosophy of Social Science. Oxford.
Oxford University Press.

TEORIAE SOCIEDADE n 22.2 - julho - dezembro de 2014 125