Você está na página 1de 187

02/12/2016 Projetando Inquérito sociais

Página 1

Projetando inquérito social

Página 3
Página 2

https://translate.googleusercontent.com/translate_f 1/187
02/12/2016 Projetando Inquérito sociais

Projetando inquérito social

INFERÊNCIA CIENTÍFICA EM

PESQUISA QUALITATIVA

Gary King

Robert O. Keohane

Sidney Verba

PRINCETON UNIVERSITY PRESS
PRINCETON, NOVA JERSEY

Página 4

Copyright © 1994 por Princeton University Press
Publicado por Princeton University Press, 41 William Street,
Princeton, Nova Jersey 08540
No Reino Unido: Princeton University Press,
Chichester, Sussex Ocidental
Todos os direitos reservados
Dados de Catalogação na Publicação da Biblioteca do Congresso
Rei, Gary.
Projeção de inquérito social: inferência científica em termos qualitativos
Pesquisa / Gary King, Robert O. Keohane, Sidney Verba.
P. cm.
Inclui referências bibliográficas e índice
ISBN 0­691­03470­2 (pano: papel alk.)
ISBN 0­691­03471­0 (pbk .: papel alk)
1. Ciências sociais ­ Metodologia. 2. Ciências sociais ­
Pesquisa. 3. Inferência
I. Keohane, Robert Owen.
II. Verba, Sidney. III. Título.
H61.K5437 1994 93­39283
https://translate.googleusercontent.com/translate_f 2/187
02/12/2016 Projetando Inquérito sociais
300'.72­dc20 CIP
Este livro foi composto em Adobe Palatino
Princeton University Press são impressos em
Papel sem ácido e cumprir as diretrizes
Para a permanência ea durabilidade do Comité
Sobre Diretrizes de Produção para Longevidade do Livro
Do Conselho sobre Recursos Bibliotecários
Impresso nos Estados Unidos da América
10 9 8 7 6 5 4 3
Terceira edição, com correções e índice expandido, 1995

Página 5

Conteúdo

Prefácio ix

1 A Ciência em Ciências Sociais 3
1.1 Introdução 3
1.1.1 Dois Estilos de Pesquisa, Uma Lógica de Inferência 3
1.1.2 Definição da Investigação Científica em Ciências Sociais 7
1.1.3 Ciência e Complexidade 9
1.2 Principais componentes do projeto de pesquisa 12
1.2.1 Melhorar as Questões de Pesquisa 14
1.2.2 Melhorando a teoria 19
1.2.3 Melhorar a qualidade dos dados 23
1.2.4 Melhorar o uso de dados existentes 27
1.3 Temas deste Volume 28
1.3.1 Usando Implicações Observáveis   para Conectar a Teoria
e dados 28
1.3.2 Maximizar a alavancagem 29
1.3.3 Incerteza de Relatórios 31
1.3.4 Pensando como um cientista social: ceticismo
E Hipóteses Rival 32
2 Inferência descritiva 34
2.1 Conhecimentos gerais e fatos específicos 35
2.1.1 "Interpretação" e Inferência 36
2.1.2 "Unicidade", Complexidade e Simplificação 42
2.1.3 Estudos de Caso Comparativos 43
2.2 Inferência: a Finalidade Científica da Coleta de Dados 46
2.3 Modelos formais de pesquisa qualitativa 49
2.4 Um Modelo Formal de Coleta de Dados 51
2.5 Resumindo detalhes históricos 53
2.6 Inferência descritiva 55
2.7 Critérios para julgar as inferências descritivas 63
2.7.1 Inferências Imparciais 63
2.7.2 Eficiência 66

https://translate.googleusercontent.com/translate_f 3/187
02/12/2016 Projetando Inquérito sociais

Página 6

Vi · Conteúdos
3 Causalidade e Inferência Causal 75
3.1 Definição de Causalidade 76
3.1.1 A Definição e um Exemplo Quantitativo 76
3.1.2 Um Exemplo Qualitativo 82
3.2 Clarificação de definições alternativas de causalidade 85
3.2.1 "Mecanismos Causais" 85
3.2.2 "Causalidade Múltipla" 87
3.2.3 Causalidade "simétrica"   e "assimétrica" 89
3.3 Suposições necessárias para estimar os efeitos causais 91
3.3.1 Homogeneidade da Unidade 91
3.3.2 Independência condicional 94
3.4 Critérios para julgar as inferências causais 97
3.5 Regras para Construir Teorias Causais 99
3.5.1 Regra 1: Construir Teorias Falsificáveis 100
3.5.2 Regra 2: Construir Teorias Internamente Consistentes 105
3.5.3 Regra 3: Selecionar as Variáveis   Dependentes Cuidadosamente
107
3.5.4 Regra 4: Maximizar a Concreteness 109
3.5.5 Regra 5: As teorias de estado em como maneiras abrangentes
como factível 113
4 Determinando o que observar 115
4.1 Projetos de Pesquisa Indeterminada 118
4.1.1 Mais Inferências do que Observações 119
4.1.2 Multicolinearidade 122
4.2 Os limites da seleção aleatória 124
4.3 Segmentação de Seleção 128
4.3.1 Seleção na Variável Dependente 129
4.3.2 Seleção em uma variável explicativa 137
4.3.3 Outros tipos de vieses de seleção 138
4.4 Seleção Intencional de Observações 139
4.4.1 Selecionando Observações sobre a Variável Explicativa 140
4.4.2 Selecionando um intervalo de valores da variável dependente
141
4.4.3 Seleção de observações tanto na explicação
Variáveis   dependentes 142
4.4.4 Seleção de Observações Assim, a Chave Variável Causal
é constante 146
4.4.5 Selecionando Observações Assim, a Variável Dependente
é constante 147
4.5 Observações Finais 149

Página 7

Conteúdos · vii
5 Compreender o que evitar 150
5.1 Erro de medição 151
5.1.1 Erro de Medição Sistemática 155
5.1.2 Erro de medida não sistemático 157
5.2 Excluindo as Variáveis   Relevantes: Bias 168
5.2.1 Calibrar o viés de variáveis   omitidas 168
5.2.2 Exemplos de Bias de Variáveis   Omitidas 176
5.3 Incluindo Variáveis   Irrelevantes: Ineficiência 182
https://translate.googleusercontent.com/translate_f 4/187
02/12/2016 Projetando Inquérito sociais
5.4 Endogeneidade 185
5.4.1 Corrigir Inferências Preconceituosas 187
5.4.2 Analisando a Variável Dependente 188
5.4.3 Transformando a endogeneidade em um omitido
Problema variável 189
5.4.4 Selecionando Observações para Evitar Endogeneidade 191
5.4.5 Analisando a variável explicativa 193
5.5 Atribuição de valores da variável explicativa 196
5.6 Controlando a Situação da Pesquisa 199
5.7 Conclusões 206
6 Aumento do número de observações 208
6.1 Projetos de Observação Única para Inferência Causal 209
6.1.1 Estudos de Casos "Cruciais" 209
6.1.2 Raciocínio por Analogia 212
6.2 Quantas observações são suficientes? 213
6.3 Fazendo muitas observações de poucos 217
6.3.1 Mesmas medidas, novas unidades 219
6.3.2 Unidades idênticas, novas medidas 223
6.3.3 Novas Medidas, Novas Unidades 224
6.4 Observações Finais 229

Referências 231
Índice 239

Página 9
Página 8

Prefácio

NESTE LIVRO desenvolvemos uma abordagem unificada para
Inferência causal na pesquisa qualitativa, onde a medida numérica
É impossível ou indesejável. Argumentamos que a lógica de
Bons projetos de pesquisa qualitativa quantitativa e boa não funda­
Mentalmente diferentes. A nossa abordagem aplica­se igualmente a estas
Diferentes formas de erudição.
Nosso objetivo ao escrever este livro é encorajar pesquisadores qualitativos
Levar a inferência científica a sério e incorporá­la aos seus
trabalho. Esperamos que nossa lógica unificada de inferência e nossa tentativa de
Demonstram que esta lógica unificada pode ser útil para a
Pesquisadores, ajudará a melhorar o trabalho em nossa disciplina e talvez
Ajuda em outras ciências sociais também. Assim, esperamos que este
Livro é lido e criticamente considerado por cientistas políticos e outros
Cientistas sociais de todas as persuasões e estágios de carreira ­ desde
Pesquisadores de campo para analistas estatísticos, de graduandos avançados
E estudantes de primeiro ano de pós­graduação para estudiosos sênior. Nós usamos algumas matemática­
Notação e­mail porque é especialmente útil para esclarecer conceitos
Em métodos qualitativos; Contudo, não assumimos nenhum conhecimento
Matemática ou estatística, ea maior parte da notação pode ser omitida
Sem perda de continuidade.
Os administradores universitários falam frequentemente da complementaridade
Ensino e pesquisa. De fato, o ensino ea pesquisa estão
Coincidentes, na medida em que ambas implicam adquirir novos conhecimentos e com­

https://translate.googleusercontent.com/translate_f 5/187
02/12/2016 Projetando Inquérito sociais
Comunicando­a a outros, embora em formas ligeiramente diferentes. Este livro at­
Testes à natureza sincrônica dessas atividades. Desde 1989, temos
Trabalhando neste livro e ensinando em conjunto o seminário de pós­graduação
'' Métodos Qualitativos em Ciências Sociais '' em De­
Do Governo. O seminário foi muito animado e
Muitas vezes tem derramado nos corredores e nas páginas de memorandos longos
Passado entre nós e nossos alunos. Nossas batalhas intelectuais
Sempre foram amigáveis, mas as nossas regras de
"Concordar em discordar" e comprometer eram crimes graves. Se um dos
Nós não estávamos verdadeiramente convencidos de um ponto, nós considerávamos nossa obrigação
Continuar o debate. No final, cada um de nós aprendeu muito sobre
Investigação qualitativa e quantitativa entre si e com os nossos
Alunos e mudou muitas de nossas posições iniciais. Para além do seu
Este livro é uma declaração do nosso tão
Posição científica sobre inferência científica na pesquisa qualitativa.

Página 10

X · Prefácio
Concluímos a primeira versão deste livro em 1991 e revisamos
Extensivamente nos anos posteriores. Gary King primeiro sugeriu que nós
Escreveram este livro, redigiram as primeiras versões da maioria dos capítulos e
A liderança através do longo processo de revisão. No entanto, o livro
Robert Keohane e Sidney Verba, como
Bem como Gary King, que seria impossível para nós identificar a
Autoria de muitas passagens e seções de forma confiável.
Durante este longo processo, distribuímos rascunhos para colegas
Estados Unidos e estão em dívida com eles pela extraordinária
Erosibilidade dos seus comentários. Também somos gratos aos estudantes de pós­
Expostos a este manuscrito tanto em Harvard como em
Em outras universidades e cujas reações têm sido importantes para nós
Em fazer revisões. Tentando listar todos os indivíduos que foram úteis
Em um projeto como este é notoriamente perigoso (estimamos a
Probabilidade de omitir inadvertidamente alguém cujos comentários foram
Importante para nós ser 0,92). Desejamos reconhecer o seguinte
Indivíduos: Christopher H. Achen, John Aldrich, Hayward Alker,
Robert H. Bates, James Battista, Nathaniel Beck, Nancy Burns, Michael
Cobb, David Collier, Gary Cox, Michael C. Desch, David Dessler, Jorge
Domínguez, George Downs, Mitchell Duneier, Matthew Evangelista,
John Ferejohn, Andrew Gelman, Alexander George, Joshua Goldstein,
Andrew Green, David Green, Robin Hanna, Michael Hiscox, James E.
Jones, Sr., Miles Kahler, rei de Elizabeth, Alexander Kozhemiakin, Ste­
Fen D. Krasner, Herbert Kritzer, James Kuklinski, Nathan Lane, Peter
Lange, Tony Lavelle, Judy Layzer, Jack S. Levy, Daniel Pequeno, Sean
Lynn­Jones, Lisa L. Martin, Helen Milner, Gerardo L. Munck, Timothy
P. Nokken, Joseph S. Nye, Charles Ragin, Swarna Rajagopalan, Sha­
Mara Shantu Riley, David Rocke, David Rohde, Frances Rosenbluth,
David Schwieder, Collins G. Shackelford, Jr., Kenneth Shepsle, Daniel
Walsh, Carolyn Warner, Steve Aviv Yetiv, Mary Zerbinos e Mi­
Chael Zürn. Nosso apreço vai para Steve Voss por preparar a
Índice, e à tripulação na Princeton University Press, Walter Lippin­
Cott, Malcolm DeBevoise, Peter Dougherty, e Alessandra Bocco. Nosso
Agradecimentos também ir para a National Science Foundation para a concessão de investigação
SBR­9223637 para Gary King. Robert O. Keohane é grato ao John
Fundação Memorial Simon Guggenheim para uma bolsa durante o
Termo do qual o trabalho neste livro foi concluído.
Nós (em várias permutações e combinações) também fomos extremamente
Tivemos a oportunidade de apresentar versões anteriores do
Este livro em seminários e painéis no Midwest Ciência Política As­
(Chicago, 2­6 de abril de 1990), o Metodologista Político
(Duke University, 18­20 de Julho de 1990), o

https://translate.googleusercontent.com/translate_f 6/187
02/12/2016 Projetando Inquérito sociais

Página 11

Prefácio · xi
Reuniões da Associação de Ciência Política (Washington, DC, 29 de agosto­
1 de Setembro de 1991), o Seminário de Metodologia e Filosofia da
Ciências Sociais (Universidade de Harvard, Centro Internacional de
25 de Setembro de 1992), a Série de Colóquios do Interdisci­
Consórcio Plínio para Aplicações Estatísticas (Indiana University,
4 de dezembro de 1991), o Instituto de Cooperação e Mudança Global
Série de seminários (University of California, Berkeley, 15 de janeiro de 1993),
E da Universidade de Illinois, Urbana­Champaign (18 de março de 1993).

Gary King
Robert O. Keohanne
Sidney Verba
Cambridge, Massachusetts

Página 12
Page 13

Projetando inquérito social

https://translate.googleusercontent.com/translate_f 7/187
02/12/2016 Projetando Inquérito sociais

Página 15
Página 14

CAPÍTULO 1

A Ciência em Ciências Sociais

1.1 INTRODUÇÃO
Este livro é sobre pesquisa em ciências sociais. Nosso objetivo é prático:
Conceber pesquisas que produzam inferências válidas sobre os aspectos sociais e
Vida política. Nós nos concentramos na ciência política, mas nosso argumento se aplica a
Outras disciplinas como a sociologia, a antropologia, a história, a economia,
Psicologia e áreas não disciplinares de estudo, tais como
Evidência, pesquisa educacional e raciocínio clínico.
Isto não é nem um trabalho na filosofia das ciências sociais nem um
De investigação específicos, tais como a concepção de inquéritos, a realização de
De trabalho de campo, ou análise de dados estatísticos. Em vez disso, este é um livro sobre
Projeto de pesquisa: como fazer perguntas e pesquisas eruditas de moda
Para fazer inferências descritivas e causais válidas. Como tal, ocupa um
Meio termo entre os debates filosóficos abstratos e as mãos­
Sobre as técnicas do pesquisador e enfoca a lógica essencial
Toda a pesquisa científica social.

1.1.1 Dois Estilos de Pesquisa, Uma Lógica de Inferência
Nosso principal objetivo é conectar as tradições do que são convencionalmente
Investigação "quantitativa" e "qualitativa" através da aplicação de uma
Lógica de inferência para ambos. As duas tradições parecem bastante
ent; Na verdade, às vezes parecem estar em guerra. A nossa opinião é
Diferenças são principalmente de estilo e técnica específica. O mesmo
A lógica subjacente fornece a estrutura para cada abordagem de pesquisa.
Essa lógica tende a ser explicada e formalizada claramente em discussões
Métodos quantitativos de investigação. Mas a mesma lógica da inferência não
https://translate.googleusercontent.com/translate_f 8/187
02/12/2016 Projetando Inquérito sociais
Qualitativa e qualitativa e quantitativa,
Pesquisadores beneficiariam de uma atenção mais explícita a essa lógica
No decurso da concepção da investigação.
Os estilos de pesquisas quantitativas e qualitativas são muito diferentes.
A pesquisa quantitativa utiliza números e métodos estatísticos. Ele tende a
Basear­se em medições numéricas de aspectos específicos dos
ena; Abstrai de instâncias particulares para buscar a descrição geral
Ou para testar hipóteses causais; Busca medidas e análises que
São facilmente replicáveis   por outros pesquisadores.

Página 16

4 · A Ciência em Ciências Sociais
A pesquisa qualitativa, em contraste, abrange uma ampla gama de abordagens,
Mas, por definição, nenhuma dessas abordagens se baseia em
Certificações. Tal trabalho tendeu a focar um ou
Dos casos, utilizar entrevistas intensivas ou análises aprofundadas de ma­
Ser discursivo no método, e se preocupar com uma abordagem
Ou abrangente de algum evento ou unidade. Mesmo que eles
Têm um pequeno número de casos, os pesquisadores qualitativos
Enormes quantidades de informações de seus estudos. As vez
Este tipo de trabalho nas ciências sociais está ligado a estudos de área ou de
Em que o foco está em um determinado evento, decisão, instituição,
Emissão, emissão ou diploma. Tal como acontece também com as
Investigação, a instância é frequentemente importante por si própria: uma
Mudança em uma nação, uma eleição, uma decisão importante ou uma crise mundial. Por quê
O regime do Leste da Alemanha desmoronou de repente em 1989? Mais gener­
Por que quase todos os regimes comunistas da Europa de Leste
Lapso em 1989? Às vezes, mas certamente nem sempre, o evento pode ser
Escolhido como exemplo de um determinado tipo de evento, como um
Revolução ou a decisão de uma determinada comunidade de rejeitar um
Local de eliminação. Às vezes, este tipo de trabalho está ligado a estudos de área
Onde o foco está na história e na cultura de uma parte específica da
mundo. O local ou evento específico é analisado de perto e em
detalhe.
Durante várias décadas, os cientistas políticos debateram os méritos
Estudos de caso versus estudos estatísticos, estudos de área versus
Estudos científicos e "científicos" da política usando métodos quantitativos
Contra investigações "históricas" baseadas em textos e contextos
Tual. Alguns pesquisadores quantitativos acreditam
A análise estatística temática é o único caminho para a verdade na ciência
Enças Os defensores da pesquisa qualitativa veementemente discordam. este
A diferença de opinião leva a um debate animado; Mas, infelizmente, também
Bifurca as ciências sociais em um sistema quantitativo­sistemático­geral­
Ramo qualitativo­humanístico­discursivo. Como o
Se torna cada vez mais sofisticada na análise das estatísticas
(E seu trabalho torna­se menos compreensível para aqueles que
Não estudaram as técnicas), este último se torna cada vez mais
Convencido da irrelevância de tais análises para a aparentemente não­
Reproduzíveis e não­generalizáveis   em que seus praticantes estão
interessado.
Um dos principais objetivos deste livro é mostrar que as diferenças entre
As tradições quantitativas e qualitativas são apenas estilísticas e são
Metodologicamente e substancialmente sem importância. Toda boa pesquisa
Pode ser entendido ­ na verdade, é melhor compreendido ­ derivar do
Mesma lógica subjacente de inferência. Tanto quantitativos como qualitativos

Página 17

Introdução · 5

https://translate.googleusercontent.com/translate_f 9/187
02/12/2016 Projetando Inquérito sociais
Investigação pode ser sistemática e científica. A pesquisa histórica pode ser
Tentando avaliar explicações alternativas através de um processo
Inferência causal válida. A história, ou sociologia histórica, não é incom­
Com a ciência social (Skocpol 1984: 374­86).
Para quebrar essas barreiras, é preciso começar por questionar
O próprio conceito de pesquisa "qualitativa". Utilizamos o termo em
Nosso título para sinalizar nosso assunto, não para implicar que "qualitativa"
Pesquisa é fundamentalmente diferente da pesquisa "quantitativa", ex­
Em estilo.
A maioria das pesquisas não se enquadra claramente em uma categoria ou outra. o
Melhor combina frequentemente características de cada um. No mesmo projeto de pesquisa,
Alguns dados podem ser coletados que sejam passíveis de análise estatística,
Enquanto outras informações igualmente significativas não são. Padrões e tendências
Comportamento social, político ou econômico são mais facilmente
Análise quantitativa do que o fluxo de idéias entre as pessoas ou as
Diferença feita pela liderança individual excepcional. Se estamos a não­
Compreender o mundo social em rápida mutação, teremos de incluir
Informação que não pode ser facilmente quantificada, bem como o que pode.
Além disso, todas as ciências sociais exigem uma comparação, o que
Juízos de que fenômenos são "mais" ou "menos" iguais em grau
(Ou seja, diferenças quantitativas) ou em espécie (ie, diferenças qualitativas).
Dois excelentes estudos recentes exemplificam este ponto. Em coercitiva Cooperaça~o
ção (1992), Lisa L. Martin procuraram explicar o grau de inter­
Cooperação internacional em matéria de sanções económicas, analisando
Noventa e nove casos de tentativas de sanções econômicas do período pós­
Era da Segunda Guerra Mundial. Embora essa análise quantitativa tenha produzido
Informações valiosas, certas inferências causais sugeridas pelos dados
Eram ambíguos; Martin realizou seis estudos de caso detalhados de
Episódios de sanções na tentativa de reunir mais evidências relevantes
Sua inferência causal. Para Fazendo a democracia funcionar (1993), Robert D. Put­
Nam e seus colegas entrevistaram 112 conselheiros regionais italianos
1970, 194 em 1976 e 234 em 1981­1982, e 115 líderes comunitários em
1976 e 118 em 1981­1982. Eles também enviaram um questionário por
500 líderes comunitários em todo o país em 1983. Quatro países­
Foram realizados inquéritos de massa em grande escala para este estudo. Nunca­
Entre 1976 e 1989 Putnam e seus colegas conduziram
Estudos de caso detalhados da política de seis regiões. Buscando satisfazer o
"Teste traumático interocular", os pesquisadores "ganharam um
Conhecimento das manobras políticas internas e das personalidades que
Têm animado a política regional nas duas últimas décadas "(Putnam
1993: 190).
Os ensinamentos destes esforços devem ser claros: nem quantitativos nem
A pesquisa qualitativa é superior à outra, independentemente da pesquisa

Página 18

6 · A Ciência em Ciências Sociais
Problema. Uma vez que muitos assuntos de interesse
Não podem ser formuladas de forma significativa de forma a permitir
Testes qualitativos de hipóteses com dados quantitativos, não
Incentivar o uso exclusivo de técnicas quantitativas. Nós não somos try­
Para tirar todos os cientistas sociais da biblioteca e para o computador
Ou substituir as conversas idiossincráticas por inter­
Vistas. Em vez disso, argumentamos que a pesquisa não­estatística produzirá mais
Resultados confiáveis   se os pesquisadores prestarem atenção às regras de
Ferência­regras que às vezes são mais claramente definidas no
pesquisa quantitativa. Métodos estatísticos precisamente definidos que
Investigação quantitativa representam modelos formais abstratos
Para todos os tipos de pesquisa, mesmo aquela para a qual variáveis   não podem ser
Quantitativamente. A natureza muito abstrata, e mesmo irrealista, da
Modelos estatísticos é o que faz com que as regras de inferência
claramente.
As regras de inferência que discutimos não são relevantes para todas as questões
Que são importantes para os cientistas sociais. Muitos dos mais importantes
Questões relativas à vida política ­ sobre conceitos como agência, ob­
Legitimidade, cidadania, soberania e a própria relação
Entre as sociedades nacionais e a política internacional ­ são filósofos
https://translate.googleusercontent.com/translate_f 10/187
02/12/2016 Projetando Inquérito sociais
Em vez de empírica. Mas as regras são relevantes para todas as pesquisas
Onde o objetivo é aprender fatos sobre o mundo real. Na verdade, a
Característica distintiva que separa a ciência social da observação casual
É que a ciência social procura chegar a inferências válidas
Sistemática de procedimentos de inquérito bem estabelecidos. Nosso foco
Aqui na pesquisa empírica significa que nós evitamos muitas questões na
Filosofia das ciências sociais, bem como controvérsias sobre o papel
Pós­modernismo, natureza e existência da verdade, relativismo e re­
Sujeitos. Assumimos que é possível ter algum conhecimento
Do mundo externo, mas que esse conhecimento é sempre incerto.
Além disso, nada no nosso conjunto de regras implica que devemos correr
A experiência perfeita (se tal coisa existisse) ou coletar todos os
Antes de podermos fazer inferências sociais e científicas válidas. Uma importante
Vale a pena estudar, mesmo que muito pouca informação esteja disponível.
O resultado da aplicação de qualquer projeto de pesquisa nessa situação será
Conclusões relativamente incertas, mas desde que honestamente
Incerteza, este tipo de estudo pode ser muito útil. Informações limitadas
É muitas vezes uma característica necessária da investigação social. Porque o mundo social
Mudanças rápidas, análises que nos ajudam a entender essas mudanças
Que nós os descrevemos e buscamos compreendê­los contemporâ­
Mesmo quando a incerteza sobre nossas conclusões é alta. O ur­
De um problema pode ser tão grande que os dados recolhidos pelos
Métodos científicos úteis podem ser obsoletos antes de poderem ser
Lated. Se uma pessoa perturbada está correndo para nós balançando um machado, adminis­

Página 19

Introdução · 7
Um questionário de cinco páginas sobre psicopatia pode não ser o
estratégia. Joseph Schumpeter citou uma vez Albert Einstein, que disse "como
Nossas proposições são certas, elas não dizem nada sobre
Realidade, e na medida em que dizem algo sobre a realidade, não são
Certos "(Schumpeter [1936] 1991: 298­99). Contudo, embora a
Inalterável, podemos melhorar a confiabilidade, validade, certeza e
Honestidade das nossas conclusões, prestando atenção às regras do
inferência. A ciência social que defendemos procura
Inferências causais sobre o mundo. Aqueles que não compartilham o
De conhecimento parcial e imperfeito ea aspiração de
A compreensão descritiva e causal terá que procurar em outro lugar
Inspiração ou para batalhas paradigmáticas em que se envolver.
Em suma, não fornecemos receitas para pesquisas empíricas científicas.
Oferecemos uma série de preceitos e regras, mas estas
Pensou pline, não sufocá­lo. Tanto em termos quantitativos como qualitativos,
Busca, nos empenhamos na aplicação imperfeita de padrões teóricos
Inferência a projetos de pesquisa inerentemente imperfeitos e
dados. Quaisquer regras significativas admitem exceções, mas podemos
Excepções sejam justificadas explicitamente, que as suas implicações para a
De investigação e que a incerteza das conclusões seja
Relatados. Não buscamos dogma, mas pensamento disciplinado.

1.1.2 Definição da Investigação Científica nas Ciências Sociais
Nossa definição de "pesquisa científica" é um ideal ao qual qualquer
Quantitativa ou qualitativa, mesmo a mais cuidadosa, é apenas uma
aproximação. No entanto, precisamos de uma definição de boa
Usamos a palavra "científico" como nosso descritor. 1 Esta palavra vem com
Muitas conotações que são injustificadas ou inapropriadas ou
Certo incendiário para alguns pesquisadores qualitativos. Assim, nós fornecemos
Uma definição explícita aqui. Como deve ser claro, não consideramos quan­
Pesquisa científica seja mais científica do que qualitativa.
A boa investigação, ou seja, a investigação científica, pode ser quantitativa ou
Em estilo. No design, no entanto, a pesquisa científica tem o seguinte
Quatro características:
1. O objetivo é a inferência. A investigação científica destina­se a
ou inferências explicativas sobre a base de informação empírica sobre o
mundo. Descrições cuidadas de fenómenos específicos são muitas vezes

https://translate.googleusercontent.com/translate_f 11/187
02/12/2016 Projetando Inquérito sociais

1 Rejeitamos o conceito, ou pelo menos a palavra "quase­experimento." Ou uma pesquisa
Design envolve o controle do investigador sobre as observações e os valores da
Variáveis   (caso em que é uma experiência) ou não (caso em que não é
Investigação imental). Tanto a pesquisa experimental quanto a não­experimental têm suas
E desvantagens; Um não é melhor em todas as situações de pesquisa do que o outro.

Página 20

8 · A Ciência em Ciências Sociais
Investigação científica, mas a acumulação de factos por si só não é suficiente
Ciente. Os fatos podem ser coletados (por pesquisadores qualitativos ou quantitativos)
Mais ou menos sistematicamente, e o primeiro é obviamente melhor que o
Último, mas a nossa definição particular de ciência requer a etapa adicional
De tentar inferir além dos dados imediatos para algo mais amplo
Que não é observado diretamente. Isso é algo que pode envolver a in­ descritivo
observações ference ­Usar do mundo para aprender sobre outra desobstruída
Servido fatos. Ou que algo pode envolver inferência causal­learning
Sobre os efeitos causais dos dados observados. O domínio da inferência pode
Ser restringido no espaço e no tempo­votando o comportamento em eleições americanas
Desde 1960, os movimentos sociais na Europa Oriental desde 1989 ­ ou pode ser
Comportamento humano extenso desde a invenção da agricultura. Em ambos
Neste caso, o principal sinal distintivo da pesquisa científica é o objetivo de
Inferências que vão além das observações particulares coletadas.
2. Os procedimentos são públicos. A investigação científica utiliza explícita, codificada e
métodos públicos para gerar e analisar dados cuja fiabilidade pode lá­
Ser avaliadas. Muita pesquisa social no estilo qualitativo segue
Menos regras precisas de procedimento de pesquisa ou de inferência. Como Robert K.
Merton ([1949] 1968: 71­72) afirmou: "A análise sociológica da análise qualitativa
Freqüentemente reside em um mundo privado de penetrantes mas insondáveis
Insights e compreensões inefáveis. . . . [No entanto,] ciência. . . é pub­
Não é privado ". A afirmação de Merton não é verdadeira em relação a toda pesquisa qualitativa ­
(E, infelizmente, ainda é verdade em alguns analistas quantitativos), mas
Muitos procedem como se não tivessem método ­ às vezes como se o uso de ex­
Métodos plicit diminuiria sua criatividade. Contudo, não podem
Ajuda, mas usar algum método. De alguma forma eles observam fenômenos, fazem perguntas
Inferir informações sobre o mundo a partir dessas observações, e
Fazer inferências sobre causa e efeito. Se o método e a lógica de uma re­
As observações e inferências do pesquisador são deixadas implícitas, a
A comunidade não tem como julgar a validade do que foi feito. Nós não podemos
Avaliar os princípios de seleção que foram utilizados para registrar as observações,
As formas em que as observações foram processadas ea lógica pela qual
Conclusões. Não podemos aprender com seus métodos ou replicar
Seus resultados. Essa investigação não é um ato público. Se ele faz ou não
Boa leitura, não é uma contribuição para as ciências sociais.
Todos os métodos ­ explícitos ou não ­ têm limitações. O advan­
Explícita é que essas limitações podem ser compreendidas e, se pos­
Abordado. Além disso, os métodos podem ser ensinados e compartilhados. este
Processo permite comparar os resultados da pesquisa em diferentes
E estudos de projetos de pesquisa a serem replicados, e estudiosos para aprender.
3. As conclusões são incertas. Por definição, a inferência é um imperfeito
processo. Seu objetivo é usar dados quantitativos ou qualitativos para
O mundo que os produziu. Alcançar conclusões perfeitamente certas

Página 21

Introdução · 9
De dados incertos é obviamente impossível. Na verdade, a incerteza é um
De todas as pesquisas e de todo o conhecimento sobre o mundo. Sem um
Uma estimativa razoável da incerteza, uma descrição do mundo real ou
Inferência sobre um efeito causal no mundo real não é interpretável. Estamos­
Pesquisador que não enfrenta a questão da incerteza diretamente é ou afirma­
Que ele ou ela sabe tudo perfeitamente ou que ele ou ela não tem
https://translate.googleusercontent.com/translate_f 12/187
02/12/2016 Projetando Inquérito sociais
Idéia de como certos ou incertos os resultados são. De qualquer forma, inferências com­
As estimativas de incerteza não são ciência como a definimos.
4. O conteúdo é o método. Finalmente, a pesquisa científica adere a um conjunto de
Regras de inferência das quais depende a sua validade. Explicar as
Uma das principais tarefas deste livro. 2  O conteúdo da "ciência" é
Principalmente os métodos e regras, não o assunto, uma vez que podemos usar
Esses métodos para estudar praticamente qualquer coisa. Este ponto foi
Mais de um século atrás, quando Karl Pearson (1892: 16) explicou que "o campo
Da ciência é ilimitado; Seu material é infinito; Cada grupo de phe­
Nomena, em cada fase da vida social, em cada estágio do desenvolvimento passado ou
É material para a ciência. A unidade de toda a ciência consiste
Método, não em seu material. "
Estas quatro características da ciência têm uma implicação
seu melhor é uma empresa social. Cada pesquisador ou equipe de pesquisadores
Trabalho sob limitações de conhecimento e insight, e os erros são
Inevitável, mas esses erros provavelmente serão apontados por outros. Un­
A compreensão do caráter social da ciência pode ser libertadora
Significa que nosso trabalho não precisa estar além da crítica para fazer uma im­
Contribuição importante ­ seja para a descrição de um problema ou
Conceituação, à teoria ou à avaliação da teoria. Enquanto
Nosso trabalho aborda explicitamente (ou tenta redirecionar) as preocupações de
Comunidade de estudiosos e usa métodos públicos para
Que são consistentes com as regras da ciência e com as informações
Nossa disposição, é provável que faça uma contribuição. E a contribuição
De um artigo menor ainda é maior do que o da "grande obra" que
Permanece para sempre em uma gaveta da mesa ou dentro dos confins de um computador.

1.1.3 Ciência e Complexidade
A ciência social constitui uma tentativa de dar sentido às situações sociais
Que percebemos como mais ou menos complexo. Precisamos reconhecer, como
Que aquilo que percebemos como complexidade não é inteiramente inerente
Fenômenos: o mundo não é naturalmente dividido em simples e com­

2 Embora nós cobrir a grande maioria das regras importantes de inferência científica,
Eles não estão completos. Na verdade, a maioria dos filósofos concorda que um estudo completo,
A lógica produtiva é impossível, mesmo em princípio.

Página 22

10 · A Ciência em Ciências Sociais
Plex conjuntos de eventos. Pelo contrário, a complexidade percebida de uma situação
Depende, em parte, de quão bem podemos simplificar a realidade, e
Capacidade de simplificação depende da especificidade dos resultados e
Variáveis   explicativas de forma coerente. Ter mais observações
Pode ajudar­nos neste processo, mas é geralmente insuficiente. Assim, "complexidade
dade "é em parte condicional sobre o estado da nossa teoria.
Os métodos científicos podem ser tão valiosos para intrinsecamente complexos
Eventos mais simples. A complexidade é susceptível de fazer as nossas inferências
menos certo, mas não deve torná­los menos científico. Incerteza
E os dados limitados não devem nos fazer abandonar a pesquisa científica.
Pelo contrário: a maior recompensa pelo uso das regras de
Quando os dados são limitados, as ferramentas de observação são
falhos, medições não são claras, e as relações são incertas.
Com relações claras e dados inequívocos, o método pode ser menos
importantes, uma vez que mesmo as regras parcialmente falhos de inferência pode produzir
respostas que são mais ou menos correta.
Considere alguns complexos, e em certo sentido único, com eventos
enormes ramificações. O colapso do Império Romano, a
Revolução Francesa, a Guerra Civil Americana, Primeira Guerra Mundial, o holo
Caust, ea reunificação da Alemanha em 1990, são exemplos de
tais eventos. Estes eventos parecem ser o resultado de interacções complexas
de muitas forças cuja conjuntura parece crucial para o evento ter
ocorrido. Ou seja, causada independentemente sequências de eventos e
forças convergiram em um determinado lugar e tempo, sua interação aparecendo
para trazer os eventos que estão sendo observados (Hirschman, 1970). Mais distante­
https://translate.googleusercontent.com/translate_f 13/187
02/12/2016 Projetando Inquérito sociais
mais, muitas vezes é difícil acreditar que esses eventos eram inevitáveis
produtos de forças históricas em grande escala: alguns parecem ter dependido,
em parte, de idiossincrasias de personalidades, instituições ou movimentos sociais
Mentos. Na verdade, do ponto de vista de nossas teorias, o acaso, muitas vezes
parece ter desempenhado um papel: fatores fora do âmbito da teoria
ligações cruciais fornecidas nas sequências de eventos.
Uma maneira de entender tais eventos é procurar generalizações:
conceituar cada caso como um membro de uma classe de eventos sobre os quais
generalizações significativas podem ser feitas. Este método geralmente funciona
bem para guerras comuns ou revoluções, mas algumas guerras e revoluções,
sendo muito mais extrema do que outros, são "valores atípicos" na estatística
distribuição. Além disso, guerras ou revoluções primeiros notáveis   podem exercer
um impacto tão forte sobre os eventos subsequentes da mesma classe que
pense novamente da Revolução Francesa­que a cautela é necessária
comparando­os com os seus sucessores, que podem ser, até certo ponto
o produto de imitação. Expandindo a classe de eventos pode ser útil,
mas nem sempre é apropriada.
Outra maneira de lidar cientificamente com eventos raros, em grande escala é
para se envolver em uma análise contraditória: "a construção mental de um

Página 23

Introdução · 11
curso dos acontecimentos que é alterada através de modificações em um ou mais
'condições' "(Weber [1905] 1949: 173). A aplicação desta ideia em
de forma sistemática, científica é ilustrado em um ex­ particularmente extrema
amplo de um evento raro de geologia e biologia evolutiva, tanto
historicamente orientada ciências naturais. Stephen J. Gould sugeriu
que uma forma de distinguir as características sistemáticas de evolução a partir de Sto­
, eventos fortuitos chastic pode ser a imaginar o que o mundo seria
como se todas as condições, até um ponto específico foram fixadas e, em seguida, o resto
da história foram executar novamente. Ele afirma que, se fosse possível "replay
a fita da vida ", para permitir que a evolução ocorra novamente desde o início, o
hoje organismos mundo seria um completamente diferente (Gould
1989a).
Um evento único em que os alunos de evolução tem recentemente fo­
lizadas é a súbita extinção dos dinossauros há 65 milhões de anos atrás.
Gould (1989a: 318) diz: "devemos supor que a consciência faria
não evoluíram em nosso planeta se uma catástrofe cósmica não tinha
afirmou que os dinossauros como vítimas. "Se esta afirmação é verdadeira, a extinção
ção dos dinossauros foi tão importante quanto qualquer evento histórico para
seres humanos; no entanto, dinossauro extinção não se enquadra perfeitamente em
uma classe de eventos que poderiam ser estudados de forma sistemática, comparativa
moda através da aplicação de leis gerais em um simples
caminho.
No entanto, dinossauro extinção pode ser estudada cientificamente: alter­
hipóteses nativa podem ser desenvolvidos e testados no que diz respeito à sua
implicações observáveis. Uma hipótese para explicar dinossauro ex­
tinção, desenvolvido por Luis Alvarez e colaboradores em Berkeley, em
final de 1970 (W. Alvarez e Asaro, 1990), postula uma colisão cósmica:
um meteorito colidiu com a Terra em cerca de 72.000 quilômetros por hora,
criando uma explosão maior do que a de uma guerra nuclear em grande escala. Se este
hipótese estiver correta, ela teria a implicação observável que
irídio (um elemento comum em meteoritos, mas raro na Terra) deve
ser encontrado na camada particular da crosta terrestre que corresponde a
sedimentos previsto sessenta e cinco milhões de anos atrás; De facto, a descoberta
de irídio em camadas previstos na terra foi tomada como parcial
confirmando evidência para a teoria. Embora esta seja uma unambigu­
ously evento único, há muitas outras implicações observáveis. Para
um exemplo, deverá ser possível encontrar a cratera da metorite alguns­
onde na Terra (e vários candidatos já foram encontrados). 3
A questão da causa (s) da extinção dos dinossauros continua por resolver,
embora a controvérsia tem gerado muita pesquisa valiosa. Para
3 No entanto, uma hipótese alternativa, que a extinção foi causada pela erupção vulcânica
ções, também é consistente com a presença de irídio, e mais consistente do que parece
a hipótese de meteorito com a constatação de que todas as extinções de espécies não ocorreu
simultaneamente.

https://translate.googleusercontent.com/translate_f 14/187
02/12/2016 Projetando Inquérito sociais

Página 24

12 · A Ciência em Ciências Sociais
nossos propósitos, a ponto de este exemplo é que generalização científica
ções são úteis no estudo até eventos altamente incomuns que não se enquadram
em uma grande classe de acontecimentos. A hipótese Alvarez não pode ser testada
com referência a um conjunto de eventos comuns, mas tem observável
implicações para outros fenômenos que podem ser avaliados. Deveríamos
notar, contudo, que uma hipótese não é considerada uma certeza razoável de que
explicação até que tenha sido avaliada empiricamente e passou um núme­
ber de exigir testes. No mínimo, as suas implicações devem ser con­
sistente com o nosso conhecimento do mundo exterior; na melhor das hipóteses, ele deve
prever o que Imre Lakatos (1970) se refere como "fato novo", isto é, aqueles
anteriormente observado.
O ponto é que os eventos, mesmo aparentemente únicas, como dinossauro
extinção pode ser estudada cientificamente se prestarmos atenção ao melhorando
ing teoria, os dados, e a utilização dos dados. Melhorar a nossa teoria
através da clarificação conceitual e especificação de variáveis   possível
gerar implicações mais observáveis   e até mesmo teorias causais de teste
eventos de originais tais como a extinção dos dinossauros. Melhorar o nosso al­ dados
baixos nos observar mais destas implicações observáveis, e melhorando
ing nosso uso dos dados permite mais destas implicações a ser extraído
a partir de dados existentes. Que um conjunto de eventos a ser estudada é altamente complexo
não torna um projeto cuidadoso de pesquisa irrelevantes. Quer estudar
muitos fenómenos ou de poucos ou mesmo de um estudo será melhorado se
coletamos dados sobre tantas implicações observáveis   de nossa teoria como
possível.

1.2 Os principais componentes do projeto de pesquisa
pesquisa em ciências sociais no seu melhor é um processo criativo de visão e
descoberta ocorrendo dentro de uma estrutura bem estabelecida de científica
inquérito. O cientista social de primeira linha não considera um projeto de pesquisa
como um modelo para um processo mecânico de recolha de dados e avaliação
Ção. Ao contrário, o estudioso deve ter a flexibilidade de espírito para
derrubar velhas formas de olhar o mundo, para fazer novas perguntas, a
pesquisa rever os projectos de forma adequada e, em seguida, para recolher mais dados de
um tipo diferente do que inicialmente previsto. No entanto, se o pesquisador
conclusões são válidas e aceitas pelos estudiosos neste campo, todos estes
revisões e reconsiderações deve ocorrer de acordo com a explícita
procedimentos consistentes com as regras de inferência. Um processo dinâmico
de inquérito ocorre dentro de uma estrutura estável de regras.
Os cientistas sociais muitas vezes começar a pesquisa com um design considerado, col­
leccione alguns dados, e tirar conclusões. Mas este processo é raramente um
suavizar um e nem sempre é o melhor feito nesta ordem: conclusões
raramente seguem facilmente a partir de um projeto de pesquisa e os dados recolhidos em con­

Página 25

Os principais componentes do Projeto de Pesquisa · 13
dançar com ele. Uma vez que um investigador coletou dados fornecidos pelo
um projeto de pesquisa, ele ou ela vai encontrar muitas vezes um ajuste imperfeita entre os
principais questões de investigação, a teoria e os dados na mão. Nesta fase,
pesquisadores, muitas vezes tornar­se desanimado. Eles acreditam erroneamente que
outros cientistas sociais encontram próximos, fits imediatas entre dados e re­
pesquisa. Esta percepção é devido ao facto de os investigadores que muitas vezes tomam
para baixo os andaimes após a colocação de seus edifícios intelectuais, leav­
ing poucos vestígios da agonia ea incerteza da construção. Assim, o
processo de investigação parece mais mecânico e cut­and­dried do que
realmente é.
Alguns dos nossos conselhos é direcionado para pesquisadores que estão tentando
fazer conexões entre teoria e dados. Às vezes, eles podem projetar
https://translate.googleusercontent.com/translate_f 15/187
02/12/2016 Projetando Inquérito sociais
fazer conexões entre teoria e dados. Às vezes, eles podem projetar
procedimentos de coleta de dados mais adequados a fim de avaliar a
teoria melhor; em outros momentos, eles podem usar os dados que eles têm e reformulação
uma questão teórica (ou até mesmo representar uma questão totalmente diferente que
não foi originalmente previsto) para produzir uma pesquisa mais importante
projeto. A pesquisa, se adere a regras de inferência, ainda será
científicas e produzir inferências confiáveis   sobre o mundo.
Sempre que possível, os pesquisadores também devem melhorar a sua pesquisa
projetos antes de realizar qualquer pesquisa de campo. No entanto, os dados tem uma
forma de disciplinar o pensamento. É extremamente comum encontrar que o
melhor projeto de pesquisa desmorona quando as primeiras observações são
coletado­não é que a teoria está errada, mas que os dados não são
adequado para responder às perguntas originalmente colocados. Compreensão
desde o início, o que pode eo que não pode ser feito em um estágio mais tardio
pode ajudar o pesquisador prever, pelo menos, alguns dos problemas quando
primeira concepção da investigação.
Para efeitos de análise, dividimos todos os projetos de pesquisa em quatro
componentes: a questão de pesquisa , a teoria , os dados , e a utilização do
dados. Estes componentes não são normalmente desenvolvidos em separado e
estudiosos não atendê­los em qualquer ordem pré­determinado. Na verdade, para
pesquisadores qualitativos que começam seu trabalho de campo antes de escolher um
questão de pesquisa preciso, dados vem em primeiro lugar, seguido pelos outros.
No entanto, esta desagregação particular, que vamos explicar nas seções
1.2.1­1.2.4, é particularmente útil para a compreensão da natureza da re­
projetos de pesquisa. A fim de esclarecer exatamente o que poderia ser feito se re­
fontes foram redirecionados, o nosso conselho no restante desta seção
pressupõe que os investigadores têm tempo e recursos ilimitados. Do
Claro que, em qualquer situação investigação propriamente dita, deve­se sempre fazer com­
promessas. Acreditamos que a compreensão do aconselhamento nos quatro cate­
rias que se seguem ajudarão os pesquisadores a fazer essas concessões em
de modo a melhorar os seus modelos de investigação mais, mesmo quando em
fato de sua investigação está sujeita a restrições externas.

Página 26

14 · A Ciência em Ciências Sociais

1.2.1 Melhorar Questões de pesquisa
Ao longo deste livro, consideramos o que fazer, uma vez que identificar o
objeto de pesquisa. Dada uma questão de pesquisa, quais são as formas de
realizar essa pesquisa para que possamos obter explicações válidas de sociais
e fenômenos políticos? Nossa discussão começa com uma pesquisa questão
ção e depois passa para as fases de concepção e condução da
pesquisa. Mas onde é que questões de investigação se originou? Como é que um
estudioso escolher o tema para análise? Não há uma resposta simples para isso
questão. Como outros, Karl Popper (1968: 32) afirma que "não há
existe tal coisa como um método lógico de ter novas ideias. . . . Descoberta
contém "um elemento irracional," ou uma "intuição criativa." "As regras de
escolha nas primeiras fases do processo de investigação são menos formalizada
que são as regras para outras actividades de investigação. Há textos sobre de­
assinando experimentos de laboratório sobre a escolha social, critérios estatísticos sobre
desenhar uma amostra para uma pesquisa de atitudes sobre as políticas públicas, e man­
UALs sobre a realização de observação participante de um escritório burocrático. Mas
não há nenhuma regra para escolher qual projeto de pesquisa para conduzir, nem se
devemos decidir realizar o trabalho de campo, existem normas que regem
onde devemos conduzi­la.
Podemos propor maneiras de selecionar uma amostra de comunidades, a fim de
estudar o impacto das políticas educacionais alternativas ou formas de concepção
tualize conflito étnico em uma maneira que a formulação e
teste de hipóteses quanto à sua incidência. Mas não existem regras que dizem
­nos a possibilidade de estudar a política educacional ou conflito étnico. Em termos de
métodos das ciências sociais, há maneiras melhores e piores para estudar a
colapso do governo da Alemanha Oriental, em 1989, assim como há melhor
e piores maneiras de estudar a relação entre posição de um candidato
ção sobre os impostos e as chances de sucesso eleitoral. Mas não existe
maneira de determinar se é melhor estudar o colapso do Oriente

https://translate.googleusercontent.com/translate_f 16/187
02/12/2016 Projetando Inquérito sociais
regime alemão ou o papel dos impostos em US política eleitoral.
O tema específico que um cientista estuda social pode ter um pessoal
e origem idiossincrática. Não é por acaso que a investigação sobre determinado
grupos é susceptível de ser iniciada por pessoas do grupo que: as mulheres têm
muitas vezes levou a forma como a história das mulheres, dos negros na história da
negros, imigrantes na história da imigração. Os tópicos podem ser também
influenciados por inclinação pessoal e valores. O estudante de terceiro
política mundial é susceptível de ter um maior desejo para o curso e um maior
tolerância para condições de vida difíceis do que o estudante de Congres­
formulação de políticas sional; o analista da cooperação internacional pode
têm uma aversão especial para conflitos violentos.
Estas experiências pessoais e valores muitas vezes fornecem a motivação

Página 27

Os principais componentes do Projeto de Pesquisa · 15
para se tornar um cientista social e, mais tarde, para escolher uma pesquisa em particular
questão. Como tal, eles podem constituir os motivos "reais" para o engajamento
em uma pesquisa específica do projeto e de forma apropriada para. Mas não importa
como pessoais ou idiossincráticas as razões para a escolha de um tema, o
métodos da ciência e regras de inferência discutidos neste livro
ajuda estudiosos elaborar desenhos de pesquisa mais poderosos. A partir da per­
pectiva de uma potencial contribuição para a ciência social, a rea­ pessoal
filhos não são nem justificações necessárias nem suficientes para a escolha
de um tópico. Na maioria dos casos, eles não devem aparecer no nosso acadêmica
Escritos. Para colocá­lo mais diretamente, mas muito indelicadamente, ninguém se importa
o que nós pensamos­a comunidade acadêmica só se preocupa com o que pudermos
demonstrar.
Apesar de regras precisas para a escolha de um tema não existem, existem
maneiras­além das preferências de­individuais determinar a provável
valor de uma empresa de pesquisa para a comunidade acadêmica. Idealmente,
todos os projectos de investigação em ciências sociais deve satisfazer dois critérios.
Em primeiro lugar, um projeto de pesquisa deve representar uma pergunta que é "importante" no real
mundo. O tema deve ser consequente de política, social ou económica
vida económica, para a compreensão de algo que afeta significativamente
muitas vidas, ou para a compreensão e previsão de eventos de pessoas que
pode ser prejudicial ou benéfico (ver Shively 1990: 15). Em segundo lugar, uma pesquisa
projeto deve fazer uma contribuição específica para um ratura acadêmico identificável
ture, aumentando nossa capacidade coletiva de construção verificada explicação científica
nações de algum aspecto do mundo . Este último critério não implica
que toda a investigação que contribua para o nosso estoque de ciências sociais explicação
nações, de facto, visa diretamente para fazer inferências causais. As vez
o estado do conhecimento em um campo é tal que muito de averiguação e
A inscrição é necessária antes que possamos assumir o desafio de explicação
nação. Muitas vezes, a contribuição de um único projeto vai ser descritivo
inferência. Às vezes o objetivo não pode mesmo ser inferência descritiva
mas será a estreita observação de eventos particulares ou a sum­
mary de detalhes históricos. Estes, no entanto, cumprir o nosso segundo critério
porque eles são pré­requisitos para explicação.
Nosso primeiro critério dirige nossa atenção para o mundo real da política
e os fenômenos sociais e para o registro atual e histórica da
eventos e problemas que moldam a vida das pessoas. Se uma pesquisa
questão satisfaz este critério é essencialmente um julgamento social. O sec­
ond critério dirige nossa atenção para a literatura acadêmica dos sociais
ciência, para os quebra­cabeças intelectuais ainda não colocados, para quebra­cabeças que re­
principal a ser resolvido, e as teorias e métodos científicos disponíveis
resolvê­los.
Os cientistas políticos têm nenhuma dificuldade em encontrar assunto que

Página 28

https://translate.googleusercontent.com/translate_f 17/187
02/12/2016 Projetando Inquérito sociais

16 · A Ciência em Ciências Sociais
atende o nosso primeiro critério. Dez grandes guerras durante o último quatrocentos
anos se matou quase trinta milhões de pessoas (Levy 1985: 372); alguns
"guerras limitadas", tais como aqueles entre os Estados Unidos e Norte
Vietnã e entre o Irã eo Iraque, têm cada reivindicou mais de um milhão
vidas; e da guerra nuclear, se fosse a ocorrer, poderia matar milhares de milhões de humanos
Seres humanos. má gestão política, tanto nacional e internacional, tem
levou a privação econômica em escala global base, como na década de 1930, bem
como a depressão regional e local, como evidenciado pela cia trágica
riências de grande parte da África e da América Latina durante os anos 1980. Dentro
, A variação cross­geral nacional nas instituições políticas está associado
com grande variação nas condições de vida humana comum, que
se refletem em diferenças na expectativa de vida e mortalidade infantil BE
países tween com níveis semelhantes de desenvolvimento económico (russett
1978: 913­28). Nos Estados Unidos, os programas concebidos para aliviar
pobreza ou de desorganização social parecem ter variado muito em sua
Eficácia. Não se pode duvidar que a investigação que contribua mesmo
marginalmente para uma compreensão destas questões é importante.
Enquanto os cientistas sociais têm uma abundância de questões significativas
que podem ser investigados, as ferramentas para compreendê­los são escassos
e bastante bruto. Muito tem sido escrito sobre a guerra ou a miséria social
que acrescenta pouco para o entendimento destas questões, pois não
quer para descrever esses fenômenos sistematicamente ou fazer válida
inferências causais ou descritivo. idéias brilhantes podem contribuir para UN
compre­ cedendo novas hipóteses interessantes, mas o brilho é
não é um método de pesquisa empírica. Todas as hipóteses precisam ser avaliados
ciado empiricamente antes que eles possam fazer uma contribuição ao conhecimento.
Este livro oferece nenhum conselho sobre como se tornar brilhante. O que ele pode fazer, contudo
nunca, é enfatizar a importância da realização de pesquisas para que ele
constitui uma contribuição ao conhecimento.
Nosso segundo critério para a escolha de uma questão de pesquisa ", fazendo um
contribuição, "significa localizar explicitamente um projeto de pesquisa dentro do
âmbito da literatura científica social existente. Isso assegura que
o investigador compreender o "estado da arte" e minimiza o
possibilidade de duplicar o que já foi feito. Ele também garante
que o trabalho realizado será importante para os outros, melhorando assim o
sucesso da comunidade de estudiosos, tomadas em conjunto. Fazer uma ex­
plicit contribuição para a literatura pode ser feito de muitas maneiras diferentes.
Listamos algumas das possibilidades aqui:
1. Escolha uma hipótese considerada importante pelos estudiosos na literatura, mas
para o qual ninguém tenha concluído um estudo sistemático. Se encontrar provas
a favor ou contra a hipótese favorecida, estaremos fazendo um
contribuição.

Página 29

Os principais componentes do Projeto de Pesquisa · 17
2. Escolha uma hipótese aceito na literatura que nós suspeitamos é falsa
(Ou um acreditamos que não foi adequadamente confirmada) e investigar
se é de fato falsa ou se alguma outra teoria está correta.
3. Tentativa de resolver ou fornecem evidências adicionais de um lado de uma controvérsia
versy na literatura, talvez demonstrar que a controvérsia foi
infundada desde o início.
4. Projeto de pesquisa para iluminar ou avaliar suposições não questionadas em
a literatura.
5. Argumente que um tema importante tem sido negligenciado na literatura e
em seguida, proceder a contribuir com um estudo sistemático para a área.
6. Mostre que as teorias ou provas projetado para algum propósito em um ratura
tura pode ser aplicado numa outra literatura para resolver uma existente, mas lhos
problema cantes independentes.
Se concentrar demais em fazer uma contribuição para uma ratura acadêmica
ture sem alguma atenção para temas que têm importância no mundo real
corre o risco de descer para questões politicamente insignificantes. Con­
https://translate.googleusercontent.com/translate_f 18/187
02/12/2016 Projetando Inquérito sociais
Inversamente, a atenção para a agenda política atual sem levar em conta é­
sues da receptividade de um sujeito para estudo sistemático dentro do
quadro de um corpo de conhecimento das ciências sociais leva a descuidados
trabalho que acrescenta pouco ao nosso entendimento mais profundo.
Nossos dois critérios para a escolha de questões de pesquisa não são necessariamente
em oposição um ao outro. No longo prazo, real compreensão
fenómenos mundo é aumentada pela geração e avaliação de
EXPOSIÇÃO hipóteses através da utilização do método científico. Mas
no curto prazo, pode haver uma contradição entre uso­prático
plenitude e valor científico de longo prazo. Por exemplo, Mankiw (1990)
aponta que a teoria macroeconômica e macroeconomia aplicada
divergiram drasticamente durante os anos 1970 e 1980: modelos que tinham sido
demonstrou ser teoricamente incoerentes ainda eram usados   para prever o
direção da economia dos EUA, enquanto os novos modelos teóricos de­
assinado para corrigir essas falhas permaneceram especulativa e não foram suficiente­
cientemente refinado para fazer previsões precisas.
Os critérios de aplicabilidade prática para o mundo real e contribuição
ção ao progresso científico pode parecer opostos um ao outro quando um
pesquisador escolhe um tópico. Alguns pesquisadores começará com uma real
problema mundial que é de grande importância social: a ameaça de armas nucleares
guerra, a diferença de renda entre homens e mulheres, a transição para a de­
mocracia na Europa Oriental. Outros podem começar com uma probabilidade intelectual
lem gerado pela literatura das ciências sociais: a contradição entre
vários estudos experimentais de tomada de decisão sob incerteza ou
uma inconsistência entre as teorias de votação do Congresso e recentes
os resultados das eleições. A distinção entre o critério é, é claro,

Página 30

18 · A Ciência em Ciências Sociais
não dura e rápida. Algumas questões de pesquisa satisfazer ambos os critérios de
o início, mas na concepção de investigação, os investigadores muitas vezes começam
mais perto um do outro. 4
Onde quer que ele começa, o processo de concepção de pesquisa para responder a uma
pergunta específica deve se mover em direção a satisfação de nossos dois cri­
Ter. E, obviamente, o nosso sentido de movimento vai depender de onde
nós começamos. Se somos motivados por um quebra­cabeça científico social, devemos perguntar
como fazer esse tema de pesquisa mais relevantes para os temas do mundo real de
significância­por exemplo, como se poderá experimentos de laboratório melhores
iluminar as escolhas estratégicas do mundo real por parte dos decisores políticos ou,
quais as consequências comportamentais pode a teoria tem. Se começarmos com
um problema do mundo real, devemos perguntar como esse problema pode ser estudado
com métodos científicos modernos para que ele contribui para o estoque de
explicações das ciências sociais. Pode ser que vamos decidir que a mudança
muito longe de um critério ou o outro não é a abordagem mais proveitosa.
experimentadores de laboratório podem argumentar que a busca por rência externa
entos é prematuro e que mais progresso será feito por refino o­
ory e método no ambiente mais controlado do laboratório.
E em termos de um programa de investigação a longo prazo, eles podem estar certos.
Por outro lado, o estudioso motivado por um problema do mundo real podem argumentar
que a descrição exata é necessária antes de se mudar para explicação. E
esse pesquisador também pode estar certo. descrição precisa é um impor­
etapa tant em programas de investigação explicativas.
Em qualquer caso, um programa de pesquisa e, se possível, uma investigação específica
projeto, deve ter como objectivo satisfazer os nossos dois critérios: ele deve lidar com um
significativa tópico do mundo real e ser concebidos para contribuir, direta ou
indirectamente, a uma literatura acadêmica específica. Desde a nossa principal preocupação em
este livro está fazendo pesquisa qualitativa mais científica, vamos pri­
marily abordar o pesquisador que começa com o "mundo real" per­
Especulação. Mas nossa análise é relevante para ambos os tipos de investigador.
Se começarmos com um problema significativo no mundo real e não com
uma literatura estabelecida, é essencial para elaborar um plano viável para
estudá­la. Um tema proposto, que não pode ser refinado em uma pesquisa específica
projeto permitindo inferência descritiva ou causal válida deve ser modificado
ao longo do caminho ou abandonados. Um tema proposto que vai fazer nenhuma contri­

https://translate.googleusercontent.com/translate_f 19/187
02/12/2016 Projetando Inquérito sociais
4 O dilema não é diferente daquela enfrentada pelos cientistas naturais para decidir se a
realizar pesquisa aplicada ou básico. Por exemplo, a pesquisa aplicada em relação a um espe­
drogas lar ou doença pode, no curto prazo, melhorar o atendimento médico sem contribuir como
tanto para o conhecimento geral dos mecanismos biológicos. Pesquisa básica
pode ter como consequência oposto. A maioria dos pesquisadores argumentam, como fazemos para o
ciências sociais, que a dicotomia é falsa e que a pesquisa básica acabará por levar a
os poderosos resultados aplicados. No entanto, todos concordam que o melhor projeto de pesquisa é aquele que
de alguma forma consegue tanto para ser diretamente relevantes para resolver problemas do mundo real e para
promover a realização dos objectivos de uma literatura científica específica.

Página 31

Os principais componentes do Projeto de Pesquisa · 19
buição para alguma literatura acadêmica deve igualmente ser alterado. Hav­
ing provisoriamente escolhido um tema, nós entramos em um diálogo com a literatura.
Que questões de interesse para nós já foram respondidas? Como
podemos representar e refinar nossa pergunta de modo que parece capaz de ser
respondeu com as ferramentas disponíveis? Podemos começar com uma questão candente,
mas vamos ter de vir a enfrentar, tanto com a literatura dos sociais
ciência e os problemas de inferência.

1.2.2 Melhorar a Teoria
A teoria das ciências sociais é uma especulação fundamentada e precisa sobre a
responder a uma pergunta de pesquisa, incluindo uma declaração sobre o porquê da
resposta proposta está correta. Teorias geralmente implicam vários outros es­
espe­ hipóteses descritivas ou causal. A teoria deve ser consistente
com a evidência prévia sobre uma questão de pesquisa. "Uma teoria que ignora
a evidência existente é um paradoxo. Se tivéssemos o equivalente a "verdade
na legislação de publicidade ", como um paradoxo não deve ser chamado a
teoria "(Lieberson 1992: 4; veja também Woods e Walton 1982).
O desenvolvimento de uma teoria é muitas vezes apresentada como o primeiro passo de
pesquisa. Às vezes vem em primeiro lugar na prática, mas não precisa. De fato,
não podemos desenvolver uma teoria sem knowlege do trabalho prévio sobre a
assunto e a recolha de alguns dados, uma vez que mesmo a questão de pesquisa
ção seria desconhecida. No entanto, apesar de qualquer quantidade de
dados já foram coletados, existem algumas maneiras gerais para avaliadores
comeram e melhorar a utilidade de uma teoria. Nós brevemente introduzir cada
destes aqui, mas salvar uma discussão mais detalhada para os capítulos posteriores.
Primeiro, escolha teorias que poderia estar errado. De facto, é muito mais
aprendido com teorias que são errado do que de teorias que são demonstrados
de forma tão abrangente que não poderia estar errado mesmo em princípio. 5 Precisamos
ser capaz de dar uma resposta direta à pergunta: Que evidência
nos convencer de que estamos errados? 6 Se não houver nenhuma resposta a esta pergunta,
então não temos uma teoria.
Em segundo lugar, certificar­se de uma teoria é falsificável, escolha um que é capa­
ble de gerar tantas implicações observáveis quanto possível. este
escolha vai permitir que mais testes da teoria com mais dados e uma maior
variedade de dados, vai colocar a teoria em risco de serem falsificados mais vezes,
e tornará possível a coleta de dados, de modo a construir uma forte evidência
para a teoria.

5 Este é o princípio da falseabilidade (Popper, 1968). É uma questão em que há
posições variadas na filosofia da ciência. No entanto, muito poucos deles discordar
o princípio de que as teorias devem ser claramente indicado o suficiente para que eles pudessem estar errado.
6 Esta é provavelmente a pergunta mais comum em entrevistas de trabalho em nosso departamento
mento e muitos outros.

Página 32

20 · A Ciência em Ciências Sociais
Em terceiro lugar, na elaboração de teorias, ser o mais concreto possível. Vagamente
teorias e hipóteses indicadas não servem de nada, mas para ofuscar. O­

https://translate.googleusercontent.com/translate_f 20/187
02/12/2016 Projetando Inquérito sociais
ories que estão definidas com precisão e fazer previsões específicas pode ser
mostrado mais facilmente estar errado e, portanto, melhor.
Alguns pesquisadores recomendam seguir o princípio de "parsi­
mony. "Infelizmente, a palavra tem sido usada de muitas maneiras em
conversa casual e escritos acadêmicos que o princípio tornou­
vêm obscurecida (ver Sober [1988] para uma discussão completa). o clara­
definição est da parcimônia foi dada por Jeffreys (1961: 47): "Simples
teorias têm probabilidades anteriores mais elevados. " 7 Parcimônia é, portanto, uma
julgamento, ou mesmo pressuposto, sobre a natureza do mundo: é as­
consumida para ser simples. O princípio da escolha de teorias que implicam uma
mundo simples é uma regra que se aplica claramente em situações em que há
um elevado grau de certeza que o mundo é, de facto simples. estudiosos em
física parecem encontrar parcimônia adequado, mas aqueles em biologia, muitas vezes
pense nisso como um absurdo. Nas ciências sociais, alguns vigorosamente defender par­
simonia em seus subcampos (por exemplo, Zellner 1984), mas acreditamos que é apenas
ocasionalmente apropriado. Dada a definição precisa da parcimônia como
uma suposição sobre o mundo, nunca devemos insistir em parcimônia
como um princípio geral de concepção teorias, mas é útil naqueles
situações em que temos algum conhecimento da simplicidade do
mundo em que está estudando.
Nosso ponto é que não aconselhamos os pesquisadores a buscar parcimônia como
um bem essencial, uma vez que parece haver pouca razão para adotá­lo, a menos que
já sabe muito sobre um assunto. Nós não precisa mesmo de parcimônia
evitar teorias excessivamente complicadas, uma vez que está diretamente implicado pela
a máxima de que a teoria deve ser tão complicado como todo o nosso
evidências sugerem. Situações com insuficiente evidência relativa à
complexidade da teoria a ser investigado pode levar a que chamamos
"Projetos de pesquisa indeterminada" (ver secção 4.1), mas estes são probabilidade
Lems de projeto de pesquisa e não suposições sobre o mundo.
Todos os nossos conselhos, até agora, aplica­se se ainda não ter recolhido os nossos dados
e começou a qualquer análise. No entanto, se já reuniu a
dados, certamente podemos usar essas regras para modificar nossa teoria e reunir
novos dados, e, assim, gerar novas implicações observáveis   da nova
teoria. Naturalmente, este processo é caro, consome tempo, e
provavelmente um desperdício dos dados já recolhidos. O que, em seguida, sobre o
situação em que a nossa teoria está na necessidade óbvia de melhoramento, mas
não podemos dar ao luxo de recolher dados adicionais? Esta situação­nos quais
investigadores encontram­se frequentemente­exige grande cuidado e auto

7 Esta frase veio a ser conhecido como o O "Jeffreys­Wrinch Simplicidade Postulado".
conceito é semelhante ao navalha de Occam.

Página 34

Os principais componentes do Projeto de Pesquisa · 21
contenção. Qualquer estudioso inteligente pode chegar a uma o­ "plausível"
ORY para qualquer conjunto de dados após o fato, mas a fazê­lo demonstra comunicação nada
ing sobre a veracidade da teoria. A teoria vai caber os dados bem
e ainda pode ser descontroladamente errado, na verdade, comprovadamente errado com
a maioria dos outros dados. Os seres humanos são muito bons em reconhecimento de padrões
mas não muito bons em reconhecer nonpatterns. (A maioria de nós sequer ver
padrões em borrões de tinta aleatórios!) ajustes ad hoc em uma teoria que
não se encaixa dados existentes devem ser usados   raramente, e com considerável
disciplina. 8
Há ainda o problema do que fazer quando tivermos terminado nossa
recolha e análise de dados e gostaria de trabalhar para melhorar a teoria.
Nesta situação, recomendamos seguir duas regras: Primeiro, se a nossa pré
dicção é condicionada a diversas variáveis   e estamos dispostos a cair
uma das condições, podemos fazê­lo. Por exemplo, se temos a hipótese de
inicialmente que os países democráticos com sis­ avançado bem­estar social
tems não lutam entre si, seria permitido estender esse
hipótese a todas as democracias modernas e, assim, avaliar a nossa teoria
contra mais casos e aumentar suas chances de ser falsificado. o ge­
ponto eral é que depois de ver os dados, podemos modificar a nossa teoria em um
forma que torna aplicável a uma gama maior de fenômenos. Uma vez que uma tal
alteração na nossa tese expõe mais plenamente à falsificação, modificação
ção neste sentido não deve conduzir a explicações ad hoc que
https://translate.googleusercontent.com/translate_f 21/187
02/12/2016 Projetando Inquérito sociais
só aparecem para "salvar" uma teoria inadequada, restringindo a sua gama
a fenómenos que já foram observadas para estar de acordo com isso.
A prática oposto, no entanto, é geralmente inadequada. após ob­
servindo os dados, não devemos apenas adicionar uma condição restritiva e
em seguida, proceder como se a nossa teoria, com essa qualificação, foi mostrado
estar correto. Se nossa teoria original era que as democracias modernas fazem
não lutar em guerras uns com os outros devido a seus sistemas constitucionais, ele
seria menos admissível, tendo encontrado excepções à nossa "regra", para
restringir a proposição às democracias com o bem­estar social avançado
sistemas , uma vez que tenha sido determinada por inspeção dos dados que um tal
qualificação iria aparecer para tornar a nossa proposição correta . Ou suponha que
nossa teoria original de que as revoluções ocorrem apenas sob condições
de depressão económica grave, mas nós achamos que isso não é verdade em um
dos nossos estudos de caso. Nesta situação não seria razoável meramente
para adicionar condições gerais tais como, as revoluções nunca ocorrem durante peri
ods de prosperidade, exceto quando as forças armadas é fraco, o chumbo política
lideran­ é repressivo, a economia é baseada em um pequeno número de duto
8 Se tiver escolhido um tema de importância no mundo real e / ou um que faz com que alguns
contribuição para a literatura acadêmica, a natureza social da academia irá corrigir este situa­
ção: alguém vai replicar nosso estudo com outro conjunto de dados e demonstrar que
estávamos errados.

Página 34

22 · A Ciência em Ciências Sociais
cado de, eo clima é quente. Tal formulação é meramente uma fantasia
(E enganoso) maneira de dizer "minha teoria está correta, exceto em país
tente x . "Desde que nós já descobriram que a nossa teoria é incorreta
para o país x , isso não ajuda para transformar essa falsificação em um espúrio
generalização. Sem esforços para recolher novos dados, não teremos
provas admissíveis para apoiar a nova versão da teoria.
Portanto, a nossa regra básica que diz respeito à alteração nossa teoria, depois de observar
dos dados é: nós podemos fazer a teoria menos restritiva (para que ele cobre um amplo
gama de fenômenos e está exposto a mais oportunidades de falsificação),
mas não devemos torná­la mais restritiva sem recolher novos dados para testar
a nova versão da teoria . Se não podemos recolher dados adicionais, em seguida,
estamos presos; e nós não propõe qualquer maneira mágica de conseguir un
preso. Em algum momento, decidindo que estamos errados é melhor; Com efeito, nega­
achados tivos pode ser bastante valiosa para a literatura acadêmica. Quem
não preferiria um resultado negativo contínuo sobre qualquer número de frágil
resultados positivos baseados em teorias ad hoc?
Além disso, se estamos errados, não precisamos parar de escrever depois de admitir
derrota. Podemos adicionar uma seção para o nosso artigo ou um capítulo de nosso livro
sobre o futuro pesquisa empírica e especulação teórica atual. Dentro
Neste contexto, nós temos muito mais liberdade. Podemos sugerir ad­
condições nal que possa ser plausivelmente ligados a nossa teoria, se
nós acreditamos que eles podem resolver o problema, propor a alteração dos
outra teoria existente ou propor uma gama de teo­ totalmente diferente
Rias Nesta situação, não podemos concluir qualquer coisa com uma grande quantidade de
certeza (exceto, talvez, que a teoria afirmamos no início é
errado), mas nós temos o luxo de inventar novos projetos de pesquisa
ou projectos de recolha de dados que poderiam ser utilizados para decidir se a nossa
especulações estão correctas. Estes podem ser muito valioso, especialmente em su­
gesting áreas onde futuros pesquisadores podem olhar.
É certo que, como discutimos acima, as ciências sociais não funciona
estritamente de acordo com as regras: a necessidade de criatividade, por vezes, mandatos
o livro de texto que ser descartado! E os dados podem disciplina pensava.
Por isso os pesquisadores irão às vezes, depois de confrontar dados, têm inspi­
rações sobre como eles deveriam ter construído a teoria em primeiro
lugar. Tal modificação, mesmo se restritiva, pode valer a pena se nós
pode convencer a nós mesmos e aos outros que modificam a teoria na
forma que propomos é algo que poderia ter feito antes de col­
lecionados os dados se tivéssemos pensado nisso. Mas, até serem testadas com novos dados,
o estado de uma tal teoria permanecerá muito incerta e deve ser
identificada como tal.
Uma consequência importante dessas regras é que os projectos­piloto são
https://translate.googleusercontent.com/translate_f 22/187
02/12/2016 Projetando Inquérito sociais
frequentemente muito útil, especialmente em pesquisa onde os dados devem ser reunidos
por meio de entrevistas ou outros meios particularmente caros. Dados preliminares­
encontro pode nos levar a alterar as questões de pesquisa ou modificar o

Página 35

Os principais componentes do Projeto de Pesquisa · 23
teoria. Em seguida, novos dados podem ser recolhidos para testar a nova teoria, ea
problema de usar os mesmos dados para gerar e testar uma teoria pode ser
Evitado.

1.2.3 Melhorar a Qualidade de Dados
"Dados" são elementos de informação sobre a recolha sistemática
mundo. Eles podem ser qualitativos ou quantitativos em grande estilo. Às vezes, os dados
são recolhidos para avaliar uma teoria muito específica, mas não tão raro,
estudiosos coletar dados antes de saber exatamente o que eles estão interessados
em descobrir. Além disso, mesmo se os dados são recolhidos para avaliar a espe­
hipótese espe­, os pesquisadores podem em última análise, estar interessado em questões
que não lhes havia ocorrido anteriormente.
Em ambos os casos, quando os dados são reunidos para uma finalidade específica ou
quando os dados são usados   para algum propósito não é claramente em mente quando eles
estavam reunidos­determinadas regras irão melhorar a qualidade desses dados. Dentro
princípio, podemos pensar sobre essas regras para melhorar os dados separadamente
das regras na seção 1.2.2 para melhorar a teoria. Na prática, qualquer
esforço de coleta de dados requer algum grau de teoria, assim como formulat­
ing qualquer teoria requer alguns dados (ver Coombs 1964).
Nossa primeira e mais importante diretriz para melhorar a qualidade dos dados
é: registrar e relatar o processo pelo qual os dados são gerados . Sem
esta informação não podemos determinar se usando dimento padrão
mentos na análise dos dados irá produzir inferências tendenciosas. Somente por
conhecer o processo pelo qual os dados foram gerados seremos capazes
para produzir inferências descritivas ou causais válidas. Numa quantitativa
pesquisa de opinião, registrando o processo de geração de dados exige que
conhecer o método exato pelo qual a amostra foi tirada ea espe­
questões espe­ que foram feitas. Em um caso comparativo qualitativa
estudar, relatando as regras precisas pelas quais nós escolhemos o pequeno núme­
ber de casos para análise é crítica. Damos orientações adicionais em
Capítulo 6 para seleção dos casos na pesquisa qualitativa, mas ainda mais im­
portante do que escolher um bom método é tendo o cuidado de gravar e
relatório qualquer método que foi utilizado e todas as informações necessárias
de alguém para aplicá­la. 9
No ponto 1.2.2 que defendia teorias que são capazes de gerar

9 Nós achamos que muitos estudantes de pós­graduação são desnecessariamente medo de compartilhar dados e
a informação necessária para replicar os seus resultados. Eles estão com medo de que alguém vai
roubar seu trabalho árduo ou mesmo provar que eles estavam errados. Estes são todos os medos comuns,
mas eles são quase sempre injustificada. Publicação (ou pelo menos o envio de cópias de re­
papéis para outros estudiosos de pesquisa) e compartilhamento de dados é a melhor maneira de garantir crédito para
contribuições da pessoa. Além disso, a partilha de dados só irá ajudar outros acompanham na
investigação que começou. Quando a pesquisa é publicada, eles vão citar o seu esforço e
avançar a sua visibilidade e reputação.

Página 36

24 · A Ciência em Ciências Sociais
muitas implicações observáveis. A segunda diretriz para melhorar
qualidade dos dados é para melhor avaliar uma teoria, recolher dados sobre como muitos
das suas implicações observáveis quanto possível . Tal implica recolher o máximo
dados em tantos contextos diferentes quanto possível. Cada incidências adicionais
cação da nossa teoria que observamos fornece outro contexto em
que para avaliar a sua veracidade. As implicações mais observáveis
que são encontrados para ser consistente com a teoria, o mais poderoso
a explicação e quanto mais certos os resultados.
https://translate.googleusercontent.com/translate_f 23/187
02/12/2016 Projetando Inquérito sociais
Ao adicionar dados sobre novas implicações observáveis   de uma teoria, nós
pode (a) recolher mais observações sobre a mesma variável dependente, ou
(b) recorde variáveis   dependentes adicionais. Podemos, por exemplo, dis­
agregada a períodos de tempo mais curtos ou áreas geográficas menores. Nós podemos
Também recolhemos informações sobre as variáveis   dependentes de menos interesse direto;
se os resultados forem como a teoria prevê, teremos mais confiança
na teoria.
Por exemplo, considere a teoria da dissuasão racional: inicia­ potencial
ators de guerra calcular os custos e benefícios de atacar outra
estados, e estes cálculos podem ser influenciadas por ameaças credíveis de
retaliação. O teste mais direto desta teoria seria para avaliar
se, dadas as ameaças de guerra, as decisões de ataque são associados com
fatores como o equilíbrio de forças militares entre a at­ potencial
tacker eo defensor ou os interesses em jogo para o defensor (Huth
1988). No entanto, mesmo utilizando apenas os casos em que as ameaças são
emitido constitui um conjunto de implicações observáveis   da teoria, eles
são apenas uma parte das observações que podia ser recolhida (e utilizada
por si só pode levar a viés de seleção), uma vez que as situações em que as ameaças
­se dissuadir seriam excluídos do conjunto de dados. Por isso
pode ser útil também para coletar dados em um dependente adicional
variável (isto é, um conjunto diferente de implicações observáveis) com base numa
medição de saber se as ameaças são feitas por estados que têm algum
incentivos para fazê­lo.
Na medida em bons dados como suficientes sobre dissuasão na política internacional
não se verificar, que também poderia ser útil para testar uma teoria diferente, com um
pressupostos motivacionais semelhantes, para uma variável dependente diferente
sob diferentes condições, mas que ainda é uma implicação observável
da mesma teoria. Por exemplo, poderíamos construir um laboratório ex­
periment para ver se, sob condições simuladas, "ameaças" são de­
terred em vez de acentuado pelo poder militar e de negociação firme
comportamento. Ou poderíamos examinar se outros intervenientes na Sente análoga
si­, como as empresas oligopolistas competindo por participação de mercado ou ou­
famílias ganizado­crime concorrentes para o relvado, utilizar estratégias de dissuasão
e como eles são bem sucedidos em diversas condições. Com efeito, eco­
névoas que trabalham no campo da organização industrial têm usado não

Página 37

Os principais componentes do Projeto de Pesquisa · 25
teoria dos jogos cooperativos, em que teoria da dissuasão também depende, para
estudar problemas como a entrada em mercados e estratégias de preços
(E Fudenberg Tirole 1989). Dada a estreita semelhança entre a
teorias, previsões evidência empírica apoio da teoria dos jogos
sobre o comportamento empresa iria aumentar a plausibilidade de hipó­ relacionada
eses sobre o comportamento do Estado na política internacional. incerteza faria
permanecem sobre a aplicabilidade das conclusões de um domínio para an­
outra, mas a questão é suficientemente importante para justificar tentativas de ganhar
perspicácia e evidência onde quer que eles podem ser encontrados.
Obviamente, para coletar dados para sempre sem fazer qualquer análise seria
opõe ao invés de facilitar a realização de investigação úteis. em tica
Tice, tempo e recursos limitados será sempre limitar a recolha de dados
Esforços. Embora mais informações, casos adicionais, entrevistas extras,
outra variável, e outras formas relevantes de recolha de dados al­
maneiras melhorar a segurança das nossas inferências em algum grau, promissora
ing, potenciais estudiosos pode ser arruinada por demasiada informação tão facilmente
como por muito pouco. Insistindo na leitura de outro livro ou ficar ainda
mais um conjunto de dados sem nunca escrever uma palavra é uma receita para
sendo improdutiva.
Nossa terceira diretriz é: maximizar a validade de nossas medições . va­
lidity refere­se a medir o que nós pensamos que estamos medindo. o desemprego
taxa de prego pode ser um bom indicador do estado da economia, mas
os dois não são sinônimos. Em geral, é mais fácil para maximizar valid­
dade, aderindo aos dados e não permitindo despercebido ou unmeasur­
conceitos capazes ficar no caminho. Se um informante responde à nossa pergunta
indicando a ignorância, então nós sabemos que ele disse que ele era ignorante. Do
que, temos uma medida válida. No entanto, o que ele realmente quis dizer é

https://translate.googleusercontent.com/translate_f 24/187
02/12/2016 Projetando Inquérito sociais
um conceito­ona completamente diferente que não pode ser medida com um
alto grau de confiança. Por exemplo, em países com repressivo
governos, expressando a ignorância pode ser uma maneira de fazer uma crítica
indicação política para algumas pessoas; para outros, é uma maneira de dizer "eu
Não sei. "
Nossa quarta diretriz é: assegurar que os métodos de recolha de dados são confiáveis .
Fiabilidade significa que a aplicação do mesmo procedimento da mesma maneira
sempre produzirá a mesma medida. Quando um procedimento é fiável
aplicadas em momentos diferentes e nada aconteceu, entretanto,
para alterar o estado "verdade" do objecto que está a medir, a mesma
resultado será observado. 10 medidas de confiança também produzem o mesmo re­
10 Podemos verificar a confiabilidade nos medindo a mesma quantidade duas vezes e vendo
se as medidas são as mesmas. Às vezes, isso parece fácil, como literalmente pedindo
a mesma pergunta em diferentes momentos durante uma entrevista. No entanto, a pergunta
uma vez que pode influenciar o entrevistado a responder de uma forma consistente pela segunda vez,
por isso temos de ter cuidado para que as duas medidas são, de facto independente.

Página 38

26 · A Ciência em Ciências Sociais
sultados quando aplicado por diferentes pesquisadores, e este resultado de­
pends, naturalmente, de que não haja procedimentos explícitos que podem ser se­
mugiam. 11
Nossa orientação final é: todos os dados e análises devem, na medida do possível,
ser replicáveis . Replicabilidade se aplica não apenas aos dados, de modo que podemos ver
se as nossas medidas são confiáveis, mas a todo o processo de raciocínio
usada na produção de conclusões. Na base do nosso relatório de pesquisa, a
nova pesquisador deve ser capaz de duplicar os nossos dados e traçar a lógica
pelo qual chegamos a nossas conclusões. Replicabilidade é importante, mesmo
se ninguém realmente replica nosso estudo. Apenas relatando o estudo em
pormenor suficiente para que ele possa ser replicada é possível avaliar o
procedimentos seguidos e os métodos utilizados.
Replicabilidade dos dados pode ser difícil ou impossível, em alguns tipos de
de pesquisa: entrevistados podem morrer ou desaparecer, e observações diretas
do mundo real eventos de testemunhas ou participantes não pode ser repetido.
Replicabilidade também passou a significar coisas diferentes em diferentes re­
tradições de pesquisa. Na pesquisa quantitativa, os estudiosos se concentrar em replicáveis
cando a análise depois de começar com os mesmos dados. Como qualquer pessoa que
já tentou replicar os resultados quantitativos do mesmo proeminente
trabalhos publicados conhece bem, é geralmente muito mais difícil do que deveria
ser e sempre mais valioso do que parece no início (ver Dewald
Et ai. De 1986, relativa a replicação na pesquisa quantitativa).
A analogia na pesquisa qualitativa tradicional é fornecido pela febre aftosa
notas e ensaios bibliográficos. Usando essas ferramentas, os estudiosos sucedendo
deve ser capaz de localizar as fontes usadas em trabalhos publicados e fazer
suas próprias avaliações das inferências reivindicou a partir dessas informações.
Para a pesquisa com base na observação direta, a replicação é mais difícil.
Um estudioso poderia emprestar outra é notas de campo ou fita gravada inter­
vista para ver se eles apoiam as conclusões feitas pelo origi­
investigador nal. Uma vez que grande parte dos dados em pesquisa de campo envolvem
conversas, impressões e outras infor­ participativa sem registro
mação, esta reanálise dos resultados usando os mesmos dados não é feito muitas vezes.
No entanto, alguns avanços importantes pode ser alcançado se mais schol­
ars tentou este tipo de replicação, e seria, provavelmente, também encorajar
outros para manter notas de campo mais completos. Ocasionalmente, uma re inteiro
projeto de pesquisa, incluindo a coleta de dados, foi replicado. Desde que nós
não pode voltar no tempo, a replicação não pode ser perfeito, mas pode ser
muito valioso, no entanto. Talvez o mais extensa de replicação

11 Um exemplo é a utilização de mais do que um codificador para extrair informações sistemática
a partir de transcrições de entrevistas em profundidade. Se duas pessoas usam as mesmas regras de codificação, podemos
ver quantas vezes eles produzem o mesmo julgamento. Se eles não produzem me­ confiáveis
sures, então podemos fazer as regras de codificação mais precisa e tente novamente. Eventualmente, um conjunto
de regras pode muitas vezes ser gerado de modo que a aplicação do mesmo procedimento por diferentes
codificadores irá produzir o mesmo resultado.

https://translate.googleusercontent.com/translate_f 25/187
02/12/2016 Projetando Inquérito sociais

Página 39

Os principais componentes do Projeto de Pesquisa · 27
um estudo qualitativo é o estudo sociológico de Middletown, Indiana,
iniciada por Robert e Helen Lynd. Seu primeiro estudo "Middletown" foi
publicado em 1929 e foi replicado em um livro publicado em 1937.
Mais de 50 anos após o estudo original, uma longa série de livros e
artigos estão sendo publicados que replicar esses estudos originais (ver
Caplow et al., 1983a, 1983b e as citações aí contidas). Todos qualitativa
replicação não precisa ser extensa, mas este importante projecto de investigação
deve servir como um exemplo para o que é possível.
Todas as pesquisas devem tentar alcançar o máximo de replicabilidade pos­
veis: estudiosos deve sempre registrar a exata métodos, regras e pro­
procedimentos utilizados para recolher informações e fazer inferências para que an­
outro pesquisador pode fazer a mesma coisa e desenhar (espera­se) a mesma
conclusão. Replicabilidade também significa que os estudiosos que usam unpub­
cido ou privadas registros devem envidar esforços para garantir que o futuro schol­
ars terá acesso ao material em condições semelhantes; tirando vantagem
acesso das privilegiada sem buscar o acesso para os outros se opõe replicáveis
cação e põe em causa a qualidade científica do trabalho. Geralmente
nosso trabalho não será replicado, mas nós temos a responsabilidade de agir
como se alguém pode querer fazê­lo. Mesmo que o trabalho não é replicado,
fornecer os materiais para tais replicação permitirá que os leitores a UN
preender e avaliar o que temos feito.

1.2.4 Melhorar a utilização dos dados existentes
Corrigindo problemas de dados através da recolha de dados novo e melhor é quase al­
formas uma melhoria em tentar usar os dados existentes, falhos em melhor
maneiras; No entanto, a primeira abordagem nem sempre é possível. Social
Cientistas encontram­se frequentemente com os dados problemáticos e pouca chance
para adquirir algo melhor; Assim, eles têm que fazer o melhor do que
eles têm.
Melhorar a utilização dos dados coletados anteriormente é o tema principal
ensinada em aulas sobre métodos estatísticos e é, de fato, o principal contri­
buição de estatística inferencial para as ciências sociais. Os preceitos sobre
este tema que é tão clara no estudo da estatística inferencial também
aplicam­se a pesquisa qualitativa. O restante deste livro lida com
estes preceitos mais plenamente. Aqui nós fornecemos apenas um breve esboço de
as directrizes para melhorar a utilização dos dados coletados anteriormente.
Em primeiro lugar, sempre que possível, devemos utilizar os dados para gerar inferências
que são "imparcial", isto é, correta, em média. Para entender isso
ideia muito específica da investigação estatística, imagine aplicando o mesmo
metodologia (na pesquisa quantitativa ou qualitativa) para analisar
e tirar conclusões a partir de dados em vários conjuntos de dados. Por causa de
pequenos erros nos dados ou na aplicação do procedimento, uma única
aplicação desta metodologia provavelmente nunca seria exatamente cor­

Página 40

28 · A Ciência em Ciências Sociais
rect. Um procedimento de "imparcial" será correto quando tomado como um aver­
idade em muitas aplicações, mesmo que nenhuma aplicação única é correta.
O procedimento não irá inclinar sistematicamente o resultado em uma direção
ou outro.
Alcançar inferências imparciais depende, é claro, tanto no origi­
coleção nal dos dados e sua utilização posterior; e, como apontou BE
tona, é sempre melhor para antecipar os problemas antes da coleta de dados BE
gins. No entanto, podemos citar estas questões brevemente aqui porque quando
usando os dados, é preciso ter um cuidado especial para analisar se
fontes de viés foram ignorados durante a coleta de dados. Um desses
fonte, que pode levar a inferências enviesados, que é de viés de selecção:
escolhendo observações de uma maneira que distorce sistematicamente a
população de onde foram tiradas. Apesar de um plo óbvio

https://translate.googleusercontent.com/translate_f 26/187
02/12/2016 Projetando Inquérito sociais
ple é deliberadamente escolher apenas os casos que suportam nossa teoria, seleção
viés de pode ocorrer de maneiras muito mais sutis. Outra dificuldade pode
resultam de polarização variável omitido, o que se refere à exclusão de alguns
variável de controle que possam influenciar uma conexão causal aparente BE
entre os nossos variáveis   explicativas e aquilo que queremos explicar.
Discutimos esses e inúmeros outros perigos potenciais na produção
inferências imparciais nos capítulos 2­6.
A segunda orientação baseia­se no conceito de estatística "efi­
eficiência ": uma utilização eficiente dos dados envolve a maximizar a informação
utilizado para inferência descritiva ou causal. Maximizando a eficiência re­
quires não só usando todos os nossos dados, mas também usando toda a informações relevantes
mação nos dados para melhorar inferências. Por exemplo, se os dados forem
desagregados em pequenas unidades geográficas, devemos usá­lo de que
Assim, não apenas como um agregado nacional. Os agregados menores terão
maiores graus de incerteza que lhes estão associados, mas se forem,
pelo menos em parte, implicações observáveis   da teoria, eles vão con­
tain algumas informações que podem ser exercidas sobre a inferência
problema.

1.3 temas deste VOLUME
Concluímos este capítulo visão geral, destacando a quatro importantes
temas no desenvolvimento de projetos de pesquisa que discutimos aqui
e irá elaborar ao longo deste livro.

1.3.1 Usando Implicações observáveis   para conectar teoria e dados
Neste capítulo temos enfatizado que toda teoria, para ser worth­
enquanto, deve ter implicações sobre as observações que esperamos
descobrir se a teoria está correta. Estas implicações observáveis da teoria

Página 41

Temas deste volume · 29
deve orientar a nossa coleta de dados e ajudar a distinguir relevante do ir­
fatos relevantes. No capítulo 2.6 discutimos como teoria afeta coleta de dados
ção, bem como a forma como as disciplinas de dados imaginação teórica. Aqui nós
quero salientar que teoria e pesquisa empírica deve ser firmemente con­
Ligados. Qualquer teoria que faz o trabalho real para nós tem implicações para em­
investigação empíricas; nenhuma investigação empírica pode ser com­ sucesso
a teoria para orientar a sua escolha de perguntas. Teoria e coleta de dados
são os dois aspectos essenciais do processo pelo qual nós procuramos para decidir
se uma teoria devem ser provisoriamente viram verdadeiras ou falsas, sujeitas
tal como é em ambos os casos para a incerteza que caracteriza todos inferência.
Devemos pedir de qualquer teoria: Quais são suas implicações observáveis?
Devemos perguntar sobre quaisquer investigações empíricas: São a observação
ções relevantes para as implicações de nossa teoria, e, em caso afirmativo, o que eles
nos permitem inferir sobre a justeza da teoria? Em qualquer sociais
estudo científico, as implicações da teoria e a observação de
fatos precisam malha uns com os outros: conclusões da ciência social não pode
ser considerada fiável, se não forem baseados na teoria e dados
forte ligação com o outro e forjada pela formulação e
examinar as implicações observáveis   de uma teoria.

1.3.2 Maximizando a alavancagem
O estudioso que busca implicações adicionais de uma hipótese
está a seguir uma das realizações mais importantes de todos sci­ sociais
cia: explicar, tanto quanto possível, com o mínimo possível . bem social
ciência busca aumentar o significado do que é explicado em relação
à informação utilizada na explicação. Se pudermos ex­ precisão
claro o que a princípio parece ser um efeito complicado com um único
variável causal ou algumas variáveis, a alavancagem temos mais um problema
é muito alta. Por outro lado, se pode explicar muitos efeitos sobre a base de
uma ou algumas variáveis   também temos alta alavancagem. A alavancagem é baixa em
as ciências sociais em geral e, mais ainda, em particular, sujeitas

Áreas. Isso pode ser porque os estudiosos ainda não sabem como aumentar
https://translate.googleusercontent.com/translate_f 27/187
02/12/2016 Projetando Inquérito sociais
Áreas. Isso pode ser porque os estudiosos ainda não sabem como aumentar
­lo ou não, porque a natureza passa a ser organizada de fash­ conveniente
iões ou por ambos os motivos. Áreas convencionalmente estudados qualitativa
vamente são muitas vezes aqueles em que a alavancagem é baixa. Explicação dos any­
coisa parece exigir uma série de variáveis   explicativas: usamos muito a
explicar um pouco. Em tais casos, o nosso objectivo deve ser o de projetar pesquisa
com mais força.
Existem várias maneiras em que podemos aumentar a nossa influência sobre
um problema de pesquisa. O caminho principal é aumentar o número de
implicações observáveis   de nossa hipótese e solicitar a confirmação de
essas implicações. Como já descrito acima, esta tarefa pode envolver

Página 42

30 · A Ciência em Ciências Sociais
(1) melhorando a teoria de modo que ela tem implicações mais observáveis,
(2) melhorar os dados de forma mais destas implicações são de fato ob­
servido e utilizado para avaliar a teoria, e (3) melhorar a utilização de
os dados de modo que mais destes implicações são extraídos existente
dados. Nenhum destes, nem o conceito geral de maximizar a força de alavanca,
são os mesmos que o conceito de parcimónia, que, como se explicou em
ponto 1.2.2, é uma suposição sobre a natureza do mundo, em vez
que uma regra para a concepção de pesquisa.
Maximizando a alavancagem é tão importante e tão geral que nós fortemente
recomendamos que os pesquisadores listar rotineiramente todas as implicações observáveis   possíveis
da sua hipótese de que pode ser observado nos seus dados ou em outros dados. isto
Pode ser possível testar algumas destas novas implicações no original
conjunto de dados, contanto que a implicação não "sair" o dados
mas é uma hipótese sugerida de forma independente pela teoria ou uma dife­
dados ent definido. Mas é ainda melhor que recorrer a outros dados. Assim, devemos
também considerar as implicações que podem aparecer em outros dados, tais como
dados sobre outras unidades, dados sobre outros aspectos das unidades em
estudar, dados de diferentes níveis de agregação, e dados de outros
períodos de tempo, tais como previsões sobre o futuro próximo e avaliar
a hipótese nessas configurações. Quanto mais provas que podemos encontrar em
contextos variados, o mais poderoso a nossa explicação torna­se, e o
mais nos confiança e outros devem ter em nossas conclusões.
À primeira vista, alguns pesquisadores podem opor­se à ideia de collect­
ing implicações observáveis   a partir de qualquer fonte ou a qualquer nível de agregação
ção diferente daquela para a qual a teoria foi concebida. Para a prova­
plo, Lieberson (1985) aplica­se a pesquisa qualitativa a ideia estatística
de "falácia ecológica" usando ­incorrectly dados agregados para fazer in­
ferências sobre indivíduos de advertir contra a inferência de nível cruz. 12
Nós certamente concorda que podemos usar dados agregados para fazer incorreta
inferências sobre indivíduos: se estamos interessados   em indivíduos, em seguida,
estudando indivíduos é geralmente uma estratégia melhor se podemos obter
estes dados. No entanto, se a inferência que procuramos fazer é mais do que um
muito estreita fundido hipótese, nossa teoria pode ter implicações na
muitos níveis de análise, e que, muitas vezes, ser capaz de usar dados de todos
estes níveis de fornecer algumas informações sobre a nossa teoria. Assim, mesmo
se estamos interessados   principalmente em um nível agregado de análise, podemos
12 A frase "falácia ecológica" é confuso porque o processo de raciocínio a partir de
aggregate­ aos processos a nível individual não é nem ecológica, nem uma falácia. "Ecológico"
é uma escolha infeliz de palavras para descrever o nível agregado de análise. Apesar
Robinson (1990) concluiu, no seu artigo original sobre esse assunto que o uso de agregados
análise de raciocinar sobre os indivíduos é uma falácia, cientistas sociais quantitativos e estatístico
Cians agora amplamente reconhecer que algumas informações sobre indivíduos não existe na agregação
níveis de porta de análise, e muitos métodos de inferência imparcial "ecológico" ter sido
desenvolvido.

Página 43

Temas deste volume · 31
https://translate.googleusercontent.com/translate_f 28/187
02/12/2016 Projetando Inquérito sociais

muitas vezes ganhar vantagem sobre a veracidade da nossa teoria, olhando para os dados
a partir destes outros níveis.
Por exemplo, se desenvolver uma teoria para explicar as revoluções, nós
deve procurar implicações observáveis   de que a teoria não só em excesso
todos os resultados, mas também fenómenos como as respostas a in­depth
entrevistas de revolucionários, as reações de pessoas na pequena comuni­
dades em partes menores do país, e declarações oficiais por partido
líderes. Devemos estar dispostos a tomar todas as informações que pudermos
adquirir, desde que nos ajuda a aprender sobre a veracidade da nossa teoria. E se
podemos testar nossa teoria, examinando os resultados de revoluções, tudo bem. Mas
na maioria dos casos existe muito pouca informação a esse nível, talvez apenas
uma ou algumas observações, e os seus valores são raramente ou inequívoca
medido sem erro. Muitas teorias diferentes são consistentes com
a existência de uma revolução. Só por aprofundando no presente
caso, ou trazendo informações relevantes existentes em outros casos, é
possível distinguir entre teorias anteriormente indistinguíveis.
O único problema em usar as informações em outros níveis e de outros
fontes para estudar uma teoria concebida em um nível agregado é se
estas novas observações contêm algumas informações que são relevantes para
avaliar as implicações de nossa teoria. Se estas novas observações ajudam
para testar a teoria, eles devem ser utilizados mesmo que não estão a implicação
ções de maior interesse. Por exemplo, pode não se importar em tudo sobre o
pontos de vista dos revolucionários, mas se as suas respostas às nossas perguntas são con­
sistente com a nossa teoria das revoluções, então a teoria em si será
mais provável que seja correto, e da recolha de informações adicionais
terá sido útil. Na verdade, uma observação no máximo agregado
nível de análise­os dados ocorrência de uma revolução prevista, para
exemplo, é apenas uma implicação observada da teoria, e BE
causa da pequena quantidade de informação em que, ele não deve ser gio
leged sobre outras implicações observáveis. Precisamos recolher informações
ção em tantas implicações observáveis   de nossa teoria possível.

1.3.3 comunicação da incerteza
Todo o conhecimento e toda a inferência­in quantitativa e qualitativa em
investigação é incerto. medida qualitativa é propenso a erros, como
é quantitativa, mas as fontes de erro pode ser diferente. A in­ qualitativa
terviewer condução, uma longa entrevista em profundidade com um respondente
cujo pano de fundo, ele tem estudado é menos provável que Mismeasure o sub­
ideologia política real de jecto que é um pesquisador pesquisa a realização de uma
entrevista estruturada com um respondente seleccionado aleatoriamente sobre
quem não sabe nada. (Embora o oposto também é possível se,
por exemplo, ele depende muito de um informante que não é Trust­

Página 44

32 · A Ciência em Ciências Sociais
dignos.) No entanto, o pesquisador pesquisa é menos provável de generalizar
inapropriada dos casos particulares entrevistados para o mais amplo
população do que é o pesquisador em profundidade. Nem está imune
as incertezas de medição ou do na­ probabilística subjacente
tura do mundo social.
Todos os bons cientistas sociais­se no quantitativa ou qualitativa
estimativas tradições­relato da incerteza de suas inferências. Por­
haps o problema mais sério com pesquisa qualitativa em po­
ciência polí­ é a incapacidade generalizada para fornecer estimativas razoáveis
da incerteza de inferências do investigador (ver o Rei 1990). Nós
pode fazer uma inferência válida em quase qualquer situação, não importa quão limi­
ited as provas, seguindo as regras neste livro, mas devemos
evitar forjar conclusões abrangentes de dados fracos. A questão não é
que as inferências confiáveis   são impossíveis na pesquisa qualitativa, mas
sim que devemos sempre comunicar uma estimativa razoável do grau
de certeza que temos em cada uma das nossas inferências. Neustadt e May
(1986: 274), lidando com áreas em que estimativas quantitativas precisas
são difíceis, propor um método útil de incentivar os responsáveis   políticos

https://translate.googleusercontent.com/translate_f 29/187
02/12/2016 Projetando Inquérito sociais
(Que são frequentemente confrontados com a necessidade de se chegar a conclusões sobre
que a política a seguir a partir de dados inadequada) para julgar a incerteza
de suas conclusões. Eles perguntam: "Como muito do seu próprio dinheiro seria
você apostar nele? "Isso faz sentido, desde que nós também perguntar:" Em que
odds? "

1.3.4 Pensando como um cientista social: Ceticismo
e hipóteses rivais
A incerteza de inferências causais significa que os bons cientistas sociais
não facilmente aceitá­los. Quando disse A causa B, alguém que
"Pensa como um cientista social" pergunta se essa conexão é um verdadeiro
causal. É fácil de fazer tais perguntas sobre a pesquisa de outros,
mas é mais importante perguntar­lhes sobre a nossa própria investigação. tem
muitas razões pelas quais pode ser cético em relação a uma conta causal, plausível
embora possa parecer à primeira vista. Lemos no jornal que o
Japoneses comem menos carne vermelha e têm menos ataques cardíacos do que Amé­ rica
latas. Esta observação por si só é interessante. Além disso, a explicação
bife ção­demasiada leva à alta taxa de doenças cardíacas na
Estados Unidos­é plausível. O cientista social cético pergunta sobre a
exactidão dos dados (como nós sabemos sobre os hábitos alimentares? o tragem
ple foi usada? são ataques cardíacos classificadas semelhante no Japão e nos
Estados Unidos para que estamos a comparar fenómenos semelhantes?). Assumindo
ing que os dados são precisos, o que mais poderia explicar os efeitos: Are
Existem outras variáveis   (outras diferenças alimentares, características genéticas, da vida

Página 45

Temas deste volume · 33
características de estilo) que podem explicar o resultado? Poderíamos ter in­
advertently revertida causa e efeito? É difícil não imaginar como
tendo um ataque cardíaco pode causar um para comer menos carne vermelha, mas é
possível. Talvez as pessoas perdem o apetite para hambúrgueres e carnes
tarde na vida. Se este fosse o caso, aqueles que não têm um ataque cardíaco
(Por qualquer motivo) iria viver mais e comer menos carne. Este fato
produziria o mesmo relacionamento que levou os pesquisadores a con­
cluir que a carne era o culpado em ataques cardíacos.
Não é nosso propósito de chamar tais estudos médicos em causa.
Em vez queremos apenas para ilustrar como os cientistas sociais se aproximar da
questão da inferência causal: com ceticismo e preocupação com alternativa
explicações que podem ter sido negligenciado. inferência causal, portanto,
torna­se um processo em que cada conclusão torna­se a ocasião para
mais pesquisas para refinar e testá­lo. Através de aproximação sucessiva
ções que tentar chegar mais perto e mais perto de inferência causal preciso.

https://translate.googleusercontent.com/translate_f 30/187
02/12/2016 Projetando Inquérito sociais

Página 46

CAPÍTULO 2

Inferência descritivo

SOCIAL CIÊNCIA, quer quantitativa ou qualitativa, in­
volve o duplo objetivo de descrever e explicar. Alguns estudiosos definir
para descrever o mundo; outros para explicar. Cada um é essencial. Nós podemos­
não construir explicações causais significativos sem uma boa descrição
ção; descrição, por sua vez, perde a maior parte de seu interesse, a menos que ligado a
algumas relações causais. Descrição muitas vezes vem em primeiro lugar; é difícil
desenvolver explicações antes de saber algo sobre o mundo e
o que precisa ser explicado com base do que características. Mas o
relação entre descrição e explicação é interativo. Alguns­
vezes nossas explicações levar­nos a olhar para descrições de diferentes
partes do mundo; Por outro lado, nossas descrições pode levar a nova
explicações causais.
Descrição e explicação ambos dependem de regras científica
inferência. Neste capítulo, vamos nos concentrar na descrição e in­ descritivo
Ferência. Descrição está longe de mecânica ou sem problemas, uma vez que
envolve a seleção do número infinito de fatos que poderiam ser re­
Com fio Existem vários aspectos fundamentais da descrição científica.
Uma delas é que ele envolve inferência: parte da tarefa descritiva é inferir
informações sobre fatos não observados a partir dos fatos que temos observado.
Outro aspecto envolve distinguir entre o que é sistema­
Temática sobre os fatos observados e que é não sistemática.
Como deve ser claro, não estamos de acordo com aqueles que denigrem "mero"
Descrição. Mesmo se as causas e a ligar­se efeitos de explicação
o objetivo final, descrição tem um papel central em toda a explicação, e
é de fundamental importância em si. Não é a descrição ver­
explicação sus que distingue a investigação científica de outros re­
pesquisa; isso é se inferência sistemática é conduzida de acordo com
procedimentos válido. Inferência, seja descritivo ou causal, quantitativa
tiva ou qualitativa, é o objetivo final de toda boa ciência social. Sys
ticamente coletar fatos é uma tarefa muito importante, sem
que a ciência não seria possível, mas que não faz por si só con­
ciência Instituto. trabalho arquivístico bom ou resumos bem feitos de his­
fatos cal pode fazer uma boa história descritiva, mas também não são suficientes
para constituir a ciência social.
Neste capítulo, é possível distinguir descrição­a recolha de FATOS
de inferência descritiva. Na seção 2.1 discutimos a relação

Página 47

Conhecimento geral e fatos particulares · 35
entre os objectivos aparentemente contraditórios de bolsa: Descobrindo
conhecimentos gerais e aprender sobre fatos particulares. Estamos em seguida,
capaz de explicar mais detalhadamente o conceito de inferência na seção 2.2.
A nossa abordagem no restante do livro é apresentar ideias, tanto
verbalmente e através de modelos algébricos muito simples de pesquisa. Dentro
https://translate.googleusercontent.com/translate_f 31/187
02/12/2016 Projetando Inquérito sociais
secção 2.3 consideramos a natureza desses modelos. Nós, então, discutir
modelos de recolha de dados, para resumir detalhes históricos, e por
inferência descritiva nas secções 2.4, 2.5, e 2.6, respectivamente. Finalmente,
nós fornecemos alguns critérios específicos para julgar inferências descritivas
secção 2.7.

2.1 conhecimentos gerais e fatos particulares
O mundo que estudo os cientistas sociais é composta de elementos: indicação
eleitores viduais, em particular as agências governamentais, cidades específicas, tribos,
grupos, estados, províncias e nações. A boa ciência social, tenta
ir além destes elementos para o conhecimento mais geral. generalização
ção, contudo, não elimina a importância do particular. Dentro
verdade, o próprio propósito de se mover a partir do particular para o geral é
para melhorar a nossa compreensão de ambos. As entidades específicas da
mundialmente ou social, mais precisamente, fatos específicos sobre estas Entidades
fornecer a base sobre a qual generalizações deve descansar. Além disso, nós
quase sempre saber mais sobre um caso específico, estudando mais ge­
conclusões Gerais. Se quisermos saber por que o ministro das Relações Exteriores do Brasil
resignado, ele vai ajudar a aprender por outros ministros se demitiu no Brasil,
porque chanceleres em outros países se terem demitido, ou por que as pessoas
em geral renunciar ao governo ou até mesmo empregos não­governamentais.
Cada um deles vai nos ajudar a entender os diferentes tipos de fatos gerais
e os princípios do comportamento humano, mas eles são muito importantes, mesmo se
nosso único objetivo é entender por que o mais recente brasileira
ministro do Exterior renunciou. Por exemplo, através do estudo de outros ministros,
podemos saber que todos os ministros no Brasil renunciou em protesto contra a
ações do presidente, algo que pode não ter percebido pelo ex­
amining apenas as ações do ministro das Relações Exteriores.
Algumas pesquisas em ciências sociais tenta dizer algo sobre uma classe de
eventos ou unidades sem dizer nada em especial sobre um específico
evento ou unidade. Estudos de comportamento de voto utilizando levantamentos de massa explicar
as decisões de voto das pessoas em geral, não o voto de qualquer particular,
Individual. Estudos de Finanças do Congresso explicar o efeito da
dinheiro sobre os resultados eleitorais em todos os distritos congressionais. A maioria
tais estudos não mencionar o Sétimo Distrito Congressional em
Pensilvânia ou qualquer outro distrito, exceto, talvez, de passagem ou como
excepções à regra geral. Estes estudos seguem a liminar de

Página 48

36 · Descritiva Inference
Przeworski e Teune (1982): eliminar nomes próprios. Contudo,
embora estes estudos podem não procuram compreender qualquer dis­ especial
distrital, eles não devem ignorar, como às vezes é, infelizmente, feito em
esta tradição, a exigência de que os fatos sobre os vários dis­
distritos que vão para a análise geral devem ser precisas.
Outra pesquisa tenta nos dizer algo sobre um in­ especial
posição. Centra­se sobre a Revolução Francesa ou algum outro "importante"
evento e as tentativas de fornecer uma explicação de como ou por que
evento surgiu. A investigação nesta tradição seria impensável
certamente desinteressante para a maioria dos leitores habituais de tais pesquisa­
sem nomes próprios. Um cientista político pode escrever de forma eficaz sobre
padrões de relacionamento em todo o conjunto de campanhas do Congresso
sem olhar para distritos específicos ou candidatos específicos, mas imagino
A discussão de Robert Caro (1983) da raça 1948 Senado no Texas com­
a Lyndon Johnson e Coca­Cola Stevenson. 1 eventos específicos, tais como
a Revolução Francesa ou a principal democrata no Senado, no Texas, em
1948 pode de fato ser de interesse intrínseco: eles despertar a nossa curiosidade, e
se fossem condições prévias para eventos subsequentes (tais como o Napole­
Guerras ONIC ou presidência de Johnson), que pode precisar de saber sobre eles
para compreender os eventos posteriores. Além disso, o conhecimento sobre revolução
ção, rebelião ou guerra civil em geral irá fornecer informação valiosa
ção para qualquer estudo mais focalizado das causas da Revolução Francesa
em particular.
Vamos considerar essas questões, discutindo a "interpretação", uma
https://translate.googleusercontent.com/translate_f 32/187
02/12/2016 Projetando Inquérito sociais
alternativa reivindicada a inferência científica (ponto 2.1.1); os conceitos
de singularidade e complexidade do objeto de estudo (ponto 2.1.2);
e a área geral de estudos comparativos de casos (secção 2.1.3).

2.1.1 "Interpretação" e Inferência
Nas ciências humanas, alguns pesquisa­ histórica e antropológica
ers afirmam buscar única conhecimentos específicos através do que eles chamam de "in­
pretação. "interpretivistas procurar resumos precisos de de­ histórica
rabo. Eles também procuram colocar os acontecimentos que descrevem em um inteligível
contexto dentro do qual o significado das ações se torna explicável. Como
Ferejohn (em Goldstein e Keohane 1993: 228) escreveu: "Queremos
1 Também não podemos descartar Caro como alguém em um outro negócio: um jornalista / biógrafo
cujo objectivo é diferente da do cientista social. Sua obra aborda alguns dos mesmos
questões que um cientista político seria: O que leva ao sucesso ou fracasso de uma eleição
campanha? Qual é o papel do dinheiro e do financiamento de campanha em sucesso eleitoral? o que
motiva financiadores de campanha? A discussão centra­se em uma candidatura específica em um
determinado distrito, mas o assunto e os quebra­cabeças colocadas sobrepõem com a norma
Ciência Política.

Página 49

Conhecimento geral e fatos particulares · 37
teorias das ciências sociais para fornecer explicações causais de eventos. . .
[E] para dar conta das razões ou significados da ação social.
Queremos saber não só o que causou o agente para executar algum ato
mas também razões do agente para tomar a ação "Geertz (1973: 17).
também escreve que "não é do nosso interesse para branquear o comportamento humano de
as propriedades que nos interessam antes de começar a examiná­lo. "
Estudiosos que enfatizam a "interpretação" buscar para iluminar o in­
aspectos intencionais do comportamento humano, empregando Verstehen ( "em­
phathy: compreender o significado das ações e interações de
próprios pontos dos membros de vista "[Eckstein 1975: 81]). interpretivistas
procura explicar as razões para a ação intencional em relação ao
conjunto de conceitos e práticas em que ela está inserida. Eles também
empregam padrões de avaliação: "Os padrões mais óbvios são co­
herence e extensão: uma conta interpretativa deve fornecer máxima
coerência ou inteligibilidade a um conjunto de práticas sociais e uma interpre­
conta sentante de um determinado conjunto de práticas devem ser coerentes com
outras práticas ou tradições da sociedade "(Lua 1975: 173).
Talvez a única recomendação operacional mais importante da
os interpretivistas é que os pesquisadores devem aprender muito sobre uma
cultura antes de formular perguntas de pesquisa. Por apenas com um profundo
imersão cultural ea compreensão de um sujeito pode um pesquisador
fazer as perguntas certas e formular hipóteses úteis. Por exemplo,
Duneier (1993) estudaram a vida coletiva da classe trabalhadora preto e
homens brancos em uma cafeteria integrado em Chicago. Imergindo ele­
auto nesta cultura local por quatro anos, notou vários quebra­cabeças que
não tinha anteriormente lhe ocorreu. Por exemplo, observou­se que ele
embora estes homens eram altamente antagônico ao Partido Republicano,
que articulou posições socialmente conservadoras em muitas questões.
Alguns estudiosos empurrar o papel da interpretação ainda mais, indo tão
ao ponto de sugerir que é um paradigma completamente diferente de inquérito para
as ciências sociais, "não é uma ciência experimental em busca de lei, mas uma
um interpretativa em busca de sentido "(Geertz, 1973: 5). Em nossa opinião,
No entanto, a ciência (como a definimos no ponto 1.1.2) e interpretação
ção são não fundamentalmente diferentes esforços que visam divergentes
Metas. Ambos dependem de preparação de descrições cuidadosas, ganhando profunda compreensão
classificação do mundo, fazer boas perguntas, formulando falsificável
hipóteses com base em teorias mais gerais, e recolher o
provas necessárias para avaliar essas hipóteses. A contri­ distintivo
buição da ciência é apresentar um conjunto de procedimentos para descobrir a
respostas para enquadrada adequadamente questões descritivas e causais.
Nossa ênfase na metodologia de inferência não se destina a
denegrir a importância do processo pelo qual questões frutíferas
são formulados. Pelo contrário, estamos de acordo com as interpretivistas que

https://translate.googleusercontent.com/translate_f 33/187
02/12/2016 Projetando Inquérito sociais

Página 50

38 · Descritiva Inference
é crucial para entender uma cultura profundamente antes de formular hipó­
eses ou concepção de um projecto de investigação sistemática para encontrar uma resposta. Nós
só gostaria de acrescentar que a avaliação da veracidade das afirmações com base em metanfetamina
ods, como a observação participante só pode ser realizado através
a lógica da inferência científica, que descrevemos. Encontrando­se o direito
respostas para as perguntas erradas é uma atividade fútil. interpretação baseada
em Verstehen é muitas vezes uma fonte rica de hipóteses interessantes. para in­
posição, observações perto do Congresso (Fenno, 1978), de Richard Fenno,
feita através do que ele chama de "imersão e picar", fizeram grandes
contribuições para o estudo dessa instituição, em particular, ajudando
para enquadrar melhores perguntas para a investigação. "Imersão e picar", diz
Putnam em um estudo de regiões italianas (1993: 12) ", requer o pesquisador
marinar­se nas minúcias de uma instituição­para experimentar a sua
costumes e práticas, seus sucessos e seus fracassos, como aqueles que vivem
todos os dias fazer. Esta imersão aguça nossas intuições e fornece
inúmeras pistas sobre como a instituição se encaixa e como ele
se adapta ao seu ambiente. "Qualquer definição de ciência que não in­
sala cluir para idéias sobre a geração de hipóteses é tão fool­
ish como uma conta interpretativa que não se preocupa com a descoberta
verdade.
Ainda uma vez hipóteses têm sido formuladas, demonstrando a sua cor­
rectness (com uma estimativa de incerteza) exige in­ científica válida
ças. Os procedimentos para a inferência seguido por interpretativista sociais
cientistas, além disso, deve incorporar as normas idênticas às
seguido por outros investigadores qualitativos e quantitativos. Isso é,
Embora concorde que a boa ciência social requer interpretação perspicaz
ção ou outros métodos de geração boas hipóteses, também insistimos
que a ciência é essencial para a interpretação precisa. Se pudéssemos subestimar
ficar comportamento humano somente através de Verstehen , nós nunca seria
capaz de falsificar nossas hipóteses descritivas ou fornecer evidências para eles
além de nossa experiência. Nossas conclusões nunca ir além do
estatuto de hipóteses não testadas, e as nossas interpretações permaneceria
pessoal e não científica.
Um dos melhores e mais famosos exemplos no tra­ interpretativa
condição é a análise da discussão da de Gilbert Ryle de Clifford Geertz
diferença entre uma contração e uma piscadela. Geertz (1973: 6) escreve
Considere. . . dois meninos rapidamente contrair as pálpebras de seus olhos direito. Dentro
um, esta é uma contração involuntária; no outro, um sinal para um conspiracional
amigos. Os dois movimentos são, como movimentos, idênticos; a partir de um I­am­a­
câmera, observação "fenomênica" deles sozinho, um não poderia dizer
que foi se contorcer e que foi piscadela, ou mesmo se um ou ambos
foi contorcer­se ou piscadela. No entanto, a diferença, no entanto unphotographable, BE

Página 51

Conhecimento geral e fatos particulares · 39
interpolar uma contração e uma piscadela é vasto; como qualquer infelicidade de ter
tinha a primeira tomada pela segunda sabe. O winker está se comunicando, e
na verdade, se comunicar de uma maneira precisa e especial: (1) deliberadamente, (2) a
alguém em particular, (3) para transmitir uma mensagem em particular, (4) de acordo com uma
socialmente estabelecida código, e (5), sem conhecimento do resto do com­
companhia. Como aponta Ryle, o winker fez duas coisas, contratado seu
pálpebras e piscou, enquanto o twitcher fez apenas um, contratada seu
pálpebras. Contratante suas pálpebras de propósito quando existe um público
código em que isso conta como um sinal de conspiração está piscando.

https://translate.googleusercontent.com/translate_f 34/187
02/12/2016 Projetando Inquérito sociais
Geertz está fazendo um ponto conceitual importante. Sem o consentimento
conceito de "piscando", significado dado por uma teoria da comunicação, a
mais estudo quantitativo precisa de "contratação pálpebra por huma­
Seres "não teria sentido para os estudantes de relações sociais. Neste ex
ampla, a teoria, que surgiu a partir de meses de "imersão e pok­
ing "e estudo cultural detalhada, é essencial para a pergunta adequada de
se a contração da pálpebra mesmo poderia ser "espasmos" ou "piscadelas".
magnífica importância da interpretação sugerida por este exemplo é
clara: ele fornece novas formas de olhar para os conceitos do mundo novo para
ser considerado e hipóteses a serem avaliadas. Sem immer­ profunda
Sion em uma situação, que pode até não pensar nas teorias corretas para
avalie. No presente exemplo, se nós não pensar na diferença
entre twiches e winks, tudo estaria perdido. Se interpretação
ção, ou qualquer outra coisa, ajuda­nos a chegar a novos conceitos ou hypothe­
ses, então é sem dúvida útil, e interpretação, e similares
formas de compreensão cultural detalhada, ter sido provada uma e outra
mais uma vez.
Tendo feito uma distinção teórica relevante, como aquela entre
uma piscadela e um tique, o pesquisador, então, precisa avaliar o hypothe­
sis que pisc está ocorrendo. É em tal avaliação que a lógica do
inferência científica é insuperável. Isto é, a melhor maneira de determinismo
ing o significado das contracções das pálpebras é através da metanfetamina sistemática
ods descrita neste livro. Se distinguir uma contração da piscadela foram
pivot, poderíamos facilmente criar um procedimento de investigação para fazê­lo. Se, por
exemplo, nós acreditamos que determinadas contrações palpebrais são piscadelas im­
bued com significado político, em seguida, outros casos semelhantes também devem
ser observável, uma vez que um dispositivo de sinalização sofisticado tal como este (um
"Código público"), uma vez desenvolvida, é susceptível de ser usado novamente. dada esta
a probabilidade, que pode gravar todos os casos em que a pálpebra deste ator
contratos, observar se o outro ator chave é olhar para a direita
tempo, e se ele responde. Poderíamos até mesmo projetar uma série de ex­
experi­ para ver se os indivíduos nesta cultura estão acostumados a com­
municating desta forma. Compreender a cultura, cuidadosamente de­

Página 52

40 · Descritiva Inference
riscar o evento, e ter uma familiaridade profunda com situação semelhante
ções serão todos nos ajudar a fazer as perguntas certas e até mesmo dar­nos adi­
confiança cional em nossas conclusões. Mas só com os métodos de sci­
cien­ inferência é que vamos ser capazes de avaliar a hipótese e veja
se é correta.
interpretação piscadela de Geertz é melhor expressa como uma hipótese causal
(Que nós definimos precisamente na secção 3.1): o causal hipotética EF­
fect da piscadela por outro ator político é a resposta da outra ator
dada a contração das pálpebras menos sua resposta se não houvesse movimento
mento (e nenhuma outra alteração). Se a contração da pálpebra fosse uma piscada, o
efeito causal seria positivo; se fosse apenas uma contração, o causal EF­
fect seria zero. Se decidimos estimar esse efeito causal (e
assim descobrir se era uma piscadela ou um tique), todos os problemas da
inferência longamente discutido no resto deste livro teria de ser
compreendida se fosse para chegar ao melhor inferência com respeito à
a interpretação do comportamento observado.
Se o que nós interpretamos como piscadelas eram contrações musculares involuntárias na verdade,
nossas tentativas de derivar inferências causais sobre a contração da pálpebra em
a base de uma teoria da interação social voluntária seria rou­
tinely sem êxito: nós não seria capaz de generalizar e gostaríamos
Conhecê­lo. 2
Projetando pesquisa para distinguir piscadelas e contrações não é provável
para ser uma parte importante da maioria das pesquisas de ciência política, mas o mesmo
questão metodológica surge em grande parte da área de assunto em que polit­
cientistas iCal trabalhar. Nós somos muitas vezes chamado a interpretar o significado de
um ato. política externa tomadores de decisão enviar mensagens uns aos outros. É
uma determinada mensagem de uma ameaça, um ponto de negociação, uma declaração destinada
de apelar para uma audiência doméstica? Conhecimento das normas culturais, de
convenções em comunicações internacionais, e da história da

https://translate.googleusercontent.com/translate_f 35/187
02/12/2016 Projetando Inquérito sociais
atores particulares, bem como a observação atenta de recursos auxiliares de
a comunicação, tudo vai nos ajudar a fazer tal interpretação. Ou
considere o seguinte quebra­cabeça em pesquisa quantitativa: Eleitores na
Estados Unidos parecem estar enviando uma mensagem por não transformar a
urnas. Mas o que o baixo comparecimento significa? Ela reflete a alienação
com o sistema político? Um cálculo dos custos e benefícios de vot­
ing com os custos sendo maior? A decepção com a recente candidato
datas ou campanhas recentes? Poderia ser uma consequência de uma mudança na
a idade mínima de votação? Ou um sinal de que nada é suficiente para cima
2 Por uma questão de exaustividade, vale a pena notar que poderíamos imaginar um completo
teoria diferente em que uma contração das pálpebras não era uma piscadela, mas ainda tinha uma relação causal
efeito sobre outros atores. Por exemplo, a contração poderia ter sido mal interpretado. Se nós
também tiveram interesse em saber se a pessoa com a contração da pálpebra destina­se a piscar,
seria preciso procurar outras consequências observáveis   dessa mesma teoria.

Página 53

Conhecimento geral e fatos particulares · 41
definindo para levá­los às urnas? A decisão de um cidadão não votar,
como uma piscadela ou uma mensagem diplomática, pode significar muitas coisas. O então­
phisticated pesquisador deve sempre trabalhar duro para fazer a pergunta certa
ções e, em seguida, projetar cuidadosamente investigação científica para descobrir o que o
ato ambígua que de fato significa.
Nós também gostaríamos de abordar brevemente as reivindicações extremas de poucos
proponentes da interpretação que argumentam que o objetivo de uma pesquisa
deveria ser sentimentos e significados sem consequências observáveis.
Isto não é uma caracterização justa de todos, mas uma pequena minoria de re­
pesquisadores dessa tradição, mas as reivindicações são feitas suficientemente force­
plenamente que eles parecem vale a pena abordar explicitamente. Como o excesso de enthu­
reivindicações siastic dos primeiros positivistas, que tomaram a posição insustentável que
conceitos não observáveis   não tinha lugar na pesquisa científica, estes argumentos
mentos vir a ser inadequado para a pesquisa empírica. Para a prova­
plo, Psathas (1968: 510) argumenta que
qualquer comportamento, incidindo apenas sobre a parte que é evidente e manifesta em
concreto, atua diretamente observáveis   é ingênuo, para dizer o mínimo. O desafio para
o cientista social que procura compreender a realidade social, então, é Compreensão
suportar o significado que o ato do ator tem para ele.
Psathas pode ser correto que os cientistas sociais que se concentram em única aberta,
observáveis , comportamentos estão faltando muito, mas como vamos saber se nós
não pode ver? Por exemplo, se duas teorias de auto­concepção têm identi­
manifestações observáveis cal, então nenhum observador terá in­ suficiente
formação de distinguir os dois. Isto é verdade não importa quão inteligente ou
culturalmente sensível o observador é, como hábil ela está em interpretação,
quão bem ela "suportes" seus próprios pressupostos, ou o quanto ela
tenta. Interpretação, sentimento, descrição densa, observação participante,
observação não participante, entrevistas de profundidade, a empatia, a quantificação
ção e análise estatística, e todos os outros procedimentos e métodos são
inadequado para a tarefa de distinguir duas teorias sem diferir
conseqüências observáveis. Por outro lado, se as duas teorias têm
algumas manifestações observáveis   que diferem, em seguida, os métodos que de­
escriba neste livro fornecem maneiras de distinguir entre eles.
Na prática, os etnógrafos (e todos os outros bons cientistas sociais) fazer
olhar para o comportamento observável a fim de distinguir entre os seus teo­
Rias Eles podem mergulhar na cultura, mas todos eles dependem de
várias formas de observação . Qualquer outra "compreensão" da cul­
contexto tural vem diretamente estes ou outros observação comparáveis
Ções. Identificar observações relevantes nem sempre é fácil. Por con­
trário, encontrando as observações apropriadas é talvez o mais difi­
parte culto de um projeto de pesquisa, especialmente (e necessariamente) para aqueles
áreas de investigação tradicionalmente dominado por pesquisa qualitativa.

https://translate.googleusercontent.com/translate_f 36/187
02/12/2016 Projetando Inquérito sociais
Página 54

42 · Descritiva Inference

2.1.2 "Unicidade", Complexidade, e Simplificação
Alguns pesquisadores orientados qualitativamente iria rejeitar a posição de que
conhecimentos gerais é necessária ou útil (talvez mesmo dade
ble) como base para a compreensão de um evento particular. Sua posição é
que os eventos ou unidades que estudam são "únicos". Em certo sentido, eles são
certo. Havia apenas uma Revolução Francesa e há apenas um
Tailândia. E ninguém que tenha lido os relatos biográficos ou que
viveu a década de 1960 pode duvidar do fato de que havia apenas um
Lyndon B. Johnson. Mas eles ir mais longe. Explicação, de acordo com a
sua posição, se limita a esse evento único ou unidade: não por revolução
ções acontecer, mas por que a Revolução Francesa aconteceu; por que não de­
democratização, por vezes, parece ficar, mas por que ele fica na Tailândia; não
por isso os candidatos ganhar, mas por LBJ ganhou em 1948 ou 1964. Pesquisadores em
esta tradição acreditam que eles perderiam sua capacidade de explicar a
específico, se eles tentaram lidar com o general­de revoluções ou
democratização ou primárias para o Senado.
"Unicidade", no entanto, é um termo enganador. A Revolução Francesa
ção e da Tailândia e LBJ são, na verdade, único. Todos os fenômenos, todos
eventos, estão em algum sentido único. A Revolução Francesa, certamente,
estava; mas assim foi a eleição parlamentar no Distrito Sétimo
Pennsylvania em 1988 e por isso foi a decisão de voto de cada um dos
os milhões de eleitores que votaram na eleição presidencial daquele ano.
Visto de forma holística, todos os aspectos da realidade social é complexa infinitamente
e ligados de alguma forma com precedentes natural e sociológica
Eventos. singularidade inerente, por conseguinte, é parte da condição humana:
que não distingue as situações passíveis de generalizações científicas
daqueles sobre os quais generalizações não são possíveis. Com efeito, à medida que
mostrou na discussão de teorias da extinção dos dinossauros no capítulo 1, mesmo
eventos únicos podem ser estudados cientificamente, prestando atenção à
implicações observáveis   de teorias desenvolvidas para dar conta deles.
A verdadeira questão que a questão dos aumentos singularidade é o problema
de complexidade. A questão não é se os eventos são inerentemente único,
mas se as principais características da realidade social que queremos subestimar
suporte pode ser captada a partir de uma massa de fatos. Um dos primeiros e mais
tarefas difíceis de pesquisa nas ciências sociais é este ato de simplificação
ção . É uma tarefa que nos torna vulneráveis à crítica da oversimpli­
ficação e de omitir aspectos significativos da situação. Entretanto,
menos, tais Simplicação é inevitável para todos os investigadores. Simplificação
tem sido uma parte integral de cada trabalho­quantitativa acadêmica conhecida
tiva e qualitativa, antropológica e económica, na sci­ sociais
cias e nos naturais e ciências físicas e, provavelmente, al­

Página 55

Conhecimento geral e fatos particulares · 43
maneiras ser. Mesmo a descrição mais abrangente feito pela melhor
intérpretes culturais com a compreensão contextual mais detalhada
será drasticamente simplificar, reificam, e reduzir a realidade que tem sido observada
servido. Na verdade, a diferença entre a quantidade de complexidade no
mundo e que, no mais grossa das descrições ainda é muito maior do que o
diferença entre este mais grossa de descrições e quantitativa mais abstrato
tiva ou análise formal . No descrição, não importa quão grosso, e sem ex­
planation, não importa quantos fatores explicativos entrar nele, vem
perto de capturar a plena "florescendo e zumbido" realidade da
mundo. Não há escolha, mas para simplificar. simplificação sistemática é
um passo crucial para o conhecimento útil. Como um historiador econômico colocou
­lo, se ênfase na singularidade "é levado ao extremo de ignorar tudo
regularidades, a própria possibilidade da ciência social é negada e historicamente
ans são reduzidos ao aimlesssness de balladeers "(Jones 1981: 160).
Sempre que possível, os analistas deve simplificar suas descrições apenas

https://translate.googleusercontent.com/translate_f 37/187
02/12/2016 Projetando Inquérito sociais
depois de atingir uma compreensão da riqueza da história e cultural
Tura. Os cientistas sociais podem usar apenas algumas partes da história de alguns
conjunto de eventos em fazer inferências. No entanto, rico, não estruturada
conhecimento do contexto histórico e cultural dos fenômenos
com o qual eles querem lidar de uma forma simplificada e científica é geral­
aliar­requisito para evitar simplications que são simplesmente errado. Poucos
de nós confiar nas generalizações de um cientista social sobre revolução
ções ou eleições senatoriais se esse investigador conhecia pouco e cuidavam
menos sobre a Revolução Francesa ou o Texas eleição 1948.
Em suma, acreditamos que, sempre que possível, ciências sociais investigação
deve ter um carácter geral e específico: ele deve nos dizer algo sobre
classes de eventos, bem como sobre eventos específicos em lugares específicos.
Queremos ser intemporal e timebound ao mesmo tempo. A ênfase
em qualquer objetivo pode variar de esforço de investigação para realização de investigação,
mas ambas são susceptíveis de estar presentes. Além disso, em vez dos dois
objetivos que estão sendo opostos um ao outro, eles se apoiam mutuamente. Dentro­
escritura, a melhor maneira de compreender um determinado evento pode ser usando a
métodos de inferência científica também para estudar padrões sistemáticos em semelhante
eventos paralelos .

2.1.3 Estudos de caso comparativo
Muito do que os cientistas políticos fazer é descrever politicamente importante
eventos de forma sistemática. As pessoas se preocupam com o colapso da União Soviética
União, as reações do público nos países árabes para a ONU­autoridade
ized guerra para dirigir o Iraque do Kuwait, e os resultados do último con­
eleições gressional nos Estados Unidos. E eles contam com sci­ política

Página 56

44 · Descritiva Inference
caram para descrições que refletem uma consciência mais abrangente de
a relação entre estes e outros relevantes eventos­contempo­
Rary e histórica do que é encontrado em relatos jornalísticos. nossa de­
crições de eventos deve ser tão precisa e sistemática possível.
Isto significa que quando somos capazes de encontrar medidas quantitativas válidos
do que queremos saber, devemos usá­los: Qual a proporção de
jornais soviéticos criticar a política do governo? O que opinião pública
urnas de íons na Jordânia e Egito revelam sobre Jordânia e do Egito
atitudes em relação à Guerra do Golfo? Qual a percentagem de in­ Congresso
cumbents foram reeleitos?
Se quantificação produz precisão, isso não significa necessariamente encorajar
exatidão idade, já que inventar indixes quantitativas que não se relacionam
intimamente aos conceitos ou eventos que se propõem a medir pode levar
a erros de medida grave e problemas de inferência causal (ver
secção 5.1). Da mesma forma, há mais e menos precisas formas de descrever
eventos que não podem ser quantificados. pesquisadores qualitativos disciplinados
cuidadosamente tentar analisar constituições e leis ao invés de meramente re­
portuárias que os observadores dizem sobre eles. Ao fazer estudos de caso de governo
política mento, os pesquisadores pedem que seus informantes incisiva, bem especificado
perguntas cujas respostas serão relativamente inequívoca, e eles
acompanhar sistematicamente em observações off­mão feita por um entrevistado
que sugerem hipóteses relevantes. Os estudos de caso são essenciais para de­
crição, e estão, portanto, fundamental para a ciência social. É ponto­
menos para tentar explicar o que não temos descrito com um razoável
grau de precisão.
Para fornecer uma descrição perspicaz dos eventos complexos não é trivial
tarefa. Em domínios como a política comparada e relações internacionais,
trabalho descritivo é particularmente importante porque há uma grande quantidade
ainda precisamos de saber, porque nossas capacidades explicativas são fracos, e
porque boa descrição depende em parte da boa explicação. Alguns
das fontes de nosso know necessidade de tomar e fracos explicativas são
o mesmo: na política mundial, por exemplo, padrões de energia, alinhamentos,
e interdependência internacional têm sido mudando rapidamente re­
recentemente, tanto o aumento da necessidade de uma boa descrição de novas situações,

https://translate.googleusercontent.com/translate_f 38/187
02/12/2016 Projetando Inquérito sociais
e alterando o contexto sistêmico dentro do qual observadas interacções
entre os estados ter lugar. Desde estados e outros atores buscam anteci­
ações contra alheias pasta e, a causalidade é muitas vezes difícil de estabelecer,
e as expectativas podem desempenhar um papel tão importante como ações observadas
na contabilização de comportamento do Estado. A explicação proposta de algum as­
pecto da política mundial que pressupõe a ausência de interação estratégica
e reacções antecipados serão muito menos úteis do que um de­ cuidadosa
crição que se concentra em eventos que nós temos razão para acreditar são

Página 57

Conhecimento geral e fatos particulares · 45
importante e interligado. Boa descrição é melhor do que ruim
explicação.
Uma das vantagens muitas vezes esquecido do profundo estudo de caso
método é que o desenvolvimento de boas hipóteses causais é com­
plementar a boa descrição, em vez de competitivo com ele. Fram­
ing um estudo de caso em torno de uma questão de motivos podem levar a mais
A inscrição focado e relevante, mesmo que o estudo é, em última análise
frustrado em sua tentativa de fornecer mesmo uma única inferência causal válido.
estudos de caso comparativos pode, argumentamos, rendimento causal válida infer­
cias quando são utilizados os procedimentos descritos no restante deste livro,
embora tal como praticados actualmente muitas vezes eles não atender a Pa­
pa­ para inferência válida (que nós explicada no capítulo 3). De fato,
muito do que é chamado trabalho "explicativo" por historicamente orientada ou
cientistas sociais interpretativas permanece essencialmente descritiva porque
ele não atender a essas normas universalmente aplicáveis. A partir desta per­
pectiva, o conselho de um número de estudiosos que caso comparativo
estudos devem ser ser mais sistemática para a descrição ou explicação é
fundamental.
Por exemplo, Alexander George recomenda um método de "estru­
tured, focado comparação "que enfatiza a disciplina no caminho
uma coleta de dados (George e McKeown 1985; ver também Verba 1967).
George e seus colaboradores enfatizam a necessidade de uma recolha sistemática
da mesma informação­as mesmas variáveis­across cuidadosamente se­
unidades selecionada. E sublinham a necessidade de orientação­for teórica
pedindo cuidadosamente pensada pergunta­nos explicativas fim de ac­
complish esta descrição sistemática, se inferência causal é ser, em última
damente possível. 3
O método de comparação estruturado, focado é uma forma sistemática
para empregar o que George e McKeown chamar o procedimento congruência.
Usando este método, o investigador "define e padroniza a dados
exigências dos estudos de caso. . . formulando teoricamente rele­
vant questões gerais para orientar o exame de cada caso "(George
e McKeown 1985: 41). O ponto que George e McKeown (1985:
43) make é bem­feita: "Controlado comparação de um pequeno n deve
seguir um procedimento de compilação de dados sistemática. "Tal" structured­
comparação focado "requer a coleta de dados sobre as mesmas variáveis
unidades em todo. Assim, não é um método diferente do que
enfatizar aqui muito, pois é uma forma de sistematizar a informação
ção em estudos de caso descritiva de tal maneira que se pode conseguir

3 A literatura sobre estudos comparativos de casos é muito grande. Algumas das melhores obras complementares
são Eckstein (1975), Lijphart (1971), e Collier (1991).

Página 58

46 · Descritiva Inference
ser utilizados para inferência descritiva ou causal. conselhos valiosos tanto

https://translate.googleusercontent.com/translate_f 39/187
02/12/2016 Projetando Inquérito sociais
sobre fazer estudos comparativos de casos, como este, é rudimentar, mas
muitas vezes ignorados.

2.2 INFERÊNCIA: O objetivo CIENTÍFICA DE
COLEÇÃO DE DADOS
Inferência é o processo de usar os fatos que conhecemos para aprender sobre fatos
nós não sabemos. Os fatos que não conhecemos são os sujeitos de nossa
questões de pesquisa, teorias e hipóteses. Os fatos que nós sabemos
formar os nossos dados (quantitativos ou qualitativos) ou observações.
Em busca de conhecimento geral, para seu próprio bem ou para compreender
fatos particulares melhores, temos de alguma forma evitar ser sobrecarregado
pela cacofonia maciça de observações reais e potenciais sobre
o mundo. Felizmente, a solução para esse problema reside precisamente na
a busca do conhecimento geral. Ou seja, a melhor maneira científica para
organizar os fatos é implicações como observáveis   de alguma teoria ou hypothe­
Sis simplificação científica envolve a escolha produtiva de uma teoria
(Ou hipótese) para avaliar; a teoria então nos guia para a seleção
desses fatos que são as implicações da teoria. Organizar fatos em termos
das implicações observáveis   de uma teoria específica produz vários impor­
tant e resultados benéficos na concepção e realização de pesquisas. Primeiro,
com este critério para a selecção de dados, que pode rapidamente reconhecer
que mais observações sobre as implicações de uma teoria só irá ajudar na
avaliar a teoria em questão. Desde mais informações deste tipo
não pode ferir, esses dados não são descartados, e o processo de pesquisa
melhora.
Em segundo lugar, precisamos não têm uma teoria completa, antes de recolher dados
nem deve a nossa teoria permanecem fixos por toda parte. Teoria e dados inter­
Aja. Tal como acontece com o da galinha e o ovo, uma teoria é sempre necessário
antes da coleta de dados e alguns dados são necessários antes de qualquer theor­
izing. Livros sobre a investigação nos diz que nós usamos os nossos dados para testar a nossa
Teorias. Mas aprender a partir dos dados pode ser tão importante como um objetivo
avaliação de teorias anteriores e hipóteses. Tal aprendizagem envolve re­
organizar nossos dados em implicações observáveis   da nova teoria.
Esta reorganização é muito comum no início de muitos processos de investigação,
geralmente após alguns dados preliminares foram recolhidos; após a re
, recolha de dados, em seguida, continua, a fim de avaliar a
nova teoria. Devemos sempre tentar continuar a recolher dados mesmo
após a reorganização, a fim de testar a teoria novo e, assim, evitar
utilizando os mesmos dados para avaliar a teoria de que foi utilizado para a desenvolver. 4
4 Por exemplo, Coombs (1964) demonstraram que praticamente todos os de coleta de dados úteis

Página 59

Inferência · 47
Em terceiro lugar, a ênfase na coleta de fatos como implicações observáveis   de
uma hipótese torna o terreno comum entre o quantitativa e
estilos qualitativos de pesquisa muito mais clara. Na verdade, uma vez que temos passado
pensando em casos ou unidades ou registros no costume muito estreita ou mesmo
sentido ingênuo, percebemos que a maioria dos estudos qualitativos potencialmente pro­
vide um muito grande número de implicações observáveis   para os teorias
sendo avaliado, mas muitas destas observações pode ser ignorado pelos
o investigador. Organizando os dados em uma lista do observável específica
implicações capazes de uma teoria contribui, assim, revelar a científica essencial
finalidade de muita pesquisa qualitativa. Em certo sentido, estamos pedindo a
estudioso que está estudando a­um evento determinado governo em particular
decisão, talvez, perguntar: "Se a minha explicação é correta de por que o de­
Cision saiu do jeito que aconteceu, o que mais eu poderia esperar para observar em
o mundo real? "Estas implicações observáveis   adicionais podem ser
encontrado em outras decisões, mas eles também podem ser encontrados em outros aspectos
da decisão a ser estudada: por exemplo, quando ela foi feita, como ele
foi feito, como foi justificada. A máxima crucial para orientar tanto o­
criação ory e coleta de dados é: busca por implicação mais observável
ções da teoria.
Cada vez que nós desenvolvemos uma nova teoria ou hipótese, é produtivo
listar todas as implicações da teoria de que poderia, em princípio, ser observadas.
https://translate.googleusercontent.com/translate_f 40/187
02/12/2016 Projetando Inquérito sociais
A lista, que poderia, então, ser limitada a esses itens para os quais os dados
foram ou poderiam ser facilmente coletados, em seguida, forma o operacional básico
guia para um projeto de pesquisa. Se recolher um dado adicional
ajudar a fornecer uma maneira adicional para avaliar a teoria, então (sujeito a
as habituais restrições de tempo, dinheiro e esforço) vale a pena fazer. Se um
entrevistar ou outra observação pode ser interessante, mas não é um poten­
cial implicação observável deste (ou algum outro relevante) teoria, então
deveria ser óbvio que ele não vai nos ajudar a avaliar a nossa teoria.
Como parte do processo de simplificação realizado pela organização
nossos dados em implicações observáveis   de uma teoria, precisamos sistematizar
Tizè os dados. Podemos pensar sobre a conversão de matéria­prima do real
fenômenos do mundo em "classes" que são compostas de "unidades" ou
"casos" que são, por sua vez, compostas de "atributos" ou "variáveis" ou
". Parâmetros" A classe pode ser "eleitores"; as unidades pode ser uma amostra
de "eleitores" em vários distritos do Congresso; e os atributos ou

tarefa requer ou implica algum grau de teoria, ou "minitheory." No entanto, tanto quantitativa
dados tivos e história qualitativa é coletada com o propósito explícito de encorajar
futuros pesquisadores a usá­los para fins anteriormente imprevistas. Quinze minutos com
o Resumo Estatístico dos Estados Unidos vai convencer a maioria das pessoas deste ponto. Dados­
os esforços de cobrança também diferem no grau em que os investigadores rigidamente seguir antes
Crenças

Página 60

48 · Descritiva Inference
variáveis   podem ser de renda, a identificação partidária, ou qualquer coisa que é um
implicação observável da teoria que está sendo avaliado. Ou a classe
pode ser um tipo particular de coletividade tais como comunidades ou países
tentativas, as unidades pode ser uma selecção destes, e os atributos ou variável
ables para ser o seu tamanho, o tipo de governo, sua cir­ económica
cias, a sua composição étnica, ou qualquer outra coisa que é mensurável
e de interesse para o pesquisador. Estes conceitos, bem como várias
outras construções, como tipologias, estruturas e todos os tipos de
classificações, são úteis como dispositivos temporários quando estamos a recolher
dados, mas não têm hipótese clara a ser avaliada. No entanto, na ge­
eral, encorajamos investigadores não para organizar seus dados desta forma.
Em vez disso, precisamos apenas o conceito de organização inerente à nossa teoria.
Ou seja, as nossas observações são ou implicações de nossa teoria ou irrele­
vant. Se eles são irrelevantes ou não está sendo observado, devemos ignorá­los.
Se eles são relevantes, então devemos usá­los. Nossos dados não precisam ser todos
no mesmo nível de análise. dados desagregados, ou observações de
um período de tempo diferente, ou mesmo de uma parte diferente do mundo, pode
fornecer implicações adicionais observáveis   de uma teoria. Podemos não ser
interessado em tudo nestas implicações subsidiários, mas se eles são consistente­
tenda com a teoria, como previsto, eles vão nos ajudar a construir a confiança em
o poder ea aplicabilidade da teoria. Nossos dados também não precisa ser
"Simétrico": nós podemos ter um estudo detalhado de uma província, a comparabilidade
estudo ative dos dois países, entrevistas pessoais com o governo
líderes de único sector política de um só e mesmo um compo­ quantitativa
nente­contanto que cada um é uma consequência observável de nossa teoria.
Neste processo, vamos além do particular para o geral, uma vez que o
caracterização de unidades específicas com base caracterização comum
ticas é um processo de generalização. Como resultado, nós aprendemos muito mais sobre
ambas as teorias gerais e fatos particulares.
Em geral, queremos trazer o máximo de informações para suportar sobre o nosso
hipótese possível. Isso pode significar fazer estudos de caso adicionais,
mas que muitas vezes é muito difícil, demorado, caro ou. Nós obvi­
ously não deve trazer informações irrelevantes. Por exemplo, o tratamento
o número de assentos conservadores­realizado na Câmara Britânica de peia
mons como uma variável mensal, em vez de uma que muda em cada na­
eleição cional, iria aumentar o número de observações subs­
cialmente, mas não faria sentido uma vez que pouca informação nova seria
Adicionado. Por outro lado, desagregando US re­ eleição presidencial
sultados para o estado ou até mesmo nível do concelho aumenta tanto o número de
casos e a quantidade de informação exercidas sobre o problema.
https://translate.googleusercontent.com/translate_f 41/187
02/12/2016 Projetando Inquérito sociais
Tal informação desagregada pode parecer irrelevante, pois o objetivo
é aprender sobre as causas da vitória de um candidato em particular em uma corrida
para a presidência­uma pergunta fundamentalmente ao nível agregado. Como­

Página 61

Modelos formais de Pesquisa Qualitativa · 49
nunca, a maioria das explicações sobre o resultado da eleição presidencial
têm diferentes implicações observáveis   para as unidades desagregados. E se,
por exemplo, podemos prever o resultado da eleição presidencial na
função de variáveis   econômicas, tais como a taxa de desemprego, o uso de
as taxas de desemprego em uma base de Estado por Estado fornece muitos mais
observações das implicações de nossa teoria do que faz o agregado
taxa para a nação como um todo. Ao verificar que a teoria sustenta em
essas outras situações, mesmo que essas outras situações não são de direta
interest­nos aumentar a confiança de que a teoria está correta e que
explica corretamente a uma consequência observável da teoria de que
é de interesse.

2.3 modelos formais da pesquisa qualitativa
Um modelo é uma simplificação e aproximação, alguns aspectos da
o mundo. Modelos não são, literalmente, "verdadeiro" ou "falso", embora boa
modelos abstratos somente os recursos do "direito" da realidade que eles representam.
Por exemplo, considere um modelo de brinquedo de seis polegadas de um avião feito de
plástico e cola. Este modelo é uma pequena fracção do tamanho do real
avião, não tem partes móveis, não pode voar, e não tem conteúdo. Nenhum
de nós iria confundir este modelo com a coisa real; perguntando se
qualquer aspecto do modelo é verdade é como perguntar se o modelo que
sentou­se por de Leonardo da Vinci Mona Lisa realmente tinha tal sedutora
sorrir. Mesmo se o fizesse, não seria de esperar retrato de Leonardo a ser
uma representação exata de qualquer um, se o modelo atual ou do
Virgem Maria, mais do que seria de esperar de um modelo de avião totalmente
para refletir todas as características de uma aeronave. No entanto, nós iria gostar de saber
se este modelo abstrai as características correctas de um avião para um
Problema específico. Se queremos comunicar a uma criança que é um verdadeiro
avião é como, este modelo pode ser adequado. Se for construída à escala, a
modelo também pode ser útil para os designers de avião para testes em túnel de vento.
A principal característica de um avião real que este modelo abstrai é a sua forma.
Para alguns propósitos, esta é certamente uma das características certas. Claro,
este modelo perde uma miríade de detalhes sobre um avião, incluindo tamanho,
cor, a sensação de estar no avião, força de suas várias partes,
número de assentos a bordo, o poder de seus motores, tecido do cush­ assento
íons, e elétrico, ar, canalização, e numerosos outros sis­ crítica
Tems. Se quiséssemos entender esses aspectos do plano, teríamos
precisa de um conjunto completamente diferente de modelos.
podemos avaliar um modelo sem saber quais as características do
assunto que deseja estudar? Claramente não. Por exemplo, podemos pensar
que um modelo que caracterizou a quantidade de sujeira em um avião não iria
ser de muito uso. Na verdade, para fins de ensinar as crianças ou vento

Página 62

50 · Descritiva Inference
testes de túnel, seria em grande parte irrelevante. No entanto, uma vez que mesmo tapete
poeira pode causar um avião para pesar mais e, assim, usar mais caro
combustível, os modelos deste tipo são importantes para a indústria da aviação e ter
foi construído (e salvou milhões de dólares).
Todos os modelos variam entre as versões restritivas e sem quaisquer entraves. Ré­
modelos restritiva são mais claros, mais parcimonioso, e mais abstrato,
mas eles também são menos realista (a menos que o mundo realmente é parsimoni­
https://translate.googleusercontent.com/translate_f 42/187
02/12/2016 Projetando Inquérito sociais
ous). Modelos que são unrestrictive são detalhadas, contextual e
mais realista, mas eles também são menos clara e mais difícil de estimar com
precisão (ver o Rei 1989: secção 2.5). Onde nesse continuum nós
optar por construir um modelo depende da finalidade para a qual ele é
ser colocado e na complexidade do problema que estamos estudando.
Considerando que alguns modelos são físicas, outras são pictórica, verbal, ou
algébrica. Por exemplo, a descrição qualitativa de judi­ Europeia
sistemas oficiais em um livro sobre esse assunto é um modelo desse evento. Não
importa quão espessa a descrição ou talentosos o autor, ac­ do livro
contagem será sempre uma abstracção ou simplificação em relação ao
sistema judicial real. Desde a compreensão requer alguma abstração
ção, o sinal de um bom livro é tanto o que é deixado de fora como o que é
incluído.
Enquanto os pesquisadores qualitativos frequentemente usam modelos verbais, usaremos
modelos algébricos em nossa discussão abaixo para estudar e melhorar estes
modelos verbais. Assim como com modelos de aviões de brinquedo e reserve­long
Estudos da Revolução Francesa, os nossos modelos algébricos de qualitativa
a pesquisa não deve ser confundido com a própria pesquisa qualitativa. Eles
apenas se destinam a fornecer declarações especialmente claros de problemas para
evitar e oportunidades para explorar. Além disso, nós encontramos frequentemente que
eles nos ajudam a descobrir idéias que não teria pensado de
de outra forma.
Nós assumimos que os leitores têm tido nenhuma experiência anterior com álgebras
modelos braic, embora aqueles com exposição a modelos estatísticos
encontrar alguns dos modelos que seguem familiar. Mas a lógica da inferência
nestes modelos se aplica tanto a pesquisa quantitativa e qualitativa.
Só porque os pesquisadores quantitativos são provavelmente mais familiarizados com
nossa terminologia não significa que eles são melhores na aplicação
a lógica da inferência científica. Além disso, esses modelos que não se aplicam
mais estreitamente aos quantitativos do que a pesquisa qualitativa; em ambos os casos,
os modelos são abstrações úteis da pesquisa a que estão
Aplicado. Para facilitar a sua introdução, apresentamos todos os modelos algébricos
com descrições verbais, seguido por uma caixa onde usamos padrão
notação algébrica. Embora nós desencorajá­lo, as caixas podem ser
pulados sem perda de continuidade.

Página 63

Um modelo formal de Coleta de Dados · 51

2.4 um modelo formal de coleta de dados
Antes de formalizar a nossa apresentação de infer­ descritivo e causal
ciam­os dois principais objetivos das ciências sociais investigação vamos de­
volver um modelo para os dados a serem coletados e para resumir estes
dados. Este modelo é muito simples, mas é uma ferramenta poderosa para a análise
problemas de inferência. Nosso modelo algébrico não vai ser tão formal como
que, em estatísticas, mas, no entanto, faz com que as nossas ideias mais claras e mais fáceis de
transmitir. Por coleta de dados , nos referimos a uma ampla gama de métodos, inclusive
observação ing, observação participante, entrevistas intensivas, em larga
inquéritos por amostragem escala, a história gravada a partir de fontes secundárias, ran­
experimentos domized, etnografia, analisa o conteúdo, e qualquer outra
método de recolha de provas fiáveis. A regra mais importante para todos
coleta de dados é relatar como os dados foram criados e como chegamos a
possuí­las . Cada pedaço de informação que recolhemos deve contri­
ute a especificar implicações observáveis   de nossa teoria. Pode ajudar­nos
desenvolver uma nova questão de pesquisa, mas será inútil para responder
a presente questão se não é uma implicação observável da questão
ção procuramos responder.
Nós modelo de dados com variáveis , unidades e observações . Um ex simples
ampla é a renda anual de cada um dos quatro pessoas. Os dados podem ser
simplesmente representado por quatro números: $ 9.000, US $ 22.000, $ 21.000, e
$ 54.292. No caso mais geral, poderíamos rotular o rendimento dos quatro
pessoas (numerados de 1, 2, 3, e 4) como Y 1 , Y 2 , Y 3 e Y 4 . uma variável
codificados por duas entrevistas não estruturadas pode assumir os valores "par­
participativa, "" cooperativa, "ou" intransigent ", e pode ser identificado como Y 1
https://translate.googleusercontent.com/translate_f 43/187
02/12/2016 Projetando Inquérito sociais
e Y 2 . Nestes exemplos, a variável é Y ; as unidades são o indivíduo
pessoas; e as observações são os valores das variáveis de cada unidade
(renda de dólares ou grau de cooperação). O símbolo Y é um chamado
variável porque os seus valores variam ao longo das unidades, e, em geral, uma variável
poder pode representar qualquer coisa cujos valores mudam ao longo de um conjunto de unidades.
Desde que nós podemos coletar informações ao longo do tempo ou em áreas das secções,
unidades podem ser pessoas, países, organizações, anos, eleições, ou de­
Cades, e, muitas vezes, uma combinação destes ou de outras unidades. observação
ções pode ser numérico, verbal, visual, ou qualquer outro tipo de empírica
dados.
Por exemplo, suponha que estamos interessados   em organizações internacionais
ções desde 1945. Antes de recolher os nossos dados, precisamos decidir o que
resultados que queremos explicar. Poderíamos procurar entender o tamanho
distribuição da atividade organizacional internacional (por área de emissão ou
pela organização) em 1990; alterações no tamanho de agregado internacional
atividade organizacional desde 1945; ou alterações na distribuição de tamanho de

Página 64

52 · Descritiva Inference
atividade de organização internacional desde 1945. Variáveis   de medição
atividade organizacional pode incluir o número de países pertença
ing às organizações internacionais em um determinado momento, o número de tarefas
realizados por organizações internacionais, ou os tamanhos de orçamentos e
staffs. Nestes exemplos, as unidades de análise que incluem internacional
orga­ nizações, áreas temáticas, associações país, e tempo peri
ods tais como anos, períodos de cinco anos, ou décadas. Na recolha de dados
fase, não existem regras formais aplicam­se ao que as variáveis   de recolher, quantas
unidades deve haver, se as unidades devem superam a variável
veis, ou quão bem as variáveis   devem ser medidos. A única regra é a nossa
julgamento sobre o que irá revelar­se importante. Quando temos um
ideia mais clara de como serão utilizados os dados, o Estado torna­se encontrar como
muitas implicações observáveis   de uma teoria possível. À medida que enfatizar
dimensionada no capítulo 1, a pesquisa empírica pode ser usado tanto para avaliar uma
hipóteses a priori ou para sugerir hipóteses anteriormente não consideradas;
mas se a última abordagem é seguida, os novos dados devem ser recolhidos para
avaliar essas hipóteses.
Deve ser muito claro em nossa conversa que a maioria das obras rotulada
"Estudos de caso" têm inúmeras variáveis   medido ao longo de muitos diferentes
tipos de unidades. Embora a pesquisa de estudo de caso raramente usa mais do que um
punhado de casos, o número total de observações é geralmente im­
mense. Por isso, é essencial distinguir entre o número de
casos e o número de observações. O primeiro pode ser de alguma in­
teresse para alguns propósitos, mas apenas o último é de importância no julgamento
ing a quantidade de informação um estudo traz para suportar em um teórico
questão. Por isso, reservamos o comumente usado n referir­se apenas a
o número de observações e não ao número de casos. Apenas oca­
provisoriamente, como quando observações individuais são, em parte, dependente,
vamos distinguir entre informação eo número de observação
Ções. A terminologia do número de observações vem de sur­
vey de amostragem, onde n é o número de pessoas a serem entrevistadas, mas
aplicá­lo muito mais geral. Na verdade, a nossa definição de um "obser­
vação "coincide exatamente com Harry Eckstein (1975: 85) definição de
que ele chama de um "caso". Como Eckstein argumenta, "Um estudo de seis geral
eleições na Grã­Bretanha pode ser, mas não precisa ser, um n = 1 estudo. Pode
também ser um n = 6 estudo. Ele também pode ser um N = 120000000 estudo. ele de­
pende sobre se o assunto do estudo é eleitoral sistemas, eleições, ou
eleitores ". O" ambigüidade sobre o que constitui um "indivíduo" (daí
'Case') só pode ser dissipada por não olhar para entidades concretas mas,
as medidas que delas é feito. Nesta base, um "caso" pode ser definido logia
nically como um fenômeno para o qual nós relatamos e interpretar apenas uma pecado
gle medir em qualquer variável pertinente. "A única diferença em nossa
uso é que, desde o artigo de Eckstein, os estudiosos têm continuado a usar o

https://translate.googleusercontent.com/translate_f 44/187
02/12/2016 Projetando Inquérito sociais

Página 65

Resumindo Detalhe Histórico · 53
palavra "caso" para se referir a um estudo de caso completo, que ainda tem um bastante impre­
definição CISE. Portanto, sempre que possível, usamos a palavra "caso"
como a maioria dos escritores fazem e reservar a palavra "observação" para se referir a
medidas de uma ou mais variáveis   em uma única unidade.
Tentamos no resto deste capítulo para mostrar como conceitos como
variáveis   e unidades pode aumentar a clareza do nosso pensamento sobre a re­
pesquisa de design, mesmo quando pode ser inadequado para confiar em quan­
medidas tivos para resumir as informações à nossa disposição. o
questão que coloco é: Como podemos fazer inferências descritivas sobre
"A história como ela realmente era", sem se perder em um mar de irrelevante
detalhe? Em outras palavras, como podemos resolver o essencial do
efêmera?

2.5 RESUMINDO detalhe histórico
Depois de os dados são recolhidos, o primeiro passo para qualquer análise é proporcionar sum­
maries dos dados. Resumos descrever o que pode ser uma grande quantidade de
dados, mas eles não são diretamente relacionados à inferência. Uma vez que estamos em última
madamente interessado em generalização e explicação, um resumo do
fatos a serem explicados geralmente é um bom lugar para começar, mas não é uma suficiência
objetivo ciente de bolsa de estudos em ciências sociais.
Sumarização é necessário. Nós nunca pode dizer "todos nós sabemos" sobre
qualquer conjunto de eventos; não faria sentido para tentar fazê­lo. boa histo­
rians entender que os eventos foram cruciais e, portanto, construir
contas que enfatizam elementos essenciais, em vez de digressões. Compreensão
levantar a história da Europa durante os primeiros quinze anos do século XIX
século, podemos muito bem precisa entender os princípios de militar
estratégia como Napoleão compreendeu­los, ou mesmo saber o que o seu
Exército comeu se "viajou em seu estômago", mas pode ser irrelevante para
saber a cor do cabelo de Napoleão ou se ele preferia frito
ovos cozidos. Boa escrita histórica inclui, embora não pode ser
limitado a, um resumo verbal comprimido de uma confusão de histórico
detalhe.
Nosso modelo do processo de resumir detalhe histórico é um estatís­
Tic . A estatística é uma expressão de dados em forma abreviada. Seu propósito
é o de apresentar as características adequadas dos dados num conveniente
formato. 5 Por exemplo, uma estatística é a média da amostra , ou média:

1 1 n
Nova Iorque n
¯ = __ ( y 1 + y 2 + ... + y n ) = __ 
i = 1 y i Σ 
5 Formalmente, para um conjunto de n unidades em que uma variável Y é medido ( y 1 , ..., y n ), uma estatística
h é uma função real definida como se segue: h = h ( y ) = h ( y   , ..., y   ). 1 n

Página 66

54 · Descritiva Inference
onde Σ n i = 1 y i é uma maneira conveniente de escrita y 1 + y 2 + y 3 + ... + y n . A­
outra estatística é o máximo da amostra , marcado y max :

y max = máximo ( Y 1 , Y 2 , ..., y n ) (2.1)

A média da amostra dos quatro rendimentos do exemplo na seção 2.4
($ 9.000, $ 22.000, $ 21.000 e $ 54.292) é de R $ 26.573. O maxi­ amostra
mum é de R $ 54.292. Podemos resumir os dados de origem, contendo quatro
números com estes dois números representam a média da amostra e
máximo. Nós também podemos calcular outras características da amostra, tais como
o mínimo, mediana, moda, ou variância.
Cada sumário neste modelo reduz todos os dados (quatro números entre
https://translate.googleusercontent.com/translate_f 45/187
02/12/2016 Projetando Inquérito sociais
Neste exemplo simples, ou o nosso conhecimento de algum aspecto do Europeu
história no outro) para um número único. Comunicando­se com summa­
Ries é muitas vezes mais fácil e mais significativa para um leitor do que usar toda a
Dados originais. Claro que, se tivéssemos apenas quatro números em um conjunto de dados,
em seguida, faria pouco sentido usar cinco resumos diferentes; pré­
tando os quatro números originais seria mais simples. Interpretando um esta­
tistic é geralmente mais fácil do que entender todo o conjunto de dados, mas nós
necessariamente perder informações descrevendo um grande conjunto de números com
somente alguns.
Que regras governam o resumo de detalhes históricos? A primeira regra é
que resumos deve incidir sobre os resultados que desejamos descrever ou
explicar . Se estivéssemos interessados no crescimento da interna­ média
organização cional, não seria sábio para se concentrar na United Na­
ções; mas se estávamos preocupados com a distribuição de tamanho de inter­
organizações nacionais, de grande a pequeno, as Nações Unidas faria
certamente uma das unidades em que devemos concentrar. o
Nações Unidas não é uma organização representativa, mas é uma impor­
um tant. Em termos estatísticos, para investigar a or­ internacional típica
nização, gostaríamos de analisar os valores médios (de orçamentos, tarefas, os Estados
berships, etc.), mas para entender a gama de actividade, gostaríamos
para examinar a variância. Um segundo preceito, igualmente óbvia é que um
resumo deverá simplificar a informação à nossa disposição . em quantitativa
termos, esta regra significa que devemos sempre usar menos esta­ resumo
estatís­ do que unidades nos dados originais, caso contrário, poderia facilmente pre­
enviou todos os dados originais sem qualquer resumo de todo. 6 Nosso resumo
deve também ser suficientemente simples que possa ser compreendido pelo nosso au­
dience. Nenhum fenômeno pode ser resumido perfeitamente, portanto, os padrões de
adequação deve depender de nossos propósitos e sobre o público. Para ex­
6 Esse ponto está intimamente relacionado com o conceito de projetos de pesquisa indeterminada, que
discutimos na seção 4.1.

Página 67

Inferência descritivo · 55
amplo, um artigo científico sobre as guerras e alianças podem incluir dados in­
volver 10.000 observações. Nesse papel, resumos dos dados
usando cinquenta números pode ser justificado; No entanto, mesmo para um especialista,
cinquenta indicadores separados pode ser incompreensível sem algum fur­
Resumo do ther. Para uma palestra sobre o assunto para uma classe de graduação,
três gráficos pode ser superior.

2.6 INFERÊNCIA DESCRITIVA
inferência descritiva é o processo de compreensão de um unobserved
fenómeno com base em um conjunto de observações. Por exemplo, nós
estar interessado em variações entendimento na votação distrital para
o Conservador, Trabalho e social­democratas partidos na Grã­Bretanha em
1979. Nós presumivelmente tem algumas hipóteses para avaliar; Contudo,
o que realmente observamos é 650 eleições distritais para a Câmara dos peia
mons nesse ano.
Ingenuamente, poderíamos pensar que estávamos observando diretamente a eleição
força toral dos conservadores, gravando sua parte do voto
por distrito e a sua quota global de assentos. Mas um certo grau de ran­
domness ou imprevisibilidade é inerente à política, como em toda a vida social
e todos da investigação científica. 7 Suponha que em um ataque repentino de absent­
mente (ou em deferência à ciência social), o Parlamento britânico
havia concordado em eleições a cada semana durante 1979 e suponho (contra­
factual) que estas eleições eram independentes uma da outra. Até
se o suporte subjacente para os conservadores mantiveram­se constantes,
cada replicação semanal não produziria o mesmo número de votos
para cada uma das partes em cada distrito. O tempo pode mudar, epidemias
pode sair, as férias podem ser tomadas a todas estas ocorrências
afetaria o número de eleitores e os resultados eleitorais. Além disso, fortui­
eventos tous pode acontecer no ambiente internacional, ou digitalização
dals pode atingir a mídia de massa; mesmo que estes não tinham a longo prazo

https://translate.googleusercontent.com/translate_f 46/187
02/12/2016 Projetando Inquérito sociais
significado, eles poderiam afetar os resultados semanais. Assim, numerosas,
eventos transitórios poderia efetuar ligeiramente diferentes conjuntos de resultados da eleição.
Nossa observação de qualquer uma eleição não seria uma medida perfeita de
força conservadora, afinal.
Como outro exemplo, suponha que estamos interessados   no grau de con­
flito entre israelenses (polícia e residentes) e palestinos em comuni­
dades sobre o Banco ocupada por Israel ocidental do rio Jordão. Oficial
relatórios de ambos os lados parecem suspeito ou são censurados, assim nós decidimos
conduzir o nosso próprio estudo. Talvez possamos determinar o nível geral de
conflito em comunidades diferentes por entrevistas intensivas ou participação
7 Veja Popper (1982) para uma defesa do livro de comprimento do indeterminismo.

Página 68

56 · Descritiva Inference
ção em eventos familiares ou de grupo. Se fizermos isso por uma semana em cada com­
Comunidade, nossas conclusões sobre o nível de conflito em cada um será
uma função, em parte, de quaisquer eventos fortuitos ocorrem na semana em que acon­
pena visitar. Mesmo se realizar o estudo mais de um ano, ainda não vai
sabem perfeitamente o verdadeiro nível de conflito, mesmo que nossa incerteza
sobre ele vai cair.
Nestes exemplos, a variação na votação conservador através dis­
distritos ou a variância em conflito entre as comunidades da Cisjordânia pode
ser conceituado como decorrente de dois fatores distintos: sistemática e
não sistemáticos diferenças. Diferenças sistemáticas em nosso exemplo eleitor
incluem características fundamentais e previsíveis dos distritos,
tais como diferenças de ideologia, na renda, na organização da campanha,
ou em apoio tradicional para cada uma das partes. Em semanal hipotética
repetições das mesmas eleições, diferenças sistemáticas que per­
sist, mas as diferenças nonsytematic tais como variações em desvio devido a
o tempo, iria variar. No nosso exemplo Cisjordânia, dife­ sistemática
ferências incluiria as diferenças culturais profundas entre israelenses
e palestinos, conhecimento mútuo de uns aos outros e geográfica
padrões de segregação habitação. Se pudéssemos começar nossa obser­
vação semana uma dúzia de vezes diferentes, essas diferenças sistemáticas ser­
comunidades tween vai continuar a afectar o nível observado de con­
flito. No entanto, as diferenças não sistemáticos, como os incidentes terroristas ou
casos de brutalidade policial israelense, não seria previsível e
afetaria apenas a semana em que aconteceu para ocorrer. Com
técnicas inferencial adequadas, geralmente podemos aprender sobre a na­
tura de diferenças sistemáticas, mesmo com a ambiguidade que ocorre em
um conjunto de dados reais devido às diferenças não sistemáticos ou aleatórios,.
Assim, um dos objectivos fundamentais de inferência é distinguir o sis­
componente temática do componente não sistemática dos fenômenos que
estudo . O componente sistemática não é mais importante do que o
componente não sistemática, e nossa atenção não deve ser focada em
uma para a exclusão do outro. No entanto, a distinção entre o
dois é uma tarefa essencial da ciência social. Uma maneira de pensar sobre o infer­
cia é considerar o conjunto de dados que compila como apenas uma das muitas possíveis
conjuntos­apenas dados como o real 1979 resultados da eleição britânica constituem
apenas uma das muitas possíveis conjuntos de resultados para hipotética diferente
dias em que as eleições poderiam ter sido realizada, ou apenas como nossos uma semana
de observação em uma pequena comunidade é uma das muitas semanas possíveis.
Em inferência descritiva, buscamos compreender o grau em que
nossas observações refletem tanto fenômenos ou valores extremos típicos. teve a
1979 eleições britânicas ocorreu durante uma epidemia de gripe que varreu
através das casas da classe trabalhadora, mas tende a poupar o rico, o nosso obser­
vações podem ser medidas, em vez de pobres conservador subjacente

Página 69

https://translate.googleusercontent.com/translate_f 47/187
02/12/2016 Projetando Inquérito sociais

Inferência descritivo · 57
força, precisamente porque o não sistemático, elemento chance no
dados tendem a sobrecarregar ou distorcer o elemento sistemático. Se a nossa
semana de observação havia ocorrido imediatamente após a invasão israelense
do sul do Líbano, que também não seria de esperar resultados que são
indicativo do que acontece geralmente na Cisjordânia.
O mundo político é teoricamente capaz de produzir múltiplos
conjuntos de dados para cada problema, mas nem sempre segue as necessidades de
cientistas sociais. Nós geralmente só são a sorte de observar um
conjunto de dados. Para efeitos de um modelo, vamos deixar isso um conjunto de dados ser
representado por uma variável y (digamos, o voto do Trabalho) medido ao longo de
todos n = 650 unidades (distritos): Y 1 , Y 2 , ..., y n (por exemplo, Y 1 pode ser
23.562 pessoas votando para o trabalho no distrito 1). O conjunto de observações
que rotular y é uma variável percebeu . Seus valores variam ao longo dos n unidades.
Além disso, define­ Y como uma variável aleatória porque varia ran­
amente através repetições hipotéticas da mesma eleição. Assim, Y 5 seja
o número de pessoas que votam para o Trabalho no distrito 5, e Y 5 é o ran­
variável dom que representa o voto em muitas eleições hipotéticos
que poderia ter sido realizada no distrito 5 sob essencialmente o mesmo con­
Dições. Os votos observados para a festa de Trabalho no que uma amostra
observar, y 1 , y 2 , ..., y n , diferem entre os círculos eleitorais por causa de sistema­
atic e fatores aleatórios. Isto é, para distinguir as duas formas de "variável
ables, "muitas vezes usamos o termo variável realizada para se referir a y e aleatório
variável para se referir a Y .
A mesma disposição se aplica ao nosso exemplo qualitativa. Nós
não teria nenhuma esperança ou desejo de quantificar o nível de tensão BE
tween israelenses e palestinos, em parte porque "conflito" é uma observância
questão cado que envolve os sentimentos de numerosos indivíduos, orga­
oposições organizacio­, conflitos ideológicos, e muitos outros recursos.
Nesta situação, Y 5 é uma variável percebeu que representa o total de con­
flito observado durante a nossa semana na quinta comunidade, diz El­Bireh. 8
A variável aleatória Y 5 representa tanto o que observamos em El­Bireh
e que poderíamos ter observado; a aleatoriedade vem do
variação de eventos fortuitos ao longo dos possíveis semanas poderíamos ter
escolhido para observar. 9
Um dos objetivos da inferência é para aprender sobre recursos sistemáticos do ran­
variáveis dom Y 1 , ..., Y n . (Nota do contraditório, mas standard, ter­
logia: embora, em geral queremos distinguir sistemática de
componentes não sistemáticos em nossos dados, em um caso específico que desejamos
8 Obviamente, o mesmo se aplica a todas as outras comunidades que poderiam estudar.
9 Note­se que a aleatoriedade não é exactamente ao longo de diferentes semanas reais, uma vez que ambos
eventos fortuitos e diferenças sistemáticas poderiam explicar as diferenças observadas. Nós
portanto, criar a situação mais ideal em que Imagine correr o mundo novamente
com características sistemáticas realizadas fatores constantes e possibilidade permitidos para variar.

Página 70

58 · Descritiva Inference
dê uma variável aleatória e extrair suas características sistemáticas.) Por exem­
plo, poderíamos desejar saber o valor esperado do voto do Trabalho em
distrito 5 (a média de votos Trabalho Y 5 através de um grande número de hipo
eleições thetical neste distrito). Uma vez que esta é uma característica sistemática do
sistema eleitoral subjacente, o valor esperado é de considerável in­
teresse para os cientistas sociais. Em contraste, o voto do Trabalho em um observadas
eleição, y 5 , é consideravelmente menos juros de longo prazo, uma vez que é uma função
ção de recursos sistemáticos e erros aleatórios. 10
O valor esperado (uma característica do componente sistemática) na
comunidade quinta West Bank, El­Bireh, é expressa formalmente como segue:

E ( Y 5 ) = m 5

em que E (·) é o valor esperado de operação, a produção da média
através de um número infinito de repetições hipotéticas da semana
observar na comunidade 5, El­Bireh. O parâmetro m 5 (a letra grega
mu com um subscrito 5) representa a resposta para o valor esperado

https://translate.googleusercontent.com/translate_f 48/187
02/12/2016 Projetando Inquérito sociais
cálculo (a nível de conflito entre palestinos e israelenses) para
comunidade 5. Este parâmetro é parte do nosso modelo para uma FEA sistemática
tura da variável aleatória Y 5 . Pode­se usar o nível observado de
conflito, y 5 , como uma estimativa da m 5 , mas porque y 5 contém muitas chances
elementos, juntamente com informações sobre esse recurso sistemático, melhor
estimadores normalmente existe (ver secção 2.7).
Outro recurso sistemático dessas variáveis   aleatórias que
pode querer saber é o nível de conflito na média Cisjordânia
comunidade:

1 n 1 n
__ 
n Σ  E ( Y i ) = __ 
i = 1
n
i = 1
Σ m i = m (2.2)

Um estimador de m pode ser a média dos níveis observados de con­
flito em todas as comunidades estudadas, y ¯, mas outros estimadores para este
recurso sistemático existe, também. (Note­se que o mesmo resumo de dados
nossa discussão de resumir detalhes históricos da seção 2.5 é usado
com o objectivo de estimar uma inferência descritiva.) Outros sistemática
características das variáveis   aleatórias incluem a variância e uma variedade de
parâmetros causais introduzidos na seção 3.1.
Ainda outro recurso sistemático dessas variáveis   aleatórias que podem
ser de interesse é a variação do nível de conflito dentro de uma comu­
10 Naturalmente, y 5 pode ser de grande interesse para as pessoas no distrito de 5 para esse ano,
e, assim, tanto os componentes aleatórios e sistemáticos deste evento pode valer a pena
estudando. No entanto, devemos sempre tentar distinguir o acaso do sis­
temática.

Página 71

Inferência descritivo · 59
Comunidade, mesmo quando as características sistemáticas não mudam: a medida em
que as observações ao longo de diferentes semanas (realidades hipotética diferente
zações da mesma variável aleatória) produzem resultados divergentes. este
é, por outras palavras, o tamanho do componente não sistemática. Formalmente,
este é calculado para uma única comunidade, utilizando a variação (em vez
da expectativa):

V ( Y i ) = s 
Eu2 (2.3)

em que: s 2 (a letra grega sigma) indica o resultado da aplicação do
operador de variância para a variável aleatória Y i . Vivendo em uma Cisjordânia
comunidade com um alto nível de conflito entre israelenses e Palestini­
ans não seria agradável, mas que vivem em uma comunidade com um alto
variância, e, assim, imprevisibilidade, poderia ser pior. Em qualquer evento, tanto
pode ser de grande interesse para pesquisadores acadêmicos.
Para entender essas questões melhor, podemos distinguir duas exigências fundamentais
vistas de variação aleatória. 11 Estas duas perspectivas são extremos em
um continuum. Embora um número significativo de estudiosos podem ser encontrados
que estão confortáveis   um com o extremo, a maioria dos cientistas políticos têm
visualizações em algum lugar entre os dois.
Perspectiva 1: Um mundo probabilístico. Variação aleatória existe na natureza e o
sociais e mundos políticos e nunca pode ser eliminado. Mesmo se medir
sured todas as variáveis   sem erro, recolhido um censo (em vez de apenas uma amos­
PLE) de dados, e incluiu todas as variáveis   explicativas concebível, o nosso anal­
Yses seria ainda nunca geram previsões perfeitas. Um pesquisador pode dividir
o mundo em compo­ aparentemente sistemática e aparentemente não sistemática
nentes e muitas vezes melhorar previsões, mas nada que um pesquisador faz para
analisar dados pode ter qualquer efeito sobre a redução da quantidade fundamental
variação não sistemática existente em várias partes do mundo empírico.
Perspectiva 2: Um mundo determinista. Variação aleatória é apenas aquela parte do
o mundo para o qual não temos nenhuma explicação. A divisão entre sistema­
atic e estocástica variação é imposta pelo analista e depende do que
variáveis   explanatórias estão disponíveis e são incluídos na análise. Considerando a
variáveis   explicativas direita, o mundo é totalmente previsível.
Estas diferentes perspectivas produzir vários ambiguidades na in­
https://translate.googleusercontent.com/translate_f 49/187
02/12/2016 Projetando Inquérito sociais
ças em diferentes campos de investigação. 12 No entanto, na maioria dos casos
11 Ver King (1991b) para uma elaboração desta distinção.
12 Os economistas tendem a estar mais perto de Perspectiva 1, enquanto os estatísticos estão mais perto de per­
spective 2. Perspectiva 1 também é especialmente comum no campo da engenharia chamada
"Controle de qualidade". Os físicos têm sequer debatido esta distinção no domínio do quantum
mecânica. proponentes iniciais de Perspectiva 2 subscreveram a "teoria das variáveis   ocultas"

Página 72

60 · Descritiva Inference
estas duas perspectivas pode ser considerado como equivalente observacionalmente . Isto é
especialmente verdadeiro se assumirmos, sob Perspectiva 2, que, pelo menos, alguns
variáveis   explicativas permanecem desconhecidos. Assim, equivalência observacional
lência ocorre quando estas variáveis   explicativas desconhecidos em pectiva
tiva 2 se tornar a interpretação para a variação aleatória na pectiva
tiva 1. Por causa da falta de quaisquer implicações observáveis   com o qual
para distinguir entre eles, uma escolha entre as duas perspectivas
depende da fé ou crença em vez de verificação empírica.
Como outro exemplo, com as duas perspectivas, distinguindo­se
um evento político ou social em particular é o resultado de uma sistemática ou
processo não sistemática depende das escolhas do pesquisador.
Do ponto de vista da perspectiva 1, podemos provisoriamente classificar um
efeito que sistemática ou não sistemática. Mas a menos que possamos encontrar outro
conjunto de dados (ou mesmo apenas um outro caso) para verificar a persistência de uma
efeito ou padrão, é muito difícil fazer o julgamento correto.
A partir da versão extrema Perspectiva 2, não podemos fazer mais do que
descrever a data­ "incorretamente" julgar um evento como estocástico ou sis­
temática é impossível ou irrelevante. Uma versão mais realista desta per­
spective admite a atribuição correta ou incorreta de Perspectiva 1 de um
padrão como aleatória ou sistemática, mas que nos permite alguma latitude no de­
ciding que será objecto de um exame em qualquer estudo particular e
o que vai permanecem inexplicados. Desta forma, começamos qualquer análise com
todas as observações sendo o resultado de forças "não sistemáticos". Nosso trabalho é
em seguida, para fornecer evidência de que determinados acontecimentos ou processos são os
resultado de forças sistemáticos. Se um evento inexplicável ou processo é
uma ocorrência verdadeiramente aleatório ou apenas o resultado de ex ainda não identificado
variáveis   explicativas é deixada como um assunto para futuras pesquisas.
Este argumento aplica­se com igual força aos qualitativa e quantitativa
pesquisadores tivos. A pesquisa qualitativa é muitas vezes histórico, mas é de
a maioria usa a ciência como social, quando também é explicitamente inferencial. Para con­
ceptualize as variáveis   aleatórias a partir do qual as observações são ge­
ated e tentar estimar suas sistemáticas recursos de, em vez de
simplesmente resumindo o histórico detalhe­se não exigem grande escala
Dados coleções. De fato, uma marca de um bom historiador é a capacidade de
distinguem aspectos sistemáticos da situação que está sendo descrita a partir de
os idiossincráticos. Este argumento para a inferência descritiva, portanto,
certamente não é uma crítica de estudos de caso ou trabalho histórico. Ao invés,

da mecânica quântica. No entanto, o trabalho mais moderno parece fornecer um direito fundamental
verificação da Perspectiva 1: o mundo físico parece intrinsecamente probabilística. Nós todos
aguardar a resolução dos numerosos contradições restantes desta teoria importante
e suas implicações para a natureza do mundo físico. No entanto, essa disputa em phys­
ics, embora usada para justificar a maior parte da filosofia da ciência social, é pouco provável que afecte
a lógica da inferência ou prática de pesquisa nas ciências sociais.

Página 73

Inferência descritivo · 61
qualquer tipo de pesquisa em ciências sociais deve satisfazer os princípios básicos da
inferência discutido neste livro. Encontrar evidências de FEA sistemática
turas será mais difícil com alguns tipos de evidência, mas não é

https://translate.googleusercontent.com/translate_f 50/187
02/12/2016 Projetando Inquérito sociais
menos importante.
Como exemplo de problemas de inferência descritiva em re­ histórica
pesquisa, suponha que estamos interessados   nos resultados do US­Soviética
reuniões de cúpula entre 1955 e 1990. O nosso objectivo final é
responder a uma pergunta causal: em que condições e em que medida
se as cimeiras levar ao aumento da cooperação? A resposta a essa questão
ção requer resolver uma série de questões difíceis de análise causal,
particularmente aqueles que envolvem a direção da causalidade entre um conjunto de
variáveis sistematicamente relacionados. 13 Nesta seção, no entanto, nós restringimos
­nos a problemas de inferência descritiva.
Suponhamos que temos desenvolvido uma forma de avaliar­through
análise histórica, examinando especialistas, contando "cooperativa" e
eventos "conflituosas" ou uma combinação destes logia medição
nicas­a medida em que cimeiras foram seguidos por um aumento da su­
perpower cooperação. E temos algumas hipóteses sobre a con­
condições para uma cooperação acrescida­condições que dizem respeito a mudanças na
poder, ciclos eleitorais nos Estados Unidos, as condições econômicas em
cada país, e na medida em que as expectativas anteriores de ambos
lados foram cumpridas. Suponha também que esperamos para explicar a un­
sustém nível de cooperação em cada ano, e para associá­lo de alguma forma
com a presença ou ausência de uma reunião de cúpula no pe­ anterior
ríodo, bem como com nossos outros factores explicativos.
O que observamos (mesmo que nossos índices de cooperação são perfeitos) é
apenas o grau de cooperação realmente ocorrendo em cada ano. Se nós
observar elevados níveis de cooperação nos anos seguintes cúpula reunião
Ings, não sabemos, sem um estudo mais aprofundado se as cimeiras e
cooperação subsequente são sistematicamente relacionados entre si.
Com um pequeno número de observações, pode ser que a associação
entre cimeiras e cooperação reflete aleatoriedade devido à funda­
incerteza mentais (boa ou má sorte sob Perspectiva 1) ou ainda
variáveis   explicativas não identificados (sob Perspectiva 2). Exemplos de
tais variáveis   explicativas não identificados incluem flutuações climáticas
levando a quebras de safra na União Soviética, as mudanças na brio militar
Ance, ou de liderança mudanças, os quais poderiam ser responsáveis   por mudanças na
a extensão da cooperação. Se identificados, essas variáveis   são alternativas
variáveis   explicações omitido que poderiam ser recolhidos ou examinados
13 Em nossa língua, como veremos na seção 3.5 abaixo, a questão é a de endogene­
dade . Cooperação antecipado poderia levar à convocação de reuniões de cúpula, na qual
caso, em vez de reuniões de cúpula explicando a cooperação, a cooperação antecipado faria
explicar a cooperação­dificilmente uma descoberta surpreendente real se os atores são racionais!

Página 74

62 · Descritiva Inference
para avaliar a sua influência sobre o resultado cimeira. Se não for identificada, estes
variáveis   podem ser tratados como eventos não sistemáticos que poderiam ser responsáveis
para o elevado grau observado de cooperação superpotência. Fornecer
provas contra a possibilidade de que eventos aleatórios (ex­ não identificado
conta explicativo variáveis) para a cooperação observada, poderíamos
olhar para muitos outros anos. Como os eventos e processos aleatórios são por
definição não persistente, eles serão extremamente improvável que produza
cooperação diferencial em anos com e sem superpotência sum­
MITS. Mais uma vez, somos levados à conclusão de que os testes somente repetidas
em diferentes contextos (anos, neste caso) nos permitem decidir se
definir um padrão tão sistemático ou apenas devido às consequências transitórios
processos de aleatórios.
A distinção sistemática dos processos não sistemáticos é frequentemente dife­
Ficult Do ponto de vista da ciência social, uma epidemia de gripe que atinge
os eleitores da classe trabalhadora mais fortemente do que os de classe média é uma unpre­
previsível (não sistemático) evento que, em uma replicação hipotético de
a eleição 1979 diminuiria a votação do Trabalho. Mas um pat­ persistente
andorinha do mar das diferenças de classe na incidência de uma doença incapacitante seria
um efeito sistemático abaixamento do nível médio da votação do Trabalho através
muitas repetições.
A vitória de um candidato em detrimento de outro em uma eleição dos EUA sobre a
base da personalidade do vencedor ou um escorregão acidental da língua du­
ing um debate televisionado pode ser um fator aleatório que poderia ter AF
https://translate.googleusercontent.com/translate_f 51/187
02/12/2016 Projetando Inquérito sociais
tadas a probabilidade de cooperação entre a URSS e os Estados
Unidos durante a Guerra Fria. Mas se o apelo campanha mais eficaz
aos eleitores tinha sido a promessa de tensões reduzidas com a URSS,
vitórias consistentes de candidatos conciliatórias teria constituído
um fator sistemática explicar a probabilidade de cooperação.
fatores sistemáticos são persistentes e ter consequências consistentes
quando os factores de tomar um determinado valor. fatores não sistemáticos são
transitória: não podemos prever o seu impacto. Mas isso não significa que
fatores sistemáticos representam constantes. apelos da campanha pode ser um
fator sistemática no comportamento de voto explicar, mas esse fato não
significa que os apelos da campanha em si não mudam. É o efeito
de recursos de campanha em um resultado da eleição que é constante, ou, se
é variável, que está a mudar de uma forma previsível. Quando soviético­americano
relações eram boas, promessas de políticas conciliatórias pode ter ganho
votos nas eleições norte­americanas; quando as relações eram ruins, o inverso pode ter
sido verdade. Da mesma forma, o tempo pode ser um factor aleatório (se intermitente
tenda e imprevisíveis choques ter consequências imprevisíveis) ou um
recurso sistemático (se o mau tempo sempre leva a menos votos para can­
candidatas favorecendo políticas conciliatórias).
Em suma, resumindo detalhe histórico é um importante intermediário

Página 75

A julgar descritivas Inferências · 63
passo no processo de utilização dos nossos dados, mas devemos também fazer descrição
inferências tivos, distinguindo entre fe­ aleatória e sistemática
nomena. Saber o que aconteceu em uma determinada ocasião não é suficiente
por si próprio. Se fizermos nenhum esforço para extrair as características sistemáticas de um assunto,
as lições da história será perdido, e vamos aprender nada sobre o que as­
pectos do nosso assunto é provável que persistam ou para ser relevante para eventos futuros ou
Estudos.

2.7 critérios para julgar DESCRITIVA INFERÊNCIAS
Nesta seção final, apresentamos três critérios explícitos que são com­
mumente utilizados nas estatísticas para avaliar métodos de fazer inferences­
viés, eficiência e consistência. Cada baseia­se na aleatório
quadro variável introduzida no ponto 2.6, mas tem direto e
implicações poderosas para avaliar e melhorar a re qualitativa
pesquisa. Para esclarecer estes conceitos, nós fornecemos apenas o dade mais simples
exemplos ble nesta seção, todos de inferência descritiva. Um simples
versão de inferência envolve estimar parâmetros, incluindo o ex­
valor perado ou variância de uma variável aleatória (m ou s 2 ) para uma descrição
inferência tiva. Nós também usamos esses mesmos critérios para julgar causal infer­
cias no próximo capítulo (ver secção 3.4). Nós salvo por capítulos
aconselhamento específico sobre como fazer pesquisa qualitativa que está implícito
estes critérios e focar os conceitos sozinho para o restante desta
seção.

2.7.1 Inferências Unbiased
Se aplicarmos um método de inferência de novo e de novo, vamos obter esti­
mates que são por vezes demasiado grande e, por vezes, muito pequeno. através de uma
grande número de aplicações, podemos obter a resposta certa em média ? E se
sim, então este método, ou "estimador", é dito ser imparcial. este prop­
erty de um estimador não diz nada sobre como longe da
Médio Tanto faz uma aplicação do método poderia ser, mas estar correta
em média, é desejável.
estimativas imparciais ocorrer quando a variação de uma replicação de
uma medida para o próximo é não sistemática e move o alguns­ estimativa
vezes uma forma, às vezes o outro. Viés ocorre quando há um sis­
erro temática na medida em que desloca a estimativa mais em uma direção
ção do que o outro ao longo de um conjunto de repetições. Se em nosso estudo de conflito
em comunidades da Cisjordânia, os líderes criaram conflito, a fim de in­
Fluence os resultados do estudo (talvez para promover os seus objectivos políticos),
em seguida, o nível de conflito que observamos em cada comunidade seria
https://translate.googleusercontent.com/translate_f 52/187
02/12/2016 Projetando Inquérito sociais
inclinado para um conflito maior, em média. Se as repetições de nossa

Página 76

64 · Descritiva Inference
hipotéticos 1979 eleições foram todas feitas em um domingo (quando
poderia ter sido realizada em qualquer dia), haveria um viés na estimativa
mates, se esse fato ajudou sistematicamente um lado e não o outro (se,
por exemplo, os conservadores estavam mais relutantes em votar no domingo para
razões religiosas). Ou nossas estimativas replicados pode basear­se em re­
portas de contadores de voto corruptos que favorecem uma parte sobre a outra.
Se, no entanto, as eleições replicados foram realizadas em vários dias escolhidos
de uma forma relacionada com a variável que nos interessa, qualquer erro na
medição não iria produzir resultados tendenciosos, mesmo que um dia
ou de outro pode favorecer uma das partes. Por exemplo, se houvesse mis­
contagens devido ao desleixo aleatória por parte dos contadores de voto, o conjunto
das estimativas seria imparcial.
Se as eleições britânicas foram sempre realizada por lei aos domingos ou se um
método de contagem de votos que favoreceu uma parte sobre a outra foram construídas
para o sistema de eleição (por meio da utilização de um esquema de votação nomeadamente
ou, talvez, até mesmo a corrupção persistente), nós queremos um estimador
que variou baseado em Número significativo de votos que poderia ser esperado sob a
circunstâncias que esses recursos incluídos sistemática. Assim, o viés de­
pende­se na teoria de que está a ser investigada e que não apenas existe em
os dados por si só. Não faz muito sentido dizer que um determinado conjunto de dados é
enviesada, mesmo que possa ser preenchido com muitos erros individuais.
Neste exemplo, podemos querer distinguir nossa definição de "esta­
viés Statistical "em um estimador de" viés substancial "em um sis­ eleitoral
TEM . Um exemplo deste último é o horário de votação que tornam mais difícil para
pessoas que trabalham para votar­um viés substancial não é incomum de vários
sistemas eleitorais. Conforme os pesquisadores, nós podemos desejar para estimar a média
voto do sistema eleitoral atual (aquele com o viés substantivo),
mas também pode querer estimar a média de uma hipotética eleitoral
sistema que não têm um viés substancial devido às horas urnas
estão abertas. Isso nos permitirá estimar a quantidade de material
viés no sistema. Seja qual for significa que estamos estimando, queremos
tem um estimador estatisticamente imparcial.
dados das ciências sociais são suscetíveis a uma grande fonte de viés de
que devemos ser cautelosos: pessoas que fornecem a informação em bruto
que usamos para inferências descritivas muitas vezes têm razões para fornecer
estimativas que são sistematicamente muito alta ou baixa. Os funcionários do governo
pode querer sobrestimar os efeitos de um novo programa, a fim de
escorar suas reivindicações por mais financiamento ou subestimar o desemprego
taxa de desem­ para demonstrar que eles estão fazendo um bom trabalho. Podemos
precisa cavar fundo para encontrar estimativas que são menos tendenciosa. A ex revelador
amplo está em estudo qualitativo de Myron Weiner da educação e da criança
de trabalho na Índia (1991). Na tentativa de explicar o baixo nível de compromisso
ao ensino obrigatório na Índia em comparação com a de outros países,

Página 77

A julgar descritivas Inferências · 65
ele tinha que primeiro determinar se o nível de compromisso era realmente baixa.
Em um estado da Índia, ele encontrou as estatísticas oficiais que indicavam que
noventa e oito por cento das crianças em idade escolar frequentam a escola. No entanto, um
olhar mais atento revela que a participação foi medida uma vez, quando crian­
dren escola entrou pela primeira vez. Eles foram, então, listado como participar por sete
anos, mesmo se a sua única participação foi por um dia! um exame mais minucioso
mostrou que o número real de atendimento a ser muito menor.

https://translate.googleusercontent.com/translate_f 53/187
02/12/2016 Projetando Inquérito sociais
Um Exemplo Formal de viés. Suponha, por exemplo,
deseja estimar m na equação (2.2) e decidir usar a média como
um estimador, y ¯ = n Σ n
i = 1 y i . Em um único conjunto de dados, y ¯ é a proporção
1_

dos eleitores trabalhistas, calculados sobre todas as n = 650 círculos eleitorais (ou o aver­
faixa etária de conflito entre as comunidades da Cisjordânia). mas considerou
através de um número infinito de repetições hipotéticas da eleição
em cada círculo eleitoral, a média da amostra torna­se uma função de 650
variáveis aleatórias, Y ¯ = 
n Σ n
i = 1 Y i . Assim, a média da amostra torna­se um
1_

variável aleatória, também. Para algumas repetições hipotéticas, Y ¯ vai pro­
duzir resultados das eleições que estão perto de m e outras vezes eles serão
ainda mais longe. A questão é se Y ¯ vai estar certo, ou seja, igual
a m, em média, em todos estes repetições hipotéticas. Para determinar
a resposta, usamos a operação de valor esperado novamente, o que al­
nos pontos baixos para determinar a média em todo o número infinito de hipo
eleições thetical. As regras de expectativas nos permitirá fazer a
seguintes cálculos:

1 n ­benzóico.
­benzóico.
E ( Y ¯) = E
n Σ 
­benzóico.
__  Y 
­benzóico.
i = 1
i
(2,4)

1 n
n
= __  Σ 
i = 1E ( Y i )
1
= __ N m
n

= m

Assim, Y ¯ é um estimador imparcial de m. (Este é um pouco menos formal
exemplo do que aparece nos textos de estatísticas formais, mas as principais características
são os mesmos.)

Página 78

66 · Descritiva Inference

2.7.2 Eficiência
Nós geralmente não têm a oportunidade de aplicar nosso estimador a um
grande número de aplicações, essencialmente, idênticos. De facto, excepto para
alguns experimentos inteligentes, só aplicá­lo uma vez. Neste caso, unbiased­
ness é de interesse, mas gostaria de mais confiança de que a um
estimativa que temos é próxima à direita. Eficiência fornece uma maneira de
distinguindo entre os avaliadores imparciais. Com efeito, a eficiência térios
rion também pode ajudar a distinguir entre os estimadores alternativos com um
pequena quantidade de viés. (Um estimador com um grande preconceito deve geralmente
ser excluído, mesmo sem avaliar a sua eficiência.)
A eficiência é um conceito relativo que é medido por meio do cálculo do
variância do estimador através repetições hipotéticas. para un­
estimadores enviesados, quanto menor for a variância, o mais eficiente (a me­
Ter) o estimador. Uma pequena variação é melhor porque o nosso uma estimativa
será provavelmente mais perto do valor do parâmetro verdadeiro. Não são intercambiáveis
resse em eficiência para um estimador com um grande preconceito por causa de baixa variável
ance nesta situação fará com que seja improvável que a estimativa será
perto do verdadeiro valor (porque a maioria das estimativas possam ser estreitamente
agrupado em torno do valor errado). Como descrevemos a seguir, estamos in­
TERESSADAS na eficiência no caso de uma pequena quantidade de viés, e que pode
muitas vezes, estar dispostos a incorrer em uma pequena quantidade de viés em troca de uma grande
ganhar em eficiência.
Suponha que novamente estamos interessados   em estimar o nível médio de
conflito entre palestinos e israelenses na Cisjordânia e são
avaliar dois métodos: a única observação de uma comunidade,
escolhido para ser típico, e observações semelhantes de, por exemplo, vinte
cinco comunidades. Deve ser óbvio que vinte e cinco observações
https://translate.googleusercontent.com/translate_f 54/187
02/12/2016 Projetando Inquérito sociais
são melhores do que uma única observação tão longa quanto o mesmo vai esforço
em recolher cada um dos vinte e cinco como na única observação.
Vamos demonstrar aqui precisamente por isso que este é o caso. Este resultado
explica por que devemos observar como muitas implicações de nossa teoria como
possível, mas também demonstra o conceito mais geral de estatístico
eficiência cal, que também é relevante sempre que estamos a decidir a melhor
forma de avaliar diferentes formas de combinar observações recolhidas
em uma inferência.
Eficiência nos permite comparar o estudo de caso­observação única
( N = 1) estimador de m com a larga n estimador ( n = 25), que é a
nível médio de conflitos encontrados de vinte cinco separada semanas de duração
estudos em diferentes comunidades na Cisjordânia. Se aplicado for caso
quada, os dois estimadores são imparciais. Se o mesmo modelo aplica­se, a
estimador de observação individual tem uma variação de V ( Y típicos ) = s 2 . Isso é,
teríamos escolhido o que pensávamos ser um "típico" do distrito,

Página 79

A julgar descritivas Inferências · 67
o que, no entanto, ser afectadas pelas variáveis   aleatórias. A variância
da larga n estimador é V ( Y ¯) = s 2 /25, isto é, a variação da amos­
ple dizer. Assim, o estimador de observação única é de vinte e cinco vezes
mais variável (isto é, menos eficaz) do que a estimativa quando n = 25. Assim,
temos o resultado óbvio que mais observações são melhores.
Mais interessantes são as condições em que uma mais detalhada
estudo da nossa comunidade um renderia como bons ou melhores resultados
como a larga N estudo. Ou seja, embora devemos sempre preferir tudos
s com mais observações (dado os recursos necessários para recolher
­los), há situações em que um estudo de caso único (como sempre, con­
tenção muitas observações) é melhor do que um estudo baseado em mais obser­
vações, cada um dos quais não é tão detalhada ou certos.
Todas as condições são iguais, nossa análise mostra que quanto mais obser­
vações, o melhor, porque variabilidade (e, portanto, a ineficiência) cai. Dentro
fato, a propriedade de consistência é tal que à medida que o número de observação
ções fica muito grande, a variabilidade diminui para zero, e a estimativa
é igual ao parâmetro estamos tentando estimar. 14
Mas, muitas vezes, nem todas as condições são iguais. Suponhamos, por exemplo, que
qualquer única medição do fenômeno que estamos estudando é sub­
JECT a fatores que tornam a medida susceptível de ser muito longe da verdade
valor (isto é, o estimador tem uma elevada variância). E suponha que temos
algum entendimento­de outros estudos, talvez, do que estes fac­
res poderia ser. Suponha ainda que a nossa capacidade de observar e cor­
rect para estes factores diminui substancialmente com o aumento da
número de comunidades estudadas (se, por qualquer outra razão, do que nós
a falta de tempo e conhecimento para fazer as correções para esses fatores
através de um grande número de observações). Estamos, então, diante de um trade­
off entre um estudo de caso que tem observações adicionais internos para
o caso, e vinte e cinco casos em que cada uma contém um único ob­
conservação.
Se o nosso estudo de caso único é composto por apenas uma observação, em seguida,
é, obviamente, inferior ao nosso estudo 25­observação. Mas caso de estudo re­
pesquisadores têm vantagens significativas, que são mais fáceis de entender
se formalizada. Por exemplo, poderíamos primeiro selecione a nossa comunidade muito
com cuidado, a fim de se certificar de que é especialmente representativa da
resto do país ou que entendemos a relação deste com­
Comunidade com os outros. Poderíamos perguntar alguns moradores ou olhar para News­
artigo relata para ver se era uma comunidade média ou se
14 Note­se que um estimador pode ser imparcial, mas inconsistente. Por exemplo, Y 1 é uma un­
estimador tendencioso de m, mas é inconsistente porque, como o número de unidades de aumento, este
estimador não melhora (ou mesmo mudar em tudo). Um estimador também pode ser consistente
mas tendencioso. Por exemplo, Y ¯ ­ 5 / n é inclinado, mas é consistente porque 5 / N se torna zero
como n se aproxima do infinito.

https://translate.googleusercontent.com/translate_f 55/187
02/12/2016 Projetando Inquérito sociais

Página 80

68 · Descritiva Inference
algum fator não sistemática tinha causado a observação a ser atípico,
e então nós pode ajustar o nível observado de conflito para chegar a uma
estimativa do nível médio de conflito West Bank, m. Este seria
a parte mais difícil do estimador de estudo de caso, o que nos obrigaria
ter muito cuidado que o preconceito não arrastar. Uma vez que estamos razoavelmente
confiante de que o viés é minimizado, poderíamos concentrar em aumentar ência
Eficiência. Para fazer isso, poderíamos passar muitas semanas na comunidade con­
canalização numerosos estudos separados. Poderíamos entrevistar comunidade
líderes, cidadãos comuns, e professores da escola. Poderíamos falar com crian­
dren, ler os jornais, siga uma família no decurso da sua every­
a­dia, e usar inúmeras outras técnicas de coleta de informações.
Seguindo estes procedimentos, poderíamos recolher muito mais do que vinte e
cinco observações dentro deste comunidade e gerar um caso
estudo que também não é tendenciosa e mais eficiente do que a vinte e cinco
Estudo da comunidade.
Veja outro exemplo. Suponha que estamos realizando um estudo de
o problema internacional de drogas e quer uma medida do percentual
das terras agrícolas em que a cocaína está sendo cultivada em uma determinada região
do mundo. Suponha­se ainda que há uma escolha de dois métodos:
um estudo de caso de um país ou de uma grande escala, estudo estatístico de toda a
países da região. Pareceria melhor estudar toda a região.
Mas digamos que para realizar tal estudo é necessário (para prática
razões) para utilizar os dados fornecidos à agência da ONU de go­ da região
go­. Estes números são conhecidos por ter pouca relação com a
padrões reais de corte desde que foram preparados no Exterior
Escritório e baseada em considerações de relações públicas. Suponha, fur­
ther, que poderíamos, visitando e observando de perto um país,
fazer as correções para as estimativas do governo que trariam
essa estimativa em particular muito mais perto de uma figura verdadeira. qual o método
iríamos escolher? Talvez pudéssemos decidir estudar apenas um país
tente, ou talvez dois ou três. Ou podemos estudar um país inten­
sivamente e usar nossos resultados para reinterpretar, e assim melhorar, o go­
dados verno­fornecidos a partir de outros países. Nossa escolha deve ser
guiada pelo qual os dados melhor responder às nossas perguntas.
Para tirar ainda outro exemplo, suponha que estamos estudando a Euro­
Comunidade Europeia da e quer estimar o grau esperado de regulação
ção de uma indústria em toda a Comunidade que resultará
das ações da Comissão e do Conselho de Ministros. Nós
poderia reunir dados sobre um grande número de regras formalmente adoptados para o
setor industrial em questão, codificar essas regras em termos da sua strin­
gência, e, em seguida, estimar a severidade média de uma regra. Se juntarmos
dados sobre 100 regras com semelhante a rigor priori, a variância da nossa

Página 81

A julgar descritivas Inferências · 69
medida será a variância de uma determinada regra dividido por 100 (s 2 /100),
ou menos, se as regras estão relacionadas. Sem dúvida, este será um me­ melhor
Certifique­se de usar os dados em uma regra como o estimador para strin­ regulamentar
gência para a indústria como um todo.
No entanto, este procedimento exige a aceitar a regra formal como
equivalente à actividade de regulação real no sector sob escrutínio.
Outras investigações de aplicação regra, no entanto, pode revelar um
grande variação na medida em que as regras nominais são realmente en­
forçado. Por isso, as medidas de regras formais pode ser sistematicamente bi­
­ased por exemplo, a favor de exagerar rigor reguladora. Dentro
Nesse caso, teríamos de enfrentar o viés­eficiência trade­off, mais uma vez, e
pode fazer sentido para realizar três ou quatro estudos de casos intensivos de
regra de aplicação para investigar a relação entre formais
regras e actividade reguladora reais. Uma possibilidade seria a de sub­
https://translate.googleusercontent.com/translate_f 56/187
02/12/2016 Projetando Inquérito sociais
tuir um estimador baseado nestes três ou quatro casos menos tendencioso e
também menos eficiente em termos de estimador baseado em 100 casos. No entanto,
pode ser mais criativo, se possível, usar o caso de estudo intensivo
trabalhar para os três ou quatro casos para corrigir a polarização do nosso caso 100­indi­
cador, e, em seguida, usar uma versão rectificada do indicador 100 como caso
nosso estimador. Neste procedimento, que seria combinar os insights
dos nossos estudos de casos intensivos com larga n técnicas, uma prática que nós
acha que deve ser seguido com muito mais freqüência do que é o caso em
ciências sociais contemporâneas.
O argumento para estudos de caso feitos por aqueles que conhecem um determinado
parte do mundo também é muitas vezes apenas uma implícita na anterior
exemplo. Estudos em larga escala pode depender de números que não são
bem entendido pelo pesquisador ingénuo trabalhando em uma base de dados (que
pode não ter consciência da maneira pela qual as estatísticas eleitorais estão reunidos em
uma localidade específica e assume, incorretamente, que eles têm alguns real
relacionamento com os votos de elenco). O pesquisador que trabalha em estreita colaboração com
os materiais e compreender a sua origem pode ser capaz de fazer o
correções necessárias. Nas seções subsequentes, vamos tentar explicar
como tais escolhas podem ser feitas de forma mais sistemática.
Nossa análise formal do problema na caixa abaixo mostra pré­
precisamente como decidir o que os resultados do trade­off estão no exem­
ple de círculos eleitorais britânicos. A decisão em qualquer particular,
exemplo será sempre melhor quando usando a lógica como o mostrado na
análise formal abaixo. No entanto, decidir esta questão vai quase al­
maneiras também exigem julgamentos qualitativos, também.
Finalmente, vale a pena pensar mais especificamente sobre os trade­offs
que às vezes existe entre viés e eficiência. A média da amostra de
as duas primeiras observações em qualquer grande conjunto de observações imparciais é

Página 82

70 · Descritiva Inference

As comparações de eficiência formais. A variação da média da amostra
Y ¯ é denotado como V ( Y ¯), e as regras para o cálculo dos desvios de ran­
variáveis   dom no caso simples de amostragem aleatória permitir a se­
mugido:

1 n ­benzóico.
­benzóico.
V ( Y ¯) = V
__  Σ  Y 
­benzóico.
n
i = 1
­benzóico.
i

1 n
n 2
= __  Σ  V ( Y i )
i = 1
Além disso, se assumirmos que a variância através represen­ hipotética
cação de cada eleição distrito é o mesmo que qualquer outro distrito
e é indicada por s 2 , em seguida, a variância da amostra é significativo

1 n (2,5)

V ( Y ¯) = __ 
2 Σ 
i = 1 V ( Y i )

1 n
n  Σ
= __ 2  s dois
i = 1
1
= __ N s 2
n 2

S = 2 / n

No exemplo acima, n = 650, de modo a larga n estimador tem variância
s 2 /650 e o estimador de estudo de caso tem variância s 2 . A menos que possamos
usar qualitativos aleatório correcções de erros, para reduzir a variância de

https://translate.googleusercontent.com/translate_f 57/187
02/12/2016 Projetando Inquérito sociais
o estimador caso de estudo por um factor de pelo menos 650, a estimativa estatística
mate é a preferida por razões de eficiência.

Também imparcial, assim como é a média da amostra de todas as observações. Como­
nunca, usando apenas duas observações descarta informações substanciais;
isso não muda viés, mas não reduzir substancialmente EF­
eficiên­. Se não tivéssemos também utilizar o critério de eficiência, teríamos
não há critérios formais para a escolha de um estimador sobre o outro.
Suponha que estamos interessados   em saber se os democratas ganhariam

Página 83

A julgar descritivas Inferências · 71
a próxima eleição presidencial, e pedimos vinte selecionados aleatoriamente
adultos norte­americanos que o partido que pretendem votar. (Em nosso simples ver­
sion de seleção aleatória, nós escolhemos os entrevistados de todos os adultos
Americanos, cada um dos quais tem uma probabilidade igual de seleção.) Apoio
colocam que outra pessoa também fez um estudo similar com 1.000 cidadãos.
Devemos incluir essas observações adicionais com a nossa para criar uma
única estimativa com base em 1.020 respondentes? Se as novas observações
Foram seleccionados de forma aleatória, assim como as primeiras vinte, que deveria ser um fácil
decisão de incluir os dados adicionais com o nosso: com o novo obser­
vações, o estimador ainda é imparcial e agora muito mais eficiente.
No entanto, suponha que apenas 990 das 1.000 novas observações foram
tirada aleatoriamente da população dos Estados Unidos e os outros dez eram
membros democratas do Congresso que foram inadvertidamente incluídas no
os dados após a amostra aleatória tinha sido elaborado. Suponha ainda
que descobrimos que estas observações adicionais foram incluídas no
nossos dados, mas não sabia quais eram e, portanto, não podia
Remova eles. Agora sabemos a priori que um estimador com base em todas
1.020 entrevistados produziria uma ligeira superestimativa do likeli­
capuz que um democrata iria ganhar o voto em todo o país. Assim, incluindo
estes 1.000 observações adicionais seriam ligeiramente enviesar a estimativa global
acasalar, mas também melhorar substancialmente a sua eficiência. Se
devemos incluir as observações, portanto, depende se o
aumento da polarização é compensado pelo aumento da eficiência estatística.
Intuitivamente, parece claro que o estimador com base na obser­ 1020
vações irá produzir estimativas relativamente perto da resposta certa tanto
mais frequentemente do que o estimador baseado em apenas vinte observação
Ções. O viés introduzido seria pequeno o suficiente, então nós preferimos
o estimador de amostra maior, embora, na prática, seria prova­
Bly aplicam­se tanto. (Além disso, sabemos que a direcção da polarização neste
caso e poderia até mesmo parcialmente correta para ele.)
Se os dados quantitativos adequados estão disponíveis e somos capazes de perdoar
Malize problemas como estes, normalmente, podemos tomar uma decisão clara.
No entanto, mesmo se a natureza qualitativa da pesquisa faz avalia­
ing este trade­off difícil ou impossível, a compreensão deve ajudar
­nos fazer inferências mais confiáveis.

As comparações formais de viés e eficiência. Considere duas estima­
tores, um deles em larga n estudo realizado por alguém com um preconceito, que é
portanto, ligeiramente tendenciosa, eo outro um muito pequenas n estudo que
acreditam que é imparcial, mas relativamente menos eficiente e é feito por um im­
investigador parcial. Como um modelo formal deste exemplo, suponha que
deseja estimar m ea larga n estudo produz estimador d :

Página 84

72 · Descritiva Inference

https://translate.googleusercontent.com/translate_f 58/187
02/12/2016 Projetando Inquérito sociais
­benzóico.
1 n ­benzóico.
d = __  Σ 
­benzóico.
n ­benzóico.
Y i ­ 0,01
i = 1

Nós modelar a pequena n estudo com um estimador diferente de m, c :

­benzóico.
Y 1 + Y 2­benzóico.
C = _______
­benzóico.
2 ­benzóico.

onde distritos 1 e 2 são círculos médios, de modo que E ( Y 1 ) = m
e E ( Y 2 ) = M.
Qual estimador devemos prefere? A primeira resposta é que nós
usaria nem e em vez disso preferem a média da amostra y ¯; aquele
é, uma larga n estudo realizado por um investigador imparcial. No entanto, o obvi­
ous ou melhor estimador nem sempre é aplicável. Para responder a esta questão
ção, nos voltamos para uma avaliação de viés e eficiência.
Primeiro, iremos avaliar viés. Podemos mostrar que a primeira estimativa de d é
ligeiramente inclinado de acordo com o cálculo habitual:

1 n
­benzóico. ­benzóico.
E ( d ) = En Σ 
­benzóico.
__  Y i ­ 0,01
i = 1
­benzóico.

1 n ­benzóico.
­benzóico.
__ 
n Σ 
= E ­benzóico.

i = 1
i ­ E (0,01)
­benzóico.

= M ­ 0,01

Podemos também mostram que o segundo estimador c é imparcial por um seme­
cálculo lar:
­benzóico.
Y 1 + Y 2­benzóico.
­benzóico.
E ( C ) = E
­benzóico.
2 ­benzóico.

E ( Y 1 ) + E ( Y 2 )
= _____________
2

m + m
= _____
2

= m

Página 85

A julgar descritivas Inferências · 73
Por estes cálculos por si só, que iria escolher estimador c , o resultado
dos esforços da pequena do nosso investigador imparcial n estudo, uma vez que é
imparcial. Em média, em um número infinito de represen­ hipotética
cações, para o investigador com um preconceito, d daria o
resposta errada, embora apenas ligeiramente assim. Estimador c daria o
resposta certa em média.
O critério de eficiência conta uma história diferente. Para começar, vamos calcular
final da variância de cada estimador:

1 n
­benzóico. ­benzóico.
V ( d ) = Vn Σ 
­benzóico.
__  Y i ­ 0,01
i = 1
­benzóico.

1 n ­benzóico.
­benzóico.
n Σ 
= V ­benzóico.
__  Y i ­ V (0,01)
­benzóico.
i = 1
S = 2 / n

S = 2 /650
https://translate.googleusercontent.com/translate_f 59/187
02/12/2016 Projetando Inquérito sociais

Esta variação é a mesma que a variância da amostra significa BE­
provocar 0,01 não muda (tem zero variância) através de amostras. Simi­
larmente, calcula a variância de C como se segue: 15

­benzóico.
Y 1 + Y 2­benzóico.
­benzóico.
V ( C ) = V
­benzóico.
2 ­benzóico.

1
= __ [ V ( Y 1 ) + V ( Y 2 )]
4

1
= __ 2s 2
4

S = 2 /2

Assim, C é consideravelmente menos eficiente do que d porque V ( c ) = S 2 /2 é 325
vezes maior do que V ( D ) = s 2 /650. Esta deve ser intuitivamente claro como
Bem, desde que c descarta a maioria das informações no conjunto de dados.
Que devemos escolher? Estimador d é tendenciosa, mas mais eficiente
15 Assumimos a ausência de correlação espacial entre os distritos na segunda linha de
os anteriores e seguintes cálculos.

Página 86

74 · Descritiva Inference
de c , enquanto que c é imparcial, mas menos eficiente. Neste caso particular,
nós provavelmente preferem estimador d . Teríamos, assim, estar disposto a
sacrificar viés, já que o sacrifício é relativamente pequeno (0,01), em
a fim de obter um estimador significativamente mais eficiente. Em algum
ponto, no entanto, uma maior eficiência não vai compensar um pouco de preconceito
uma vez que acabam garantindo que as estimativas vão estar mais longe da
verdade. A maneira formal para avaliar o viés­eficiência trade­off é
calcular o erro médio quadrático (MSE), que é uma combinação de polarização
e eficiência. Se g é um estimador de algum parâmetro g (do grego
carta Gamma), MSE é definido da seguinte forma:

MSE ( g ) = V ( g ) + E ( g ­ g) 2 (2.6)

= Variância + bias Squared

erro quadrático médio é assim a soma da variância e o quadrado
viés (ver Johnston 1984: 27­28). A ideia é escolher o estimador
com o mínimo erro quadrático médio, uma vez que mostra precisamente como
um estimador com algum viés pode ser preferido se ele tem uma variável menor
Ance
Para o nosso exemplo, as duas MPEs são como se segue:

s 2
MSE ( d ) = ___ + (0,01) 2 (2.7)
650

s 2
= ___ + 0,0001
650

s 2
MSE ( c ) = __ (2,8)
2

Assim, para a maioria dos valores de s 2 , MSE ( d ) <MSE ( c ) e preferimos
d como um estimador de c .
Em teoria, devemos sempre preferir estimativas imparciais que são tão
eficiente (isto é, utilizar o máximo de informação) quanto possível. Contudo, no
situações de pesquisa reais que analisamos nos estudos seguintes, este
trade­off entre viés e eficiência é bastante saliente.
https://translate.googleusercontent.com/translate_f 60/187
02/12/2016 Projetando Inquérito sociais

Página 87

CAPÍTULO 3

Causalidade e Causal Inference

Nós discutimos dois estágios de pesquisa em ciências sociais: summariz­
ing detalhe histórico (seção 2.5) e fazer inferências descritivas por
particionamento do mundo em componentes sistemáticos e não sistemáticos
(Seção 2.6). Muitos estudantes dos fenômenos sociais e políticos se
parar neste ponto, evitando declarações causais e pedindo sua se­
cionado e fatos bem ordenada "falar por si mesmos."
Como historiadores, cientistas sociais precisam para resumir detalhes históricos
e fazer inferências descritivas. Para alguns FINALIDADE ciências sociais
coloca, no entanto, a análise é incompleta sem inferência causal. que
é, assim como inferência causal é impossível sem uma boa infer­ descritivo
cia, inferência descritiva sozinho é muitas vezes insatisfatória e incompleta.
Para dizer isto, no entanto, não é afirmar que todos os cientistas sociais devem, em todas as
do seu trabalho, procuramos elaborar explicações causais dos fenômenos
eles estudam. Às vezes inferência causal é muito difícil; em muitos outros
situações, inferência descritiva é o objetivo final da pesquisa
esforço.
É claro, devemos sempre estar explícito em esclarecer se o
objetivo de um projeto de pesquisa é a descrição ou explicação. muitos sociais
os cientistas se sentem desconfortáveis   com a inferência causal. Eles são tão cuidadosos de
o aviso de que "a correlação não é causalidade" que eles não vão declarar
hipóteses causais ou fazer inferências causais, referindo­se a sua investigação
como "estudar associação e não a causa." Outros fazem aparente
declarações causais com facilidade, rotulando hipóteses unevaluated ou espec­
ulations como "explicações" sobre a base da pesquisa indeterminado de­
Sinais. 1 Acreditamos que cada uma destas posições evita o problema de
inferência causal.

1 Tendo em conta a preferência de alguns cientistas sociais para a explicação sobre "mera descrição,"
não é de estranhar que os estudantes de eventos complicados procuram vestir o seu trabalho no
armadilhas do jargão explicativas; caso contrário, eles temem ser considerados como fazendo inferior
trabalho.
mentos na literatura sobre "explicação não causal", como terminologia confusa; em vir­
Na sua essência, uma verdadeira explicação é sempre baseada em inferências causais. Nós consideramos argumento
tualmente todos os casos, estes argumentos são realmente sobre a explicação causal ou são internamente
inconsistente. Se as falhas dos cientistas sociais para explicar não são devido à má investigação ou falta
da imaginação, mas sim para a natureza dos problemas difíceis, mas significativas, que eles
estão examinando, esses sentimentos de inferioridade são injustificadas. Boa descrição do importante
eventos é melhor do que má explicação sobre qualquer coisa.

Página 88

76 · Causalidade e Causal Inference
Evitar linguagem causal quando a causalidade é o verdadeiro tema de inves­
tigação quer torna a pesquisa irrelevante ou permite que ele permaneça
indisciplinados pelas regras de inferência científica. nossa incerteza
cerca de inferências causais nunca será eliminado. Mas essa incerteza
não deve sugerir que evitar tentativas de inferência causal. Em vez

https://translate.googleusercontent.com/translate_f 61/187
02/12/2016 Projetando Inquérito sociais
devemos fazer inferências causais onde eles parecem apropriadas, mas
também fornecem o leitor com o melhor e mais honesto estimativa do
a incerteza de que a inferência. É conveniente ter a coragem de desenho
inferências causais, contanto que sejam cautelosos em detalhando a teza
teza da inferência. É importante, ainda, que hipóteses causais
ser disciplinado, aproximando­o mais próximo possível as regras do causal
inferência. Nosso propósito em grande parte dos capítulos 4­6 é para explicar a
circunstâncias em que a inferência causal é apropriado e
tornam possível para os pesquisadores qualitativos para aumentar a probabilidade
que sua pesquisa irá fornecer evidências confiáveis   sobre sua causal
Hipóteses.
Na secção 3.1 apresentamos uma definição rigorosa de causalidade for caso
adequadas para a pesquisa qualitativa e quantitativa, em seguida, na seção 3.2 que
esclarecer várias noções alternativas de causalidade na literatura e
demonstrar que eles não entrem em conflito com a nossa defi­ mais fundamental
Nição. Na seção 3.3 discutimos os pressupostos precisos sobre o
mundo e as hipóteses necessárias para fazer inferências causais confiáveis.
Consideramos, então, na secção 3.4 como se inscrever para Inferência Causal do
critérios que desenvolvemos para julgar inferência descritiva. Na secção 3.5
podemos concluir este capítulo com um conselho mais geral sobre a forma de con­
struct explicações causais, teorias e hipóteses.

3.1 DEFINIÇÃO DE CAUSALIDADE
Nesta seção, vamos definir a causalidade como um teórico conceito independente
dos dados utilizados para aprender sobre ele. Posteriormente, consideramos causal
inferência a partir de nossos dados. (Para discussões sobre problemas específicos de causalidade
inferência, veja os capítulos 4­6.) No ponto 3.1.1, damos a nossa definição de
causalidade em pormenor, juntamente com um exemplo simples quantitativa, e
no ponto 3.1.2 revisitamos a nossa definição, juntamente com uma maior sofisticação
cados exemplo qualitativa.

3.1.1 A definição e um exemplo quantitativo
Nossa definição teórica da causalidade se aplica mais simples e clara
de uma única unidade. 2 Tal como definido na secção 2.4, a unidade é um dos muitos
elementos a serem observadas num estudo, tal como uma pessoa, país, ano, ou
2 O nosso ponto de partida nesta seção é o artigo de Holland (1986) sobre a causalidade e

Página 89

Definindo Causalidade · 77
organização política. Para precisão e clareza, nós escolhemos um pecado
gle correndo exemplo de pesquisa quantitativa: o efeito causal da
estatuto incumbência para um candidato democrata para a Câmara dos
Representantes sobre a proporção de votos o candidato recebe.
(Usando apenas um candidato Democrática simplifica o exemplo.) Deixe o
variável dependente seja a proporção Democrática do two­party
votar para o House. A variável explicativa causal chave é então dichot­
omous, seja o democrata é um titular ou não. (Pela simplicidade
ao longo desta seção, consideramos apenas os distritos onde os republicana
pode candidato perdeu a última eleição.)
linguagem causal pode ser confuso e nossa escolha aqui é quase
Único. O "variável dependente" é às vezes chamado de "resultado
variável. "" variáveis   explicativas "são muitas vezes referidos como" independência
dent variáveis. "Nós dividimos as variáveis   explicativas para a" chave
variável causal "(também chamada a" causa "ou" variável de tratamento ")
e as "variáveis   de controle." Finalmente, a variável causal chave sempre
leva em dois ou mais valores, que são frequentemente designados por "tratamento
grupo "e" grupo de controle ".
Agora, considere apenas o quarto Distrito Congressional em Nova York,
e imaginar uma eleição em 1998 com um Compete Democrática e um
Republicano (nonincumbent) challenger. Suponha que o can­ Democrática
didata recebido Y 4I fração do voto nesta eleição (o subscrito 4
denota o Quarto Distrito de Nova York e o sobrescrito I refere­se a
o facto de o Democrata é um I ncumbent). Y 4 I é, em seguida, um valor de a
variável dependente. Para definir o efeito causal (a teórica quantidade),
https://translate.googleusercontent.com/translate_f 62/187
02/12/2016 Projetando Inquérito sociais
imaginar que vamos voltar no tempo para o início da campanha eleitoral
e tudo permanece o mesmo, exceto que o in­ Democrática
cumbent decide não concorrer à reeleição e do Partido Democrático
nomeia outro candidato (presumivelmente o vencedor da primária
eleição). Denotamos a fração de voto que o Democrática (não­
Compete) candidato receberia por y 4 N (em que N indica uma Demo­
Democrática candidato que é um N on­histórico). 3
Este contrafactual condição é a essência por trás dessa definição de
causalidade, ea diferença entre o voto real ( y 4 I ) e a provável

o que ele chama de "modelo de Rubin." Holland baseia suas ideias sobre o trabalho de numerosos schol­
ars. Donald Rubin (1974, 1978) de trabalho sobre o assunto foi mais imediatamente relevante, mas
Ele também cita Aristóteles, Locke, Hume, Mill, Suppes, Granger, Fisher, Neyman, e outros.
Nós estendemos definição de um efeito causal da Holanda usando algumas ideias expressas de forma clara
por Suppes (1970) e outros a respeito de "causalidade probabilística." Encontramos este exten­
sion necessário uma vez que nenhuma abordagem existente por si só é capaz de definir a causalidade com
relativamente a uma única unidade e permitindo ainda um particionar efeitos causais em sistemática
e componentes não sistemáticos.
3 See Gelman e King (1990) para mais detalhes sobre este exemplo. De modo mais geral, I e N pode
representam o "tratamento" e grupo "controle" ou por quaisquer dois tratamentos experimentalmente

Página 90

78 · Causalidade e Causal Inference
voto nesta situação contrafactual ( y 4 N ) é o efeito causal, um conceito
vamos definir mais precisamente abaixo. Temos de ter muito cuidado na defin­
ing counterfactuals; embora eles são, obviamente, contrária aos fatos,
eles devem ser razoáveis   e que deve ser possível para o counterfac­
evento tual ter ocorrido sob circunstâncias precisamente definidos. UMA
parte fundamental de definir a condição contrafactual adequado é esclare­
ficação precisamente o que estamos mantendo constante enquanto estamos mudando
o valor da variável de tratamento. No presente exemplo, a tecla
causal (ou tratamento) variável é o status incumbência, e muda
a partir de "compete" a "não­histórico." Durante esta hipotética
mudança, nós manter tudo constante até ao momento da Demo­
A nomeação de democrático partido tomada de força relativa dos Demo­
crats e republicanos em eleições passadas neste distrito, a natureza
o processo de nomeação, as características do visor do Congresso
distrital, eo clima económico e político da época, etc. Fazemos
não controlar as qualidades dos candidatos, tais como o reconhecimento do nome,
visibilidade e conhecimento do funcionamento do Congresso, ou qualquer coisa
outra coisa que segue a nomeação do partido. A razão é que estes são
em parte as consequências da nossa variável de tratamento, incumbência. Isto é, o
vantagens de incumbency incluem o reconhecimento do nome, visibilidade e
assim por diante. Se fizéssemos realizar estes constante, estaríamos controlando para
e, portanto, sem considerar alguns dos efeitos mais importantes da incum­
Bency e, como resultado, iria interpretar mal o seu efeito global sobre o voto
total. Na verdade, controlando­se o suficiente das consequências de incum­
Bency poderia fazer um incorretamente acreditam que incumbência não tinha EF­
fect em tudo. 4
Mais formalmente, o efeito causal da posse no Quarto Distrito
em New York, a proporção do voto recebido pelo Democrática
Candidato do partido que seja atribuível a incumbência de status seria
a diferença entre estas duas frações voto: ( y 4 I ­ Y 4
N ). Por razões
que ficará claro em breve, nos referimos a essa diferença como o realizado

administrada de fato ou de teoria. Naturalmente, a decisão de chamar um valor de uma explicação
variável tory um tratamento e outro um controle é totalmente arbitrária, se esta linguagem é
utilizado de todo.
4 Jon Elster (1983: 34­36) reivindicou "o sentido de causalidade não pode ser processado por
declarações contrafactuais "em muitas situações, tais como aqueles em que um terceiro factor ac­
contagens, tanto para o explicativa aparente e variáveis   dependentes. Em nossa língua,
Elster é simplesmente apontando para problemas comuns de inferências , que são sempre incertos
Até certo ponto. No entanto, estas dificuldades de inferência não invalidam a definição de
causalidade em termos de contrafactuais. Apesar de suas objeções, Elster reconhece que
declarações contrafactuais "têm um papel importante na análise causal" (Elster, 1983: 36).
Daí o argumento de Elster é mais convincente, pensamos, como um conjunto de avisos valiosos contra
uso descuidado de contrafactuais do que como uma crítica de sua cia de definição fundamentais
tância no raciocínio causal.

https://translate.googleusercontent.com/translate_f 63/187
02/12/2016 Projetando Inquérito sociais

Page 91

Definindo Causalidade · 79
efeito causal e escrevê­lo em notação mais geral para a unidade i em vez de
único distrito 4: 5

I ­ y iN i
(Realizado Causal Effect para a unidade i ) = y  (3.1)

Naturalmente, este efeito é definido apenas em teoria, uma vez que em qualquer um verdadeiro
eleição podemos observar tanto y 4 I ou Y 4 N ou nenhum, mas nunca ambos.
Assim, esta definição simples de causalidade demonstra que podemos
nunca a esperança de conhecer um efeito causal com certeza. Holland (1986) refere­se a
este problema como o problema fundamental da inferência causal , e é in­
escritura de um fundamentais problema, já que não importa o quão perfeita a pesquisa
design, não importa a quantidade de dados que recolhemos, não importa o quão perspicaz
os observadores, não importa o quão diligente os assistentes de pesquisa, e nenhum
importa o quanto o controle experimental que temos, nós nunca saberemos
uma inferência causal com certeza. Na verdade, a maioria das questões empíricas de
projetos de pesquisa que discutimos neste livro envolvem este fundamento
problema, ea maioria dos nossos sugestões constituem tentativas parciais
Evite isso.
A nossa definição de trabalho de causalidade difere da Holanda de, uma vez que em
secção 2.6 temos argumentado que as ciências sociais sempre precisa parti­
ção do mundo em componentes sistemáticos e não sistemáticos e
Definição da Holanda não faz essa distinção de forma clara. 6 Para ver o
importância deste particionamento, pensar sobre o que aconteceria se nós
poderia executar novamente a campanha eleitoral de 1998, no Quarto Distrito em Nova
York, com um incumbente Democrata e um desafiador republicano. UMA
ligeiramente total de votos diferente iria resultar, devido à FEA não sistemática
turas de eleição campanhas de aspectos da política que não persistem
de uma campanha para outra, mesmo se as campanhas começam na iden­
pé tica. Algumas destas características não sistemáticos podem incluir uma
gafe verbal, um discurso surpreendentemente popular ou posição sobre uma questão, um
inesperadamente mau desempenho em um debate, o mau tempo durante uma
comício do candidato ou no dia da eleição, ou os resultados de algumas investigações
jornalismo. Podemos, portanto, imaginar uma variável que expressasse
os valores do voto democrático em toda repetições hipotéticas de
essa mesma eleição.
5 Podemos especializar em distrito 4, substituindo "4" para " i " na seguinte equação.
6 A razão para isso é provavelmente que a Holanda é um estatístico que vem muito perto
uma versão extrema de "Perspectiva 2" variação aleatória, que é descrito na secção
2.6. Em sua descrição da "solução estatística" para o problema da inferência causal, ele
mais se aproxima a nossa definição de um efeito causal, mas esta definição é principalmente
sobre o uso de unidades diferentes para resolver o problema fundamental, em vez de reter o
definição de causalidade em apenas um. Em particular, suas médias operador valor esperado
unidades mais, ao passo que o nosso (descrito abaixo) de médias de repetições hipotéticas de
a mesma experiência para apenas uma única unidade (ver Holland, 1986: 947).

Página 92

80 · Causalidade e Causal Inference
Como mencionado acima (ver secção 2.6), esta variável é chamado de "random
variável ", uma vez que tem características não sistemáticos: ela é afetada pela explicação
variáveis   Tory não englobadas na nossa análise teórica ou contém
variabilidade fundamentalmente inexplicável. 7 Nós definimos a variável aleatória
capaz representando a proporção de votos recebidos pelo titular
Candidato democrata como Y  I (note a capital Y
4  ) ea proporção de
votos que seriam recebidos em repetições hipotéticos por um Demo­
N .
nonincumbent democrática como Y  4

Vamos agora definir o efeito causal aleatório para o distrito de 4 como a diferença
entre essas duas variáveis   aleatórias. Como queremos manter algum
generalidade, mais uma vez mudar a notação do distrito de 4 a unidade i :
https://translate.googleusercontent.com/translate_f 64/187
02/12/2016 Projetando Inquérito sociais

I ­ Y iN ) i
(Random Causal Effect para a unidade i ) = ( Y  (3.2)

(Tal como na definição de uma variável aleatória, um efeito causal aleatório
é um efeito causal que varia ao longo de repetições hipotéticos da mesma
experimentar, mas também representa muitas características interessantes sistemáticas
de eleições.) Se pudemos observar duas proporções votação em separado em dis­
pio 4, ao mesmo tempo, uma a partir de uma eleição com e uma sem uma
Democrática execução compete, então pudemos observar diretamente o
efeito realizado causal na equação (3.1). Claro que, devido à Fun­
damental Problema da Causal Inference, não podemos observar o percebeu
efeito causal. Assim, o efeito causal realizado na equação 3.1 é uma única
unobserved realização do efeito causal aleatória na equação 3.2. Dentro
Ou seja, através de muitas repetições hipotéticos de uma mesma eleição
ção no distrito de 4 com um Compete Democrática, e através de muitos hipo
repetições thetical da mesma eleição, mas com um não­democrata
Compete, o (não observado) realizou efeito causal torna­se um aleatório
efeito causal.
Descrevendo causalidade como uma das características sistemáticas de aleatório
variáveis   podem parecer indevidamente complicado. Mas tem duas virtudes. Primeiro,
torna a nossa definição de causalidade directa análogas às sistema­
características ATIC (como uma média ou variância) de um fenômeno que servem
7 Como explicamos em mais detalhe na secção 2.2, este fraseado pode ser confuso. Um "ran­
D. variável "contém algum componente sistemática e, portanto, não é sempre inteiramente un­
previsível. Infelizmente, esta linguagem tem um significado específico em estatística e da
conceitos subjacentes que são importantes. A razão original para a terminologia que é
aleatoriedade não significa "vale tudo" ou "qualquer coisa pode acontecer." Em vez disso,
refere­se a um dos diversos processos de probabilidade muito bem especificadas possíveis. Por exemplo,
o governante processo aleatório que lado de uma moeda de terras para cima quando capotou na
ar é um processo aleatório muito diferente do que a que rege o crescimento do euro
burocracia da Comunidade Económica Europeia ou a consequência político incerto de um
mudar no sistema eleitoral da Itália. A chave para o nosso representação é que cada uma delas
processos "aleatórios" têm componentes sistemáticos e probabilísticos.

Página 93

Definindo Causalidade · 81
como objetos de inferência descritiva: médias e variâncias são também sistematizar
características Temáticos de variáveis   aleatórias (como na secção 2.2). Em segundo lugar,
nos permite particionar um problema de inferência causal em sistemática e
componentes não sistemáticos. Embora muitas características sistemáticas de um
variável aleatória pode ser interessante, o mais relevante para o nosso run­
ning exemplo é o efeito causal média para a unidade i . Para explicar o que nós
quer dizer com isso, voltamos ao nosso exemplo eleição New York.
Recorde­se que a variável aleatório refere­se à fracção de voto recebido
pelo Democrata (nonincumbent compete ou) através de um grande número
de repetições hipotéticas da mesma eleição. Nós definimos a ex­
valor perado desta variável­fração aleatória votação média
entre estas repetições, para o nonincumbent quanto

N 4) = MN 4
E ( Y 

e para o operador histórico como

I ) = M
E ( Y  4 I. 4

Então, o efeito causal média de posse no unidade i é uma sistemática
característica do efeito causal aleatória e é definida como a diferença BE­
tre estes dois valores esperados (mais uma vez generalizada a unidade i em vez de
zona 4):

Significa Causal Effect para a unidade i ≡ b (3.3)

= E (Random Causal Effect para a unidade i )

I ­ Y
= E ( Y  i  iN )

https://translate.googleusercontent.com/translate_f 65/187
02/12/2016 Projetando Inquérito sociais
= E ( Y 
I ) ­ E
i  ( YN 
 i )
I i­ m N
= M  i

onde na primeira linha da equação, b (beta) refere­se a este significativo
efeito causal. Na segunda linha, que indicam que o efeito causal significativo
para a unidade i é apenas a média (valor esperado) do efeito causal aleatório,
e na terceira e quarta linhas que mostram como calcular a média.
A última linha é outra maneira de escrever a diferença de os meios de
os dois conjuntos de eleições hipotéticos. (A média da diferença
entre duas variáveis   aleatórias é igual à diferença das médias).
Para resumir em palavras: o efeito causal é a diferença entre o sis­
componente temática de observações feitas quando a variável explicativa leva

Página 94

82 · Causalidade e Causal Inference
um valor e o componente sistemático de observações comparáveis   quando o
variável explicativa assume um outro valor .
A última linha da equação 3.3 é semelhante à equação 3.1, e como tal,
O problema fundamental da Causal Inference ainda existe neste formu­
Lação. Na verdade, o problema expresso desta forma é ainda mais formida­
ble, porque mesmo que pudéssemos contornar o problema fundamental para
um efeito causal realizado, ainda teríamos todos os problemas usuais de
inferência, incluindo o problema de separar e sistemática
componentes não sistemáticos do efeito causal aleatória. Daqui em diante,
usamos a frase de Holanda, o problema fundamental da Causal infer­
cia, para se referir ao problema que ele identificou , bem como para estas Pa­
problemas Dard de inferência, que temos acrescentado à sua formulação.
Na caixa na página 95, nós fornecemos uma notação mais geral para causal
efeitos, que serão úteis ao longo do resto deste livro.
Muitas outras características sistemáticas desses efeitos causais aleatórios pode
ser de interesse em várias circunstâncias. Por exemplo, pode querer
conhecer a variância na possível (realizada) efeitos causais de incum­
estatuto Bency em votação democrática na unidade i , assim como com a variação na
a votação em si que nós descrito na equação 2.3 no ponto 2.6. para calcular
fim da variação do efeito causal, aplicar a operação variância

I ­ Yi  iN )
(variância do efeito causal na unidade i ) = V ( Y 

em que evitar a introdução de um novo símbolo para o resultado da
I ­ Yi  iN ). Certamente novos titulares faria
determinação de desvio, V ( Y 
desejam saber a variação do efeito causal de incumbência para que eles
pode julgar quão perto a sua experiência será a de in­ anterior
cumbents e quanto a confiar em seu efeito causal média estimada
de posse de eleições anteriores. É especialmente importante
Entendemos que essa variação no efeito causal é uma parte fundamental
do mundo e não é incerteza devido à estimativa.

3.1.2 Um Exemplo Qualitativa
Nós desenvolvemos nossa definição precisa de causalidade na secção 3.1. Desde
alguns dos conceitos nessa secção são sutis e bastante sofisticado,
ilustramos os nossos pontos com um exemplo de execução muito simples de
pesquisa quantitativa. Este exemplo nos ajudou a comunicar a con­
conceitos queríamos ao estresse sem também ter de assistir ao contextualizada
detalhe tual e sensibilidade cultural que caracterizam boa qualitativa
pesquisa. Nesta seção, passamos através de nossa definição de princípio da causalidade
dade de novo, mas desta vez através de um exemplo qualitativa.
Os cientistas políticos iria aprender muito se eles poderiam executar novamente a história com
tudo constante com exceção de uma explicativo controlada pelo investigador

Página 95
https://translate.googleusercontent.com/translate_f 66/187
02/12/2016 Projetando Inquérito sociais

Definindo Causalidade · 83
variável. Por exemplo, uma das principais questões que enfrenta estas in­
vidos com a política eo governo tem a ver com as consequências
de uma lei ou regulamento particular. Congresso aprova uma lei fiscal que é in­
tendiam a ter um determinado resultado de chumbo para determinado investimento
mentos, aumentar a receita, um determinado montante, e alterar o consumo
Padrões. Será que ela tem esse efeito? Podemos observar o que acontece depois
o imposto é passado para ver se as consequências destinados aparecer; mas mesmo
se eles fizerem isso, nunca é certo que resultar da lei. O troco
na política de investimento que poderia ter acontecido de qualquer maneira. Se pudéssemos executar novamente
história com e sem o novo regulamento, então teríamos
muito mais força na estimativa do efeito causal da presente lei. Do
Naturalmente, não podemos fazer isso. Mas a lógica nos ajudará a planejar a pesquisa para
dá­nos uma resposta aproximada à nossa pergunta.
Considere agora o seguinte exemplo estendido a partir comparativa
política. Na esteira do colapso do sistema soviético, numerosos
os governos das repúblicas da antiga União Soviética e na Europa Oriental têm
instituídas novas formas governamentais. Eles estão envolvidos, como eles eles­
eus percebe­in uma grande experiência política: eles estão introduzindo
novas constituições, constituições que, esperam terá a destinar
efeito de criar sistemas democráticos estáveis. Um dos constitucional
escolhas é entre as formas legislativas e presidenciais de governo
Mento. Qual sistema é mais susceptível de conduzir a uma democracia estável é a
objecto de debate entre os estudiosos no campo (Linz, 1993;
Horowitz 1993; Lijphart 1993). O debate é complexo, não menos importante BE
causa dos inúmeros tipos de sis­ parlamentar e presidencial
tems ea variedade de outros dispositivos constitucionais que possam
acompanhar e interagir com esta escolha (tais como a natureza do elec­
sistema toral). Não é nosso propósito de fornecer uma análise aprofundada do
estas escolhas, mas sim uma versão muito simplificada da escolha em
a fim de definir um efeito causal no contexto do presente exemplo qualitativa.
Ao fazê­lo, destaca­se a distinção entre sistemática e não­
características sistemáticas de um efeito causal.
O debate sobre presidenciais contra sistemas parlamentares in­
volve características variadas dos dois sistemas. Iremos nos concentrar em duas: a
medida em que cada sistema representa os interesses variadas do ci­
zenry e incentiva uma liderança forte e decisiva. O argumento é
que os sistemas parlamentares fazer um trabalho melhor do que representa a plena
gama de grupos e interesses da sociedade no governo uma vez que não
muitas cadeiras legislativas a serem preenchidos, e eles podem ser preenchidos por represen­
sentantes eleitos a partir de vários grupos. Em contraste, o tudo­ou­nada
caráter de sistemas presidencialistas significa que alguns grupos se sentirá esquerdo
fora do governo, seja insatisfeito, e causar maior instabilidade. Em
Por outro lado, legislativas sistemas de especialmente se eles adequadamente
representam a gama completa de grupos de interesses e sociais­provavelmente serão

Página 96

84 · Causalidade e Causal Inference
impasse e ineficaz na prestação de governo decisivo. Estes
características, também, pode levar à insatisfação e instabilidade. 8
O objetivo principal desta seção é formular uma definição precisa de
um efeito causal. Para fazer isso, imaginar que poderia instituir uma Parlamentar
sistema tário e, periodicamente, ao longo da próxima década ou assim, medir a
grau de estabilidade democrática (talvez pela sobrevivência ou desaparecimento do real
democracia, tentativas de golpe, ou outros indicadores de instabilidade) e, em
do mesmo país e, ao mesmo tempo, criar um sistema presidencial,
também medir a sua estabilidade durante o mesmo período com a mesma me­
Sures O efeito causal realizado seria a diferença entre a de­
gree da estabilidade observada sob um sistema presidencial e que, sob
um sistema parlamentar. A impossibilidade de medir esse causal EF­
fect é directamente outro exemplo do problema fundamental da causal
inferência.
Como parte desta definição, também temos de distinguir entre sis­
efeitos Temáticos e não sistemática da forma de governo. Façam
https://translate.googleusercontent.com/translate_f 67/187
02/12/2016 Projetando Inquérito sociais
isso, imaginamos executar este experimento hipotético muitas vezes.
Nós definimos o efeito causal significativo para a média do causal realizada
efeitos em toda repetições dessas experiências. Tomando a média
Desta forma faz com que as características de não sistemáticos este problema para cancelar
para fora e deixa o efeito causal média para incluir apenas FEA sistemática
Turas. características sistemáticas incluem indecisão em um parlamentar
sistema ou descontentamento entre as minorias em uma presidencial. Nonsys­
características Temáticos podem incluir a doença súbita de um presidente que
joga o governo no caos. O último evento não ser um
característica persistente de um sistema presidencial; ele iria aparecer em um ensaio
da experiência, mas não em outros. 9
Outra característica interessante deste exemplo é a variância da
efeito causal. Qualquer país pensamento de escolher um destes política
sistemas estaria interessado em seu efeito causal média em democrática
estabilidade; No entanto, este país recebe apenas uma chance, apenas uma
replicação desta experiência. Perante esta situação, os líderes políticos
pode estar interessado em mais do que o efeito causal da média. Eles podem
desejam compreender o que o mínimo de efeitos causais máximo e,
ou, pelo menos, a variância dos efeitos causais, pode ser. Por exemplo, ele
Pode ser que o presidencialismo reduz a estabilidade democrática, em média,
8 Estas distinções são­se debatido. Alguns argumentam que um sistema presidencial
pode fazer um trabalho melhor representação. E outros argumentam que os sistemas parlamentares pode ser
mais decisivo.
9 A distinção entre um recurso sistemático e não sistemático não é de forma al­
maneiras clara. A doença súbita de um presidente parece ser uma característica não sistemática
do sistema presidencial. Por outro lado, a vulnerabilidade geral do presidente
sistemas até aos caprichos da saúde e da personalidade de um indivíduo é um sistema­
atic efeito que aumenta a probabilidade de que algum recurso não sistemática irá aparecer.

Página 97

Definições alternativas de causalidade · 85
mas que a variabilidade deste efeito é enorme­vezes cres­
ing estabilidade muito, às vezes diminuindo substancialmente. esta variância
traduz­se em risco para um sistema de governo. Nesta circunstância, pode ser que
cidadãos e líderes políticos preferem escolher uma opção que
produz apenas ligeiramente menor estabilidade em média, mas tem uma variável menor
Ance em efeito causal e, portanto, minimiza a chance de uma desastrosa
resultado.

3.2 esclarecimento de definições ALTERNATIVAS DE CAUSALIDADE
Na secção 3.1, definimos a causalidade em termos de um efeito causal: a média
efeito causal é a diferença entre o componente de uma sistemática
variável dependente quando a variável causal assume dois diferentes
Valores. Nesta seção, usamos a nossa definição de causalidade para esclarecer Sev­
propostas alternativas rais e idéias aparentemente complicador. Nós
mostram que os pontos importantes feitas por outros autores sobre "causal
mecanismos "(item 3.2.1)," múltipla "causalidade (seção 3.2.2), e
"Simétrica"   versus causalidade "assimétrica"   (secção 3.2.3) não con­
flito com a nossa definição mais básica de causalidade.

3.2.1 "causais mecanismos"
Alguns estudiosos afirmam que a ideia central da causalidade é a de um conjunto de
"mecanismos causais" postulou a existir entre causa e efeito (ver
Pouco 1991: 15). Esta visão faz sentido intuitivo: qualquer explicação coerente
de causalidade precisa especificar como os efeitos são exercidos. Por exemplo,
suponha que um pesquisador está interessado no efeito de um novo imposto bilateral
tratado sobre redução de déficit em conta corrente de Estados Unidos com
Japão. De acordo com a nossa definição de causalidade, o efeito causal aqui é
a redução do déficit em conta corrente esperado com o tratado fiscal
com efeito, em comparação com a mesma situação (ao mesmo tempo e para
os mesmos países), com a ressalva de que o tratado não estava em vigor.
O mecanismo causal operando aqui incluem­se, por sua vez, o sinal­
ing e ratificação do tratado fiscal, reportagens de jornais do evento,
reuniões dos atores relevantes dentro de grandes empresas multinacionais,
https://translate.googleusercontent.com/translate_f 68/187
02/12/2016 Projetando Inquérito sociais
ações compensatórias para reduzir a sua carga total fiscal internacional
(Como alterar as suas regras de preços de transferência ou de fabricação em movimento
plantas entre os países), novas acções por outras empresas e
trabalhadores para aproveitar os movimentos de capital e trabalho BE
países tween, e assim por diante, até chegar ao efeito final sobre o brio
ance de pagamentos entre os Estados Unidos eo Japão.
Do ponto de vista dos processos através dos quais a causalidade opera,
ênfase em mecanismos causais faz sentido intuitivo: qualquer coe­

Página 98

86 · Causalidade e Causal Inference
conta ent de causalidade precisa especificar como seus efeitos são exercidos.
Identificação de mecanismos causais é uma maneira popular de fazer empírica
Análise. Ele tem sido chamado, em formas ligeiramente diferentes, "processo de tracção
ing "(que discutimos na seção 6.3.3)," análise histórica "e" de­
atado estudos de caso. "Muitos dos detalhes de estudos de caso bem­feito
envolver a identificação destes mecanismos causais.
No entanto, identificando os mecanismos causais requer infer­ causal
cia, usando os métodos discutidos abaixo. Isto é, para demonstrar a
estatuto causal de cada ligação potencial em um mecanismo como postulada,
o investigador teria que definir e, em seguida, estimar o causal EF­
fect que lhe está subjacente. Para retratar uma causal internamente consistente mecanizada
nismo exige a utilização de nossa definição mais fundamental de causalidade
oferecido na seção 3.1 para cada elo da cadeia de eventos causais.
Daí a nossa definição de causalidade é logicamente anterior à identificação
ção de mecanismos causais. Além disso, existe sempre na assim
ciências ciais uma infinidade de passos causais entre quaisquer dois elos da
cadeia de mecanismos causais. Se postulamos que uma variável explicativa
provoca uma variável dependente, uma abordagem "causal mecanismos" seria
exigir­nos a identificar uma lista de relações causais entre as duas variáveis.
Esta definição também exigem­nos identificar uma série de link­ causal
as idades, para definir causalidade para cada par de variáveis   consecutivos no
seqüência, e identificar as ligações entre qualquer dois destes variável
veis e as conexões entre cada par de variáveis. Isto aplica­se
proach leva rapidamente a regressão infinita, e em nenhum momento faz­lo sozinho
dar uma definição precisa de causalidade para qualquer uma causa e um efeito.
No nosso exemplo do efeito de um presidencial contra parlamentar
sistema de estabilidade democrática (ponto 3.1.2), o causal hipótese
mecanismos incluem maior descontentamento minoria sob uma presidencial
regime e menor poder de decisão governamental sob um parlamentar
regime. Estes efeitos causados­intervenção pelo sistema constitucional
e, por sua vez, afectar a estabilidade política pode­se observar directamente. Nós
poderia monitorar as atitudes ou comportamentos das minorias para ver como eles
diferem nas duas condições experimentais ou estudar a determinação
dos governos no âmbito de cada sistema. No entanto, mesmo se o efeito causal de
presidencial contra sistemas parlamentares poderia operar em diferentes
maneiras, a nossa definição do efeito causal permaneceria válida. Nós podemos
definir um efeito causal sem entender todo o causal mecanizada
nismos envolvidos, mas não podemos identificar os mecanismos causais sem
definir o conceito de efeito causal.
Em nossa opinião, identificando os mecanismos pelos quais uma causa tem a sua
efeito muitas vezes gera apoio para uma teoria e é um muito útil operacional
procedimento. Identificação de mecanismos causais, por vezes, pode dar­nos
mais influência sobre uma teoria, fazendo observações em um diferente

Página 99

Definições alternativas de causalidade · 87
nível de análise em implicações da teoria. O conceito também pode
criar novas hipóteses causais para investigar. No entanto, não devemos

https://translate.googleusercontent.com/translate_f 69/187
02/12/2016 Projetando Inquérito sociais
confundir uma definição de causalidade com o nondefinitional, ainda que muitas vezes
procedimento útil, operacional de identificar mecanismos causais.

3.2.2 "Multiple Causalidade"
Charles Ragin, num trabalho recente (1987: 34­52), defende uma metodolo­
gia com muitas variáveis   explicativas e algumas observações a fim
que se pode ter em conta o que ele chama de "múltipla causalidade." Isso
é, "O fenômeno sob investigação tem determinação alternativa
nantes­o Mill (1843) referido como o problema da "pluralidade de
causas '. "Este é o problema referido como" equifinality "em ge­
teoria dos sistemas eral (George, 1982: 11). Em situações de múltiplos cautela
zação, estes autores argumentam que o mesmo resultado pode ser causada por
combinações de diferentes variáveis   independentes. 10
Em condições em que as variáveis   explanatórias diferentes pode ac­
contar para o mesmo resultado em uma variável dependente, de acordo com a
Ragin, alguns métodos estatísticos falsamente irá rejeitar a hipótese de que
estas variáveis   têm o estatuto causal. Ragin é correto que alguns estatística
modelos (ou desenhos de pesquisa qualitativa relevantes) poderia deixar de alertar um
investigador para a existência de "múltipla causalidade", mas adequada
modelos estatísticos pode facilmente lidar com situações como essas (alguns dos
Ragin que discute).
Além disso, as características fundamentais do "nexo de causalidade múltipla" são
compatível com a nossa definição de causalidade. Eles também não são diferentes
para quantitativa do que qualitativa. A ideia não contém nenhuma nova
características ou requisitos teóricos. Por exemplo, considere o hiper­
pótese esse nível de renda de uma pessoa depende tanto na alta educação
realização cional e os pais altamente educados. Tendo um mas não
tanto é insuficiente. Neste caso, é necessário comparar categorias de nossa
variáveis   causais: os inquiridos que têm alto nível de instrução
e os pais, os dois grupos que têm um, mas não o altamente educado
outra, eo grupo com nenhum dos dois. Assim, o conceito de "cautela múltipla
zação "coloca maiores exigências em nossos dados, uma vez que agora temos quatro cat­
10 Esta ideia é muitas vezes explicado em termos de nenhum ser variável explicativa seja neces­
sário ou suficiente para um determinado valor de uma variável dependente a ocorrer. Contudo, esta
é enganosa terminologia porque a distinção entre con­ necessária e suficiente
condições desaparece em grande parte, quando nós permitimos a possibilidade de que causas são probabilística.
Como Little (1991: 27) explica, "Considere a alegação de que a má comunicação entre os super­
poderes durante a crise aumenta a probabilidade de guerra. Esta é uma reivindicação probabilística; que iden­
tifies uma variável causal (má comunicação) e afirma que esta variável aumenta a
probabilidade de um determinado resultado (a guerra). Ele não pode ser traduzida em uma reclamação sobre a ne­
cessário e condições suficientes para a guerra, no entanto; é irredutivelmente probabilística. "

Página 100

88 · Causalidade e Causal Inference
cate­ dos nossos variáveis   causais, mas não necessita de uma modificação
da nossa definição de causalidade. Para a nossa definição, seria preciso
medir o rendimento esperado para a mesma pessoa, ao mesmo tempo,
experimentando cada uma das quatro condições.
Mas o que acontece se diferentes explicações causais gerar a mesma
valores da variável dependente? Por exemplo, suponha que nós consideramos
se ou não um graduado da universidade como a nossa (dicotômica)
variável causal em uma população de trabalhadores da fábrica. Nesta situação,
ambos os grupos poderiam bastante razoável ganhar o mesmo rendimento (o nosso de­
variável pendente). Uma razão pode ser que esta variável explicativa
(Comparecimento da faculdade) não tem efeito causal sobre a renda entre fábrica
trabalhadores, talvez porque uma educação universitária não ajuda uma per­
formar melhor. Alternativamente, diferentes explicações pode levar à
mesmo nível de renda para aqueles educados e aqueles que não educado. Col­
graduados lege pode ganhar um determinado nível de renda por causa de sua
educação, ao passo que aqueles que não tinham educação universitária pode ganhar
o mesmo nível de renda por causa de seus quatro anos de se­ adicional
niority no trabalho. Nesta situação não teria que ser levados a concluir que
"Ensino superior" não tem efeito causal sobre os níveis de renda para aqueles
que vai se tornar trabalhadores da fábrica?
Felizmente, a nossa definição de causalidade exige que mais cuidado­

https://translate.googleusercontent.com/translate_f 70/187
02/12/2016 Projetando Inquérito sociais
especificar plenamente a condição contrafactual. No presente exemplo, a
valores da variável causal chave para ser variados são: (1) o ensino superior,
em comparação com (2) nenhuma educação faculdade, mas quatro anos adicionais de
antiguidade trabalho. A variável dependente está começando renda anual. Nosso
efeito causal é então definido da seguinte forma: nós gravamos o rendimento de uma per­
filho se formar na faculdade que vai trabalhar em uma fábrica. Então nós
Volte no tempo quatro anos, colocar essa mesma pessoa para trabalhar na mesma
fábrica em vez de na faculdade e, ao fim de quatro anos, medir o seu
ou sua renda "novamente." A diferença esperada entre estes dois
níveis de renda para este indivíduo é a nossa definição da média
efeito causal. Na presente situação, nós ter imaginado que este
efeito causal é zero. Mas isso não significa que "a educação faculdade tem
nenhum efeito sobre o lucro ", só que a diferença média entre tratamento
grupos mento (1) e (2) é igual a zero. Na verdade, não há nenhuma lógica única
definição de "o efeito causal da educação universitária" desde que um can­
não define um efeito causal, sem, pelo menos, duas condições. a condição
ções não precisa ser os dois aqui, mas eles devem ser claramente
identificado.
Um par alternativo de condições causais é comparar um grad­ faculdade
uate com alguém sem um diploma universitário, mas com o mesmo nível de
antiguidade trabalho como o graduado da faculdade. Em certo sentido, isso é irreal,
uma vez que a graduação não­universitário teria que fazer algo para o

Página 101

Definições alternativas de causalidade · 89
quatro anos, enquanto não atender à faculdade, mas talvez estaríamos dispostos
ing imaginar que essa pessoa tinha um trabalho diferente, irrelevantes para aqueles
quatro anos. Dito de outro modo, este contrafactual alternativa é o efeito
de uma educação universitária comparada com a de ninguém, com antiguidade trabalho retido
constante. Fracasso para manter constante a antiguidade nos dois condição causal
ções causaria qualquer projeto de pesquisa para produzir estimativas de nosso primeiro
contrafactual em vez desta revista um. Se este fosse o objetivo,
mas há controles foram introduzidas, a nossa análise empírica seria
falho devido ao "viés de variável omitida" (que introduzimos na seção
ção 5.2).
Assim, as questões abordadas sob o rótulo "múltipla causalidade" fazer
não confundir a nossa definição de causalidade embora possam fazer
maiores demandas em nossas análises subsequentes. O fato de que alguns de­
variáveis   pendentes, e talvez todos interessantes ciência­depen­ sociais
variáveis   dente, são influenciadas por muitos factores causais não faz
nossa definição de causalidade problemático. A chave para a compreensão
Nestas situações muito comuns é definir a condição contrafactual
ções tornando­se cada efeito causal com muita precisão. Demonstramos no
Capítulo 5 que os investigadores não identificar "todos" os efeitos causais em um
variável dependente para fornecer estimativas do efeito causal da in­
teresse (mesmo se isso fosse possível). Um investigador pode focar apenas a
um efeito de interesse, estabelecer conclusões firmes, e depois passar para
outros que possam ser de interesse (ver secções 5.2 e 5.3). 11

3.2.3 "Symmetric" e Causalidade "assimétrica"
Stanley Lieberson (1985: 63­64) distingue entre o que ele se refere a
como formas "assimétricas" de causalidade "simétrica"   e. Ele é inter­
resse em efeitos causais que diferem quando uma variável explicativa é
aumentada, em comparação com quando é diminuída. Em suas palavras,
Ao analisar a influência causal de X 1  [uma variável explicativa] em Y [a
variável dependente], por exemplo, um tem também de considerar se desloca para
um dado valor de X 1  a partir de qualquer direcção, têm as mesmas consequências sobre
Y . . . .Se a relação causal entre X 1  [uma variável explicativa] e Y

11 Nossa ênfase na distinção sistemática a partir de componentes não sistemática da ob­
servações sujeitas a inferência causal reflete nossa visão geral de que o mundo, pelo menos tão
a conhecemos, é probabilística, e não determinística. Assim, também discordamos
A premissa de Ragin (1987: 15) que "as explicações que resultam de aplicações da com­
método comparativo não são concebidos em termos probabilísticos, porque cada instância de uma
fenômeno é analisado e representaram, se possível. "Mesmo se fosse possível col­
https://translate.googleusercontent.com/translate_f 71/187
02/12/2016 Projetando Inquérito sociais
leccione um censo de informação em cada ocorrência de um fenómeno e todas as permutações
e combinação de valores das variáveis   explicativas, o mundo ainda teria pro­
duzido esses dados de acordo com algum processo probabilístico (conforme definido no ponto 2.6). este

Página 102

90 · Causalidade e Causal Inference
[A variável dependente] é simétrica ou verdadeiramente reversível, então o efeito sobre
Y de um aumento de X 1  desaparecerá se X 1  turnos de volta ao seu nível anterior (as­
suming que todas as outras condições são constantes).
Como um exemplo de ponto de Lieberson, imagine que a Quarta Con­
gressional District em Nova York teve nenhum titular em 1998 e que o
candidato democrata recebeu 55 por cento dos votos. Lieberson
definiriam o efeito causal de incumbência como o aumento do
voto se o democrata vencer em 1998 é executado como um candidato à reeleição no próximo
eleição no ano de 2000. Este efeito seria "simétrica"   se a ab­
Nesse aspecto de um encarregado na eleição subseqüente (no ano de 2002), causada
a votação para retornar a 55 por cento. O efeito pode ser "assimétrica"   se,
por exemplo, a Democrata incumbente levantou dinheiro e melhorou a
organização de campanha do Partido Democrata; como resultado, se nenhum titular
estavam funcionando em 2002, o candidato democrata pode receber mais
de 55 por cento dos votos.
O argumento de Lieberson é inteligente e muito importante. Contudo, na nossa
vista, seu argumento não constitui uma definição da causalidade, mas AP­
lonas apenas para alguns causais inferências ­o processo de aprendizagem sobre a
efeito causal a partir de observações existentes. Na secção 3.1, definimos cautela
Sality para uma única unidade. No presente exemplo, um efeito causal pode ser
definido teoricamente com base em eventos que ocorrem hipotéticos única
na eleição de 1998, no Quarto Distrito, em Nova York. nossa definição
é a diferença no componente sistemática dos votos neste distrito
com um encarregado nesta eleição e sem um titular na
mesma eleição, tempo e distrito.
Em contraste, o exemplo de Lieberson não envolve quantidades hipotéticas
e, portanto, não pode ser uma definição causal. Este exemplo envolve
apenas o que seria realmente ocorrer se a variável explicativa mudou em
duas eleições reais de nonincumbent a titular, contra o incumbente
para nonincumbent em duas outras eleições. Qualquer análise empírica
Neste exemplo envolveria numerosos problemas de inferência. Nós dis­
xingar muitos destes problemas de inferência causal nos capítulos 4­6. No
presente exemplo, poderíamos perguntar se o efeito estimado parecia
maior só porque não conseguimos dar conta de um grande número de recentemente
cidadãos registrada no quarto distrito. Ou, fez a onda de apoio
para o democrata na eleição em que ela ou ele era um candidato à reeleição

parece invalidar abordagem "álgebra booleana" de Ragin como uma forma geral de concepção
explicações teóricas ou fazer inferências; para aprender a partir de dados requer a mesma lógica
de inferência científica que discutimos neste livro. No entanto, sua abordagem ainda pode ser
valioso como uma forma de teoria formal (ver secção 3.5.2): ele permite que o investigador
especifique uma teoria e suas implicações de uma forma que pode ser muito mais difícil com­
fora dele.

Página 103

Estimando efeitos causais · 91
parece menor do que deveria porque nós necessariamente descartado distritos
onde o democrata perdeu a primeira eleição?
Assim, os conceitos de de Lieberson "simétrico" e "assimétrico"
causalidade são importantes a considerar no contexto de inferência causal.
No entanto, eles não devem ser confundidos com uma definição do teórico
causalidade, que damos na secção 3.1.

https://translate.googleusercontent.com/translate_f 72/187
02/12/2016 Projetando Inquérito sociais
3.3 hipóteses previstas para ESTIMATIVA
efeitos causais
Como podemos evitar o problema fundamental da Causal Inference e
também o problema da separação sistemática de compo­ não sistemática
nentes? A resposta completa a esta pergunta vai consumir capítulos 4­6, mas
que fornecem uma descrição geral aqui do que é requerido, em termos de dois
possíveis suposições que nos permitem obter em torno da fundamental
problema. Estes são unidade de homogeneidade (que discutimos na seção 3.3.1)
e independência condicional (seção 3.3.2). Estes pressupostos, como qualquer
outra tentativa de contornar o problema fundamental da Causal infer­
cia, sempre envolvem algumas suposições não testáveis. É o res­
bilidade de todos os pesquisadores para fazer as implicações substantivas do presente
ponto fraco em sua pesquisa projeta extremamente clara e visível para leitura­
Ers. inferências causais não deve aparecer como mágica. as premissas
pode e deve ser justificada com qualquer informação lado ou antes
pesquisa pode ser reunido, mas sempre deve ser explicitamente reconhecida.

Homogeneidade 3.3.1 Unit
Se não podemos repetir a história, ao mesmo tempo e no mesmo local, com
diferentes valores da nossa variável explicativa de cada vez, como uma verdadeira solução
ção para o problema fundamental da Causal Inference seria requi­
podemos tentar fazer a segunda melhor suposição: podemos executar novamente a nossa
experiência em duas unidades diferentes que são "homogêneos". Duas unidades
são homogêneos quando os valores das variáveis   dependentes esperado de
cada unidade são as mesmas quando a nossa variável explicativa assume uma especial
valor.(Isto é, m 1 N = MN 
 2 e m 1 Eu = m
I ). Por exemplo, se observarmos X
 2  = 1
(um titular) no distrito 1 e X = 0 (nenhum titular) no distrito 2, um
pressuposto da unidade de homogeneidade significa que podemos usar o observado
proporções da votação em dois distritos separados para inferência sobre o
causal efeito b, que presumimos ser o mesmo em ambos os distritos. Para um
conjunto de dados com n observações, unidade de homogeneidade é a suposição de que
todas as unidades com o mesmo valor das variáveis   explicativas têm a
mesmo valor esperado da variável dependente. Claro, este é apenas
uma suposição e que pode estar errado: os dois distritos podem diferir em

Página 104

92 · Causalidade e Causal Inference
alguma forma desconhecida que viés nossa inferência causal. Com efeito, algum
dois distritos reais vai diferem em alguns aspectos; aplicação deste pressuposto
ção exige que estes distritos deve ser o mesmo em acima da média
muitas repetições hipotéticas da campanha eleitoral. Por exemplo,
padrões de chuva (que podem inibir o número de eleitores em algumas áreas)
não diferem entre os distritos, em média, a menos que houvesse sistema­
diferenças climáticas atic entre as duas áreas.
Na seguinte citação, Holanda (1986: 947) fornece uma clara ex­
ampla do pressuposto de unidade de homogeneidade (definido a partir de sua pectiva
tiva de um efeito causal realizado em vez do efeito causal significativo). Desde
aleatoriedade muito pouco existe na experiência na seguinte exem­
ple, sua definição e os nossos são perto. (Na verdade, como mostramos na seção
4,2, com um pequeno número de unidades, a suposição da unidade de homogeneidade
é mais útil quando a quantidade de aleatoriedade é bastante baixa.)
Se [a unidade] é um quarto em uma casa, t [para ' t ratamento'] significa que eu tapo a luz
interruptor na sala, c [para ' c ontrole'] significa que eu não fazer, e [o dependente
variável] indica se a luz está acesa ou não um curto período de tempo após a aplicação
quer t ou c , então eu poderia estar inclinado a acreditar que eu posso saber os valores de
[a variável dependente para ambos t e c ] simplesmente sacudindo o interruptor. Isto é
claro, no entanto, que é apenas por causa da plausibilidade de certos pressuposto
ções sobre a situação que esta crença da mina pode ser compartilhada por mais ninguém.
Se, por exemplo, a luz foi sacudindo fora e sobre por nenhuma razão aparente
enquanto eu estou contemplando começando esta experiência, eu poderia duvidar de que eu
saberia os valores de [a variável dependente para ambos t e c ] depois
sacudindo o interruptor, pelo menos até que eu era inteligente o suficiente para descobrir um novo
experimentar!

https://translate.googleusercontent.com/translate_f 73/187
02/12/2016 Projetando Inquérito sociais
Neste exemplo, a suposição de unidade de homogeneidade é que se tivéssemos
ligou o interruptor (na notação da Holanda, aplicado t ) em ambos os períodos, o
valor esperado (se a luz acende­se) seria o mesmo.
homogeneidade unidade também assume que não se tivéssemos ligou o interruptor
(aplicado C ) em ambos os períodos, o valor esperado seria o mesmo, al­
embora não necessariamente o mesmo que quando T é aplicado. Note­se que nós
teria que repor o interruptor para a posição desligado após a primeira expe­
mento para garantir isso, mas nós também temos que fazer a não testável
pressuposto de que apertar o interruptor on no primeiro período não EF­
fect os dois valores esperados hipotéticas no próximo período (tal como se
um fusível foram soprado após a primeira FLIP). Em geral, a unidade de homogeneidade
suposição não pode ser testada por uma única unidade (embora, neste caso, nós
pode ser capaz de gerar várias novas hipóteses sobre a causalidade
mecanismo pelo que rasga a parede distante e inspecionar a fiação).
A mais fraca, mas também plenamente aceitável, versão da unidade de homogeneidade é
o efeito constante suposição. Em vez de assumir que o esperado

Página 105

Estimando efeitos causais · 93
valor da variável dependente é a mesma para as diferentes unidades com a
mesmo valor da variável explicativa, precisamos apenas supor que
o efeito causal é constante. Esta é uma versão mais fraca da unidade homo­
geneidade pressuposto, uma vez que o efeito causal é apenas a dife­ rença
tre os dois valores esperados. Se os dois valores esperados para as unidades
com o mesmo valor da variável de motivos variar do mesmo modo,
a suposição de unidade de homogeneidade seria violada, mas a constante
efeito pressuposto ainda seria válido. Por exemplo, dois Congresso
distritos podem variar na proporção esperada do voto para Demo­
nonincumbents democráticos (digamos 45 por cento versus 65 por cento), mas incumbency
ainda pode adicionar um adicional de dez por cento da votação de um Democrática
candidato de qualquer distrito.
A noção de unidade de homogeneidade (ou o pressuposto menos exigente
de efeitos causais constantes) está na base de toda a investigação científica. Isto é,
por exemplo, o pressuposto subjacente ao método de comparativa
estudos de caso. Nós comparar várias unidades que têm valores diferentes sobre
nossas variáveis   explicativas e observar os valores do dependente
Variáveis. Acreditamos que as diferenças que observamos nas valores de
as variáveis   dependentes são o resultado das diferenças nos valores
das variáveis   explicativas que se aplicam às observações. O que nós
têm mostrado aqui é que a nossa "crença", neste caso, baseia­se necessariamente em cima
um pressuposto de unidade de homogeneidade ou efeitos constantes.
Note que nós podemos procurar unidades homogêneas ao longo do tempo ou do outro lado
espaço. Podemos comparar o voto para o candidato democrata quando
há uma Compete running Democrática com o voto quando há
nenhum titular Democrática no mesmo bairro em momentos diferentes ou
em diferentes zonas, ao mesmo tempo (ou a alguma combinação de
dois). Uma vez que um efeito causal só pode ser estimada, em vez da conhecida, nós
não deve ser surpreendido que o pressuposto unidade de homogeneidade é ge­
ralmente não testável. Mas é importante que a natureza do pressuposto
é explicitada. Do outro lado o leque de unidades que esperamos nosso pressuposto
ção de um efeito incumbency uniforme para segurar? Todas as raças para o Congresso?
Congresso mas não raças Senado? Corridas em apenas o Norte? corridas em
Nas últimas duas décadas única?
Observe como a suposição de unidade de homogeneidade relaciona com a nossa cussão
sion no ponto 1.1.3 da complexidade e "singularidade". Não discutimos
que a generalização da ciência social depende da nossa capacidade de simplificar
a realidade de forma coerente. No limite, simplificando realidade para o objectivo de
fazer inferências causais implica cumprir as normas para a unidade ho­
mogeneity: as observações que estão sendo analisados   tornar­se, para os fins
de análise, idêntica em aspectos relevantes. Atingir unidade de homogeneidade
muitas vezes é impossível; eleições para o Congresso, para não falar de revolução
ções, são analogias dificilmente estreitos com interruptores de luz. mas o entendimento

https://translate.googleusercontent.com/translate_f 74/187
02/12/2016 Projetando Inquérito sociais

Página 106

94 · Causalidade e Causal Inference
o grau de heterogeneidade em nossas unidades de análise nos ajudará a estimar
acasalar o grau de incerteza ou prováveis   vieses a ser atribuído ao nosso
inferências.

3.3.2 Independência Condicional
Independência condicional é o pressuposto de que os valores são atribuídos aos
variáveis   explicativas, independentemente dos valores tomados pela de­
variáveis   pendentes. (O termo é usado às vezes nas estatísticas, mas faz
não têm a mesma definição tal como vulgarmente acontece em probabilidade o­
ory.) Ou seja, depois de tomar em consideração as variáveis   explicativas (ou
controlando para eles), o processo de atribuição de valores para a explicação
tory variável é independente de ambos (ou, em geral, dois ou mais) de­
variáveis pendentes, Y N i e Y i I. Nós usamos os "valores atribuindo" prazo para
as variáveis   explicativas para descrever o processo pelo qual estes variável
ables obter os valores específicos que eles têm. Em trabalho experimental, o
pesquisador, na verdade, atribui valores às variáveis explicativas; alguns
os indivíduos são designados para o grupo de tratamento e outros para o controle
grupo. Em trabalho não experimental, os valores que as variáveis   explanatórias
tomar pode ser "atribuído" por natureza ou o meio ambiente. O que é crucial
nestes casos é que os valores das variáveis   explanatórias não são
causado pelas variáveis   dependentes. O problema da "endogeneidade" que
existe quando as variáveis   explanatórias são causadas, pelo menos em parte, pela
as variáveis   dependentes é descrito na secção 5.4.
Larga n análises que envolvem os procedimentos de selecção aleatória
e atribuição constituem a maneira mais confiável para garantir condicional
independência e não requerem a suposição unidade homogeneidade.
selecção aleatória e atribuição nos ajude a fazer inferências causais
porque eles automaticamente satisfazer três pressupostos que fundamentam a
conceito de independência condicional: (1) que o processo de atribuição de
Os valores para as variáveis   explicativas é independente do dependente
variáveis   (isto é, não há nenhum problema de endogeneidade); (2) que a seleção
viés, que discutiremos na secção 4.3, está ausente; e (3) que omitida
viés de variável (secção 5.2), também está ausente. Assim, se somos capazes de atender
estas condições de qualquer forma, seja por meio de seleção aleatória e as­
signment (como discutido na seção 4.2) ou através de algum outro mento
dure, podemos evitar o problema fundamental da Causal Inference.
Felizmente, selecção e atribuição são não necessário para
atender a suposição de independência condicional. Se o processo de
que os valores das variáveis   explicativas são "atribuídos" não é in­
dependente das variáveis   dependentes, ainda podemos atender à condição
cional independência pressuposto de se aprender sobre este processo e

Página 107

Estimando efeitos causais · 95
incluir uma medida do que entre os nossos variáveis   de controle. Por exemplo,
suponha que estamos interessados   em estimar o efeito do grau de resi­
dencial segregação sobre a extensão do conflito entre israelenses e Pales­
tinians em comunidades na Cisjordânia ocupada por Israel. nosso con­
nal suposição de independência seria severamente violado se
olhava apenas para a associação entre essas duas variáveis   para encontrar o
efeito causal. A razão é que os israelenses e palestinos que
optar por viver em bairros segregados podem fazê­lo fora de uma ideo­
crença lógica sobre quem, em última análise tem direitos para a Cisjordânia. ideo­
extremismo lógica (dos dois lados) pode, portanto, levar a um conflito. UMA
medir o que nós acreditamos ser a segregação residencial pode realmente ser
um substituto para a ideologia. A diferença entre as duas explicações
pode ser muito importante, uma vez que uma nova política de habitação pode ajudar rem­
https://translate.googleusercontent.com/translate_f 75/187
02/12/2016 Projetando Inquérito sociais
edy o conflito se segregação residencial foram a verdadeira causa, enquanto que
esta política seria ineficaz ou mesmo contraproducente se a ideologia
foram realmente a força motriz. Podemos corrigir o problema aqui por
Também medir a ideologia dos moradores de forma explícita e controlar
Para ele. Por exemplo, poderíamos aprender extremista quão popular político
partes estão entre os israelenses e PLO filiação está entre os Pales­
tinians. Poderíamos, então, controlar os efeitos possivelmente confusão de
ideologia, comparando as comunidades com o mesmo nível de ideológica
extremismo, mas diferentes níveis de segregação residencial.
Quando selecção e atribuição são impraticáveis   e nós pode­
não controlo para o processo de atribuição e de selecção, que tem a
recorrer a alguma versão do pressuposto de unidade, a fim de homogeneidade
fazer inferências causais válidas. Desde essa suposição será apenas im­
perfeitamente reuniu­se em pesquisa em ciências sociais, teremos que ser especialmente
cuidado para especificar o nosso grau de incerteza sobre inferências causais.
Esta hipótese será particularmente evidente quando discutimos a
procedimentos utilizados nas observações "matching" na secção 5.6.

Notação para um modelo formal de um efeito causal. Agora podemos generalizar
nossa notação para a conveniência de seções posteriores. Em geral, vamos
têm n realizações de uma variável aleatória Y i . No nosso quantitativo running
tiva exemplo, n é o número de distritos eleitorais (435), e
a realização y i da variável aleatória Y i é a Demo­ observado
proporção democrático do voto de dois partidos no distrito i (como 0,56). o
Espera proporção Democrática nonincumbent dos dois partidos
voto (a média sobre todas as repetições hipotéticos) no distrito i é
mN . Definimos a variável de motivos como X i , a qual está codificada na
Eu
presente exemplo, como zero quando distrito i não tem incum­ Democrática

Página 108

96 · Causalidade e Causal Inference
Inclinou­se e como um quando distrito i tem um incumbente Democrata. Então,
que pode designar o efeito causal significativo na unidade I como

b = E ( Y I X i = 1) ­ E ( Y I X i = 0) = M 
I ­ m N
ii (3.4)

e incorporá­la no modelo formal simples seguinte:

N + X
E ( Y i ) = m  i  i (m 
I i­ m N
i  ) (3,5)

N i + X i b
= M 

Assim, quando distrito i tem nenhum titular, e X i = 0, o esperado
valor é determinado através da substituição de zero na equação (3.5) para X i ,
ea resposta é como antes:

N + (0) b
E ( Y i X = 0) = m i

Ni
= M 

Da mesma forma, quando um incumbente Democrata está sendo executado no distrito i , o
valor esperado é m i I :

N + (1) b
E ( Y i X = 1) = m i

N i + b
= M 

N i + (m I i ­ m N


= M  i  )

Eu
= M  i

Assim, a equação (3.5) fornece um modelo útil de inferência causal,
e b­a diferença entre as duas proporções teóricas é­
https://translate.googleusercontent.com/translate_f 76/187
02/12/2016 Projetando Inquérito sociais
nosso efeito causal. Finalmente, para referência futura, é possível simplificar a equação
(3.5) uma última vez. Se assumirmos que Y i tem uma média zero (ou está escrito
como um desvio da sua média, que não limita a aplicabilidade
do modelo de qualquer maneira), então podemos deixar cair a intercepção a partir desta
equação, e escrevê­lo mais simplesmente como

E ( Y i ) = X i b (3.6)

O parâmetro b ainda é o valor teórico do EF­ causal significativo
fect, uma característica sistemática das variáveis   aleatórias, e um da nossa
gols em inferência causal. Este modelo é um caso especial de "regressão

Page 109

A julgar causais Inferências · 97
análise ", que é comum em pesquisa quantitativa, mas de regressão
coeficientes são só às vezes coincidente com estimativas de causalidade
Efeitos.

3.4 critérios para julgar CAUSAL INFERÊNCIAS
Lembre­se que, ao definir a causalidade em termos de variáveis   aleatórias, estávamos
capaz de desenhar uma analogia estrita entre ela e outras características sistemáticas
de fenômenos, como uma média ou uma variação, em que nos concentramos em
fazer inferências descritivas. Essa analogia nos permite utilizar precisamente
os mesmos critérios para julgar inferências causais como costumávamos julgar de­
inferências scriptive na seção 2.7: viés e eficiência . Conseqüentemente,
a maioria do que disse sobre este assunto no Capítulo 2 aplica­se igualmente bem
para os problemas inferência causal lidamos com aqui. Nesta seção, nós
formalizar brevemente as relativamente poucas diferenças entre estes dois
Situações.
No ponto 2.7 do objeto de nossa inferência foi em média (o esperado
valor de uma variável aleatória), que designamos como m. Nós conceituação
ize m como um fixo, mas desconhecido, número. Um estimador de m está a ser dito
imparcial se ele é igual a m, em média, ao longo de muitas repetições hipotéticos
da mesma experiência.
Como acima, continuamos a conceituar o valor esperado de uma ran­
efeito causal dom, indicado como b, como um fixo, mas desconhecido, número. o
viés é então definido de forma análoga: um estimador de b é un­
tendenciosa se ele é igual a b, em média, ao longo de muitas repetições hipotéticos
da mesma experiência. A eficiência também é definida de modo análogo ao do
variabilidade entre essas repetições hipotéticas. Estes são muito im­
conceitos portantes que servirão como base para os nossos estudos de muitos dos
os problemas de inferência causal nos capítulos 4­6. As duas caixas que
siga fornecer definições formais.

Uma análise formal de viés de Causal Estimates. Nisso
box, demonstramos o viés do estimador do causal
efetuar parâmetro da seção 3.1. A notação ea lógica destes
ideias têm semelhança com os da definição formal de unbiased­
ness no contexto da inferência descritiva no ponto 2.7. O simples
modelo linear com um explicativo e uma variável dependente é tão
segue: 12
12 A fim de evitar o uso de um termo constante, assumimos que todas as variáveis têm de zero
significar. Isto simplifica a apresentação, mas não limitar as nossas conclusões em qualquer maneira.

Página 110

https://translate.googleusercontent.com/translate_f 77/187
02/12/2016 Projetando Inquérito sociais
98 · Causalidade e Causal Inference
E ( Y i ) = b X i

A nossa estimativa de b é simplesmente a estimativa de mínimos quadrados de regressão:
n
i = 1 Y i X i
b = _________ (3,7)
n 2
i = 1 X i

Para determinar se b é um estimador imparcial de b, precisamos
tomar o valor esperado, uma média de mais repetições hipotéticos:
⎛ n ­benzóico.
­benzóico.
i = 1 X i Y i ⎟
­benzóico.
E ( b ) = E (3.8)
n 2 ­benzóico.
­benzóico.
i = 1 X i
n
i = 1 X i E ( Y i )
= ___________
n 2
i = 1 X i
n 2 b
i = 1 X i
= _________
n 2
i = 1 X i

= b

o que prova que b é um estimador imparcial de b.

Uma análise formal de eficiência. Aqui, nós avaliamos a eficiência do
o estimador padrão do parâmetro de efeito causal b da seção
3.1. Provamos na equação (3.8) que este estimador é imparcial e
agora calcular a sua variância:
⎛ n ­benzóico.
­benzóico.
i = 1 X i Y i ⎟
­benzóico.
V ( b ) = V (3.9)
n 2 ­benzóico.
­benzóico.
i = 1 X i

1 n
= __________ X 2 
i V ( Y i )
( n
i = 1 2 X) i dois
i = 1

V ( Y i )
= ________
n 2
i = 1 X i

Página 111

Construção de teorias causais · 99
s 2
= ________
n 2
i = 1 X i

Assim, a variância deste estimador é uma função de dois componentes.
Em primeiro lugar, o mais aleatória cada unidade em nossos dados (quanto maior é S 2 ) é, o
mais variável será o nosso estimador de b ; isso deve ser nenhuma surpresa. Dentro
Adicionalmente, quanto maior for a variância observada na variável de motivos
capaz ( Ni = 1 2 X), a menos variável será a nossa estimativa de b
 i  . No ex
caso treme sem variabilidade na X , nada pode nos ajudar a estimar o
efeito das alterações na variável explicativa sobre a variável dependente
capaz, ea fórmula prevê uma variação infinita (completar teza
teza) neste caso. De modo mais geral, este componente indica
que a eficiência é maior quando temos provas de uma maior
gama de valores da variável explicativa. Em geral, portanto, é melhor
para avaliar nossas hipóteses causais em tantas situações tão diversas como
possível. Uma maneira de pensar deste último ponto é pensar sobre Draw­
ing uma linha com um governador, dois pontos em uma página, e uma mão trêmula. Se o

https://translate.googleusercontent.com/translate_f 78/187
02/12/2016 Projetando Inquérito sociais
dois pontos são muito próximos (pequena variância de X ), erros na
colocação da régua irá ser muito maior do que se os pontos são mais
Além (a situação de uma grande variação em X ).

3,5 regras para construir teorias casuais
Muito conselho sensato sobre como melhorar a pesquisa qualitativa é preciso,
específica e detalhada; que envolve um gerenciável e, portanto, estreita
aspecto da pesquisa qualitativa. No entanto, mesmo no meio de resolver um
série de problemas individuais, devemos manter a grande figura firmemente no
mente: cada solução específica deve ajudar a resolver qualquer que seja o ge­
eral problema de inferência causal visa resolver. Até agora neste tulo
ter, nós fornecemos uma definição teórica precisa de um efeito causal
e discutidas algumas das questões envolvidas em fazer inferências causais.
Tomamos um passo para trás agora e proporcionar uma visão mais ampla de alguns
regras relativas à construção da teoria. Enquanto discutimos (e ter dis­
cussed na secção 1.2), melhorando a teoria não termina quando os dados col­
lection começa.
Teorias causais são projetados para mostrar as causas de um fenômeno ou
conjunto de fenômenos. Se originalmente concebido como dedutivo ou in­
produtivo, qualquer teoria inclui um conjunto inter­relacionado de hipóteses causais.
Cada hipótese especifica uma relação entre as variáveis   que postulada
cria implicações observáveis: se as variáveis   explicativas especificados

Página 112

100 · Causalidade e Causal Inference
assumir certos valores, outros valores especificados são previstos para o de­
variáveis   pendentes. Teste ou avaliação de qualquer re­ hipótese causal
quires inferência causal. A teoria geral, sendo que as hipóteses
são partes deve ser internamente consistente ou hipóteses mais pode ser ge­
rado que se contradizem.
Teorias e hipóteses que se encaixam estas definições têm um enorme
alcance. Nesta seção, nós fornecemos cinco regras que ajudarão a formulat­
ing boas teorias, e nós fornecemos uma discussão de cada um com exemplos.

3.5.1 Regra 1: construir teorias falsificável
Por esta primeira regra, nós não significa apenas que uma incapazes "teoria" de
estar errado não é uma teoria. Também significa que devemos projetar o­
ories de modo que eles podem ser mostrados para estar errado tão fácil e rapidamente quanto
possível. Obviamente, não devemos realmente tentar estar errado, mas mesmo
uma teoria errada é melhor do que uma declaração de que não é nem errado, nem
certo. A ênfase em teorias falseáveis   nos obriga a manter­se o direito
perspectiva sobre a incerteza e garante que tratamos teorias como
hesitante e não deixá­los tornar­se dogma. Devemos ser sempre pré
pared para rejeitar teorias em face de provas científicas suficientes
contra eles. Uma pergunta que deve ser feita sobre qualquer teoria (ou
de qualquer hipótese derivada da teoria) é simplesmente: que provas
seria falsificá­la? A pergunta deve ser feita de todas as teorias e hiper­
potheses mas, acima de tudo, o pesquisador que coloca a teoria em primeiro
lugar deve pedi­lo de sua própria.
Karl Popper é mais estreitamente identificado com a idéia de falsifiability
(Popper, 1968). Na visão de Popper, uma assimetria fundamental existe BE
tween confirmando uma teoria (verificação) e disconfirming ele (falsifica­
Ção). O primeiro é quase irrelevante, ao passo que o último é a chave para a
Ciência. Popper acredita que uma teoria uma vez declarou imediatamente BE
vem parte do corpo de knowlege científico aceito. desde teorias
são gerais e, em hipóteses específicas, teorias tecnicamente implica uma infi­
número infinito de hipóteses. No entanto, testes empíricos só pode ser controlado
canalizado num número finito de hipóteses. Nesse sentido, "as teorias são
não verificáveis   ", porque nunca podemos testar todas as implicações observáveis   de
uma teoria (Popper, 1968: 252). Cada hipótese testada pode ser mostrado
ser consistente com a teoria, mas qualquer número de consistente empírica

https://translate.googleusercontent.com/translate_f 79/187
02/12/2016 Projetando Inquérito sociais
resultados não vai mudar nossas opiniões desde que a teoria continua a ser aceita
conhecimento científico. Por outro lado, se mesmo um único hipótese é
mostrado ser errado, e, portanto, incompatível com a teoria, a teoria
é falsificada, e ele é removido da nossa coleção de conhecimento científico
Beira. "A passagem de testes, portanto, não faz nem um pouco de diferença para
o status de qualquer hipótese, embora a falha de um único teste pode

Page 113

Construção de teorias causais · 101
fazer uma grande diferença "(Miller, 1988: 22). Popper não significava
falsificação para ser um conceito determinista. Ele reconheceu que qualquer em­
inferência empíricas é, em certa medida incerta (Popper 1982). Em sua dis­
cussão de infirmação, ele escreveu, "mesmo se a assimetria [entre
falsificação e verificação] é admitido, ainda é impossível, pois variável
razões ous, que qualquer sistema teórico deve nunca ser conclusivamente
falsificados "(Popper, 1968: 42).
Em nossa opinião, as idéias de Popper são fundamentais para a formulação de teorias.
Devemos sempre projetar teorias que são vulneráveis   à falsificação.
Devemos também aprender com a ênfase de Popper sobre a natureza experimental
de qualquer teoria. No entanto, para avaliar teo­ científica social existente
Ries, a assimetria entre verificação e falsificação não é tão sig­
Significativo. Qualquer um dos dois acrescenta ao nosso conhecimento científico. A questão é
menos se, em algum sentido geral, uma teoria é falsa ou não­virtual
todas as teorias da ciência social interessante tem pelo menos um im­ observável
plicação que aparece errado do que como grande parte do mundo a teoria pode
nos ajudar a explicar . Pela regra de Popper, as teorias baseadas no pressuposto de
escolha racional teria sido rejeitada há muito tempo uma vez que têm
foram falsificados em muitos casos específicos. Entretanto, os cientistas sociais
muitas vezes optar por manter a suposição, devidamente modificado, porque
fornece energia considerável em muitos tipos de problemas de pesquisa (veja
Cook e Levi 1990). O mesmo ponto se aplica a praticamente todos os outros
teoria das ciências sociais de interesse. O processo de tentar falsificar teorias
nas ciências sociais é realmente um dos procura de seus limites da AP­
plicability. Se alguma implicação observável indica que a teoria
não se aplica, aprendemos alguma coisa; Da mesma forma, se a teoria funciona,
aprender alguma coisa também.
Para os cientistas (e, especialmente, para os cientistas sociais) a avaliação prop­
erly formulado teorias, assimetria fundamental de Popper parece
em grande parte irrelevante. O'Hear (1989: 43) fez uma observação semelhante sobre o AP­
plicação de ideias de Popper para as ciências físicas:
Popper tende sempre a falar em termos de explicações de universais teorias.
Mas mais uma vez, temos de insistir que propor e testar teo­ universal
Ries é apenas uma parte do objetivo da ciência. Não pode haver nenhuma verdade universal teo­
Ries, devido a condições diferentes marcadamente através do tempo e espaço; isto é
uma possibilidade que não podemos ignorar. Mas, mesmo que assim fosse, a ciência ainda podia
cumprir [sic] muitos dos seus objectivos nos dar conhecimento e verdadeiros previsões
sobre as condições e em torno de nosso nicho espaço­temporal.
Certamente este mesmo ponto aplica­se ainda mais fortemente para o sci­ sociais
Enças
Além disso, a avaliação das teorias de Popper não damental
contagem distinguir entre uma teoria recém­formulado e que tem um

Página 114

102 · Causalidade e Causal Inference
resistiram a inúmeros testes empíricos. Quando estamos testando para o de­
terministic distinção entre a verdade ou ficção de um o­ universal
ory (dos quais existe há exemplos interessantes), vista de Popper é
apropriada, mas da nossa perspectiva de buscar os limites de um

https://translate.googleusercontent.com/translate_f 80/187
02/12/2016 Projetando Inquérito sociais
aplicabilidade da teoria, sua visão é menos útil. Como indicamos
muitas vezes neste livro, exigimos que todos os inferências sobre hy­ específica
potheses a ser feita por afirmando um melhor palpite (uma estimativa) e uma me­
a certeza da incerteza desta suposição. Se descobrimos que a in­
Conferência é consistente com nossa teoria ou inconsistentes, nossa conclusão
terá tanto efeito sobre a nossa crença na teoria. ambos consistência
e inconsistência fornecer informações sobre a verdade da teoria
e deve afetar a certeza de nossas crenças. 13
Considere a hipótese de que Democrática e campanha republicana
estratégias durante as eleições presidenciais americanas têm uma pequena EF­ net
fect sobre o resultado da eleição. Numerosas hipóteses mais específicas são
implicado por esta, como a comerciais de televisão, rádio com­
mercials e debates têm pouco efeito sobre os eleitores. Qualquer teste do
teoria deve ser mesmo um teste de uma destas hipóteses. Um teste do
teoria mostrou que as previsões sobre o resultado pode ser feito muito acurado
damente com variáveis   disponíveis apenas no momento da conventions­
e, portanto, antes da campanha (Gelman e Rei 1993). Este teste é
consistente com a teoria (se é que podemos prever a eleição antes do
campanha, a campanha dificilmente pode ser dito ter muito de um im­
pacto), mas não absolutamente verificá­la. Alguns aspecto da campanha
poderia ter algum efeito pequeno que é responsável por algumas das previsões
erros (e alguns pesquisadores duvidam que isso é verdade). Além disso, o pré­
dicção poderia ter sido sorte, ou a campanha não poderia ter incluído
quaisquer táticas inovadoras (e, portanto, imprevisíveis) durante os anos de
qual os dados foram coletados.
Poderíamos realizar diversos outros testes, incluindo variáveis   em
o modelo de previsão que medem aspectos da campanha, como
quantidades relativas de TV e tempo de rádio, capacidade de falar do candidato
datas e julgamentos quanto aos resultados dos debates. Se todos estes
hipóteses não mostram nenhum efeito, então Popper diria que a nossa opinião é
não alterado de alguma forma interessante: a teoria de que cam­ presidencial
nhas não têm efeito ainda está de pé. Na verdade, se nós fizemos um mil

13 Alguns podem chamar­nos (ou acusar­nos de ser!) "Justificationists" ou mesmo "probabilística
justificationists "(ver Lakatos 1970), mas se temos de ser rotulada, nós preferimos mais coe­
ent, etiqueta Bayesian filosófica (ver Leamer 1978; Zellner 1971; e Barnett, 1982). Dentro
verdade, a nossa principal diferença com Popper é nossos objetivos. Dado o seu objectivo preciso, estamos de acordo com
seu procedimento; dada a nossa meta, talvez ele poderia concordar com a nossa. No entanto, acreditamos
que nossos objetivos estão mais próximos aos que são aplicados nas ciências sociais e também estão mais perto do
aqueles susceptíveis de ser bem sucedido.

Página 115

Construção de teorias causais · 103
Testes semelhantes, e todos eram consistentes com a teoria, a teoria poderia
ainda estar errado uma vez que não têm tentado cada um do número infinito
de possíveis variáveis   que medem a campanha. Assim, mesmo com um grande número de
resulta consistente com a teoria, ele ainda pode ser verdade que presidencial
campanhas de influenciar o comportamento do eleitor.
No entanto, se uma única campanha evento como accusa­ substancial
ções de imoral comportamento é mostrado para ter algum efeito sobre os eleitores,
a teoria seriam falsificados. De acordo com Popper, embora esta
teoria não foi conclusivamente falsificados (que ele reconheceu como impossi­
ble), aprendemos mais com isso do que a mil exames consistente com a
teoria.
Para nós, este não é o modo como a ciência social é ou deveria ser conduzida.
Depois de um milhar de testes a favor e um contra, mesmo se o negativo
teste parecia válido com um elevado grau de certeza, não iria cair
a teoria de que as campanhas não têm nenhum efeito. Em vez disso, podemos modificá­lo
quer dizer, talvez, que as campanhas normais não têm nenhum efeito exceto quando
há evidências consideráveis   de comportamento imoral por um dos can­
candidatas, mas uma vez que esta alteração tornaria a nossa teoria mais re­
restritiva, seria preciso avaliá­lo com um novo conjunto de dados antes de
estar confiante da sua validade. A teoria ainda seria muito poderoso,
e gostaríamos de saber um pouco mais sobre os limites a que o
teoria aplicada a cada avaliação empírica que passa. Cada teste de um
teoria afeta tanto a estimativa de sua validade e a incerteza de

https://translate.googleusercontent.com/translate_f 81/187
02/12/2016 Projetando Inquérito sociais
essa estimativa; e também pode afetar até que ponto queremos a teoria
aplicar.
Na discussão anterior, que sugeriu uma abordagem importante
teoria, bem como emitiu uma advertência. A abordagem que é recomendado
um de sensibilidade à natureza contingente de teorias e hipóteses.
Abaixo, defendemos para a procura de ampla aplicação para as nossas teorias e
Hipóteses. Esta é uma estratégia de pesquisa útil, mas devemos sempre
lembre­se que as teorias das ciências sociais não são susceptíveis de ser uni
versal na sua aplicabilidade. Essas teorias que são apresentadas como AP­
que operam a tudo, em todos os lugares­algumas versões do marxismo e
teoria da escolha racional são exemplos de teorias que foram colocados para­
enfermaria com ações dessa universalidade ou são apresentados em uma tauto­
maneira lógica (caso em que eles não são nem verdadeira nem falsa) ou em uma
forma que permite desconfirmação empírica (caso em que vamos encontrar
que eles fazem predições incorretas). A maioria das ciências sociais útil teo­
ries são válidos em condições particulares (em campanhas eleitorais com­
a forte evidência de comportamento imoral por um candidato) ou em particular­
configurações Lar (em nações industrializadas menos industrializados, mas não, em
Casa, mas não campanhas Senado). Devemos sempre tentar especificar o
limites da aplicabilidade da teoria ou hipótese. O próximo passo é

Página 116

104 · Causalidade e Causal Inference
levantar a questão: Por que existem esses limites? O que é sobre Senado
raças que invalida generalizações que são verdadeiras para corridas de casa?
O que é sobre a industrialização que muda os efeitos causais? o que
variável está ausente da nossa análise que poderia produzir uma forma mais ge­
teoria ralmente aplicável? Ao fazer essas perguntas, vamos além
os limites da nossa teoria ou hipótese para mostrar o que fatores precisam
para ser considerado para expandir seu alcance.
Mas uma nota de cautela deve ser adicionado. Sugerimos que o
processo de avaliação de teorias e hipóteses é um flexível um: particular­
testes empíricos Lar confirmar nem refutar­los de uma vez por
todos. Quando um teste empírico é inconsistente com a nossa base teórica
expectativas, nós não jogue imediatamente a teoria. Podemos fazer
várias coisas: Podemos concluir que a prova pode ter sido
pobre devido apenas ao acaso; podemos ajustar o que nós consideramos ser o
gama de aplicabilidade de uma teoria ou hipótese, mesmo que não se sustenta
em um caso particular e, através desse ajuste, manter a nossa acei­
tância da teoria ou hipótese. proceeeds ciência por tal ajuste
mentos; mas que pode ser perigoso. Se nós levá­los longe demais nós fazemos o nosso
teorias e hipóteses invulneráveis   a desconfirmação. A lição é
que devemos ter muito cuidado em adaptar teorias para ser coerente com
novas provas. Devemos evitar esticar a teoria além de toda plausi­
bilidade pela adição de inúmeras exceções e casos especiais.
Se nosso estudo desconfirma algum aspecto de uma teoria, podemos optar por
reter a teoria, mas adicionar uma exceção. Tal procedimento é aceitável
enquanto reconhecemos o fato de que estamos reduzindo as reivindicações nós
para fazer a teoria. A teoria, porém, é menos valioso, uma vez que ex­
planícies menos; em nossa terminologia, temos menos alavancagem sobre a probabilidade
lem buscamos entender. 14 Além disso, tal abordagem pode
produzir uma "teoria" de que é meramente uma miscelânea inútil de vários exceção
ções e exclusões. Em algum momento temos de estar dispostos a descartar o­
ories e hipóteses inteiramente. Demasiadas excepções, e a teoria
Devem ser rejeitadas. Assim, por si só, parcimónia, a preferência por normativa
teorias com menos peças, não é de aplicação geral . Tudo o que precisamos é a nossa
noção mais geral de maximizar a alavancagem, a partir do qual a idéia de
parcimónia pode ser totalmente derivado em que é útil. A ideia de que a ciência
é em grande parte um processo de explicar muitos fenómenos com apenas alguns
deixa claro que as teorias com menos peças não são melhores ou piores. Para
maximizar a alavancagem, devemos tentar formular teorias que ex­
simples, tanto quanto possível, com o mínimo possível. Às vezes, isso para­
formula­ é conseguido através de parcimônia, mas às vezes não. Podemos con­

14 Como sempre, quando fazemos modificar uma teoria para ser consistente com evidências que temos
coletado, então a teoria (ou que parte dela em que a nossa prova ursos) deve ser
https://translate.googleusercontent.com/translate_f 82/187
02/12/2016 Projetando Inquérito sociais
avaliadas em um contexto diferente ou novo conjunto de dados.

Página 117

Construção de teorias causais · 105
ceber de exemplos, através da qual uma teoria ligeiramente mais complicado vai
explicar muito mais do mundo. Em tal situação, nós certamente
usar a teoria nonparsimonious, uma vez que maximiza a alavancagem mais
do que a teoria mais parcimonioso. 15

3.5.2 Regra 2: construir teorias que são internamente consistentes
Uma teoria que é internamente inconsistente não só é falsificável­lo é
falso. Na verdade, esta é a única situação em que a veracidade de uma teoria
é conhecido, sem qualquer evidência empírica: se duas ou mais partes de um
teoria gerar hipóteses que contradizem uns aos outros, então nenhuma evi­
dência do mundo empírico pode defender a teoria. garantindo que
teorias são internamente consistentes deve ser inteiramente incontroversa,
mas a consistência é frequentemente difícil de alcançar. Um método de pro­
dução teorias internamente consistentes é com formal, matemática
modelagem. Modelagem formal é uma prática mais desenvolvida na economia
mas cada vez mais comum em sociologia, psicologia, ciência política,
antropologia, e em outros lugares (ver Ordeshook 1986). Em sci­ política
cia, os estudiosos têm construído inúmeras teorias substantivas de mathe­
modelos matical em escolha racional, escolha social, modelos espaciais de eleição
ções, economia pública e teoria dos jogos. Esta pesquisa tem produzido
muitos resultados importantes, e um grande número de hipóteses plausíveis.
Uma das contribuições mais importantes da modelagem formal é reveladora
ing a inconsistência interna nas teorias verbalmente declarados.
No entanto, como acontece com outras hipóteses, modelos formais não constituem
explicações verificados sem avaliação empírica de sua predição
15 Outra formulação de vista de Popper é que "você não pode provar uma negativa." Você
não pode, ele argumenta, porque um resultado consistente com a hipótese só poderia significar que
você fez o teste errado. Aqueles que tentam provar a negativa será sempre executar para esse
problema. Na verdade, seus problemas não será apenas teórica, mas profissional também desde
revistas são mais propensos a publicar os resultados positivos ao invés de negativos.
Isto levou a que se chama o problema gaveta de arquivo , que é mais clara no quantitativo
literatura tiva. Suponha que não existem padrões no mundo. Em seguida, de cinco em cada cem
testes de qualquer padrão vai cair fora do intervalo de confiança de 95 por cento e, assim, produzir
inferências incorretas. Se fôssemos assumir que revistas publicam positiva ao invés de neg­
resultados operatória, eles vão publicar apenas os 5 por cento que são "significativa"; isto é, eles
irá publicar apenas os papéis que vêm a conclusões erradas, e nossas gavetas de arquivo
será preenchido com todos os papéis que vêm às conclusões certas! (Veja Iyengar e
Estufa (1988) para uma revisão da literatura estatística sobre este problema.) Na verdade, estes
incentivos são bem conhecidos pelos pesquisadores, e provavelmente afeta seus comportamentos bem.
Mesmo que a taxa de aceitação de muitas das principais revistas de ciências sociais é de aproximadamente 5 per­
cento, a situação não é bem assim tão mau, mas ainda é um problema sério. Em nossa opinião, a
problema gaveta de arquivo poderia ser resolvido se todos adotada nossa posição alternativa. UMA
resultado negativo é tão útil quanto um positivo um; ambos podem fornecer apenas o máximo de informações sobre o
mundo. Enquanto apresentamos nossas estimativas e uma medida de nossa incerteza, estaremos
em terreno seguro.

Página 118

106 · Causalidade e Causal Inference
Ções. Formalidade nos ajuda razão mais claramente, e certamente en­
sures que nossas idéias são internamente consistentes, mas não resolver
questões de avaliação empírica das teorias das ciências sociais. um pressuposto
ção em um modelo formal nas ciências sociais é geralmente uma conveniência
para simplicidade matemática ou para garantir que o equilíbrio pode ser
Encontrado. Poucos acreditam que o mundo político é matemática na mesma
maneira que alguns físicos acreditam que o mundo físico é. Assim, formal
modelos são apenas modelos­abstrações que devem ser distinguidos
do mundo que nós estudamos. Na verdade, algumas teorias formais fazer predição

https://translate.googleusercontent.com/translate_f 83/187
02/12/2016 Projetando Inquérito sociais
ções que dependem de suposições que são muito simplista, e
estas teorias, por vezes, não são de grande valor empírico. Eles são
só que mais precisa no resumo do que são a ciência social informal teo­
Ries: eles não fazer previsões mais específicas sobre o mundo real,
uma vez que as condições que especificar não correspondem, mesmo aproxi­
ximadamente, a condições reais.
Simplificações são essenciais em modelagem formal, como eles estão em todos os
pesquisa, mas temos de ser cautelosos sobre as inferências que podemos tirar
sobre a realidade a partir dos modelos. Por exemplo, assumindo que todos omitidos
variáveis   têm qualquer efeito sobre os resultados podem ser muito úteis na modelagem.
Em muitos dos modelos formais de pesquisa qualitativa que pre­
enviou ao longo deste livro, nós fazemos precisamente isto. Suposições como este
normalmente não são justificadas como uma característica do mundo; eles são apenas de­
receu como um recurso conveniente do nosso modelo do mundo. Os resultados,
Em seguida, aplique exatamente a situação em que essas variáveis   omitidas
são irrelevantes e podem ou não ser semelhante aos resultados do verdadeiro
mundo. Não temos de verificar a hipótese de elaborar o modelo
e suas implicações, mas é essencial que vamos verificar o pressuposto
durante a avaliação empírica. A suposição não precisa ser correto para
o modelo formal para ser útil. Mas não podemos levar não testado ou un­
pressupostos teóricos justificados e usá­los na construção de em­
projetos de pesquisa empíricos. Em vez disso, devemos em geral complementar uma para­
teoria mal com características adicionais para torná­lo útil para empírica
estude.
Um bom modelo formal deve ser abstrato, para que as principais características do
o problema pode ser aparente e raciocínio matemático pode ser facilmente
Aplicado. Considere­se, em seguida, um modelo formal dos efeitos da proporcional
representação em sistemas de partidos políticos, o que implica que proporção
representação cional fragmenta sistemas partidários. A variável causal chave
é do tipo de sistema­se eleitoral é uma representação proporcional
sistema tação, com assentos destinados aos partidos com base na sua pro­
parcela dos votos, ou um sistema distrital de representante único, no qual um pecado
vencedor gle é eleito em cada distrito. A variável dependente é a
número de partidos políticos, muitas vezes referida como o grau de festa­
a fragmentação do sistema. A principal hipótese é que os sistemas eleitorais

Página 119

Construção de teorias causais · 107
com base na representação proporcional gerar mais partidos políticos
do que os sistemas eleitorais baseados no distrito. Por uma questão de simplicidade,
tal modelo poderia incluir apenas variáveis   medindo alguns es­
características sencial do sistema eleitoral e do grau de parte do sistema
fragmentação. Tal modelo poderia gerar apenas uma hipótese , não uma
Concluindo, sobre a relação entre representação proporcional
fragmentação ção e festa­sistema no mundo real. Tal hi­
pótese teria de ser testada através da utilização de qualitativa ou
métodos empíricos quantitativos.
No entanto, apesar de uma implicação deste modelo é que proporção
representação fragmentos adicionais partidos políticos, e mesmo que não
outras variáveis   foram utilizadas no modelo, utilizando apenas duas variáveis   numa
análise empírica seria tolo. Um estudo que indica que países
tentativas com representação proporcional têm partido mais fragmentado
sistemas seria ignorar o problema da endogeneidade (seção 5.4), uma vez
países que estabelecem sistemas eleitorais com base em uma al­ proporcional
localização das sedes para as partes podem muito bem ter feito isso por causa de sua
já existentes sistemas partidários fragmentados. viés de variável omitida
também seria um problema, já que países com profunda racial, étnica, ou
divisões religiosas são, provavelmente, também ter partidário fragmentado
sistemas, e os países com divisões de esses tipos são mais propensos a
tem representação proporcional.
Assim, ambos os requisitos para de polarização variável omitido (Secção 5.2)
parecem ser atendidos: a variável omitida está correlacionada tanto com o explan­
tória e a variável dependente, e qualquer análise ignorando a variável
capazes de divisão social seria, portanto, produzir inferências tendenciosas.
O ponto deve ser clara: modelos formais são extremamente úteis para
esclarecer o nosso pensamento e desenvolver teorias internamente consistentes.
Para muitas teorias, especialmente complexa, verbalmente afirmou teorias, pode
https://translate.googleusercontent.com/translate_f 84/187
02/12/2016 Projetando Inquérito sociais
ser que apenas um modelo formal é capaz de revelar e corrigir in­
inconsistências ternas. Ao mesmo tempo, os modelos formais não são susceptíveis de
fornecer o modelo empírico correto para testes empíricos. eles cer­
tamente não nos permitem evitar qualquer dos problemas empíricos de tífica
inferência cien­.

3.5.3 Regra 3: Selecione Variáveis   dependentes Cuidadosamente
É claro, devemos fazer tudo em pesquisa com cuidado, mas a escolha
variáveis, especialmente as variáveis   dependentes, é particularmente importante
decisão. Oferecemos os seguintes três sugestões (baseado em mis­
tem que ocorrer com demasiada frequência no quantitativa e qualitativa
literaturas):
Em primeiro lugar, as variáveis dependentes deve ser dependente . Um erro muito comum
é escolher uma variável dependente que, na realidade provoca mudanças em nossa

Page 120

108 · Causalidade e Causal Inference
Variáveis   explicativas. Analisamos as conseqüências específicas de en­
dogeneity e algumas maneiras de contornar o problema na seção 5.4,
mas destacamos aqui porque a maneira mais fácil de evitar isso é para
escolher variáveis   explicativas que são claramente exógeno e depen­
dent variáveis   que são endógenas.
Em segundo lugar, não selecionar observações com base na variável dependente de modo que
a variável dependente é constante . Isto, também, pode parecer um pouco óbvio, mas
estudiosos costumam escolher observações em que a variável dependente
não varia em todos os (tal como no exemplo discutido na secção 4.3.1).
Mesmo que não deliberadamente planejar a pesquisa para que o dependente
variável é constante, pode acontecer dessa forma. Mas, desde que nós temos
Não predeterminado desse fato pelos nossos critérios de selecção, não há probabilidade
Lem. Por exemplo, suponha que seleccionar observações em duas categorias de
uma variável explicativa, ea variável dependente acaba por ser
constante entre os dois grupos. Este é apenas um caso em que a estimativa
efeito causal acoplado é zero.
Finalmente, devemos escolher uma variável dependente que representa a variação
ção queremos explicar . Embora este ponto parece óbvio, é, na verdade,
bastante sutis, como ilustrado por Stanley Lieberson (1985: 100):
Uma exposição gravitacional simples no Ontario Science Centre, em Toronto in­
pináculos um exemplo heurística. Na exposição, uma moeda e uma pena são ambos re­
locado a partir do topo de um tubo de vácuo e atingem o fundo em praticamente o
mesmo tempo. Uma vez que o vácuo não é um um total de, presumivelmente atinge a moeda
a parte inferior um pouco à frente da pena. De qualquer forma, suponha que nós visualizamos
Num estudo em que uma variedade de objectos é descartado sem o benefício de tais
um forte controle como um vácuo, exatamente como ocorreria em so­ não experimental
pesquisa cial. Se os investigadores sociais descobrir que os objectos se diferenciam no tempo que
eles levam para chegar ao solo, normalmente eles vão querer saber o que carac­
terísticas determinar essas diferenças. Provavelmente, tais características do ob­
projectos como a sua densidade e forma vai afetar a velocidade da queda em um nonvacuum
situação. Se o pesquisador social é a sorte, esses fatores juntos será totalmente
representam todas as diferenças entre os objectos em a velocidade da sua
cair. Se assim for, o pesquisador social será muito feliz porque toda a variação
entre os objetos serão contabilizados. O investigador, aplicando padrão
pesquisa de pensamento social vai concluir que há uma compreensão completa
ing do fenômeno porque todas as diferenças entre os objetos em estudo
foram contabilizados . Certamente deve haver algo com defeito com o nosso pro­
procedimentos se podemos abordar um problema tão grande, mesmo sem considerar gravi­
dade em si.
procedimentos do investigador neste exemplo seria defeituosa única
Se a variável de interesse foram gravidade. Se a gravidade fosse o explicativa
variável que se preocupava, a nossa experiência não variam­lo (uma vez que o

https://translate.googleusercontent.com/translate_f 85/187
02/12/2016 Projetando Inquérito sociais
Página 121

Construção de teorias causais · 109
experimento acontece em apenas um local) e, portanto, nos diz
nada sobre isso. No entanto, a experiência Lieberson descreve faria
ser de grande interesse se procurou compreender as variações no tempo que
levará para diferentes tipos de objetos para bater no chão quando eles estão
largado da mesma altura sob diferentes condições de pressão de ar
certo. Na verdade, mesmo se soubéssemos tudo sobre a gravidade, esta experiência seria
Ainda deu informações valiosas. Mas se, como Lieberson assume, estávamos
realmente interessado em uma inferência sobre o efeito causal da gravidade, que
precisaria de uma variável dependente, que variou ao longo observações com
diferentes graus de atração gravitacional. Da mesma forma, nas ciências sociais,
devemos ter cuidado para garantir que estamos realmente interessados   na compreensão
de pé a nossa variável dependente, e não os factores de fundo
que o nosso projeto de pesquisa mantém constante.
Assim, precisamos de toda a gama de variação na variável dependente
capaz de ser um resultado possível da experiência, a fim de obter uma
estimativa imparcial do impacto das variáveis   explicativas. Artificial
limites para a faixa ou valores da variável dependente produzir o que
nós definimos (na secção 4.3) como viés de seleção. Por exemplo, se estamos inter
sados   nas condições em que o conflito armado irrompe, nós pode­
não escolher como observações apenas os casos em que o resultado é
conflito armado. Tal estudo pode nos dizer muito sobre variações
entre as observações de conflito armado (como o experimento gravidade diz
­nos sobre variações na velocidade da queda de vários objetos), mas não en­
poder­nos a explorar as fontes de conflito armado. A melhor concepção se
quer entender as fontes de conflito armado seria aquele que
observações selecionados de acordo com as nossas variáveis   explicativas e al­
lowed a variável dependente a possibilidade de cobrir a gama completa
de haver pouca ou nenhuma ameaça de um conflito através de ameaça situação
ções para conflito real.

3.5.4 Regra 4: Maximize Concretização
A quarta regra, que decorre a nossa ênfase na falsifiability,
consistência e variação na variável dependente é maximizar
concretude. Devemos escolher observável, ao invés de não observável,
conceitos sempre que possível. Abstratos, conceitos não observados, tais como
utilitário, cultura, intenções, motivações, identificação, inteligência ou
o interesse nacional são frequentemente utilizados em teorias das ciências sociais. Eles podem
desempenhar um papel útil na teoria formulação ; mas eles podem ser um obstáculo para
empírica avaliação de teorias e hipóteses, a menos que eles podem ser de­
multado de uma maneira tal que eles, ou pelo menos as suas implicações, podem ser observadas
servido e medido. Explicações envolvendo conceitos como cultura
ou interesse ou utilidade ou motivação nacional são suspeitos a menos que possamos

Página 122

110 · Causalidade e Causal Inference
medir o conceito de forma independente da variável dependente que nós
está explicando. Quando os termos são usados   em explicações, é demasiado
fácil de usar­los de maneiras que são tautológica ou não têm differentiat­
ing, implicações observáveis. Um ato de um indivíduo ou uma nação pode
ser explicado como resultante de um desejo de maximizar a utilidade, para cumprir
intenções, ou a obtenção do interesse nacional. Mas a evidência de que o
ato maximizada utilidade ou intenções cumprida ou conseguido a nível nacional
interesse é o fato de que o ator ou a nação que nela se empenham. É incum­
inclinou sobre o pesquisador formular a teoria de especificar de forma clara e
precisamente o que observável implicações da teoria indicaria a sua
veracidade e distingui­lo de alternativas lógicas.
De nenhuma maneira que queremos dizer a implicar por esta regra que conceitos como intenção
ções e motivações não são importantes. Nós só gostaria de reconhecer que
o padrão para a explicação de qualquer empírica da ciência como o nosso deve ser
empírica verificação ou falsificação. A tentativa de encontrar evi­ empírica
https://translate.googleusercontent.com/translate_f 86/187
02/12/2016 Projetando Inquérito sociais
dência de conceitos abstratos, não mensuráveis, e não observáveis   será ne­
cessariamente ser mais difícil e menos bem sucedidos do que para muitos impermissível
fectly concebido conceitos específicos e concretos. O mais abstrato nossa
conceitos, a menos claras serão as consequências observáveis   e
menos propícios a teoria será o de falsificação.
Os pesquisadores costumam usar a seguinte estratégia. Começam com uma ab­
conceito stract do tipo listado acima. Eles concordam que não pode ser
medido diretamente; portanto, eles sugerem indicadores específicos da ab­
conceito stract que pode ser medido e usá­los em sua explicação
Ções. A escolha do indicador específico do conceito mais abstrato
é justificada com o argumento de que é observável. Às vezes, é a única
coisa que é observável (por exemplo, ele é o único fenômeno para o
quais existem dados disponíveis, ou o único tipo de evento histórico para o qual
registros foram mantidos). Este é um perfeitamente respeitável, na verdade normalmente
necessário, os aspectos da investigação empírica.
Às vezes, no entanto, ele tem um lado infeliz. Muitas vezes, o específico
indicador está longe de ser o conceito original e tem apenas uma indireta e
relação incerta a ele. Ele não pode ser um indicador válido do AB­
conceito stract em tudo. Mas, depois de um rápido pedido de desculpas para a diferença entre a
conceito abstrato eo indicador específico, o pesquisador rotula a in­
dicator com o conceito abstrato e passa para a frente como se fosse
medir esse conceito diretamente. Infelizmente, tal reificação é
comum em trabalhos de ciências sociais, talvez mais frequentemente em quantitativa
tiva do que em pesquisa qualitativa, mas muito comum em ambos. Para a prova­
plo, o pesquisador tem números sobre mail, comércio, turismo e aluno ex­
mudanças e os usa para compilar um índice de "integração social" em
Europa. Ou o pesquisador faz algumas perguntas da pesquisa para saber se

Página 123

Construção de teorias causais · 111
inquiridos estão mais preocupados com o meio ambiente ou fazer
dinheiro e rótulos diferentes entrevistados como "materialistas" e "pós­
materialistas ". Ou o pesquisador observa que as agências federais diferem em
a duração média do emprego dos seus trabalhadores e converte este
em uma medida da "institucionalização" das agências.
Devemos ser claros sobre o que queremos dizer aqui. O fosso entre con­
CEPT e indicador é inevitável em muito o trabalho da ciência social. E nós
usar termos gerais, em vez de as específicas por boas razões: eles
permitir­nos expandir nosso quadro de referência e a aplicabilidade da nossa
Teorias. Assim, podemos falar das legislaturas, em vez de de mais Nar­
Rowly definido categorias legislativas, como os parlamentos ou in­ específica
Constituições, como o Bundestag alemão. Ou podemos falar de "decisões
fazendo corpos "em vez de legislaturas, quando queremos que a nossa teoria para
aplicam­se a uma gama ainda maior de instituições. (Na próxima seção, em
verdade, recomendo este.) A ciência depende de tal classificação abstrato
ções, ou outra coisa que reverter para resumindo detalhes históricos. Mas o nosso ab­
stract e termos gerais deve ser ligado a específica mensurável
conceitos em algum ponto para permitir testes empíricos. O facto de que con­
ligação e a distância que deve ser percorrido para torná­lo­deve al­
maneiras ser mantido em mente e explicitado. Além disso, a escolha de um
alto nível de abstracção deve ter uma justificação real em termos de
problema teórico na mão. Deve ajudar a fazer a ligação BE
tre a pesquisa específica na mão­em que o indicador específico
é o ator principal e o problema mais geral. E ele coloca um Bur­
den­nos para ver que a investigação adicional usando outra indicação específica
res é realizada para reforçar a hipótese de que os nossos indicadores específicos
realmente se relacionar com algum conceito mais amplo. Os termos abstractos utilizados na
exemplos acima "integração social", "pós­materialismo" e "in­
institucionalização "­podem ser razoavelmente quantificado pela indicação específica
cadores citado. Não negamos que o salto do indicador específico para
conceito abstrato geral deve ser feita pelo que temos de dar um salto desses
para realizar pesquisa em ciências sociais. O salto deve, contudo, ser feita
com cuidado, com a justificação, e com uma "memória" constante de onde
o salto começou.

https://translate.googleusercontent.com/translate_f 87/187
02/12/2016 Projetando Inquérito sociais
Assim, nós não argumentar contra abstrações. Mas nós defendem uma
linguagem da pesquisa social que é tão concreto e preciso possível.
Se não temos alternativa ao uso de construções não observáveis, como é geral­
aliar o caso nas ciências sociais, então devemos, pelo menos, escolher idéias
com consequências observáveis . Por exemplo, a "inteligência" nunca esteve
diretamente observado, mas não deixa de ser um conceito muito útil. Nós temos
inúmeros testes e outras formas de avaliar as implicações da Intelli
gência. Por outro lado, se temos a escolha entre "a instituição

Página 124

112 · Causalidade e Causal Inference
nalização da presidência "e" tamanho da equipe da Casa Branca, "
geralmente é melhor escolher o último. Podemos argumentar que o tamanho do
a equipe da Casa Branca está relacionado com o conceito geral da instituição
nalização da presidência, mas não devemos reificam mais estreito
conceito como idêntica à mais ampla. E, se o tamanho da equipe significa instituição
nalização, devemos ser capazes de encontrar outras medidas de institucionalização
zação que respondem às mesmas variáveis   explicativas como faz o tamanho da
funcionários. Abaixo, vamos discutir "maximizar a alavancagem", expandindo
nossas variáveis   dependentes.
O nosso apelo à concretude se estende, em geral, as palavras que usamos para
descrever a nossa teoria. Se um leitor tem que gastar muito tempo extrair o
significados precisos da teoria, a teoria é de menor utilização. deve haver
ser tão pouca controvérsia quanto possível sobre o que queremos dizer quando de­
escriba uma teoria. Para ajudar nesse objetivo de especificidade, mesmo que não somos
realização de pesquisa empírica nós mesmos, devemos passar tempo explici­
tamente considerar as implicações observáveis   da teoria e até mesmo
possíveis projectos de investigação que poderíamos conduta. O mais vaga a nossa língua,
menos chance nós vamos estar errado, mas menor a chance nosso trabalho será
em todos úteis. É melhor estar errado do que vagas.
Em nosso ponto de vista, a escrita, um eloquente bem escasso no sci­ sociais
cia­devem ser encorajados (e saboreado) na apresentação da lógica
para um projecto de investigação, argumentando pelo seu significado, e fornecendo ricos
Descrições de eventos. O tédio não avançou qualquer ciência. Contudo,
assim que o objecto torna­se inferência causal ou descritiva, onde
Estamos interessados   em observações e generalizações que são esperados
a persistir, exigimos concretude e especificidade na linguagem e
pensamento. 16
16 As regras que regem as melhores perguntas a serem feitas em entrevistas são quase o mesmo que
aqueles utilizados na elaboração de explicações: Seja o mais concreto possível. Nós não deve pedir
conservador, os americanos brancos, "É você racista?", e, "Você se importaria se o seu
filha se casou com um homem negro? "Não devemos perguntar a alguém se ele ou ela é conhecimento
capaz de política; devemos perguntar para os nomes do Secretário de Estado e Presidente da
o House. Em geral, e sempre que possível, não devemos pedir um entrevistado para fazer nosso trabalho
para nós . É melhor não para pedir estimativas dos efeitos causais; devemos pedir medidas do
explicativo e variáveis   dependentes, e estimar o efeito causal nós mesmos. Nós devemos
não pedir motivações, mas sim para os fatos.
Esta regra não é para implicar que nunca devemos pedir às pessoas por que eles fizeram alguns­
coisa. Na verdade, perguntando sobre motivações é muitas vezes um meio de produção de geração de hiper­
potheses. motivações de auto­relato pode também ser um útil conjunto de implicações observáveis.
No entanto, a resposta dada deve ser interpretado como a resposta do entrevistado ao
A pergunta do pesquisador, não necessariamente como a resposta correta. Se perguntas como estas são
para ser de uso, devemos planejar a pesquisa para que uma determinada resposta dada (com o que quer
justificativas, enfeites, mentiras, ou memórias seletivas que podemos encontrar) é um ob­
implicação que possa ser veiculado.

Página 125

Construção de teorias causais · 113

https://translate.googleusercontent.com/translate_f 88/187
02/12/2016 Projetando Inquérito sociais
3.5.5 Regra 5: Teorias do Estado em que engloba maneiras quanto possível
Dentro das limitações de garantir que a teoria será falsifi­
capaz e que maximizar concretude, a teoria deve ser formu­
lada de modo que explica como a maior parte do mundo quanto possível. Nós percebemos
que há alguma tensão entre esta quinta regra e nossa liminar anteriormente
ção para ser concreto. Nós só podemos dizer que ambas as metas são importantes,
embora em muitos casos, eles podem entrar em conflito, e precisamos ser sensíveis a
ambos, a fim de fazer um balanço.
Por exemplo, não devemos apresentar a nossa teoria de como se só se aplica a
Bundestag alemão quando há razão para acreditar que ele pode
aplicam­se a todas as legislaturas independentes. Nós não precisa fornecer provas
para todas as implicações da teoria, a fim de indicá­lo, contanto que pro­
vide uma estimativa razoável de incerteza que vai junto com ele. isto
Pode ser que proporcionaram uma forte evidência em favor da teoria
no Bundestag alemão. Embora não tenhamos nenhuma evidência de que ela
funciona em outros lugares, não temos nenhuma evidência contra ela quer. Quanto mais ampla
referência é útil se permanecermos cientes da necessidade de avaliar a sua apro­
plicability. Na verdade, expressando­o como referência hipoteticamente mais amplo
pode forçar­nos a pensar sobre as características estruturais da teoria de que
tornaria aplicar ou não a outras legislaturas independentes. Para ex­
ampla, será que se aplicam ao Senado dos Estados Unidos, onde os termos são escalonados, para
O novo conjunto Hampshire, que é muito maior em relação à
número de componentes, ou para a Câmara dos Comuns britânica, no qual
votação do partido é muito mais forte? Um exercício importante é afirmar que
achamos que são características sistemáticas da teoria de que a tornam aplicável
em diferentes áreas. Podemos aprender que estávamos errados, mas que é con­
velmente melhor do que não ter declarado a teoria com preci­ suficiente
Sion em primeiro lugar.
Esta regra pode parecer entrar em conflito com Robert Merton ([1949] 1968)
preferência por "teorias da meia­gama", mas até mesmo uma leitura superficial
ing de Merton deve indicar que este não é assim. Merton estava reagindo
a uma tradição na sociologia, onde "teorias" como "teoria do Parson
ação "foram declarados de forma tão abrangente que não poderiam ser falsificada. em polit­
ciência iCal, "teoria dos sistemas" de Easton (1965) está nesta mesma tradição
(Ver Eckstein, 1975: 90). Como um exemplo do tipo de crítica que ele era
Amante de fazer, Merton ([1949] 1968: 43) escreveu: "Tanto quanto se sabe,
a teoria do papel­sets não é incompatível com tão ampla teórica
orientações como a teoria marxista, análise funcional, o behaviorismo social
sociologia de Sorokin integral, ou teoria da ação de Parson. "Merton é
não crítica da teoria do papel­sets, o que ele chamou de um meio­range
teoria, ao contrário, ele está argumentando contra aqueles "orientação teórica ampla

Página 126

114 · Causalidade e Causal Inference
ções ", com o qual quase todos os mais específico teoria ou ob­ empírica
conservação é consistente. Merton favorece teorias "de médio alcance" Mas nós
acredito que ele concordaria que as teorias devem ser fixados de forma tão ampla quanto
possível, desde que eles permaneçam falsificável e concreto. afirmando teo­
ries de forma tão ampla quanto possível é, para retornar a uma noção levantada anteriormente, uma maneira
de maximizar a alavancagem. Se a teoria é testável e o perigo de
teorias muito grandes, é claro, que podem ser formuladas de maneiras
que não são testáveis, então quanto mais amplo o melhor; isto é, o mais amplo,
quanto maior for a força de alavanca.

https://translate.googleusercontent.com/translate_f 89/187
02/12/2016 Projetando Inquérito sociais

Página 127

CAPÍTULO 4

Determinar o que observar

Até este ponto, nós apresentamos nosso ponto de vista dos padrões de
inferência científica como eles se aplicam tanto qualitativa e quantitativa
investigação (capítulo 1), definida inferência descritiva (capítulo 2), e
esclareceu a nossa noção de causalidade e inferência causal (capítulo 3). Nós
continuarei com a análise de problemas práticos específicos de re qualitativa
projeto de pesquisa. Neste e nos próximos dois capítulos, vamos usar muitos
exemplos, tanto retiradas da literatura e construídos hipoteticamente
camente, para ilustrar nossos pontos. Este capítulo se concentra em como deveríamos
selecionar casos, ou observações, para a nossa análise. Muito gira sobre essas de­
cisões, desde má seleção caso pode viciar mesmo o mais engenhoso
tentativas, numa fase posterior, para fazer inferências causais válidas. No capítulo 5,
identificamos algumas das principais fontes de preconceito e ineficiência que deve ser
evitado, ou pelo menos compreendido, para que possamos ajustar nossas estimativas. Então
no capítulo 6, desenvolvemos algumas ideias para aumentar o número de ob­
servações disponíveis para nós, muitas vezes já disponíveis dentro de dados de que dispomos
Recolhidos. Nós, portanto, perseguir um tema introduzido no capítulo 1: deveríamos
procurar derivar tantas implicações observáveis   de nossas teorias pos­
sível e testar como muitos destes como são viáveis.
No ponto 3.3.2, discutimos "independência condicional": o as­
consumo que as observações são escolhidos e os valores atribuídos a explan­
variáveis   Atory independentemente dos valores tomadas pelo dependente
Variáveis. Essa independência é violado, por exemplo, se explicativa
variáveis   são escolhidas por regras que estão correlacionados com a dependentes
variáveis   ou se variáveis   dependentes fazer com que as variáveis   explicativas.
Aleatoriedade na selecção de unidades e na atribuição de valores a explicação
variáveis   tory é um procedimento comum usado por alguns re­ quantitativa
pesquisadores que trabalham com um grande número de observações para assegurar que
a suposição de independência condicional for atendida. Métodos estatísticos
são então utilizados para mitigar o problema fundamental da Causal infer­
Cação. Infelizmente, selecção e atribuição ter graves
limitações na pequena n investigação. Se selecção e atribuição são
nem estratégias apropriadas, podemos procurar alcançar unidade de homogeneidade

https://translate.googleusercontent.com/translate_f 90/187
02/12/2016 Projetando Inquérito sociais
através da utilização de uma selecção intencional de observações (como discutido
na seção 3.3.1). Em certo sentido, a seleção intencional de observações é a nossa
"Última linha de defesa" para alcançar condições para inferência causal válido.

Página 128

116 · Determinar o que observar
Recordar a essência do pressuposto unidade de homogeneidade: se duas unidades
tem o mesmo valor da variável de motivos chave, o esperado
valor da variável dependente será o mesmo. A versão mais rigorosa
da unidade de homogeneidade pressuposto implica, por exemplo, que se volume de negócios
ing em um interruptor de luz se acende uma lâmpada de 60 watts, por isso vai virar uma seção
ond interruptor de luz para a posição "on". Neste exemplo, a posição de
a chave é a variável explicativa chave e o status da luz
(Ligado ou desligado) é a variável dependente. O pressuposto unidade de homogeneidade
ção exige que o estado de espera de cada luz é a mesma como a longo
como os interruptores estão nas mesmas posições. A versão menos rigorosa do
unidade de homogeneidade pressuposto, muitas vezes mais plausível, mas igualmente ac­
aceitá­­se a hipótese de efeito constante , em que variação semelhante
ção em valores da variável explicativa para as duas observações
conduz com o mesmo efeito causal em unidades diferentes, embora os níveis
as variáveis   podem ser diferentes. Suponha, por exemplo, que a nossa luz
interruptores têm três configurações e medimos a variável dependente
de acordo com a potência gerada. Se um interruptor é alterada de "off" para
"Baixo" eo outro de "baixo" para "alto", o pressuposto da constante
efeito é cumprido se o aumento de potência é o mesmo nos dois quartos,
embora em uma observação que vai de zero a 60, em o outro a partir de
60 a 120.
Quando nem a suposição de independência condicional nem a
pressuposto da unidade de homogeneidade é cumprida, enfrentamos sérios problemas em
inferência causal. No entanto, enfrentamos ainda mais grave problemas­
de fato, podemos literalmente não fazer inferências, quando causais válidas nossa
projeto de pesquisa é indeterminado. Um projeto de pesquisa determinada é a
condição sine qua non de inferência causal. Daí começamos no ponto 4.1 por dis­
xingando projetos de pesquisa indeterminados. Depois de nossa discussão do dente
terminar projetos de pesquisa, consideramos o problema de viés de seleção
como resultado da violação dos pressupostos de independência condicional
dência e homogeneidade unidade. Na secção 4.2, analisamos os limites da
utilizando selecção e atribuição para alcançar inde­ condicional
Pendência. Na secção 4.3, passamos a enfatizar os perigos de selecionáveis
ing casos intencionalmente na base de valores de variáveis   dependentes
e fornecer exemplos de trabalho em que viés essa selecção tem invalida
datados inferências causais. Finalmente, na secção 4.4, que con­ sistematicamente
sider maneiras de conseguir unidade homogeneidade através caso intencional seleção
ção, buscando não apenas para fornecer conselhos sobre projetos de pesquisa ideais
mas também oferecendo sugestões sobre o "segundo melhor" se aproxima, quando
o ideal não pode ser alcançado.
O tema principal deste capítulo: questões envolvidas na seleção de casos,
ou observações, para análise merece destaque especial aqui. desde ter­

Página 129

Determinar o que observar · 117
minology pode ser confuso, é importante rever alguns terminolog­
questões iCal no início. Muita discussão do projeto de pesquisa qualitativa
fala de "casos" ­como em discussões de estudos de caso ou o "caso
método. "No entanto, a palavra" caso "é muitas vezes usado de forma ambígua. Pode
significa uma única observação. Como explicado na seção 2.4, uma "observação
ção "é definida como uma medida de uma unidade para uma variável dependente

https://translate.googleusercontent.com/translate_f 91/187
02/12/2016 Projetando Inquérito sociais
e inclui informação sobre os valores das variáveis    explicativas.
No entanto, num caso, também pode se referir a uma unidade única, em que muitos variável
veis são medidos, ou mesmo de um grande domínio de análise.
Por exemplo, os analistas podem escrever sobre um "estudo de caso da Índia" ou de
Segunda Guerra Mundial. Para alguns propósitos, a Índia e a Segunda Guerra Mundial pode cons­
tute observações individuais; Por exemplo, em um estudo da população dis­
tribuição de países ou o número de mortes em combate em guerras modernas.
Mas com respeito a muitas questões de interesse para os cientistas sociais, India
ea Segunda Guerra Mundial cada contêm muitas observações que envolvem vários
unidades e variáveis. Um investigador poderia comparar saída eleitoral
vem por partidos entre os estados indianos ou os resultados de batalhas durante
Segunda Guerra Mundial. Nesse projeto, ele pode ser enganosa para se referir a Índia ou a
II Guerra Mundial como estudos de caso, uma vez que apenas definir os limites
dentro do qual um grande número de observações são feitas.
Ao pensar sobre como escolher o que observar, o que realmente nos interessa
são as observações usados para fazer inferências em qualquer nível de aná­
sis é de interesse. Por isso recomendamos que os cientistas sociais pensam em
termos das observações que irá ser capaz de fazer mais do que na
terminologia mais frouxo dos casos. No entanto, o que muitas vezes acontece em qualitativa
pesquisa tiva é que os pesquisadores começar por escolher o que pensam
como "casos", concebido como observações em um nível altamente agregado de
análise e, em seguida, eles acham que obter observações suficientes, eles
deve desagregar seus casos.
Suponhamos, por exemplo, que um investigador pretende compreender como
variações nos padrões de crescimento econômico em países pobres democrática
tentativas afetam as instituições políticas. O investigador pode começar por pen­
ing da Índia entre 1950 e 1990 como um único caso, pelo qual ele pode
tem em mente observações para uma unidade (India) em duas variáveis­o
taxa de crescimento económico e uma medida de mudança ou estabilidade na polí­
instituições cal. No entanto, ele só pode ser capaz de encontrar uma muito pequena
número de democracias pobres, e neste nível de análise têm muito poucos
observações a fazer quaisquer inferências causais válidas. reconhecendo isso
problema, talvez tardiamente, ele poderia decidir usar cada um dos indiana
estados como unidade de análise, talvez também desagregar seu período de tempo
em quatro ou cinco sub­períodos. Se estas observações foram desagregados
implicações da mesma teoria, ele partiu para testar, tal procedimento

Page 130

118 · Determinar o que observar
lhe daria muitas observações dentro de seu "estudo de caso" da Índia.
O estudo resultante pode, em seguida, deu informações suficientes para apoiar
inferências causais válidas sobre a política indiana e seria muito dife­
ent a partir de um estudo de caso convencional, que é estreitamente concebido em termos
de observações sobre uma unidade de várias variáveis.
Desde "observação" é mais precisamente definido do que "caso", neste
capítulo, normalmente vai escrever de "observações selecionando". No entanto,
uma vez que os investigadores muitas vezes começam escolhendo domínios para estudo que
conter várias observações potenciais e terminologia convencional
caracteristicamente denota estes como "casos", que muitas vezes falar de seleção
casos, em vez de observações quando estamos nos referindo ao real
prática de pesquisadores qualitativos.

4.1 projetos de pesquisa INDETERMINADOS
Um projeto de pesquisa é um plano que mostra, através de uma discussão de nossa
modelo e dados, como podemos esperar para usar a nossa prova para fazer infer­
Enças projetos de pesquisa em pesquisa qualitativa nem sempre são feitas
explícita, mas eles são, pelo menos implícita em cada pedaço de pesquisa. Como­
nunca, alguns projetos de pesquisa são indeterminadas; ou seja, praticamente comunicação nada
ing pode ser aprendido sobre as hipóteses causais.
Infelizmente, projetos de pesquisa indeterminados são comuns em
tanto quantitativa como qualitativa. Não é, no entanto, uma dife­
rência entre indeterminação na pesquisa quantitativa e qualitativa.
Quando a pesquisa quantitativa é indeterminado, o problema é muitas vezes ob­

https://translate.googleusercontent.com/translate_f 92/187
02/12/2016 Projetando Inquérito sociais
rior: o programa de computador não irá produzir estimativas. 1 No entanto, com­
programas informáticos nem sempre funcionam como deveriam e muitos ex­
amples podem ser citados de pesquisadores quantitativos com indeterminado
modelos estatísticos que fornecem conclusões substanciais sem sentido.
Infelizmente, nada tão automático como um programa de computador é disponível
capaz de descobrir desenhos de pesquisa indeterminant em re­ qualitativa
pesquisa. No entanto, estar ciente deste problema faz com que seja mais fácil de iden­
tificar projetos de pesquisa indeterminado e soluções conceber. Além disso,
pesquisadores qualitativos, muitas vezes têm uma vantagem sobre os re­ quantitativa
pesquisadores, uma vez que muitas vezes têm informações suficientes para fazer algo
para fazer seus projetos de pesquisa determinante.
Suponha que o nosso propósito na coleta de informações é examinar a va­
lidity de uma hipótese. A pesquisa deve ser projetado de modo que temos
alavancagem máxima de distinguir entre os vários saída possível
1 A literatura sobre a "identificação" em econometria e estatísticas está preocupado com
determinar quando projetos de pesquisa quantitativa são indeterminadas e como ajustar
o modelo ou recolher os diferentes tipos de dados para lidar com o problema. Ver Hsiao (1983)
e King (1989: secção 8.1).

Página 131

Indeterminado Research projeta · 119
vem relevantes para a hipótese. Existem duas situações, no entanto, em
que um projeto de pesquisa é indeterminado e, portanto, não nos dá
esse efeito de alavanca:
1. Nós temos mais inferências de fazer do que implicações observados.
2. Nós temos duas ou mais variáveis   explicativas em nossos dados que são perfeitamente
correlacionados uns com os outros, em termos estatísticos, este problema é o de
multicolinearidade. (As variáveis   podem até ser diferentes, mas se podemos prever
um do outro sem erro nos casos temos, em seguida, o desenho é
indeterminado).
Note­se que estas situações, e o conceito de pesquisa indeterminado
projetos em geral, aplicam­se apenas ao objetivo de fazer inferências causais.
Um projeto de pesquisa para resumir detalhe histórico não pode ser indeter­
minate a menos que coletamos literalmente não há observações relevantes. Data­coleta
esforços ção projetado para encontrar questões interessantes a fazer (ver secção
2.1.1) não pode ser indeterminado, se temos, pelo menos, algumas informações. Do
Naturalmente, indeterminação ainda podem ocorrer mais tarde, quando reconceptual­
izing nossos dados (ou recolher novos dados) para avaliar uma hipótese causal.

4.1.1 Mais do que inferências Observações
Considere a primeira instância, em que temos mais do que inferências im­
complicações observadas. Inferência é o processo de usar fatos que sabemos
aprender algo sobre fatos que não conhecemos. Existe um limite para a
muito que podemos aprender com informações limitadas. Acontece que o pré
regra CISE é que um fato (ou implicação observável) não pode dar inde­
pendent informações sobre mais de um outro fato. Geralmente mais,
cada observação pode nos ajudar a fazer uma inferência, no máximo; n observação
ções nos ajudará a tomar menos de n inferências se as observações são
não independente. Na prática, geralmente precisam de muito mais do que um
observação a fazer uma razoável certeza de inferência causal.
Ter mais do que inferências implicações observadas é comum
problema em estudos de caso qualitativos. No entanto, o problema não é in­
herent na pesquisa qualitativa, apenas em que a pesquisa que é improp­
erly conceituada ou organizados em muitas implicações observáveis
de uma teoria. Vamos primeiro descrever este problema e, em seguida, discutir
Soluções.
Por exemplo, suponha que temos três estudos de caso, cada um dos quais de­
escribas um par de esforços conjuntos dos países para construir um de alta tecnologia
sistema de armas. Os três estudos de caso incluem tanto de­ interessante
crição dos sistemas de armas, as negociações entre o país
tenta, e o produto final. No decorrer do projeto, listamos sete
razões importantes que levam os países a colaboração conjunta bem sucedida

https://translate.googleusercontent.com/translate_f 93/187
02/12/2016 Projetando Inquérito sociais

Página 132

120 · Determinar o que observar
em projetos de capital com a defesa. Estes podem ser todos explicação muito plausível
variáveis   tory. Nós também pode ter decisores entrevistados no
diferentes países e descobriu que eles também concordaram que estes são os
variáveis   importantes. Tal abordagem não só nos sete dar
hipóteses plausíveis, mas observações sobre oito variáveis: os sete
variáveis   explicativas e a variável dependente. No entanto, neste cir­
cir­, a coleção mais cuidadosa dos dados não nos permitiria
evitar um problema fundamental. Valiosa como é, um aproximarem tais
que é essencialmente o método de estruturada, focada Comparação
não fornece uma metodologia para inferência causal com uma indeter­
projeto de pesquisa minate como este. Com sete variáveis   causais e
apenas três observações, o projeto de pesquisa não pode determinar qual
das hipóteses, se houver, é correcta.
Confrontados com explicações indeterminados, às vezes procuram con­
sider causas adicionais possíveis do evento que estamos tentando explicar.
Este é exatamente o oposto do que a lógica da explicação deve
levam­nos a fazer. Melhor ou mais completa descrição de cada estudo de caso
não é a solução, já que com mais parâmetros do que observações, al­
mais qualquer resposta sobre o impacto de cada uma das sete variáveis   é tão
consistente com os dados como qualquer outra. Nenhuma quantidade de descrição, re­
independente­ de como espessa e detalhada; nenhum método, independentemente de quão
esperto; e nenhum pesquisador, independentemente de quão hábil, pode extrair muito mais
sobre qualquer uma das hipóteses causais com uma de­ pesquisa indeterminado
placa. Uma tentativa de incluir todas as variáveis   explicativas possíveis pode
empurrar­nos rapidamente ao longo da linha para um projeto de pesquisa indeterminado.
Um grande número de estudos de caso adicionais pode resolver o problema
do projeto de pesquisa no parágrafo anterior, mas isso pode demorar
mais tempo e recursos do que temos à nossa disposição, ou pode haver
apenas três exemplos dos fenómenos estudados. Uma solução de
o problema da indeterminação seria reorientar o estudo sobre a
efeitos de determinadas variáveis   explicativas em toda uma gama de ação do Estado
em vez de sobre as causas de um determinado conjunto de efeitos, tais como o sucesso
em projectos conjuntos. Uma solução alternativa que não alterar o foco
do estudo de forma tão drástica poderia ser a de adicionar um novo conjunto de observações
medido a um nível diferente de análise. Além de utilizar o weap­
sistema ons, pode ser possível identificar cada decisão importante na
construção de cada sistema de armas. Este procedimento pode ajudar consideravelmente
se houvesse informações adicionais significativas nestas decisões rele­
Vant para a inferência causal. E, enquanto a nossa teoria tem algum im­
plicação para o que estas decisões devem ser como, não seria necessário
alterar a finalidade do projeto em tudo. Se devidamente especificado, então, o nosso
teoria pode ter muitas implicações observáveis   e nossos dados, espe­
cialmente se qualitativa, pode geralmente conter observações para muitos

Page 133

Indeterminado Research projeta · 121
essas implicações. Se assim for, cada estudo de caso pode ser convertida em muitos
observações olhando suas subdivisões. Ao adicionar novas observações
a partir de diferentes níveis de análise, podemos gerar múltiplos testes de
essas implicações. Este método é uma das formas mais úteis para re­
projetar pesquisa qualitativa e evitar (até certo ponto) tanto indeter­
minacy e de polarização variável omitida, o que será discutido na secção
5.2. Na verdade, expandindo nossas observações através de projeto de pesquisa é a
tema principal do capítulo 6 (especialmente a seção 6.3).

Uma análise formal do problema de Mais Inferências de Ob­
vações. A maneira mais fácil de compreender este problema é tomando um
https://translate.googleusercontent.com/translate_f 94/187
02/12/2016 Projetando Inquérito sociais
caso muito simples. Evitamos generalidade na prova que se segue no
a fim de maximizar a intuição. Apesar de não fornecer a mais
prova geral aqui, a intuição transmitida por este exemplo aplica­se
muito mais geral.
Suponha que estamos interessados   em fazer inferências sobre dois pa­
tros em um modelo causal com duas variáveis   explicativas e um
única variável dependente

E ( Y ) = X 1 b 1 + X 2 b 2 , (4.1)

mas que tem apenas uma única observação para fazer a estimativa (isto é,
n = 1). Suponha­se ainda que, por uma questão de clareza, a nossa observação
consiste de X 1 = 3, X 2 = 5, e Y = 35. Finalmente, vamos supor que,
Neste caso Y acontece para igualar o seu valor esperado (que seria
ocorrer por acaso, ou se não houvesse variabilidade aleatória em Y ). Assim,
E ( Y ) = 35. Nós nunca sabemos esta última informação na prática
(por causa da aleatoriedade inerente Y ), por isso, se temos problemas
estimar b 1 e b 2 , neste caso, nós certamente irá falhar no geral
caso quando não temos esta informação sobre o esperado
valor.
O objetivo, então, é estimar os valores dos parâmetros da seguinte
equação:

E ( Y ) = X 1 b 1 + X 2 b 2 (4.2)

35 = 3­B 1 + 5b 2

O problema é que esta equação não tem solução única. Para a prova­
plo, os valores (b 1 = 10, b 2 = 1) satisfazer esta equação, mas o mesmo acontece
(b 1 = 5, b 2 = 4) e (b 1 = ­10, b 2 = 13). Isso é bastante preocupante, uma vez
os diferentes valores dos parâmetros pode indicar muito diferente

Página 134

122 · Determinar o que observar
implicações substantivas sobre os efeitos causais dessas duas variável
capazes; no último caso, mesmo um sinal alterado. Na verdade, essas soluções
e um número infinito de outros satisfazer esta equação igualmente bem.
Assim, nada no problema pode nos ajudar a distinguir entre os
soluções, porque todos eles são igualmente compatíveis com o nosso único
observação.

4.1.2 Multicolinearidade
Suponhamos que conseguem resolver o problema de muito poucas observações por
incidindo sobre os efeitos de causas pré­escolhidas, em vez de nas causas de
efeitos observados, adicionando observações em diferentes níveis de análise
ou por alguma outra mudança na concepção de pesquisa. Nós ainda terá de ser
preocupado com o outro problema que leva à re indeterminado
busca projetos­multicolinearidade. Nós tomamos a palavra "multi­
collinearity "de investigação estatística, especialmente análise de regressão,
mas nós queremos dizer para aplicá­la muito mais geral. Em particular, a utilização
inclui qualquer situação onde podemos perfeitamente prever um explicativo
variável a partir de uma ou mais das variáveis   explanatórias restantes. Nós
aplicar nenhuma suposição de linearidade, como no sentido usual da palavra em
A investigação estatística.
Por exemplo, suponha que dois dos hipóteses no estudo de braços
colaboração mencionado acima são como se segue: (1) ESTÁ a colaboração
tween países que são diferentes em tamanho é mais provável que seja sucedida
ful do que a colaboração entre os países de tamanho similar; e (2) colaboração
ração é mais bem­sucedida entre nonneighboring do que na vizinha
Países em desenvolvimento. As variáveis   explicativas por trás dessas duas hipóteses
tanto focar o impacto negativo da rivalidade na colaboração; ambos são
bastante razoáveis   e poderia até ter sido justificada por inter­ intensiva
https://translate.googleusercontent.com/translate_f 95/187
02/12/2016 Projetando Inquérito sociais
visualizações ou pela literatura sobre a política industrial. No entanto, suponha que
conseguem identificar apenas um pequeno conjunto de dados onde a unidade de análise é
um par de países. Suponha­se, além disso, recolhemos apenas dois tipos de
Observações: (1) os países vizinhos de tamanho diferente e (2) não
países vizinhos de dimensão semelhante. Se todas as nossas observações acontecer
(Por design ou azar) a cair nestas categorias, seria impossível
para usar esses dados para encontrar qualquer elemento de prova para apoiar ou negar
ambas as hipóteses. A razão é que as duas variáveis   são explicativas
perfeitamente correlacionados: cada observação em que os parceiros potenciais
são de tamanho semelhante preocupações países e vice­versa vizinhos. Tamanho
e na proximidade geográfica são conceitualmente muito diferentes variáveis,
mas neste conjunto de dados, pelo menos, eles não podem ser distinguidos uns

Page 135

Indeterminado Research projeta · 123
de outros. O melhor curso de ação neste momento seria para recolher adi­
observações adicionais em que os estados de tamanho semelhante eram vizinhos. E se
isso é impossível, então a única solução é procurar observável
implicações em algum outro nível de análise.
Mesmo se o problema de um projeto de pesquisa tem sido indeterminado
resolvido, nossas inferências causais podem permanecer altamente incerto devido à
problemas como a insuficiência do número de observações ou collinearity
entre os nossos variáveis   causais. Para aumentar a confiança nas nossas estimativas,
devemos sempre procurar maximizar a alavancagem sobre o nosso problema. Assim,
devemos sempre observar como muitas implicações de nossa teoria pos­
sível. Claro, sempre teremos limitações práticas sobre o tempo
e os recursos que podem dedicar à coleta de dados. Mas a necessidade de mais
observações do que inferências deve sensibilizar­nos às situações em
que devemos parar de coletar informações detalhadas sobre um espe­
caso lar e começar a recolher informações sobre outros casos semelhantes. Con­
preocupações sobre indeterminação também deve influenciar a forma como definimos
nossa unidade de análise: teremos problemas para fazer causal válida infer­
cias se quase eventos únicos são a única unidade de análise em nosso estudo,
desde encontrar muitos exemplos será difícil. Mesmo se estamos interessados
no comunismo, a Revolução Francesa, ou as causas da democracia, ele
também irá pagar para quebrar o problema em gerenciável e mais
numerosas unidades.
Outra recomendação é para maximizar a alavancagem, limitando a
número de variáveis   explicativas para os quais queremos fazer causal
inferências. Ao limitar as variáveis   explicativas, devemos ter cuidado
para evitar viés de variável omitida (secção 5.2). As regras na seção 5.3
devem ajudar neste processo. Um projeto bem sucedido é aquele que explica muita coisa com
um pouco. Na melhor das hipóteses, o objetivo é usar uma única variável explicativa da ex­
numerosas observações simples sobre variáveis   dependentes.
Um projeto de pesquisa que explica muita coisa com um monte não é muito informa­
O tiva, mas um design indeterminado não nos permite separar causal
efeitos em todos. A solução é para seleccionar observações sobre a mesma variável
ables ou outros que são as implicações de nossa teoria para evitar a probabilidade
Lem. Após a formalização multicolinearidade (ver caixa), vamos recorrer a um
análise mais pormenorizada dos métodos de selecção e o observações
problema de viés de seleção.

Uma análise formal da Multicolinearidade. Vamos usar o mesmo tégia
egy como fizemos na última análise formal, fornecendo uma prova de apenas
um caso específico, a fim de esclarecer o entendimento. A intuição também
aplica­se muito além do simples exemplo aqui. Nós também usamos um exemplo
muito semelhante à descrita acima.

Página 136

https://translate.googleusercontent.com/translate_f 96/187
02/12/2016 Projetando Inquérito sociais

124 · Determinar o que observar
Vamos usar o modelo na equação (4.1), mas desta vez temos um
grande número de observações e nossa variável explicativa dois
ables são combinações lineares perfeitas de um outro. Na verdade, para fazer
o problema ainda mais transparente, suponha que as duas variáveis
são os mesmos, de modo que X 1 = X 2 . Poderíamos ter codificado X 1 e X 2 como dois
substantivamente diferentes variáveis   (como sexo e gravidez), mas em
uma amostra de dados que possam vir a ser a mesma (se todas as mulheres
inquiridos passou a ser grávida). Podemos distinguir a causalidade
efeitos destes diferentes variáveis?
Note­se que a equação (4.1) pode ser escrita como se segue:

E ( Y ) = X 1 b 1 + X 2 b 2 , (4.3)

= X 1 (b 1 + b 2 )

Como deveria ser óbvio a partir da segunda linha desta equação, independente
menos do que E ( Y ) e X 1 são, numerosos valores de b 1 e b 2 pode sa­
isfy­lo. (Por exemplo, se b 1 = 5 e b 2 = ­20 satisfazer a equação (4.3) e, em seguida
o mesmo acontece com b 1 = ­20 e b 2 = 5.) Assim, embora tenhamos agora muitos
mais observações do que os parâmetros, a multicolinearidade nos deixa com
o mesmo problema que quando tivemos mais parâmetros do que unidades: no
método de estimação pode dar­nos estimativas originais dos parâmetros.

4.2 OS LIMITES DE selecção aleatória
Nós evitar viés de seleção em de larga n estudos se observações são aleatoriamente
selecionado, porque uma regra aleatória não está correlacionada com toda a ex­ possível
variáveis explicativas ou dependentes. 2 aleatoriedade é uma poderosa AP­
proach porque proporciona um processo de selecção que é automaticamente
uncorrelated com todas as variáveis. Isto é, com um grande n , as probabilidades de um
regra de seleção correlacionando­se com qualquer variável observada são extremamente
pequeno. Como resultado, a selecção aleatória de observações automaticamente
elimina o viés de seleção em de larga n estudos. Em um mundo em que há
são muitas variáveis   de confusão potenciais, alguns deles desconhecido,
aleatoriedade tem muitas virtudes para os cientistas sociais. Se temos de abandoná
don aleatoriedade, como é geralmente o caso em pesquisa de ciência política, nós
deve fazê­lo com cautela.
2 Nós enfatizar novamente que não devemos confundir aleatoriedade com improvisação.
selecção aleatória, neste contexto, significa que cada unidade de potencial tem uma probabili­ igual
dade de seleção em nossa amostra e sucessivas escolhas são independentes, assim como quando
nomes são escolhidos a partir de um chapéu com substituições. Esta é apenas a versão mais simples
aleatoriedade, mas todas elas requerem processos probabilísticos específicos.

Página 137

Limites da seleção aleatória · 125
experimentos controlados são apenas ocasionalmente construído no so­
ciências oficiais. 3 No entanto, eles fornecem um modelo útil para entendimento
a determinados aspectos da concepção de pesquisa não experimental. Ao melhor
experimentos costumam combinar seleção aleatória de observações e
atribuição aleatória de valores das variáveis   explicativas com um
grande número de observações (ou ensaios experimentais). Mesmo que nenhuma
experiência pode resolver o problema fundamental da Causal Inference,
experimentadores são muitas vezes capazes de selecionar as suas observações (em vez de
tendo­lhes fornecido através de processos sociais) e pode atribuir tratamento
mentos (valores das variáveis   explicativas) para unidades. Por isso é conve­ niente
tempo para se concentrar sobre essas duas vantagens de experimentos: controle sobre
seleção de observações e atribuição de valores da variável explicativa
mite a unidades . Na prática, os experimentadores muitas vezes não escolher aleatoriamente,
preferindo partir de uma população conveniente, como soph­ faculdade
omores, mas aqui vamos nos concentrar sobre a situação ideal. Discutimos selecção
aqui, adiando a nossa discussão sobre a atribuição de valores da explan­
variáveis   Atory até o final do capítulo 5.
https://translate.googleusercontent.com/translate_f 97/187
02/12/2016 Projetando Inquérito sociais
Na pesquisa qualitativa, e na verdade em muita pesquisa quantitativa,
selecção aleatória pode não ser viável porque o universo de casos é
não está claramente especificado. Por exemplo, se queríamos uma amostra aleatória de
elites da política externa dos Estados Unidos, que não iria encontrar uma disponibilidade
Lista capazes de todas as elites comparáveis   à lista de distritos congressionais. Nós
poderia montar listas de várias fontes, mas há sempre
ser o perigo de que estas listas teria built­in preconceitos. Por exemplo,
o universo para a seleção pode ser baseada em listas governamentais de cida­
dãos que foram consultados sobre questões de política externa. certamente, tais
cidadãos poderiam ser considerados membros de uma elite política externa.
Mas se o problema de pesquisa tinha a ver com a relação entre
sociais preferências para o fundo e política, podemos ter uma lista que
foi inclinado para indivíduos de status elevado que são geralmente SUPORTE
ive da política do governo. Além disso, podemos não ser capazes de estudar um
amostra de elites escolhidos aleatoriamente de uma lista, porque os custos de viagem
pode ser demasiado elevado. Poderíamos ter que selecionar apenas aqueles que viveram na
região, portanto, local a possibilidade de introduzir outros vieses.
Mesmo quando a selecção aleatório é viável, ele não é necessariamente um sábio
técnica de usar. Os pesquisadores qualitativos, muitas vezes se recusam (apropriadamente) a
a noção de seleção aleatória, recusando­se o risco de perder importantes
casos que não poderiam ter sido escolhidos por sorteio. (Por quê
estudar revoluções se não incluir a Revolução Francesa?) Na verdade,
se temos apenas um pequeno número de observações, a selecção aleatória pode
não resolver o problema da polarização de selecção, mas pode mesmo ser pior do que

3 Para alguns exemplos, ver Roth (1988), Iyengar e Kinder (1987), Fiorina e Plott
(1978), Plott e Levine (1978), e Palfrey (1991).

Página 138

126 · Determinar o que observar
outros métodos de seleção. Acreditamos que muitos pesquisa­ qualitativa
ers entender este ponto intuitivamente quando se queixam sobre o que
eles percebem como a pregação equivocado de alguns re­ quantitativa
pesquisadores sobre as virtudes de aleatoriedade. De facto, utilizando uma forma muito simples
modelo formal da pesquisa qualitativa, que agora vai provar que aleatório
selecção de observações em pequenas n pesquisa, muitas vezes, causar muito gra­
preconceitos OUs.
Suponha que temos três unidades que têm observações sobre a depen­
dent variável (alta, média, baixa), mas apenas dois destes três são
a ser seleccionado para a análise ( n = 2). Precisamos agora de uma regra de seleção. E se
deixamos 1 denotar uma unidade selecionada para a análise e 0 denotam uma omit­
Unidade ted, em seguida, apenas três regras de selecção são possíveis: (1,1,0), que
significa que vamos selecionar as escolhas de alta e média, mas não o Baixo
caso, (0,1,1) e (1,0,1). O problema é que apenas a última regra de selecção,
em que a segunda unidade é omitido, não está correlacionada com a depen­
variável dent. 4 Como a seleção aleatória de observações é equivalente a
uma escolha aleatória de um desses três regras de selecção possíveis, aleatório
seleção de unidades neste as pequenas n exemplo irá produzir viés de seleção
com probabilidade de dois terços! seleção mais cuidadosa de observações
utilizando um conhecimento a priori dos valores prováveis   da variável dependente
pode ser capaz de escolher a terceira regra de selecção com muito maior probabilidade
capacidade e, assim, evitar viés.
Os pesquisadores qualitativos raramente recorrer explicitamente à aleatoriedade como um
regra de seleção, mas eles devem ser cuidadosos para garantir que o cri­ selecção
térios realmente empregados não têm efeitos semelhantes. Suponha­se, por exem­
plo, que um pesquisador está interessado nesses países da Europa de Leste
com a herança católica que foram dominados pela União Soviética depois
II Guerra Mundial: Checoslováquia, Hungria e Polónia. este investigador
observa variação substancial na sua política durante os anos 1970 e
1980: na Polónia, um movimento antigovernamental bem organizada (Solida­
riedade) emergiu; na Checoslováquia um grupo muito menor de intelec­
tuals estava ativo (Carta 77); enquanto na Hungria, não tão grande nacional
movimento desenvolvido. O problema é explicar esta discrepância.
Explorando a natureza dos movimentos antigovernamentais requer uma estreita
análise de jornais, recentemente desclassificados documento Partido Comunista
mentos, e muitas entrevistas com os participantes, daí, o conhecimento de
https://translate.googleusercontent.com/translate_f 98/187
02/12/2016 Projetando Inquérito sociais
a linguagem. Além disso, a dificuldade de fazer a pesquisa em contem­
porânea Europa Oriental significa que será necessário um ano de pesquisa
para estudar cada país. Parece possível, por conseguinte, para o estudo apenas dois
4 A (1,1,0) regra de seleção omite a extremidade baixa da escala (a unidade de Baixo), ea se­
ond (0,1,1) omite a unidade na parte alta (a alta da unidade). Apenas o terceiro caso, em que
"Medium" não estiver selecionada, não está correlacionada com a variável dependente.

Página 139

Limites da seleção aleatória · 127
países para este trabalho. Felizmente, por motivos não relacionados com este
projeto, o pesquisador já sabe Checa e Polónia, então ela decide
para estudar Carta 77 na Tchecoslováquia e da Solidariedade na Polônia. Isto é
obviamente diferente da atribuição aleatória, mas, pelo menos, a razão
para a seleção desses países é provavelmente não relacionado com o dependente
variável. No entanto, no nosso exemplo, verifica­se que ela regra de seleção
(conhecimentos linguísticos) está correlacionada com a variável dependente e
que ela vai, portanto, encontrar viés de seleção. Neste caso, um não­
selecção aleatória, informou poderia ter sido melhor se não fosse para
a exigência linguística.
Este investigador poderia evitar viés de seleção por esquecer o seu conhecimento
borda da Checa e aprender Húngaro vez. Mas esta solução irá
dificilmente parece uma opção atraente! Neste observação, o mais realista
alternativa é que ela use sua consciência de viés de seleção para julgar a
direção de polarização, pelo menos parcialmente correto para ele, e qualificar sua conclusão
sões de forma adequada. No início, ela sabe que tem reduzido o
grau de variação em sua variável dependente de uma forma sistemática,
que deve tendem a fazer com que ela subestima suas estimativas causais,
pelo menos, em média (embora outros problemas com a mesma pesquisa
pode mudar isso).
Além disso, ela deve pelo menos fazer a pesquisa secundária suficiente no
Hungria saber, por qualquer variável explicativa realistas, se a
direção do viés de seleção será em favor ou contra, sua hipótese.
Por exemplo, ela pode hipótese, com base em a e Checa
processos polacos que os movimentos antigovernamentais à base de massa surgem sob
brandas, os regimes comunistas relativamente não­repressiva, mas não sob
, repressivas fortes. Ela deve saber que, embora a Hungria tinha
o mais branda dos governos comunistas da Europa de Leste, que
faltava um movimento antigovernamental à base de massa. Assim, se possível, o
pesquisador deve expandir o número de observações para evitar seleção
viés de; mas mesmo se mais observações não pode ser estudado a fundo,
algum conhecimento de observações adicionais podem, pelo menos, mitigar o
problema. Uma estratégia muito produtiva seria complementá­las
dois estudos de caso detalhados, com poucos casos muito menos detalhados com base em
dados secundários e, talvez, muito mais agregada (e necessariamente
superficial) análise de um grande número de casos. Se o caso detalhado
estudos produzir uma hipótese causal clara, pode ser muito mais fácil
recolher informação sobre apenas essas poucas variáveis   identificadas como importantes
para um número muito maior de observações entre os países. (Veja a secção
4.3 para uma discussão análoga e um tratamento mais formal.) Outra
solução poderia ser a reorganizar a informação massiva coletadas em
cada um dos dois estudos de caso em numerosas implicações observáveis   de
a teoria. Por exemplo, se a teoria de que a repressão do governo sucção

Página 140

128 · Determinar o que observar
cesso inibiu o crescimento de movimentos antigovernamentais foi cor­
rect, tais movimentos deveria ter feito mal em cidades ou regiões
onde a polícia secreta eram zelosos e eficiente, em comparação com
https://translate.googleusercontent.com/translate_f 99/187
02/12/2016 Projetando Inquérito sociais
aquelas áreas em que a polícia secreta foram mais relaxado controladores para o
país envolvido.

DESVIO 4.3 SELEÇÃO
Como devemos selecionar observações para inclusão em um estudo? Se somos
entrevistando os funcionários municipais, quais devemos entrevistar? Se nós
estão fazendo estudos de caso comparativos de grandes guerras, que as guerras devem
nós selecionamos? Se estamos interessados   em vetos presidenciais, devemos seleccionar
todos os vetos, todos desde a Segunda Guerra Mundial, uma amostra aleatória, ou apenas aqueles excesso
cavalgado pelo Congresso? Nenhum problema é tão onipresente no início do projeto
fase de um projeto de pesquisa como a questão: quais os casos (ou mais pré
precisamente, que observações) devemos selecionar para estudo? em qualitativa
pesquisa, a decisão sobre qual observações para selecionar é crucial para
o resultado da pesquisa e do grau em que se pode produzir
determinado e resultados confiáveis.
Como vimos na secção 4.2, a seleção aleatória não é geralmente
apropriada em pequenas n pesquisa. Mas abandonar aleatoriedade abre
a porta para muitas fontes de viés. O exemplo mais óbvio é quando
nós, sabendo o que nós queremos ver como o resultado da pesquisa (o
confirmação de uma hipótese favorita), sutil ou não tão sutilmente seleccionar
observações sobre a base de combinações de o independente e de­
variáveis   pendentes que suportam a conclusão desejada. Suponha que ser­
Lieve que o investimento americano em países do terceiro mundo é primo
causa da violência interna, e então selecionar um conjunto de nações com
Grandes investimentos norte­americanos em que tem havido uma boa dose de interno
violência e um outro conjunto de nações onde não há nem investimento
nem violência. Há outras observações ilustram que a outra
combinações (grande investimento e sem violência, ou nenhum pequeno investimento
mento e grande violência), mas eles são "convenientemente" deixado de fora. A maioria
viés de seleção não é tão flagrante como este, mas desde que os critérios de selecção em
pesquisa qualitativa são muitas vezes implícito e selecção é muitas vezes feita com­
qualquer tentativa de auto­consciente para avaliar potenciais vieses, existem
muitas oportunidades para permitir viés sutilmente se intrometer na nossa selecção
Procedimentos. 5
5 Este exemplo é um bom exemplo do que faz a ciência distintivo. Quando intro­
duzir esse viés, a fim de apoiar a conclusão de que queremos, nós não estão se comportando como sociais
cientistas devem se comportar, mas sim a forma como muitos de nós se comportar quando estamos em polí­
argumentos cal em que estamos a defender uma posição política que prezamos. Muitas vezes seleccionar
exemplos que provam o nosso ponto. Quando nos envolvemos em pesquisa, devemos tentar obter todas

Página 141

Viés de Seleção · 129

4.3.1 Seleção sobre a variável dependente
Selecção aleatória com uma larga n nos permite ignorar o relacionamento
entre os critérios de selecção e outras variáveis   na nossa análise. Uma vez
nos afastamos da selecção aleatória, devemos considerar como o
critérios utilizados dizem respeito a cada variável. Isso nos leva a uma básica e obvi­
ous regra: a seleção deve permitir a possibilidade de, pelo menos, alguma variação
sobre a variável dependente . Este ponto parece tão óbvio que nós
acho que dificilmente precisa ser mencionado. Como podemos explicar as variações
em uma variável dependente se não variar? Infelizmente, o ratura
tura está cheio de trabalho que faz com que apenas esse erro de não deixar que o
variável dependente variam; por exemplo, a pesquisa que tenta explicar a
eclosão da guerra com apenas estudos de guerras, o início de revoluções
com apenas estudos de revoluções, ou padrões de número de eleitores com in­
entrevis­ única de não­votantes. 6
Nós disse no capítulo 1 que os bons cientistas sociais frequentemente prosperam em
anomalias que precisam ser explicados. Uma consequência desta orientação
ção é que os investigadores, os investigadores particularmente qualitativos, podem se­
observações onar com um resultado comum, intrigante, como a so­
revoluções ciais que ocorreram na França no século XVIII e
as que ocorreram na França e na China no século XX (Skocpol
1979). Tal escolha de observações representa selecção no de­

https://translate.googleusercontent.com/translate_f 100/187
02/12/2016 Projetando Inquérito sociais
pendent variável e, portanto, corre o risco de viés de seleção discutidos em
Esta seção. Quando as observações são seleccionados com base em uma determinada
valor da variável dependente, absolutamente nada pode ser aprendido
sobre as causas da variável dependente sem ter em conta
Noutros casos, quando a variável dependente assume outros valores.
Por exemplo, Theda Skocpol (1979) resolve parcialmente este problema no
sua pesquisa, incluindo explicitamente algumas informações limitadas sobre
"momentos de crise revolucionária" (Skocpol, 1984: 380) em XVII
Inglaterra do século, do século XIX Prussia / Alemanha, e nove
teenth do século Japão. Ela vê estas observações como "casos de controle,"
embora eles são discutidos em muito menos detalhes do que seu diretor
Casos. O viés induzido pela seleção sobre a variável dependente faz
não implica que nunca devemos ter em conta os valores da de­
pendent variável na concepção de pesquisa. O que isto significa, como nós

observações, se possível. Se a seleção é necessária, devemos tentar obter os observação
ções que são fundamentais para decidir a questão dos juros, e não as que apenas apoio
porta de nossa posição.
6 Nesta seção, nós não consideramos a possibilidade de que um projeto de pesquisa específico que
é projetado para não deixar que a mudança variável dependente em tudo é parte de uma pesquisa maior
programa e, portanto, pode fornecer informações úteis sobre hipóteses causais. Nós ex­
plain este ponto na secção 4.4.

Page 142

130 · Determinar o que observar
discutir abaixo e no capítulo 6, é que devemos estar cientes dos vieses
introduzida por essa selecção sobre a variável dependente e buscar veis
tanto quanto possível, para corrigir essas distorções.
Há também uma versão mais suave e mais comum para o problema da
seleção sobre a variável dependente. Em alguns casos, a pesquisa
projeto não permite variação na variável dependente, mas que variação
ção é truncada, ou seja, nós limitamos nossas observações a menos do que a plena
gama de variação na variável dependente que existe no real
mundo. Nestes casos, algo pode ser dito sobre as causas do
variável dependente; mas as consequências são susceptíveis de ser tendencioso já que, caso
as variáveis   explicativas não levam em conta a regra de selecção,
qualquer regra de seleção correlacionada com a variável dependente atenua estimativas
de efeitos causais em média (ver Achen, 1986; Rei 1989: capítulo 9). Dentro
pesquisa quantitativa, este resultado significa que as estimativas numéricas de
efeitos causais será mais próximo de zero do que realmente são. em qualitativa
pesquisa, viés de seleção significa que o verdadeiro efeito causal é maior
que o pesquisador qualitativo é levado a acreditar (a não ser, claro, o
pesquisador tem conhecimento de nosso argumento e ajusta suas estimativas
em conformidade). Se sabemos que existe viés de seleção e não têm nenhuma maneira de obter
em torno dele, traçando uma amostra melhor, estes resultados indicam que o nosso
estimativa dá pelo menos, em média, um limite inferior para o verdadeiro causal
efeito. A medida em que nós subestimamos o efeito causal depende
na gravidade da polarização selecção (a medida em que a selecção
regra está correlacionada com a variável dependente), sobre o qual deveríamos
ter pelo menos alguma ideia, se não evidência detalhada.
Os casos de selecção extrema polarização­onde há pelo projeto não
variação na variável dependente, são fáceis de lidar com: evite
eles! Nós não vai aprender sobre os efeitos causais a partir deles. a modificado
forma de viés de seleção, em que as observações são selecionados de forma
relacionada com a variável dependente, pode ser mais difícil de evitar, uma vez que
podem não ter acesso a todas as observações que queremos. mas, felizmente,
os efeitos dessa polarização não são tão devastadora desde que podemos aprender alguns­
coisa; nossas inferências pode ser tendenciosa, mas eles vão ser tão em uma previsibilidade
forma capaz que pode compensar. Os exemplos que se seguem ilus­
trar este ponto.
Dado que nós, muitas vezes, ser forçado a escolher observações em um man­
ner correlacionada com a variável dependente, e temos, portanto,
viés de seleção, vale a pena para ver se ainda podemos extrair algumas
informação útil. Figura 4.1, um modelo pictórica simples da seleção
viés, mostra que nós podemos. Cada ponto representa uma observação (uma pessoa, por exem­
amplo). O eixo horizontal é a variável explicativa (por exemplo,

https://translate.googleusercontent.com/translate_f 101/187
02/12/2016 Projetando Inquérito sociais
número de cursos de contabilidade adoptadas na escola de negócios). A vertical
eixo é a variável dependente (por exemplo, o salário inicial em primeiro

Página 143

Viés de Seleção · 131

Figura Viés 4.1 Seleção
trabalho em tempo integral, em unidades de US $ 10.000). A linha de regressão mostrando a rela­
lação entre essas duas variáveis   é o sólido linha de ajuste para a dispersão
de pontos. Cada curso de contabilidade adicional vale a pena em cerca de média
um adicional de US $ 10.000 em salário inicial. A dispersão de pontos em torno
esta linha indica que, como de costume, a linha de regressão não se encaixa cada
situação do aluno perfeitamente. Em números como estes, o vertical, desvio
ções entre os pontos e da linha representam os erros de predição
ções (dado valores específicos das variáveis   explicativas) e são
portanto, minimizado na montagem de uma linha para os pontos.
Agora, suponha que um estudante de business­escola de entrada estavam interessados
em estudar como ele poderia aumentar o seu salário inicial após a formatura.
Não tendo aprendido sobre o viés de seleção, este estudante decide escolher
para o estudo de uma amostra de estudantes anteriores composto apenas por aqueles que
fez bem em seu trabalho­as primeiras que receberam postos de trabalho que ele gostaria. isto
pode parecer que, se ele quer aprender sobre como ganhar mais dinheiro que
Seria melhor para se concentrar apenas em pessoas com altos rendimentos, mas esta rea­
Soning é falacioso. Por simplicidade, suponha que a escolha incluído apenas
aqueles que ganham pelo menos US $ 100.000. Esta regra de seleção da amostra é por­
trayed na figura 4.1, por uma linha horizontal no estado sólido à Y = 10, onde apenas a
pontos acima da linha estão incluídos no estudo deste aluno. Agora em­
lugar de montagem uma linha de regressão para todos os pontos, ajusta­se uma linha (a
linha pontilhada) apenas para os pontos em sua amostra. viés de seleção exerce a sua
efectuar diminuindo declive desta linha em comparação com o da linha a cheio.

Page 144

132 · Determinar o que observar
Como resultado do viés de seleção, este estudante incorretamente con­
cluir que cada curso de contabilidade adicional vale apenas cerca de
US $ 5.000.
Este é um exemplo específico da forma em que se pode subestimar
um efeito causal quando temos seleção pela variável dependente.
Felizmente, há é algo que nosso aluno pode fazer sobre o seu problema. apoio
pose depois deste aluno completa escola de negócios, ele fica entediado com
ganhar dinheiro e vai fazer pós­graduação em um dos sci­ sociais

https://translate.googleusercontent.com/translate_f 102/187
02/12/2016 Projetando Inquérito sociais
cias onde ele aprende sobre o viés de seleção. Ele está muito ocupado se preparando
para exames abrangentes, para que ele não tem tempo para
refazer seu estudo corretamente. No entanto, ele sabe que a sua partida
salário teria aumentado alguma quantidade significativamente mais do que
sua estimativa de US $ 5.000 para cada classe contábil adicional. desde a sua
regra de selecção foi bastante grave (de fato era determinístico), ele con­
clui que ele teria feito mais dinheiro no negócio se ele tinha
tido aulas, mas contábeis adicionais tendo decidido não maxi­
mizar o seu rendimento (que entram na escola de pós­graduação com isso em
importaria?) ­ ele é grato que ele não aprender sobre o viés de seleção até
seus valores mudaram.
4.3.1.1 Exemplos de viés de seleção INDUZIDO­investigador
O problema que acabamos de descrever é comum em pesquisa qualitativa (ver
Geddes 1990). Ela pode surgir a partir de um procedimento que aparentemente inócuos
como selecionar os casos com base nos dados disponíveis, se a disponibilidade de dados está relacionada
para a variável dependente. Por exemplo, suponha que estamos interessados   em
os determinantes do envolvimento presidencial no estrangeiro significativa
decisões de política durante os últimos anos e que nos propomos a estudar
as decisões sobre quais as informações sobre participação do presidente
ção em reuniões está disponível. O problema com este projeto de pesquisa é
que a regra de seleção (a disponibilidade das informações) é, provavelmente, correlacionado
com níveis relativamente baixos de envolvimento presidencial (o dependente
variável) uma vez que as reuniões mais secretos, que não estarão disponíveis para
nós, são susceptíveis de ter envolvido o presidente mais completa do que aqueles
cujas deliberações têm se tornado público. Daí o conjunto de observações
em que a informação está disponível vai overrepresent eventos com menor
envolvimento presidencial, polarização, assim, nossas inferências sobre a determinação
minants de envolvimento presidencial.
O raciocínio usado no nosso exemplo business­escola pode nos ajudar
aprender sobre as consequências do viés de seleção inevitável qualitativa
pesquisa tiva. Suponha­se, no estudo que acabamos de mencionar, fomos entrevistar
resse em saber se os presidentes estão mais envolvidos quando os eventos implicam
ameaças de força do que quando não há tais ameaças foram feitas. Suponha também
que as provas existentes, com base em talvez duas dúzias de observações, indi­

Página 145

Viés de Seleção · 133
cates que tal relação existe, mas que a sua magnitude é sur­
preendentemente pequeno. Para avaliar o grau de viés de seleção nesta pesquisa,
nós primeiro compilar uma lista de situações de política externa em que o
presidente tomou ação ou fez declarações públicas, independentemente da
se tínhamos qualquer informação sobre os processos de tomada de decisão. este
lista evitaria uma fonte de viés de seleção que tínhamos identificado:
maior sigilo no que diz respeito à tomada de decisões envolvendo ameaças de
força. Nossa nova lista não seria um censo completo das questões em que
o presidente foi contratado, uma vez que perderia operações secretas e
aqueles sobre os quais não foram tomadas ações, mas seria uma lista maior do que
nosso original, o que exigiu informações sobre a tomada de decisões.
Poderíamos, então, comparar as duas listas para verificar se (como se sus­
Pect) casos em que tínhamos informações de tomada de decisão eram tendenciosos
contra aqueles em que a força foi usada ou ameaçados. Se assim for, nós pudemos
razoavelmente inferir que o verdadeiro relacionamento era provavelmente ainda mais forte
do que parecia da nossa análise original.
O problema de viés de seleção aparece frequentemente em política comparada
quando os pesquisadores precisa viajar para lugares específicos para estudar a sua sub­
importa jeto. Eles geralmente têm opções limitadas quando se trata de escolher
que unidades para estudar uma vez que alguns governos restringem o acesso dos estrangeiros
Acadêmicos. Infelizmente, a recusa de acesso podem ser correlacionados
com a variável dependente em que o estudioso está interessado. Estamos­
pesquisador que queria explicar a liberalização do re­ autoritária
Gimes na base das táticas usadas por grupos dissidentes pode pro­
duce tendenciosa resultados, especialmente se ela estudou apenas aqueles lugares que
permitiu­lhe para entrar, uma vez que os fatores que levaram o regime a permitir que ela
em provavelmente ser correlacionados com a variável dependente, liberal­
Ização. Nós, obviamente, não aconselho a pesquisa clandestina em inhospita­
https://translate.googleusercontent.com/translate_f 103/187
02/12/2016 Projetando Inquérito sociais
lugares ble. Mas nós não aconselhamos a consciência de auto­consciente desses probabilidade
blemas e imaginação em encontrar fontes de dados alternativas, quando no local
dados não estão disponíveis. O reconhecimento destas dificuldades poderiam também levar a
revisão de nossos projetos de pesquisa para lidar com as realidades do erudito
Acesso ao redor do mundo. Se nenhuma solução de dados está disponível, então nós
pode ser capaz de utilizar estes resultados em viés de selecção, pelo menos, a saber em
qual direção os nossos resultados vão ser tendenciosa e, assim, talvez fornecer
uma correção parcial ao viés de seleção inevitável em um estudo como este.
Ou seja, se o viés de seleção é inevitável, devemos analisar o problema
e determinar a direcção e, se possível, a magnitude da polarização,
em seguida, usar essas informações para ajustar nossas estimativas originais no direito
direção.
Selecção de polarização é um problema endémico tal que ele pode ser útil
considerar mais alguns exemplos. Considere um trabalho recente de Michael
Porter (1990). Porter estava interessado nas fontes do que ele chamou

Page 146

134 · Determinar o que observar
"Vantagem competitiva" para indústrias e empresas contemporâneas. Ele
concebido um projecto de investigação em grande escala com dez equipes nacionais para
estudar o assunto. Ao escolher as dez nações para análise, ele escolheu,
Em suas palavras, "os que já competir com sucesso em uma variedade de
tais indústrias, ou, no caso da Coreia e Singapura, mostram sinais de
uma habilidade melhorar a fazê­lo "(Porter, 1990: 22). Em sua ânsia de
explorar o quebra­cabeça que lhe interessava, Porter selecionado intencionalmente
em sua variável dependente, fazendo sua variável dependente observada
quase constante. Como resultado, qualquer tentativa por Porter, ou qualquer outra pessoa
Com estes dados, a este nível de análise, para explicar variações na sucção
cesso entre seus dez países irão produzir causal seriamente tendencioso
Efeitos.
Mas o que Porter fez­tentar determinar as circunstâncias e poli­
cies associadas a competitiva sucesso­se um pouco relacionado com
O método de moinho de acordo. Este método não é uma má primeira tentativa de
o problema, na medida em que permitiu Porter para desenvolver algumas hipóteses
sobre as causas da vantagem competitiva por ver o que estes na­
ções têm em comum; no entanto, seu projeto de pesquisa tornou impossi­
ble para avaliar qualquer efeito causal indivíduo.
Mais grave é a falha lógica no método: sem um controle
grupo de nações (isto é, com a sua explicativa conjunto variável para outro
valores), ele não é possível determinar se a ausência da hipotética
variáveis   causais está associada com insuficiência competitiva. Assim, ele não tem
como saber se as condições que ele tem associado com sucesso
Não são também associados com o fracasso. Em sua obra provocativa, Porter tem
apresentou um conjunto fascinante de hipóteses com base em seus casos de sucesso,
mas sem uma série de sucessos e fracassos competitivas (ou seleção
com base em algo que não seja a sua variável dependente), ele não tem como
de saber se ele está totalmente certo, completamente errado, ou alguns­
onde no meio. 7
Um exemplo notável de viés de seleção é encontrada na política externa
literatura que trata dissuasão: isto é, "o uso de ameaças para induzir
os adversários a se comportar de maneiras desejáveis   "(Achen e Snidal 1989:
151). Estudantes de dissuasão muitas vezes examinado "crises agudas", isto
é, aqueles que não foram impedidas numa fase anterior do processo
de cálculo político, sinalização, e ação. Para FINALIDADE descritivo
7 Porter afirma ter numerosos exemplos de países que não foram bem sucedidos;
no entanto, estes são introduzidos em suas análises por meio de anedotas escolhidos seletivamente
e não são estudados com métodos semelhantes aos seus dez originais. quando nonsystematically
selecção de exemplos de apoio da gama infinita de apoio e nonsupporting
possibilidades, é demasiado fácil enganar­nos em encontrar um relacionamento quando nenhum
existe. Nós não tomar nenhuma posição sobre se hipóteses de Porter estão corretas e apenas deseja
salientar que as informações necessárias para tomar esta decisão devem ser recolhidos mais
sistematicamente.

https://translate.googleusercontent.com/translate_f 104/187
02/12/2016 Projetando Inquérito sociais

Página 147

Viés de Seleção · 135
coloca, há muito a ser dito para tal foco, pelo menos inicialmente: como em
A ênfase de Porter em caso de sucesso competitivo, o observador é capaz de de­
escriba os episódios mais significativos de interesse e pode ser activado para
formular hipóteses sobre as causas dos resultados observados. Mas como
uma base de inferência (e sem correcções apropriadas), tal
conjunto tendenciosa de observações é gravemente falho porque casos em
que a dissuasão tem trabalhado (em fases anteriores do processo) têm
sido sistematicamente excluídos do conjunto de observações a ser ana­
lisadas. "Quando os casos são então utilizadas para estimar a taxa de sucesso
dissuasão, o projeto induz um "viés de seleção" do tipo familiarizado
a partir de pesquisa política de avaliação "(Achen e Snidal 1989: 162).

4.3.1.2 Exemplos de viés de seleção induzida pela MUNDO
Será que a escolha de um censo de observações, em vez de uma amostra, ative
­nos para evitar viés de seleção? Podemos pensar assim, desde que houve lhos
Suavemente nenhuma seleção em tudo, mas isso nem sempre é correta. Por exemplo,
suponha que desejamos fazer uma inferência descritiva através da estimativa do
força do apoio para o partido Liberal no Estado de Nova Iorque. nossa de­
variável pendente é o por cento dos votos no estado de Nova Iorque Assem­
distritos Bly expressos para o candidato (ou candidatos), aprovado pelo liberalmente
partido eral. O problema aqui é que o partido muitas vezes não escolhe
apoiar candidatos em muitos distritos eleitorais. Se eles não endossam
candidatos em distritos onde se sentem certeza de que eles vão perder (que
parece ser o caso), então teremos viés de seleção, mesmo que
escolher todos os distritos em que o partido Liberal fez um endosso.
O processo de seleção neste exemplo é executado como parte do perfil político
cesso que estamos estudando, mas pode ter precisamente as mesmas consequências para o nosso
estudar como se nós causou o problema nós mesmos.
Este problema de polarização, quando a selecção de casos está correlacionada com
a variável dependente é uma das dificuldades mais gerais enfrentados por
aqueles estudiosos que usam o registro histórico como a fonte de sua evi­
dência, e incluem praticamente todos nós. A razão é que o pro­
processos de "história" diferencialmente selecionar o que continua a ser observadas
servido de acordo com um conjunto de regras que nem sempre são claras a partir da
registro. No entanto, é essencial para descobrir o processo pelo qual estes
dados são produzidos. Tomemos um exemplo de outro campo: alguns
culturas criaram esculturas em pedra, outros em madeira. Ao longo do tempo,
o ex sobreviver, o último deterioração. Esse padrão levou alguns Europeia
estudiosos de arte a subestimar a qualidade e sofisticação do início
Africano arte, que tendem a ser feitos de madeira, porque a "história"
tinha eliminado selectivamente alguns exemplos de escultura mesmo tempo, manter
ing outros. O estudioso cuidado sempre deve avaliar a possível seleção
preconceitos cação no evidência de que está disponível: Que tipos de eventos são

Página 148

136 · Determinar o que observar
provável que foram registrados; que tipos de eventos são susceptíveis de ter
foi ignorado?
Veja outro exemplo. Os cientistas sociais muitas vezes começam com uma extremidade
ponto que eles desejam "explicar" ­por exemplo, a organização peculiar
configurações adicionais de estados modernos. O investigador observa que
num ponto inicial no tempo (por exemplo, AD 1500) uma ampla variedade de organização
unidades adicionais existia na Europa, mas num momento mais tarde (por exemplo, AD 1900), todos, ou
quase todos, unidades importantes foram os estados nacionais. O que o pesquisador
deve fazer é começar com unidades em 1500 e explicar mais tarde organizacional
formas em termos de um número limitado de variáveis. Muitas das unidades de
análise teria desaparecido no ínterim, porque eles perderam
guerras ou foram amalgamadas em entidades maiores; outras
teria sobrevivido. categorização cuidadosa poderia, assim, se obter um de­
variável pendente que o índice se a entidade que se tornou um
https://translate.googleusercontent.com/translate_f 105/187
02/12/2016 Projetando Inquérito sociais
Estado nacional está ainda na existência em 1900; ou se não, quando ele desapareceu.
No entanto, o que muitos pesquisadores históricos inadvertidamente fazer é
bem diferente. Eles começam, como Charles Tilly (1975: 15) observou, por
fazendo retrospectiva pesquisa: selecionar "um pequeno número de West Euro
estados dades ainda existentes nos séculos XIX e XX para
comparação. "Infelizmente para esses pesquisadores", Inglaterra, França,
e até mesmo a Espanha são sobreviventes de uma competição cruel em que a maioria
contendores perdido. "A Europa dos 1500 incluiu alguns quinhentas
mais ou menos independentes unidades políticas, a Europa dos 1900 sobre
vinte e cinco. O Estado alemão não existia em 1500, ou mesmo 1800.
Comparando­se as histórias de França, Alemanha, Espanha, Bélgica e En­
glândula (ou, para essa matéria, qualquer outro conjunto de moderno da Europa Ocidental
países) para iluminação sobre os processos de pesos de tomada de estado
toda a pergunta em direção a um certo tipo de resultado que foi, em
verdade, muito raro.
Este procedimento selecciona, por conseguinte, sobre a base de um valor do
variable­sobrevivência dependente no ano de 1900. Ele irá influenciar o investi­
Os resultados do jacaré, em média, a redução dos efeitos atribuídos de explan­
variáveis   Atory que distinguem os estados sobreviventes de seu menor
homólogos duráveis. Tilly e seus colegas (1975), reconhecendo a
selecção problema viés, passou de uma retrospectiva em direção a uma prospectiva
tiva formulação do seu problema de pesquisa. Suponha­se, no entanto, que
um esforço tão grande não tinha sido possível, ou acha que eles desejavam
recolher as melhores evidências disponíveis, em preparação para o seu estudo maior.
Eles poderiam ter reanalisados   os estudos retrospectivos disponíveis, in­
Ferring que as estimativas de efeitos causais desses estudos foram na maioria ob­
servações inclinado para baixo. Eles precisam lembrar que,
mesmo se os critérios descritos acima se aplicam exatamente, qualquer aplicação
ção pode superestimar ou subestimar o efeito causal. Ao melhor

Página 149

Viés de Seleção · 137
adivinhar do verdadeiro efeito causal, com base no tudos retrospectiva falho
s, no entanto, seria a de que os efeitos causais foram subestimados pelo
menos, em média,­se assumirmos que as regras acima se aplicam eo
critérios de selecção foram correlacionados com a variável dependente.

4.3.2 Seleção em uma variável explicativa
A seleção de observações para inclusão em um estudo de acordo com as categorias de
a variável explicativa causal chave não causa problemas de inferência . a rea­
filho é que o nosso processo de selecção não predetermina o resultado
de nosso estudo, uma vez que não têm restringido o grau de variação possível
ção na variável dependente. Ao limitar o alcance da nossa causal chave
variável, podemos limitar a generalidade da nossa conclusão ou a certeza
com o qual podemos legitimamente segurá­la, mas não introduzir viés.
Ao seleccionar os casos, com base em valores dessa variável, podemos controlar
para essa variável na nossa selecção caso. Polarização não é introduzida, mesmo se o
variável causal está correlacionada com a variável dependente, uma vez que
já controlado para esta variável explicativa. 8 Assim, é possí­
ble para evitar bias durante a seleção em uma variável que está correlacionada com
a variável dependente, desde que nós controlamos para essa variável no
análise.
É fácil ver que a seleção em um explicativas causas variáveis   não
viés, referindo­se novamente à figura 4.1. Se restringiu esse número de ex­
cluir todas as observações para o qual a variável explicativa igualada
um, a lógica deste valor permaneceria inalterado, ea correta
linha de ajuste para os pontos não mudaria. A linha seria um pouco
menos certos, uma vez que agora têm menos observações e menos informação
ção para suportar sobre o problema de inferência, mas, em média, não haveria
sem viés. 9
Assim, pode­se evitar viés, selecionando casos com base no causal chave
variável, mas também pode atingir o mesmo objectivo, selecionando ac­
gundo as categorias de uma variável de controlo (tanto tempo como é causalmente
antes da variável causal chave, como todas as variáveis   de controle deve ser). Ex­
https://translate.googleusercontent.com/translate_f 106/187
02/12/2016 Projetando Inquérito sociais
experi­ quase sempre escolha das variáveis   explicativas. As unidades são
criado quando manipular as variáveis   explicativas (administração
uma droga, por exemplo) e ver o que acontece com a variável dependente
capaz (se a saúde do paciente melhora). Seria difícil
selecione sobre a variável dependente, neste caso, uma vez que o seu valor não é sequer
8 Em geral, o viés de seleção ocorre quando a seleção sobre a variável dependente, após Tak­
ing em conta (ou o controle de) as variáveis   explicativas. Uma vez que um destes explan­
variáveis   Atory é o método de seleção, nós controlamos para ele e não introduzir viés.
9 A inferência também seria menos certo se a gama de valores da explicativo
variáveis   foram limitados por esta seleção. Ver secção 6.2.

Página 150

138 · Determinar o que observar
conhecida até depois do experimento. No entanto, a maioria das experiências estão longe
de ser perfeito, e nós podemos cometer o erro de selecionar na depen­
dent variável dando inadvertidamente alguns tratamentos para pacientes
com base na sua resposta esperada.
Para outro exemplo, se estamos pesquisando o efeito de dis­ racial
minação nas notas das crianças negras na escola, seria muito rea­
sonable para selecionar várias escolas com pouca discriminação e alguns
com uma grande quantidade de discriminação. Mesmo que a nossa regra de seleção será
correlacionada com a variável dependente (negros tiram notas mais baixas em
escolas com mais discriminação), não serão correlacionados com o
variável dependente depois de ter em conta o efeito da explicação
variáveis   tory, uma vez que a regra de selecção é determinada pelos valores de
uma das variáveis   explicativas.
Nós também podemos evitar viés, selecionando em uma variável explicativa que
é irrelevante para o nosso estudo (e não tem nenhum efeito sobre a nossa variável dependente
capaz). Por exemplo, para estudar os efeitos da discriminação em notas,
Suponha que alguém escolheu todas as escolas cujos nomes começam com a letra
"A." Isso, é claro, não é recomendado, mas causaria nenhum preconceito
contanto que esta variável irrelevante não é um substituto para algum outro variável
que está correlacionada com a variável dependente.
Uma situação em que a seleção por uma variável irrelevante pode ser
muito útil envolve análise secundária dos dados existentes. Por exemplo,
suponha que estamos interessados   no que faz para um bem sucedido golpe de Estado.
Nossa hipótese principal é que os golpes são mais frequentemente bem sucedida quando levou
por um líder militar ao invés de um civil. Suponha que nós encontramos um estudo
de tentativas de golpes que selecionados casos com base na medida em que o
país teve uma burocracia hierárquica antes de um golpe. Nós poderíamos usar
esses dados mesmo se a burocratização hierárquica é irrelevante para a nossa
pesquisa. Para ser seguro, no entanto, seria fácil o suficiente para incluir esta
variável como um controlo na nossa análise dos efeitos de militares contra
líderes civis. Nós iria incluir esse controle através do estudo da fre­
quência do sucesso golpe de militar contra líderes civis em países
com e, em seguida, sem burocratização hierárquica. A presença de
esse controle nos ajudará a evitar viés de seleção e seu efeito causal vai
indicar algumas informações possivelmente relevantes sobre o processo de
que as observações foram realmente seleccionada.

4.3.3 Outros Tipos de Viés de Seleção
Em todos os exemplos acima, foi introduzido viés de selecção quando o
unidades foram escolhidas de acordo com uma regra correlacionada com a depen­
dent variável ou correlacionadas com a variável dependente depois da ex­

Página 151

Selecção intencional · 139

https://translate.googleusercontent.com/translate_f 107/187
02/12/2016 Projetando Inquérito sociais
variáveis   explicativas foram tidos em conta. Com este tipo de seleção
efeito ção, efeitos causais estimadas são sempre subestima. Isto é
de longe, o tipo mais comum de viés de seleção, tanto qualitativa e
pesquisa quantitativa. No entanto, vale a pena mencionar um outro tipo de
viés de seleção, uma vez que os seus efeitos podem ser precisamente o oposto e causa
superestimação de um efeito causal.
Suponha que o efeito causal de alguma variável varia ao longo da observação
Ções. Embora não tenhamos focado nessa possibilidade, é um real.
Na secção 3.1, definimos um efeito causal para uma única unidade e permitiu
o efeito que diferem entre as unidades. Por exemplo, suponha que foram inter­
sados   no efeito causal da pobreza sobre a violência política em latim
países da América. Esta relação pode ser mais forte, em alguns países
tentativas, tais como aqueles com uma história recente de violência política, que em
outras. Nesta situação, em que os efeitos causais variar ao longo das unidades, uma se­
lection regra correlacionada com o tamanho do efeito causal induziria
viés nas estimativas de média efeitos causais. Assim, se realizamos o nosso
estudo apenas em países com as recentes histórias de violência política, mas
procurou generalizar a partir de nossos resultados para a América Latina como um todo,
que seria provável a superestimar o efeito causal sob investigação
Ção. Se selecionado unidades com grandes efeitos causais e média estes
efeitos durante estimativa, obteríamos uma superestimativa da média
efeito causal. Da mesma forma, se selecionado unidades com efeitos pequenos, a esti­
companheiro do efeito causal da média seria menor do que deveria ser.

4.4 SELEÇÃO intencional de OBSERVAÇÕES
Na pesquisa de ciência política, que normalmente não tem controle sobre o
valores das nossas variáveis   explicativas; eles são designados por "natureza" ou
"História" e não por nós. Nesta situação comum, a principal influ­
ciam que podemos ter nesta fase do projeto de pesquisa é na seleção de casos
e observações. Como vimos na secção 4.2, quando somos capazes de
se concentrar em apenas um pequeno número de observações, que raramente deve recorrer
a selecção aleatória de observações. Normalmente, a seleção deve ser feita
em uma intencional forma, coerente com os nossos objectivos de investigação e
estratégia.
selecção intencional de observações implica que sabemos em ad­
Vance os valores de, pelo menos, algumas das variáveis   relevantes, e que
seleção aleatória de observações é descartada. Estamos menos provável que seja
enganado quando os casos são seleccionados com base em categorias de exposição de motivos
Variáveis. A pesquisa em si, então, envolve descobrir os valores de
a variável dependente. No entanto, na prática, muitas vezes temos fragmentação
provas tário sobre os valores de muitas das nossas variáveis, mesmo antes

Página 152

140 · Determinar o que observar
selecção de observações. Isto pode ser perigoso, uma vez que pode inadver­
tentemente e, sem saber, introduzir viés de seleção, talvez favoreçam nosso
hipótese anterior. Vamos agora discutir os vários métodos de intenção
cional selecção de observações.

4.4.1 Seleção de observações sobre a variável explicativa
Como acabamos de observar, o melhor design "intencional" seleciona observações para en­
Certifique­se variação na variável explicativa (e quaisquer variáveis   de controle)
sem ter em conta os valores das variáveis   dependentes. Apenas durante
a pesquisa é que vamos descobrir os valores da variável dependente e
em seguida, fazer a nossa inferência causal inicial, examinando as diferenças
na distribuição dos resultados sobre a variável dependente, para dada
valores das variáveis   explicativas.
Por exemplo, suponha que estamos interessados   no efeito do arms­ formais
tratados de controle sobre Estados Unidos e as decisões soviéticos para adquirir arma­
mentos durante a Guerra Fria. Nossa variável causal chave, então, é a exis­
tência de um tratado formal de controle de armas cobrindo uma determinada armas
sytem em um país. Poderíamos escolher um conjunto de armas tipos e tantos de
https://translate.googleusercontent.com/translate_f 108/187
02/12/2016 Projetando Inquérito sociais
os quais são cobertos por limitações de tratados e alguns dos quais são não­
que variam em relação à nossa variável explicativa. A nossa variável dependente
capaz, em que nós não selecionou, pode ser a taxa de mudança na weap­
procurement ons. Na medida em que os dois conjuntos de observações foram bem
combinados sobre as variáveis   de controlo e se os problemas tais como a de en­
dogeneity são resolvidos com sucesso, tal projeto poderia permitir válida
inferências sobre os efeitos dos acordos de controle de armas.
Às vezes, estamos interessados   em apenas um dos vários explicativa
variáveis   que parece ter um efeito substancial sobre a dependentes
variável. Em tal situação, é adequado para controlar a variável
em que não são primariamente (ou atualmente) interessados. Um exemplo de
este procedimento foi comprovada por Jack Snyder (1991). Snyder selecionadas
nações ele descreveu como os "principais candidatos para o poder" no mo­
era ERN a fim de estudar seu grau de "expansão excessiva" (sua depen­
dent variável). A expansão excessiva afetando variável muito importante é
poder militar, mas esta causa é tão óbvia e bem documentado que
Snyder não estava interessado em investir mais recursos na estimativa
seus efeitos novamente. Em vez disso, ele controlada pelo poder militar, escolhendo
únicas nações com altos níveis desta variável. Ao realizar esta impor­
controle tant variável quase constante, Snyder poderia fazer nenhuma inferência
sobre o efeito da alimentação na expansão excessiva, mas ele poderia concentrar­se na
variáveis   explicativas de interesse para ele sem sofrer os efeitos de
omitido viés de variável. Para além destes aspectos de seu projeto de pesquisa,
Snyder foi um estudo exploratório. Ele não identificou toda a sua explan­

Página 153

Selecção intencional · 141
variáveis   Atory antes de iniciar sua pesquisa (Snyder, 1991: 61­65).
Tal projeto de pesquisa open­ended, provavelmente, levou­o a idéias que ele
não teria de outra forma considerada, mas também significou que a questão
ções ele finalmente pediu para não foram tão eficientemente como eles responderam
poderia ter sido. Em particular, a gama de variação na explicação
variáveis   tory que lhe interessava era provavelmente não tão grande como
poderia ter sido. Além disso, ele não avaliar a teoria em um conjunto de
outros que não aquele em que foi formulado de dados.
Como temos enfatizado ao longo deste livro, conselho­ "purista"
selecione sempre em variáveis   explicativas, nunca mais na variável dependente
ables­muitas vezes é irrealista para a pesquisa qualitativa. Quando temos de tomar
em conta os valores da variável dependente na recolha de dados, ou
quando os dados disponíveis já têm em conta estes valores, tudo é
não perdeu. Informações sobre os efeitos causais ainda pode ser adquirida. Mas viés é
que provavelmente será lançado se não tivermos cuidado especial.

4.4.2 Seleção de um intervalo de valores da variável dependente
Uma alternativa às observações que escolhem na variável explicativa
seria para seleccionar as nossas observações através de uma gama de valores do
variável dependente. Investigação muitas vezes começa assim: nós encontramos alguns
casos fascinantes de variação no comportamento que queremos explicar.
Em tal projeto de pesquisa retrospectiva (em epidemiologia, isto é chamado
um "caso­controle" estudo), selecionamos observações com particularmente elevada
e particularmente baixos valores da variável dependente. Como temos em­
phasized, embora este processo de seleção pode ajudar com infer­ causal
cias, este projeto é inútil para fazer descritivos inferências sobre a
variável dependente. Além disso, a ausência de descrição sistemática
dados de tiva, e o aumento da possibilidade de outros problemas causados   pela
possíveis não linearidades ou efeitos causais variáveis, significa que este proce­
dure geralmente não produzir inferências causais válidas.
Um projeto de pesquisa retrospectiva pode ajudar­nos a ganhar algumas valiosas
informações sobre a plausibilidade empírica de uma causal de inferência, uma vez que
que pode muito bem descobrir que valores altos e baixos da variável dependente
estão associados com valores altos e baixos, respectivamente, do potencial ex
variáveis   explicativas. No entanto, se este projeto é para levar a significati­
embora inferências necessariamente causais limitado, é crucial para selecionar ob­
servações sem levar em conta os valores das variáveis   explicativas. Nós

https://translate.googleusercontent.com/translate_f 109/187
02/12/2016 Projetando Inquérito sociais
não deve procurar essas observações que se encaixam (ou não se encaixam) a uma pri­
teoria ori. As observações devem ser tão representativas quanto possível da
a população de observações a que se deseja generalizar. Se nós
descobriu que valores altos e baixos de variáveis   explicativas potenciais são
associado com valores altos e baixos da variável dependente, nós

Página 154

142 · Determinar o que observar
pode então querer projetar um estudo em que as observações são selecionados
apenas na variável explicativa (s) para avaliar se a nossa hipótese é
corrigir. No mínimo, os resultados devem ser incerto no início ou
mais podemos aprender nada. Para ter incerteza sobre inferências causais,
devemos deixar valores da variável explicativa ou dependente para ser
determinado pela situação de pesquisa.
Por exemplo, podemos observar as variações intrigantes em con­ violenta
flito entre os estados e especular que eles foram causados   por diferentes
formas de governo. Pode valer a pena para começar, em uma explora­
maneira tory, examinando cuidadosamente algumas relações bilaterais em que
guerra era frequente e outros que foram caracterizadas por excepcional
graus de paz. Suponha que descobriu que as observações de guerra foram
associado com as relações envolvendo pelo menos um modernizador au­
tocracy e que as observações de paz foram associados a ambos
estados sendo democracias estáveis. Tal investigação exploratória
geraria uma hipótese mais precisa do que começou com. Nós
não conseguia pronunciar a nossa hipótese confirmada, uma vez que não seria
ainda têm uma imagem clara dos padrões gerais (tendo seleccionado obser­
vações sobre a variável dependente), mas pode ser encorajados a
testá­lo com um design que seleccionado observações sobre a base do ex
variável explicativo. Nesse projeto, que iria escolher observações
sem levar em conta o grau de conflito militar observado. Nós gostaríamos
procuram controlar para outras variáveis   causais potencialmente relevantes e no­
tentar determinar se variações no tipo de regime foram associados
com grau de conflito militar.

4.4.3 Seleção Observações sobre Ambos explicativa e
Variáveis   dependentes
É perigoso para seleccionar observações intencionalmente na base de ambos
as variáveis   explicativas e dependentes, porque ao fazê­lo, é
fácil de influenciar o resultado de forma inadvertida. O erro mais notório é o de
seleccionar observações em que as variáveis   explicativas e dependentes
variar em conjunto de formas que são conhecidas para ser consistente com a hipó­
ESIS que a pesquisa se propõe a testar. Por exemplo, podemos querer
testar se é verdade que o regime autoritário (que suprime o trabalho
organização e demandas de trabalho) leva a altas taxas de desenvolvimento económico
crescimento. Podemos selecionar observações que variam em ambas as variáveis, mas
selecioná­los deliberadamente para que todas as observações autoritários têm
altas taxas de crescimento e todas as observações nonauthoritarian têm baixa
as taxas de crescimento. Tal projeto de pesquisa pode descrever ou explicar nada,
uma vez que sem examinar um conjunto representativo de observações, pode­

Page 155

Selecção intencional · 143
não determinar se o crescimento económico pode ser tão, ou mais, provavelmente em
observações, onde um regime democrático permite a organização do trabalho.
Apesar do risco envolvido na seleção em ambos os motivos e
variáveis dependentes, pode haver casos raros em limitado­ n obser­
vação estuda quando se faz algum sentido de seguir os procedimentos que
https://translate.googleusercontent.com/translate_f 110/187
02/12/2016 Projetando Inquérito sociais
ter em conta informações sobre os valores de dependentes, bem
como variáveis   explanatórias, embora esta seja uma técnica que perigoso
exige grande cautela em execução. Por exemplo, suponha que o dis­
tribuição dos valores da nossa variável dependente foi altamente enviesada
de tal forma que a maioria das observações levou um valor dessa variável. Se se­
observações selecionada com base na variação da variável explicativa
capaz e permitiu que os valores da variável dependente a "queda onde
eles podem ", poderíamos ficar com nenhuma variação no último. Nada
com este resultado seria desqualificar os dados sejam analisados. Dentro
fato, quando os valores da variável dependente vir a ser a mesma
independentemente de os valores das variáveis   explicativas, que tem uma clara
caso de efeito causal zero. A única situação em que isso pode ser worri­
alguns é se acreditamos que o efeito causal verdadeira é muito pequeno, mas não
zero. Em pequenas n pesquisa, não são susceptíveis de ser capaz de distinguir o nosso
Estima zero efeito de um efeito pequeno, mas diferente de zero com muito cer­
Tainty A solução mais simples, nesta situação é aumentar
o número de observações. Outra possibilidade é seleccionar observação
ções com base em valores muito extremos das variáveis   explicativas, por isso,
que um pequeno efeito causal será mais fácil de detectar. Se estes não são suficiente­
ciente, então a seleção das variáveis   explicativas e dependentes (mas
não ambas simultaneamente) pode aumentar a potência da investigação de­
assinar o suficiente para encontrar o efeito que estamos procurando. (Ver secção 6.3
para obter sugestões adicionais.)
Assim, pode fazer sentido usar técnicas de amostragem para escolher ob­
servações com base primeiros de variação na variável explicativa,
mas também de tal modo que um número de observações tendo o valor de rara
a variável dependente seria incluído. Ao fazê­lo, no entanto, é
importante não pré­determinar o valor da variável de motivos
com os quais a variável dependente é associada. Além disso, em
usando este procedimento, temos de estar conscientes do potencial introduzido para
viés, e, portanto, do valor limitado dos nossos inferências. Em outros
palavras, nestes casos raros, pode­se escolher com base nos valores do
variáveis   explicativas e nos valores da variável dependente, mas
não em ambos simultaneamente. 10
10 Ainda em outras palavras, se selecionar com base nas distribuições marginais da depen­
Dent e variáveis   explicativas, ainda podemos aprender sobre a distribuição conjunta, fazendo
o estudo.

Página 156

144 · Determinar o que observar
Por exemplo, suponha que a hipótese de que um padrão particular de
filiação conjunta em determinadas organizações internacionais significativamente
inibiram a eclosão de conflitos violentos entre qualquer par de estados.
Seguindo o nosso método preferido de selecionar apenas no explicativa
variável, nossas observações seria pares de nações que variaram ao longo
períodos específicos de tempo em seu quadro social da organização internacional
navios. Suponha também que era difícil determinar se a espe­
existem padrões de membros cados, de modo que só pode examinar uma rela­
tivamente pequeno número de observações não centenas ou milhares, mas
apenas dezenas de pares de estados. A dificuldade para o nosso método preferido
surgiria se o conflito eram raros, por exemplo, que eclodiu na espec­
período de tempo ified para apenas um par de estados em mil. Em tal
situação, podemos seleccionar pares de nações que variaram na explicação
variável tory (filiação institucional), mas achar que nenhum par selecionado
de estados experimentaram conflitos violentos.
Sob tais condições, um procedimento de seleção mista pode ser sábio.
Podemos escolher observações com base em alguma variação na
variável explicativa (alguns pares de nações com quadro social especificado
padrões de navios e mais alguns sem) e selecione observações do que nós
tinha a intenção de estudar. Poderíamos, então, dividir estes potencial observação
ções em duas categorias com base na existência de con­ armada
flito entre as nações em um determinado período de tempo e, em seguida, escolher
números desproporcionais de observações na categoria com armados
conflito a fim de obter exemplos de cada um no nosso conjunto final de observação

https://translate.googleusercontent.com/translate_f 111/187
02/12/2016 Projetando Inquérito sociais
Ções. Um processo deste tipo teria de ser levada a cabo em algumas modalidades
que era independente de nosso conhecimento sobre as observações em termos de
variável explicativa . Por exemplo, podemos escolher entre o no­conflito
observações aleatoriamente e selecione todas as observações de conflito. Então,
se houve uma forte associação entre a adesão organizacional
padrões e conflito militar no conjunto final de observações, poderíamos
estar disposto a fazer inferências causais tentativas.
O estudo de Atul Kohli do papel do Estado na política de pobreza na Índia
(1987) ilustra as restrições sobre a seleção de observações em
pequenas n pesquisa, as consequências dessas restrições para causal válida
inferência, e algumas maneiras de superar as limitações. Kohli era
interessados   no efeito de estruturas de autoridade governamentais e re­
GIME tipos sobre a prevalência de políticas para aliviar a pobreza no desen­
países em vias. Seu argumento, sumariamente, é que os regimes que têm
um compromisso ideológico claro para ajudar os pobres, que impede a participação
ção de grupos de classe alta no regime, e que têm uma orga­ forte
capacidade organizacio­ irá criar políticas eficazes para alcançar seu objetivo.
Regimes que não possuem tal compromisso ideológico, que têm uma ampla

Page 157

Selecção intencional · 145
base de classe, e que a organização apertada falta será ineficaz no desen­
volvimento de tais políticas, mesmo que aparentemente cometidos a fazê­lo.
Kohli centra­se na Índia, onde seus interesses de pesquisa se encontram e para o qual
ele tem habilidades linguísticas. Suas observações preliminares são estados indianos.
Como ele observa, "a natureza federal do política indiana permite uma dis­
agreggated e análise comparativa dentro da Índia. Abaixo o governo federal
governo, o Estado (ou provinciais) governos na Índia desempenham um sig­
papel signi­ na formulação e execução de políticas agrárias.
Variações na natureza do regime político em nível estadual pode levar
para diferencial eficácia no cumprimento dos programas de combate à pobreza "
(1987: 3­4). Kohli assume uma versão menos rigorosa (mas adequado) do aparelho
homogeneidade, que de "efeito constante": que o efeito causal é idêntico
em estados com diferentes níveis de seus principais factores­que explicativa é,
o grau de ideologia, base de classe e organização hipótese como
propício para as políticas de combate à pobreza. Ele pode avaliar a sua hypothe­ causal
sis apenas por comparando seu variável dependente em estados diferentes
ao fazer esta suposição "efeito constante" em cada.
Uma amostra de estados indianos é útil, ele argumenta, porque eles são, rela­
tivamente falando, similar. Pelo menos eles "aproximar a ceteris paribus
suposição . . . melhores nações do que a maioria independentes "(Kohli, 1987: 4).
Mas que afirma que escolher? Os estudos intensivos que ele queria
realizar (com base em duas viagens de campo há muito planeada para a Índia) impedia
estudar todos os estados. Dadas as suas limitações, três estados eram tudo o que ele
poderia escolher. Para selecionar os três estados de forma aleatória teria
sido imprudente desde selecção só é garantido para ajudar com um
larga n . A maioria dos estados indianos têm regimes com os recursos que
impedir o desenvolvimento de políticas de redução da pobreza e, portanto,
têm poucas dessas políticas. De facto, só Bengala Ocidental tem um regime com
as características que iria promover as políticas de combate à pobreza. Como pontos Kohli
fora, West Bengal tinha que ser em sua amostra. Em seguida, acrescentou mais dois
estados, Uttar Pradesh, que tem poucos programas de combate à pobreza e Karna­
tomar, um estado entre esses dois extremos. Estes estados foram seleccionados
inteiramente sobre a variável dependente ", porque eles representam um continuum
uum de máxima aos esforços governamentais mínimas em atenuante
a pobreza rural "(Kohli, 1987: 7).
O problema com o estudo é que os valores do explicativa
variáveis   também são conhecidos; a selecção, com efeito, é em ambos os explan­
tória e variáveis   dependentes. Nestas circunstâncias, o projeto
é indeterminada e não fornece nenhuma informação sobre sua causal hipó­
FEIN. Isto é, a hipótese não pode ser avaliada com observações se­
cionado de um modo conhecido com antecedência para se ajustar a hipótese.
É o estudo, então, de qualquer valor? Não muito, se Kohli só é ava­

https://translate.googleusercontent.com/translate_f 112/187
02/12/2016 Projetando Inquérito sociais

Página 158

146 · Determinar o que observar
ing sua hipótese ao nível destes três estados. Felizmente, ele
faz consideravelmente mais. Ele conceitua seu estudo como tendo apenas
três observações, mas como com muitos estudos que a princípio parecem ter
um pequeno n , ele tem muitas mais observações. É, de facto, uma larga n estudo.
Kohli vai além da constatação simples que a explicativo e depen­
variáveis   dente em nível estadual nos três casos são consistentes com
sua hipótese. Ele faz isso por olhar para os numerosos observável
implicações capazes de sua hipótese, tanto no interior dos estados que ele estuda
e em outros países. Uma vez que estas abordagens para aparentemente as pequenas n
pesquisa formar o assunto do próximo capítulo, vamos descrever sua tégia
egy para lidar com um pequeno n no ponto 6.3.1.
Ao nível agregado de análise, no entanto, Kohli poderia ter feito
mais para melhorar suas inferências causais. Por exemplo, ele provavelmente sabia
ou poderia ter apurado os valores de sua explicativa e dependente
variáveis   para praticamente todos os estados da Índia. A adição valiosa para
seu livro teria sido um pequeno capítulo examinando brevemente toda a
Estados­Membros. Este teria fornecido um bom senso de a veracidade geral
de sua hipótese de causalidade, bem como tornando­se possível selecionar seus três
estudos de caso, de acordo com regras mais sistemática.

4.4.4 Seleção Observações Assim, a variável chave Causal
é constante
Às vezes os cientistas sociais planejar a pesquisa de tal forma que o ex­
variável explicativo que forma a base da selecção é constante. tal
abordagem é obviamente deficiente: o efeito causal de um explicativo
variável que não varia não pode ser avaliada. Assim, uma pesquisa de­
sinal que pretende mostrar o efeito de uma constante da biente
biente é pouco provável que seja muito produtiva, pelo menos, por si só. Contudo,
mais pesquisa é parte de uma literatura ou pesquisa tradição (ver secção
1.2.1), e assim alguma informação prévia útil é susceptível de ser conhecido. Para
exemplo, o intervalo habitual de a variável dependente pode ser muito bem
sabe quando a variável explicativa assume, por exemplo, um par­
valor espe­. O pesquisador que realiza um estudo para descobrir a
gama da variável dependente, para um outro valor diferente do
variável de motivos pode ser o primeiro a estimar o efeito causal.
Considere o seguinte exemplo onde a investigação conduzida sem
variação na variável explicativa levou a uma razoável, embora tenta­
tiva, a hipótese de um efeito causal, que por sua vez foi refutada por fur­
ther pesquisa na qual a variável explicativa tomou outro valor. Dentro
algumas pesquisas iniciais sobre o impacto da industrialização, Inkeles e
Rossi (1956) comparou um número de nações industrializadas em termos de
o prestígio atribuído a várias ocupações. Eles encontraram uma grande quantidade

Página 159

Selecção intencional · 147
de similaridade através de um conjunto de nações que foi bastante variada, exceto que
todos eles foram industrializados. Eles concluíram que a industrialização era
a variável causal que levou à hierarquia de prestígio especial,
Observado. Na ausência de variação na sua variável de motivos (todos
as nações estudadas foram industrializados), uma inferência empresa de causalidade
teria sido inadequado, apesar de uma conclusão mais experimental
que fez a hipótese mais plausível era razoável. Contudo,
outros pesquisadores replicadas o estudo nas Filipinas e na Indonésia
(Que não são industrializados) ­thereby variando o valor do ex
variável e explicativo encontrou uma hierarquia de prestígio semelhante, assim, call­

https://translate.googleusercontent.com/translate_f 113/187
02/12/2016 Projetando Inquérito sociais
ing em causa o efeito causal da industrialização (ver Zelditch
1971).
O exemplo anterior mostra como uma sequência de projectos de investigação
pode superar os problemas de inferência é válida quando o re­ originais
procura faltava a variação na variável explicativa. David Laitin (1986)
fornece um exemplo esclarecedor da maneira na qual uma única re
pesquisador pode, numa sequência de estudos, superar tal problema. No dele
estudo do impacto da mudança religiosa na política entre os Yoruba
na Nigéria, Laitin discute por que ele não foi capaz de lidar com esta questão
em seu estudo anterior da Somália. Como ele aponta, religião, sua explan­
Atory variável, é uma constante em toda a Somália e é, além disso,
multicollinear (ver secção 4.1) com outras variáveis, tornando­o
impossível isolar o seu efeito causal. "A pesquisa de campo na Somália levou­me
levantar a questão do impacto independente da mudança religiosa na
política; mas a pesquisa ainda mais campo na Somália não teria permitido
me a abordar esta questão de forma sistemática. Como é que se pode medir o
impacto do Islã em uma sociedade onde todo mundo é um muçulmano? Todos
há também fala somali. Quase todos compartilham uma herança nômade.
Quase todos os Somali foi exposta à mesma tradição poética.
Qualquer orientação comum para a ação poderia ser atribuído à So­
poéticas, ou nómadas, ou linguísticas tradições do Mali, em vez de sua confiabilidade
tradição reli­ "(1986: 186). Laitin ultrapassa este problema ligando
sua atenção investigação para o Yoruba da Nigéria, que são divididos em
Muçulmanos e cristãos. Vamos ver no capítulo 5 como ele faz isso.

4.4.5 Seleção Observações Então, a variável dependente
é constante
Nós também podemos aprender nada sobre um efeito causal de um estudo que
seleciona observações para que a variável dependente não varia. Mas
informações suficientes podem existir na literatura para utilizar com este estudo
para produzir uma inferência causal válido.
Assim, um estudo do porquê de um determinado resultado possível nunca ocorreu

Página 160

148 · Determinar o que observar
deve, se possível, ser alterado para criar uma variação no dependente quanto
bem como variáveis   explicativas. Por exemplo, se a questão de pesquisa é
porque antebellum fazendeiros Carolina do Sul não conseguiu usar fertilizan­
izer em quantidades ideais para manter a fertilidade do solo, podemos aprender pouco
ao nível do estado a partir de um estudo limitado a Carolina do Sul se todos
os fazendeiros se comportou dessa maneira. Não seria, nesse caso, ser
nenhuma variação na variável dependente, e a falta de variação faria
ser inteiramente devido ao pesquisador e, assim, transmitir nenhuma informação nova.
Se algumas plantações Virginia usou fertilizantes, poderia fazer sentido
olhar para ambos os estados, a fim de conta para a variação em fertilizantes
utilizar­pelo menos uma diferença entre os estados, que seria a nossa
chave variável causal pode explicar o uso de fertilizantes. No outro
lado, se todos os estudos anteriores tinham sido realizadas em estados que não fez
usar fertilizantes, uma contribuição substancial para a literatura poderia ser feito
através do estudo de um estado em que os agricultores usavam fertilizantes. Este seria, no
menos levantar a possibilidade de estimar um efeito causal.
Como outro exemplo, apesar dos receios de uma geração ea dismal
o prognóstico de muitos cientistas políticos, as armas nucleares não têm sido
explodiu na guerra desde 1945. No entanto, mesmo se a guerra nuclear nunca ocorrência
reu, parece valioso para tentar entender as condições sob
que poderia ter lugar. Isto é claramente um caso extremo de selecção sobre
a variável dependente, onde a variável aparece constante. Mas como
muitos na literatura fervorosamente argumentam, as armas nucleares não podem ter
foi usado porque o valor de uma variável de motivos chave (um mundo
com, pelo menos, duas potências nucleares) manteve­se constante ao longo
todo esse período. Tentando estimar uma inferência causal com explicação
tory e "variáveis" dependentes que são ambos constante é un desesperada
a menos que reconceituar o problema. Vamos mostrar como resolver este
problema, para o presente exemplo, no ponto 6.3.3.
pesquisadores de ciências sociais, por vezes, exercer uma AP­ retrospectiva
https://translate.googleusercontent.com/translate_f 114/187
02/12/2016 Projetando Inquérito sociais
proach exemplificado pelos Centers for Disease Control (CDC). ele seleciona
com base em valores extremos, mas constantes de uma variável dependente. o
CDC pode identificar um "cluster de câncer", um grupo de pessoas com a mesma
tipo de câncer na mesma localização geográfica. O CDC, em seguida, pesquisas
por algum produto químico ou outro fator no ambiente (a explicação chave
variável tory) que pode ter causado todos os cancros (a dependentes
variável). Estes estudos, em que as observações são seleccionados com
com base em valores extremos da variável dependente, são razoavelmente válida
porque não há dados consideráveis   sobre os níveis normais destes ex
variáveis   explicativas. Apesar de quase todos os estudos são ou CDC
negativo ou inconclusivo, eles ocasionalmente encontrar algum suspeito
químico. Se não há nenhuma evidência anterior que este causas químicas
câncer, o CDC, então, geralmente encomendar um estudo no qual vações

Page 161

Considerações Finais · 149
vações são selecionados, se possível, sobre a variável explicativa (variação
na presença ou ausência desta substância química), a fim de ser mais cialidade
dent sobre a inferência causal.
pesquisadores de ciências sociais, por vezes, exercer uma tal abordagem. Nós
notar uma especial "agrupamento político" comunidade ­a ou região em que
há uma longa história de radicalismo político, a violência política, ou
outra característica e tentar encontrar o que é que é "especial" sobre
nessa região. Como na pesquisa do CDC, se tal estudo aparece sugestão
correlações tivos, não devemos tomá­los como confirmando a hypothe­
sis, mas apenas como torná­lo útil para projetar um estudo que seleciona em
a base da variável de motivos putativa ao deixar o depen­
dent radicalismo variável­política ou política violência variar.

OBSERVAÇÕES FINAIS
Neste capítulo discutimos como podemos selecionar observações
a fim de alcançar um desenho de pesquisa determinado que minimiza o viés como
um resultado do processo de selecção. Desde modelos perfeitos são inatingível
capaz, nós combinamos nossa crítica de processos de seleção com su­
gestions para as estratégias imperfeitos mas úteis que podem fornecer alguma
alavancagem em nosso problema de pesquisa. Em última instância, nós queremos ser capazes de
conceber um estudo que selecciona a partir das variáveis   explanatórias
sugerida por nossa teoria e deixe a variável dependente variar. Como­
nunca, em rota para esse objetivo, pode ser útil empregar projetos de pesquisa
que ter em conta os valores observados da variável dependente; mas
para qualquer pesquisador fazendo isso, aconselhamos extrema cautela. nosso excesso
objetivo de equitação é a obtenção de mais informações relevantes para a avaliação do nosso
teoria sem a introdução de tanto preconceito quanto a comprometer a qualidade
das nossas inferências.

Página 162
https://translate.googleusercontent.com/translate_f 115/187
02/12/2016 Projetando Inquérito sociais

CAPÍTULO 5

Compreender o que evitar

No Capítulo 4, discutimos como construir um estudo com uma determinação
projeto de pesquisa nate em que os procedimentos de selecção de observação fazer
inferências válidas possíveis. Realizar esta tarefa com sucesso é neces­
Sary, mas não suficiente, se quisermos fazer inferências válidas: analítica
erros mais tarde no processo de pesquisa pode destruir o bom trabalho que temos
feito anteriormente. Neste capítulo, discutiremos como, uma vez que nós selecionamos
observações para análise, podemos compreender fontes de ineficiência
e viés e reduzi­los a proporções controláveis. Nós, então,
Considere como podemos controlar a pesquisa de uma tal maneira como para lidar
eficazmente com estes problemas.
Ao discutir a ineficiência e parcialidade, lembremo­nos nossos critérios que
introduzido nas secções 2.7 e 3.4 para julgar inferências. Se temos um
desenho de pesquisa determinado, então nós precisamos nos preocupar com
os dois problemas principais que discutiremos neste capítulo: viés e in­
eficiência . Para entender esses conceitos, é útil pensar em qualquer in­
ference como uma estimativa de um determinado ponto, com um intervalo em torno dele.
Por exemplo, poderíamos adivinhar a idade de alguém como quarenta anos, mais ou
menos dois anos. Quarenta anos é o nosso melhor palpite (estimativa) ea
intervalo de 38­42 inclui o nosso melhor palpite no
o centro, com uma estimativa de a incerteza (a largura do intervalo).
Queremos escolher o intervalo de modo a que a verdadeira idade cai dentro dele um
grande percentagem do tempo. Viés refere­se a centragem do intervalo
em torno da estimativa certo Considerando que a eficiência refere­se a estreitar uma apro­
ately intervalo centrado.
Estas definições de viés e eficiência aplicáveis   independentemente do
se estamos procurando fazer uma inferência descritiva, como no ex­
ampla sobre a idade ou uma inferência causal. Se tivéssemos, por exemplo, para estimar
acasalar o efeito da educação sobre a renda (o número de dólares em in­
vêm recebidos por cada ano adicional de educação), teríamos
uma estimativa pontual do efeito cercado por um intervalo refletindo nossa
incerteza quanto ao valor exato. Nós iria querer um intervalo como Nar­
linha como possível (para eficiência) e centrado em torno da estimativa direita
(Por viés). Queremos também que a estimativa da largura da inter­
val de ser uma representação honesta de nossa incerteza.
Neste capítulo, vamos nos concentrar em quatro fontes de preconceito e ineficiência,
desde a fase de pesquisa no qual procuramos melhorar a

Página 163

Erro de medição · 151
qualidade da informação e do processo através da realização de causalidade
inferências. Na seção 5.1, discutimos os erros de medição, o que pode
viés nossos resultados, bem como torná­los menos eficientes. Consideramos, então,
na seção 5.2 o viés em nossas inferências causais que podem resultar quando
ter omitido variáveis   explicativas que deveríamos ter incluído em
a análise. Na secção 5.3 assumimos o problema inverso: controle
para variáveis   irrelevantes que reduzem a eficiência da análise. Fi­
por fim, estudamos o problema que resulta quando a nossa variável "dependente"
capaz afeta nossas variáveis   "explicativas". Este problema é conhecido como en­
dogeneity e é introduzido na seção 5.4. Finalmente, nas secções 5.5 e
5.6 discutimos, respectivamente, a atribuição aleatória de valores da ex­
variáveis   explicativas e vários métodos de controle não experimental.

5.1 MEDIÇÃO DE ERRO
Uma vez que nós selecionamos nossas observações, temos de medir a va­
https://translate.googleusercontent.com/translate_f 116/187
02/12/2016 Projetando Inquérito sociais
ues de variáveis   em que estamos interessados. Uma vez que todos observação e
medição nas ciências sociais é imprecisa, somos imediatamente
confrontados com problemas de erros de medição.
Muita análise em pesquisa em ciências sociais tenta estimar o
quantidade de erro e para reduzi­lo tanto quanto possível. re­ quantitativa
Pesquisa produz medidas mais precisas (numéricos), mas não neces­
os riamente mais precisos. medições de confiabilidade­diferente do
mesmo rendimento fenômeno os mesmos resultados, às vezes é comprado em
a despesa de validade­as medições reflete o que a investigação
tor está tentando medir. Os pesquisadores qualitativos tentar alcançar precisas
medidas, mas eles geralmente têm um pouco menos de precisão.
medição quantitativa e qualitativa de observação estão em essen­
cial respeita muito semelhante. Para ter certeza, os pesquisadores qualitativos tipicamente
rotular suas categorias com palavras, enquanto pesquisadores quantitativos as­
assinar valores numéricos para as suas categorias e medidas. Mas tanto quan­
tivos e qualitativos pesquisadores usam nominal, ordinal, e intervalo de
Medições. Com categorias nominais, as observações são agrupados
em um conjunto de categorias sem a suposição de que as categorias são
em qualquer ordem particular. As categorias relevantes podem basear­se em legal
ou formas institucionais; por exemplo, estudantes de política comparada
pode estar interessado em padrões de eleições presidenciais, parlamentares e au­
regra autoritárias entre os países. Categorias ordinais dividir fenômenos
de acordo com algum esquema de ordenação. Por exemplo, uma re qualitativa
pesquisador pode dividir as nações em três ou quatro categorias de acordo
ao seu grau de industrialização, ou o tamanho de suas forças militares.
Finalmente, intervalo de medição utiliza variáveis   contínuas, tal como nos estudos
dos fluxos de transações entre fronteiras nacionais.

Página 164

152 · Compreender o que evitar
As diferenças entre a medição quantitativa e qualitativa
envolvem a forma como os dados são representados, e não o estatuto teórico de me­
Certeza Os pesquisadores qualitativos usar palavras como "mais" ou "menos"
"Maior" ou "menor", e "forte" ou "fraco" para as medições;
pesquisadores quantitativos usar números.
Por exemplo, a maioria dos pesquisadores qualitativos nas relações internacionais
estão conscientes de que "o número de mortes de batalha" não é necessariamente uma
bom índice de como as guerras significativa são para padrões subsequentes de
política mundial. Em teoria balança de poder, e não a gravidade da guerra, mas
uma mudança "substancial" nos principais atores é visto como o relevante
conceito teórico de instabilidade a ser medido (ver Gulick 1967 e
Waltz, 1979: 162). No entanto, para evitar invalidez, o pesquisador qualitativo
muitas vezes corre o risco de falta de confiabilidade devido a erros de medição. Como devemos
sabe o que conta como "substancial", se esse prazo não é precisamente de­
multado? Na verdade, a própria linguagem parece implicar que tal julgamento
mento será feita dependendo do resultado sistémica que­
estimativas subsequentes de polarização da relação no sentido do
hipótese.
Nenhuma fórmula pode especificar as compensações entre o uso de in­ quantitativa
dicators que não pode validamente refletem os conceitos subjacentes em que
estamos interessados, ou julgamentos qualitativos que são inerentemente impre­
CISE e sujeitos a preconceitos inconscientes. Mas os dois tipos de investigadores
devem fornecer estimativas da incerteza de suas inferências. Quan­
tivos investigadores devem fornecer os erros padrão, juntamente com a sua
medidas numéricas; pesquisadores qualitativos devem oferecer teza
teza estima na forma de julgamentos cuidadosamente formuladas sobre a sua
Observações. A diferença entre quantitativa e qualitativa
medição é no estilo de representação de essencialmente a mesma
Idéias.
medições qualitativas e quantitativas são semelhantes em outro
caminho. Para cada um, as categorias ou medidas utilizadas são geralmente artefatos
criado pelo investigador e não são "dadas" na natureza. A divisão
das nações em regimes democráticos e autocráticos ou em Parlamentar
tário e os regimes presidencialistas depende de categorias que são intelec­
tual construções, assim como a ordem das nações ao longo de tais dimensões
https://translate.googleusercontent.com/translate_f 117/187
02/12/2016 Projetando Inquérito sociais
como mais ou menos industrializados.
Obviamente, uma resposta universalmente direito não existe: tudo medição
mento depende do problema que o investigador pretende subestimar
ficar de pé. Quanto mais próximo o esquema categórico é a original do investigador
ideias teóricas e empíricas, o melhor; no entanto, este fato em­
phasizes o ponto que as categorias são artefatos do investigador de
Finalidades. O número de regimes parlamentaristas em que proporção
representação cional é o principal sistema de representação depende
na classificação do investigador de "regimes parlamentares" e de

Página 165

Erro de medição · 153
o que conta como um sistema de representação proporcional. pesquisadores na
relações internacionais podem procurar para estudar os fluxos monetários registados
além das fronteiras nacionais, mas o uso de uma medida contínua de­
pende sobre as decisões quanto ao que tipos de transações para contar, sobre as regras
quanto ao que constitui uma única transação, e em definições de na­
fronteiras adicionais. Do mesmo modo, a proporção da votação que é Democrática
em um distrito do Congresso é baseado nas classificações feitas pelo ana­
lyst assumindo que os "democratas" e "republicanos" etiquetas do partido
têm o mesmo significado, para os seus fins, em todos os 435 Congres­
distritos provisórias.
Mesmo os esquemas de categorização que usamos nesta seção para
medições (nominal, ordinal, e intervalo) dependem da teo­
finalidade retical para o qual a medida é usada. Por exemplo, pode
Parece óbvio que a etnia é uma variável nominal protótipo, que
pode ser codificada nos Estados Unidos como negros, brancos, hispânicos, indígenas
Americano e asiático­americano. No entanto, há uma grande variação
entre grupos étnicos nominais em quão fortemente os membros de tais
grupos identificam com o seu grupo particular. Poderíamos, portanto, cate­
gorize grupos étnicos em uma escala ordinal em termos de, por exemplo, a
proporção de membros de um grupo que se identificam fortemente com ele. ou nós
pode ser interessante para o tamanho de um grupo étnico, caso em que et­
genicidade pode ser usado como uma medida de nível de intervalo. O ponto chave é
usar a medida que é mais apropriado para os nossos propósitos teóricos .
Problemas na medição ocorrem mais freqüentemente quando medimos com­
referência explícita para qualquer estrutura teórica. Por exemplo, re­
pesquisadores, por vezes, levar uma variável naturalmente contínuo que poderia ser
bem medidos, como a idade, e categorizá­lo em jovens, de meia­idade,
e velhos. Para alguns propósitos, estas categorias pode ser suficiente, mas
como uma representação teórica de idade de uma pessoa, esta é uma desneces­
procedimento imprecisa riamente. O erro agrupamento criado aqui seria
bastante substancial e deve ser evitada. Evitar Erro de agrupamento é uma
caso especial do princípio: não descartar dados desnecessariamente.
No entanto, nós podemos fazer a conti­­atribuição de erro oposto
uous, valores de nível intervalo numéricas para variáveis   naturalmente discretas.
Medição de nível de intervalo é não geralmente melhor do que ordinal ou
medida nominal. Por exemplo, uma pergunta da pesquisa pode pedir
afiliação religiosa e também a intensidade do compromisso religioso. intenção
sidade de compromisso religioso pode­se as perguntas são feitas prop­
erly­ser medida como uma variável ordinal, talvez até mesmo um intervalo de um,
dependendo da natureza do instrumento de medição. Mas seria
fazer menos sentido para atribuir uma classificação numérica para a religião em particular
a que pertencia um indivíduo. Em tal caso, um ordinal ou continuidade
variável ous provavelmente não existe e erro de medição seria
criado por um tal procedimento.

Página 166

154 · Compreender o que evitar
A escolha entre as categorias nominais, por um lado, e ordinal ou
aqueles intervalo, por outro lado, pode envolver uma troca entre descritiva
https://translate.googleusercontent.com/translate_f 118/187
02/12/2016 Projetando Inquérito sociais
riqueza e facilitação de comparação. Por exemplo, considere o vot­
ing regras usadas por organizações internacionais. A regra institucional
de votação é importante porque reflete as concepções de Estado
soberania, e porque tem implicações para os tipos de resolu­
ções que podem passar, em termos de recursos alocados para a organização, e por
expectativas de cumprimento de mandatos da organização.
Um conjunto de categorias nominais podia distinguir entre os sistemas em
que um único membro pode vetar qualquer resolução (como na Liga dos
Conselho Unidas agindo sob as disposições do artigo 15 da Cove­
nant); em que apenas determinados membros pode veto resolução (como no
Conselho de Segurança da Organização das Nações Unidas); em que alguma forma de super­
votação por maioria prevalece (como nas decisões relativas à cado interno
ket da Comunidade Europeia); e em que a votação por maioria simples
é a regra (como para muitos votos no geral Assem­ das Nações Unidas
Bly). Cada um desses sistemas é susceptível de gerar negociação distinta dy­
mica, e se o nosso objetivo é estudar a dinâmica de um tal sis­
TEM (tal como um sistema em que qualquer membro pode exercer um veto), é
essencial para ter nossas categorias definidas, de modo que nós não inapropriado
ately incluir outros tipos de sistemas em nossa análise. categorização nominal
ries seria apropriado para um projeto como este.
No entanto, também pode visualizar essas categorias de forma ordinal,
de mais restritivo (unanimidade necessária) para menos (maioria simples).
Tal categorização seria necessário que fomos para testar teórica
proposições sobre a relação entre a restrição de um
regra de votação e os padrões de negociação ou as características de distribuição de
resultados típicos. No entanto, pelo menos dois dos nossos categorias­vetos pelo
certos membros e votação por maioria qualificada, são bastante indistinta
porque incluem uma variedade de arranjos diferentes. A primeira cate­
goria inclui veto completa por apenas um membro, que beira a
ditadura e veto por todos, mas alguns membros inconsequentes; a
segundo inclui a regra na Comunidade Europeia que impede
quaisquer dois estados de ter uma minoria de bloqueio nas questões que envolvem
do mercado interno. A fórmula utilizada na Monetário Internacional
Fundo é, nominalmente, um caso de votação por maioria qualificada, mas dá tais
uma minoria de bloqueio, tanto para os Estados Unidos e, mais recentemente, com a
Comunidade Europeia agindo como um bloco. Assim, parece pertencer a
ambas as categorias.
Podemos, portanto, o desejo de dar um passo adiante para gerar uma inter­
medida de nível val com base na proporção de estados (ou a proporção
de recursos, com base no produto nacional bruto, contribuições para a or­
nização, ou população representada pelos estados) necessário para a passagem

Page 167

Erro de medição · 155
de resoluções, medindo organizações internacionais em uma escala de vot­
ing restrição.
No entanto, bases diferentes para um tal exemplo medida, seja para­
população ou produto nacional bruto foram utilizados como medida de re­
fontes­geraria resultados diferentes. Assim, as vantagens de
precisão em tais medidas pode ser combatida pela passivos
laços tanto de arbitrariedade na base de medição ou do com­
complexidade das medidas agregadas. Cada categoria tem vantagens e limita­
tações: a finalidade do pesquisador deve determinar a escolha que é
feito.
Nas duas subseções seguintes, vamos analisar o contexto específico
sequências de erros de medição para a pesquisa qualitativa e alcançar
algumas conclusões que pode parecer surpreendente. Poucos discordariam de que
sistemática erro de medição, tal como uma sobre­estimativa da consistente
certas unidades, provoca preconceitos e, uma vez que o preconceito não desaparece com
mais observações carregadas de erros, inconsistência. No entanto, uma anal­ mais perto
ysis mostra que apenas alguns tipos de erro de medição sistemática vai
viés nossas inferências causais. Além disso, as consequências da nonsys­
temática erro de medição pode ser menos clara. Vamos discutir não
erro sistemático em duas partes: na variável dependente
e, em seguida, a variável explicativa. Como vamos demonstrar, erro no
https://translate.googleusercontent.com/translate_f 119/187
02/12/2016 Projetando Inquérito sociais
a variável dependente provoca ineficiências, que são susceptíveis de pro­
duce incorreto resulta em qualquer instância e torná­lo difícil de encontrar
evidência persistente de efeitos sistemáticos. Em outras palavras, nonsystem­
atic erro de medição na variável dependente provoca nenhum preconceito, mas
pode aumentar substancialmente a ineficiência. Mais interessante é nonsys­
erro temática na variável causal chave, que infalivelmente influencia infer­
cias de modo previsível. Compreender a natureza desses preconceitos
vai ajudar a melhorar ou, possivelmente, evitá­los.

5.1.1 erro sistemático
Nesta seção, abordamos as consequências da sistemática medição
Erro de gestão. erro sistemático, tal como medida ser um
superestimativa consistente para certos tipos de unidades, por vezes, pode causar
viés e inconsistência na estimativa efeitos causais. Nossa tarefa é encontrar
quais os tipos de resultado de erro sistemático em que os tipos
de viés. Em ambos pesquisa quantitativa e qualitativa, erro sistemático
pode derivar a partir de escolhas por parte dos investigadores que inclinam os dados
favorecer as expectativas anteriores do pesquisador. Em trabalho quantitativo, o
pesquisador pode utilizar tais dados enviesados, pois é a única numérica
série disponíveis. Na pesquisa qualitativa, erro sistemático
pode resultar de avaliações subjetivas feitas por investigadores que têm

Página 168

156 · Compreender o que evitar
já formaram suas hipóteses e que desejam demonstrar sua
exatidão.
Deveria ser óbvio que qualquer erro sistemático vai viés
inferências descritivas . 1 Considere, por exemplo, o caso mais simples possível
em que inadvertidamente superestimar a quantidade de renda anual
de cada inquirido por US $ 1.000. Nossa estimativa da an­ média
renda nual para toda a amostra será, obviamente, superestimada em
a mesma figura. Se estivéssemos interessados   em estimar o efeito causal da
uma educação universitária na renda média anual, a me­ sistemática
erro surement não teria nenhum efeito sobre a nossa inferência causal. Se, por
exemplo, o nosso grupo faculdade realmente ganha US $ 30.000 em média, mas o nosso
grupo controle de pessoas que não ir para a faculdade ganham uma média de
$ 25.000, a nossa estimativa do efeito causal de uma educação universitária em an­
renda nual seria de R $ 5.000. Se a renda de cada pessoa, tanto
grupos foi superestimada pelo mesmo valor (digamos, US $ 1.000 novamente),
então o nosso efeito de agora causal calculado como a diferença entre
$ 31.000 e US $ 26.000 ainda seria US $ 5.000. Assim, medições sistemáticas
erro mento que afeta todas as unidades no mesmo montante constante provoca nenhum preconceito
na inferência causal . (Isto é mais fácil de ver, concentrando­se na constante
Versão efeitos do pressuposto de unidade de homogeneidade descrito na seção
ção 3.3.1.)
No entanto, suponha que existe um erro sistemático em uma parte da amos­
ple: graduados overreport sistematicamente os seus rendimentos, porque
eles querem impressionar o entrevistador, mas o grupo de controlo reporta o seu
renda com mais precisão. Neste caso, tanto a inferência descritiva e
a inferência sobre o efeito causal da educação no resultado seria de
tendenciosa. Se soubéssemos do problema de informação, que pode ser capaz de pedir
melhores perguntas de pesquisa ou obter as informações de outras maneiras. Se o
informação já foi recolhido e que não têm oportunidade de
coletar mais, então podemos, pelo menos, ser capaz de determinar a direção de
o viés para fazer uma correção post hoc.
Para reforçar este ponto, considerar um exemplo a partir da literatura sobre
integração regional nas relações internacionais. Que a literatura procurado,
mais do que a maioria dos trabalhos nas relações internacionais, para testar hipó­ específica
eses, às vezes com indicadores quantitativos. No entanto, um dos
a maioria dos conceitos importantes na literatura­o grau em que a política
a autoridade é transferida para uma organização internacional da nação
Não estados é facilmente passível de medição quantitativa válido. Ré­
pesquisadores, portanto, concebido medições qualitativas desta variável,
que codificado na base de seu próprio conhecimento detalhado

https://translate.googleusercontent.com/translate_f 120/187
02/12/2016 Projetando Inquérito sociais
1 Uma exceção é quando os erros sistemáticos positivos cancelar sistemáticas negativos,
mas este caso estranho é mais apropriadamente descrito como um tipo de medição não sistemática
erro.

Página 169

Erro de medição · 157
as questões envolvidas (por exemplo, Lindberg e Scheingold 1970: 71, quadro 3.1).
Suas variáveis   explicativas incluídas categorizações subjetivas de
variáveis   como "complementaridade valor elite" e "a tomada de decisões
style "(ver Nye 1971 ou Lindberg e Sheingold 1971). Tentaram
examinar associações entre a variável explicativa e dependente
colas, quando as variáveis   foram medidos desta forma.
Esta abordagem foi uma resposta às preocupações sobre a validade: re­ especialista
pesquisadores codificada da informação e poderia analisar se foi
relevantes para os conceitos subjacentes suas medições. Mas o AP­
proach corria o risco de erros de medição subjetiva. Os pesquisadores
teve de exercer grande auto­disciplina no processo e abster­se de
codificação de suas variáveis   explicativas à luz de suas posições teóricas
ou expectativas. Em qualquer caso, eles podem ter feito isso, mas é
difícil para os seus leitores para saber até que ponto eles foram bem sucedidos.
Nosso conselho nestas circunstâncias é, em primeiro lugar, para tentar usar julgamentos
feita para fins completamente diferentes por outros pesquisadores . este elemento
de arbitrariedade em garantias de medição qualitativos ou quantitativos
que as medidas não serão influenciados por suas hipóteses, que
presumivelmente, não se formaram mais tarde. Esta estratégia é frequentemente se­
mugiam na investigação quantitativa pesquisador leva outra pessoa
medidas e aplica­los para seus próprios fins, mas é também
uma excelente estratégia na pesquisa qualitativa. Por exemplo, pode ser
possível organizar codificação conjunta de variáveis­chave por observável informado
ers com diferentes interpretações preferenciais e explicações do
fenômenos. bancos de dados qualitativos que têm categorias padrão pode
ser construída na base de conhecimentos e discussão compartilhada. Eles
pode então ser utilizado para avaliação de hipóteses. Se você é a primeira pessoa
a utilização de um conjunto de variáveis, é útil para permitir que outras pessoas informadas código
suas variáveis   sem saber a sua teoria da relação que você
deseja avaliar. Mostre­lhes suas notas de campo e entrevistas gravadas,
e ver se as suas conclusões sobre as medidas são as mesmas que o seu.
Desde replicabilidade na codificação aumenta a confiança na variável qualitativa
veis, os observadores mais qualificados que cruzam­verificar a sua me­
Sures, o melhor.

Erro 5.1.2 não sistemática Medição
erro de medição não sistemática, quer quantitativa ou qualitativa
tiva, é outro problema enfrentado por todos os pesquisadores. 2 erro não sistemática
não enviesamento de medida da variável. No presente contexto,
2 Se isto é devido à nossa incapacidade de medir o mundo real com precisão ou devido a
aleatoriedade na natureza é uma questão filosófica em que diferentes respostas podem ser
dado. (Seção 2.6). Qualquer que seja a posição que aceitar, a consequência é a mesma.

Página 170

158 · Compreender o que evitar
definir variáveis   com não sistemático ou aleatório, erro de medição de
tendo valores que são, por vezes, demasiado elevado e, por vezes, demasiado baixa, mas
corrigir em média. erro aleatório, obviamente, cria ineficiências, mas
Não viés em fazer inferências descritivas. Este ponto já foi
discutido na seção 2.7.1. Aqui, vamos além da consequência de ran­
erro de medição dom para a inferência descritiva à sua conseqence para
inferência causal.
https://translate.googleusercontent.com/translate_f 121/187
02/12/2016 Projetando Inquérito sociais
Na estimativa dos efeitos causais, medições de erros aleatórios tem um
efeito diferente quando o erro está em uma variável explicativa do que quando
o erro está na variável dependente. medições de erros aleatórios em
a variável dependente reduz a eficiência da estimativa causal
mas não faz viés­lo. Ela pode levar a estimativas de relações causais que
às vezes são demasiado elevadas e, por vezes demasiado baixos. No entanto, a estimativa irá
ser, em média, correto. De facto, os erros de medição aleatória num de­
variável pendente não é diferente ou mesmo geralmente distinguíveis
do erro aleatório sempre presente no mundo como refletido na
variável dependente.
erro aleatório em uma variável explicativa também pode produzir ineficiência
deficiências que levam a estimativas que são incerto alta ou baixa. mas isso
também tem um efeito muito diferente do erro aleatório no dependente
variável: erro aleatório em uma variável explicativa produz viés na
Estimativa da relação entre a explicativo e a dependên­
variável dent. Que o preconceito leva uma forma particular: ela resulta na estima­
ção de uma relação causal mais fraca do que é o caso. Se a verdadeira rela­
lação é erro positivo, aleatório no viés vontade variável explicativa
a estimativa para baixo para uma relação menor ou zero. Se o
relacionamento é negativo que vai influenciar o relacionamento para cima para
zero.
Uma vez que esta diferença entre o efeito do erro aleatório num local ex­
variável explicativo e erro aleatório em uma variável dependente não é
intuitivamente óbvio, apresentamos provas formais de cada efeito, bem como
uma apresentação gráfica e um exemplo ilustrativo. Começamos com a
efeito do erro aleatório em uma variável dependente.
5.1.2.1 O erro de medição não sistemática NO
VARIÁVEL DEPENDENTE
Não sistemática erros de medição ou aleatório em uma variável dependente
capaz não faz pender a estimativa usual do efeito causal, mas faz
fazer a estimativa menos eficiente. Em qualquer aplicação, este ineficiência
eficiência irá produzir resultados imprevisíveis, às vezes dando causal infer­
cias que são demasiado grandes e, por vezes, muito pequeno. Erro de medição
na variável dependente aumenta, assim, a incerteza da nossa infer­
Enças Em outras palavras, medições de erros aleatórios em um dependente

Página 171

Erro de medição · 159
variável cria um problema semelhante ao criado por um pequeno número de
observações; em ambos os casos, a quantidade de informação que pode trazer para
suportar sobre um problema é menos do que gostaríamos. O resultado é que aleatório
erro de medição na variável dependente produz estimativas de EF­ causal
fects que são menos eficientes e mais incerto.
Quando usamos vários conjuntos de dados, como deveríamos, quando for possível, esti­
mates com base em variáveis   dependentes com medições de erros aleatórios
será instável. Alguns conjuntos de dados irá produzir evidência de forte rela­
relaciona­ enquanto outros vão produzir efeitos inexistentes ou negativas, mesmo
se o verdadeiro relacionamento não mudou em nada. Essa ineficiência faz
mais difícil, às vezes consideravelmente mais difícil, para encontrar descrição sistemática
tiva ou características causais em um conjunto de dados ou (talvez mais obviamente)
entre diferentes conjuntos de dados. As estimativas de incerteza, muitas vezes, ser maior
que o tamanho estimado de relações entre nossas variáveis. Assim, nós
pode ter informações suficientes para concluir que um efeito causal ex­
istas quando ele pode realmente estar presente, mas mascarado por erro aleatório em
a variável dependente (e representada em maior incerteza de um
inferência). Os pesquisadores qualitativos e quantitativos que estão cientes
este resultado geral não terá ferramentas adicionais para lidar com medição
mento de erro, exceto um impulso mais forte para melhorar as medições
das observações que têm ou recolher novas observações com o
níveis mesmos (ou inferiores) de erros de medição. Entender esses re­
sultados com uma quantidade fixa de dados permitirá estudiosos a mais apro­
damente qualificar suas conclusões. Tal reconhecimento explícito da
incerteza pode motivar estes investigadores ou outros para realizar
follow­up estudos com variáveis   dependentes com mais cuidado medidos

https://translate.googleusercontent.com/translate_f 122/187
02/12/2016 Projetando Inquérito sociais
(Ou com maior número de observações). Deve ser de ainda mais
ajudar na concepção de pesquisa, uma vez que os estudiosos freqüentemente enfrentam um trade­off
entre alcançar precisão adicional para cada medição e observar
tenção mais observações. O objectivo é obter mais informações relevantes para
nossa hipótese: precisamos de fazer julgamentos sobre se esta infor­
mação pode ser melhor obtida por mais observações dentro existentes
casos ou recolher mais dados.
Considere o seguinte exemplo de erro de medição aleatório no
variuable dependente. Ao estudar os efeitos do desempenho económico
em crimes violentos nos países em desenvolvimento ou em todas as regiões de um pecado
gle país em desenvolvimento, podemos medir a variável dependente (ille­
violência gal), observando cada comunidade por um curto período de tempo.
Claro, essas observações serão medidas relativamente pobres:
corrigir em média, mas, em algumas comunidades, vamos perder muito
crime e subestimam a violência da média; em outras comunidades,
vamos ver um monte de crime e violência superestimar média.
Suponha que nossa medida da nossa variável explicativa­o estado de

Página 172

160 · Compreender o que evitar
a economia é a percentagem de desempregados na comunidade e
medimos isso muito bem (talvez de boa dados do governo). E se
estudou­se o efeito da economia como indicado pela percentagem
desempregados na quantidade média de crime violento, gostaríamos de ex­
pect muito incertos para resultados resultados que também são instáveis   em frente
várias aplicações, precisamente porque a variável dependente foi
medido de forma imperfeita, apesar da técnica de medição foi
corrigir em média. Nossa consciência de que esta era a fonte do
problema, combinada com uma crença contínua que deve haver um
relacionamento forte e fornece uma boa justificação para um novo estudo em
que poderíamos observar crime comunidade em mais locais ou por mais tempo
períodos de tempo. Mais uma vez, vemos que os erros de medição e poucos
observações levam a problemas semelhantes. Poderíamos melhorar a eficiência
quer aumentando a precisão das nossas observações (talvez pela
usando bons registros policiais e, assim, reduzir os erros de medição) ou
, aumentando o número de observações imperfeitamente medidos
diferentes comunidades. Em ambos os casos, a solução é aumentar a
quantidade de informações que dar para essa inferência probabilidade
Lem. Este é outro exemplo de que a quantidade de informações que
dar para um problema é mais importante do que o número bruto de
observações que temos (o número de observações sendo nossa medida
de informação).
Para mostrar porque este é o caso, usamos uma versão simplificada deste
exemplo pela primeira vez em uma apresentação gráfica e em seguida, oferecer uma mais formal
prova. Na figura 5.1, o eixo horizontal representa o desemprego. Nós
imaginar que as duas categorias ( "4 por cento" e "7 por cento") são per­
feitamente medido. O eixo vertical é uma medida de crimes violentos.
Na figura 5.1, os dois círculos a cheio pode ser visto como uma representação
exemplo de um estudo simples, sem erro de medição em qualquer variável
capaz. Podemos imaginar que temos um grande número de observações, todos
dos quais acontecer cair exatamente sobre os dois pontos sólidos, de modo que sabemos
a posição de cada ponto bastante bem. Alternativamente, podemos imaginar que
temos apenas duas observações, mas eles têm muito pouco nonsystem­
erro atic de qualquer tipo. Naturalmente, nenhum destes casos é provável ocorrer
na realidade, mas este modelo destaca os problemas essenciais da medição
erro mento em uma variável dependente para o mais geral e observância
caso cado. Note­se como a linha sólida encaixa estes dois pontos.
Agora imagine outro estudo, onde o crime violento foi medida
com o erro não sistemático. Para enfatizar que estas medidas são cor­
rect em média, marcamos os quatro círculos abertos, cada simetricamente
acima e abaixo dos círculos sólidos originais. 3 A nova linha de ajuste para todos os seis dados
3 Imaginemos novamente que os círculos abertos são ou um grande número de observações que
acontecer a cair exatamente sobre estes quatro pontos, ou que não passa a ser pouco estocástica
variabilidade.

https://translate.googleusercontent.com/translate_f 123/187
02/12/2016 Projetando Inquérito sociais

Página 173

Erro de medição · 161

Figura 5.1 Erro de medição da variável dependente

pontos é exatamente a mesma linha como inicialmente traçados. Observe novamente que
esta linha é desenhada através da minimização dos erros de previsão, o vertical, apa­ relho
ções da linha.
No entanto, a nova linha é mais incerto de várias maneiras. Para a prova­
plo, uma linha com uma inclinação moderadamente mais íngreme ou mais plana caberia estes
aponta quase tão bem. Além disso, a posição vertical da linha é
também mais incerto, e a própria linha fornece piores previsões
de onde os pontos de dados individuais deve mentir. O resultado é que me­
erro surement na variável dependente produz mais ineficiente
Estimativas. Mesmo que eles ainda estão imparcial, isto é, em média,
em numerosos estudos semelhantes, eles podem estar muito longe em qualquer uma
estude.

Uma análise formal de erros de medição em y . Considere uma simples
modelo linear com uma variável dependente medida com erro e
uma variável explicativa errorless. Estamos interessados   em estimar
o parâmetro b efeito:

E ( Y *) = b X

Nós também especificar uma segunda característica das variáveis   aleatórias, a variável
ance:

Página 174

162 · Compreender o que evitar

V ( Y i *) = s 2

qual assumimos ser o mesmo para todas as unidades de i = 1, ..., n . 4
Embora estas equações definir nosso modelo, infelizmente, fazer
não observa Y * mas em vez Y , onde

Y = Y * + U

Isto é, a variável dependente observada Y é igual ao verdadeiro de­
pendent variável Y * mais algumas medições de erros aleatórios U . Para
formalizar a ideia de que L contém apenas não sistemático de medição
de erro, é necessário que o erro cancela na média dos hipoteticamente
https://translate.googleusercontent.com/translate_f 124/187
02/12/2016 Projetando Inquérito sociais
repetições cal, E ( L ) = 0, e que não está correlacionada com a verdadeira
variável dependente, C ( L , Y *) = 0, e com a variável de motivos
capaz, C ( U , X ) = 0. 5 Nós ainda assumir que o erro de medição
tem variância V ( L i ) = T 2 para cada unidade i . Se T 2 é zero, Y con­
tém nenhum erro de medição e é igual a Y *; quanto maior for essa variável
ance, mais erros nossa medida Y contém.
Como o erro de medição aleatória na variável dependente
afetar a estimativas de b? Para ver, usamos a nossa estimativa de costume, mas
com Y em vez de Y *:
n
i = 1 Y i X i
b = _________
n 2
i = 1 X i

e depois calcular a média em toda repetições hipotéticos:
⎛ n ­benzóico.
­benzóico.
i = 1 X i Y i ⎟
­benzóico.
E ( b ) = E
n 2 ­benzóico.
­benzóico.
i = 1 X i
n
i = 1 X i E ( Y i )
= ___________
n 2
i = 1 X i
n
i = 1 X i E ( Y i + U )
= _______________
n
i = 1 2X i
4 leitores estatísticos vai reconhecer isso como propriedade de homocedasticidade, ou con­
variância constante.
5 Estes pressupostos de erro implica que o valor esperado do dependente observada
variável é o mesmo que o valor esperado da verdadeira variável dependente:
E ( Y ) = E ( Y * + L ) = E ( Y *) + E ( U ) = E ( Y *) = b X

Página 175

Erro de medição · 163
n
i = 1 2 Xb i
= _________
n 2
i = 1 X i

= b

Esta análise demonstra que, mesmo com os erros de medição nas
a variável dependente, o estimador padrão será imparcial
(Igual a b, em média), assim como nós mostramos para uma variável dependente
sem erros de medição na equação (3.8).
No entanto, para completar esta análise, devemos avaliar a eficiência
do nosso estimador na presença de uma variável dependente medido
com erro. Nós usamos o procedimento habitual:
⎛ n ­benzóico.
­benzóico.
i = 1 X i Y i ⎟
­benzóico.
V ( b ) = V (5.1)
n
­benzóico. ­benzóico.
i = 1 2X i

1 n
= __________ X 2  i V ( Y i * + U )
( n
i = 1 2 X) i dois
i = 1
s 2 + t 2
= ________
n
i = 1 2X i

Note­se que este estimador é menos eficiente do que o mesmo AP­ estimador
manejado de dados sem erros de medição da variável dependente
(Comparar a equação [3,9]) pela quantidade de erro de medição nas
a variável dependente T 2 .

5.1.2.2 O erro de medição não sistemática IN AN
https://translate.googleusercontent.com/translate_f 125/187
02/12/2016 Projetando Inquérito sociais
variável explicativa
Como dissemos erro acima, não sistemática na exposição de motivos
variável tem as mesmas consequências para estimativas do valor desse
variável para descritivos inferências­como tem para as estimativas do
valor da variável dependente: as medidas, por vezes, ser demasiado
alta, às vezes muito baixo, mas, em média, eles vão estar certo. Como com
erro não sistemático na variável dependente, erro aleatório na
variável explicativa também pode fazer estimativas dos efeitos causais teza
Tain e ineficiente. Mas o erro aleatório na variável explicativa
tem outra, consequência bastante diferente do caso em que o
erro aleatório é a variável dependente. Quando é o explicativa

Página 176

164 · Compreender o que evitar
variável que é medido com o erro aleatório, há um desvio sistemático
nas estimativas da relação causal, uma tendência no sentido da
zero ou nenhuma relação. Em outras palavras, quando não é um verdadeiro causal
conexão entre uma variável explicativa e uma variável dependente,
erro aleatório na antiga pode servir para mascarar esse fato, pressionando
o relacionamento. Se fôssemos para testar a nossa hipótese através de vários dados
conjuntos que não só iria encontrar grande variação nos resultados, como com ran­
erro dom na variável dependente, também iria encontrar um sis­
viés temática entre os vários conjuntos de dados para uma relação mais fraca
que é de facto o caso.
Assim como com erro de medição na variável dependente, mesmo se
reconhecemos a presença de erros de medição na exposição de motivos
variáveis, analisando com mais cuidado as variáveis   medidas com erro
não vai melhorar as consequências deste erro de medição, a menos
seguimos o conselho dado aqui. medições melhor seria, naturalmente,
melhorar a situação.
Considere novamente o nosso estudo sobre os efeitos do desemprego sobre a criminalidade
em várias comunidades de um país subdesenvolvido. No entanto, apoio
representar a situação de dados é o inverso do que acima mencionado: na
país que estamos estudando, relatórios de crime são precisos e fáceis de obter
a partir de escritórios do governo, mas o desemprego é uma questão política e
portanto, não mensurável com precisão. Desde pesquisas sistemáticas de amostra são
não é permitido, decidimos medir o desemprego pelo obser­ direta
vação (assim como em nosso exemplo anterior, onde medimos crime por
observação direta). Inferimos a taxa de desemprego a partir do núme­
ber de pessoas ocioso em pé no centro de várias aldeias como nós dirigimos
através. Desde aquela hora e dia quando observamos as aldeias seria
variar, como seria o tempo, teríamos um monte de erros aleatórios em
nossas estimativas do grau de desemprego. Através de um grande número
de aldeias, as nossas estimativas não seria sistematicamente alta ou baixa. A
estimativa baseada em qualquer par de aldeias seria muito ineficiente: qualquer
par pode ser baseada em observações no domingo (quando muitas pessoas
pode permanecer fora) ou em um dia chuvoso (quando poucos). Mas muitos
observações de pares de aldeias em momentos diferentes em dias diferentes, em
chuva ou faça sol, iria produzir, em média, estimativas, corretas do EF­
Fect. No entanto, como indicado acima, a consequência será muito diferen­
ent do consequência de erro semelhante à nossa medida da de­
variável pendente, o crime violento.
Figura 5.2 ilustra essa situação. Os dois pontos a cheio representam um
estudar com nenhum erro de medição em ambas as variáveis. 6 A inclinação da
6 Também continuamos a supor que cada ponto representa dados, quer com quase nenhuma
variação estocástica ou vários pontos que acontecem a cair no mesmo lugar. Como no sec­
ção 5.1, a finalidade desta suposição é a de manter o foco no problema.

Página 177

https://translate.googleusercontent.com/translate_f 126/187
02/12/2016 Projetando Inquérito sociais
Erro de medição · 165

Figura 5.2 Erro de medição na variável explicativa

A linha sólida é, em seguida, a estimativa correcta do efeito causal do desemprego
mento sobre o crime. Para mostrar as consequências de erros de medição, nós
adicionar dois pontos adicionais (círculos abertos) para a direita e à esquerda de cada
dos pontos sólidos, para representar erro de medição na exposição de motivos
variável que é correcta, em média (isto é, igual ao ponto preenchido em
média). A linha pontilhada está apto para os círculos abertos, ea diferença
entre as duas linhas é a tendência, devido a erros de medida aleatória em
a variável explicativa. Ressaltamos mais uma vez que as linhas são desenhadas
de modo a minimizar os erros na predição da variável dependente (a
erros aparecem na figura como verticais desvios da linha estar apto),
dada a cada valor das variáveis   explicativas.
Assim, o efeito estimado do desemprego, feita aqui com con­
medições de erros aleatórios considerável, irá ser muito menor (uma vez que o
linha pontilhada é mais plana) do que o verdadeiro efeito. Podemos inferir do nosso
conhecimento da existência de erros de medição no explicativa
variável que o verdadeiro efeito do desemprego sobre a criminalidade é maior do que
a correlação observada encontrado neste projeto de pesquisa.
A análise das consequências de erros de medição em um ex­
variável explicativo leva a duas orientações práticas:
1. Se uma análise sugere nenhum efeito, para começar, em seguida, o verdadeiro efeito é dificul­
culto de determinar uma vez que a direcção de polarização é desconhecida; A análise
em seguida, ser largamente indeterminada e devem ser descritos como tais. A verdade

Página 178

166 · Compreender o que evitar
efeito pode ser zero, negativo ou positivo, e nada nos dados será
fornecer uma indicação de que ele é.
2. No entanto, se uma análise sugere que a variável explicativa com ran­
dom erro de medição tem um pequeno efeito positivo, então devemos usar
os resultados desta seção como justificação para concluir que o verdadeiro efeito
é provavelmente ainda maior do que o encontramos. Da mesma forma, se encontramos uma pequena nega­
efeito tiva, os resultados desta seção pode ser usado como prova de que o verdadeiro
efeito é, provavelmente, uma relação negativa ainda maior.
Desde erro de medição é uma característica fundamental de toda qualitativa
pesquisa tiva, essas diretrizes devem ser amplamente aplicáveis.
Devemos qualificar estas conclusões um pouco para que os pesquisadores
sabe exatamente quando o fazem e não se aplicam. Em primeiro lugar, a análise do
caixa abaixo, em que o nosso conselho é baseado, se aplica aos modelos com apenas
uma única variável explicativa. Resultados semelhantes se aplicam a muitos situação
ções com múltiplas variáveis   explicativas, mas não para todos. A análise
aplica­se apenas o mesmo se um pesquisador tem muitas variáveis   explicativas,
mas apenas uma com medições de erros aleatórios substancial. No entanto, se

https://translate.googleusercontent.com/translate_f 127/187
02/12/2016 Projetando Inquérito sociais
um tem múltiplas variáveis    explicativas e é, simultaneamente, analisadores
ing os seus efeitos, e se cada um tem diferentes tipos de erro de medição,
só podemos conhecer os tipos de preconceitos que podem surgir através do alargamento
a análise formal abaixo. Acontece que, embora re­ qualitativa
pesquisadores têm, frequentemente, muitas variáveis   explicativas, que mais frequentemente
estudar o efeito de cada variável, em vez de sequencialmente simultane­
amente. Infelizmente, como descrevemos na seção 5.2, este procedimento pode
causar outros problemas, como o viés de variável omitida, mas isso não significa
que resultados semelhantes aos analisados   aqui se aplicam bastante ampla na quali­
pesquisa sentante.

Uma análise formal dos erros aleatórios Medição em X . Em primeiro lugar,
definir um modelo como se segue:

E ( Y ) = b X *

onde nós não observamos a verdadeira variável explicativa X *, mas in­
lugar observar X , onde

X = X * + U

e o erro de medição aleatório U tem propriedades semelhantes como BE­
tona: que é zero em média, E ( L ) = 0, e não está correlacionada com a verdadeira
variável explicativa, C ( U , X *) = 0, e com a variável dependente,
C ( L , Y ) = 0.

Página 179

Erro de medição · 167
O que acontece quando usamos o estimador padrão para b com o
cheias de erro X , em vez do unobserved X *? Esta situação cor­
ponde ao usual em pesquisa qualitativa em que temos
erro de medição, mas não faça qualquer ajuste especial para a
os resultados que se seguem. Para analisar as consequências deste procedimento,
avaliamos viés, que vai passar a ser a consequência primária
desse tipo de problema de medição. Nós, assim, começar com o Pa­
dard estimador na equação (3.7) aplicada ao observado X e Y para
o modelo de cima.
n
i = 1 X i Y i
b = _________ (5,2)
n 2
i = 1 X i
n
i = 1 ( X i * + U i ) Y i
= _______________
n
i = 1 ( X i * + U i ) 2
n
( N L i Y i )
i = 1 X i * Y i + i = 1 
= ________________________________
n n n
i = 1 X i *  2 i = 1 
+ 2  + ( 2 i = 1 X i * L i )
L i

Deve ficar claro que b será tendenciosa, E ( b ) ≠ b. Além disso, a
dois termos entre parênteses na última linha da equação (5.2) será zero
em média, porque assumimos que U e Y , e L e X *,
não estão correlacionados (isto é, C ( L i , Y i ) = E ( L i , Y i ) = 0). esta equação
Por conseguinte, reduz­se a cerca de 7
n
i = 1 X i * Y I
b ≈ _________________
n n
+ 2L i
i = 1 X i *  2 i = 1 

Esta equação para o estimador de b no modelo acima é a mesma
como um padrão, excepto para o termo extra no denominador,
n 2 (comparar equação [3,7]). Este termo representa a quantidade
i = 1 L i
de erros de medição em X , a variação da amostra do erro U . No
ausência de erro de medição, este termo é zero, e a equação
reduz­se o estimador padrão na equação (3.7), uma vez que seria

https://translate.googleusercontent.com/translate_f 128/187
02/12/2016 Projetando Inquérito sociais
têm realmente observado os verdadeiros valores da variável explicativa.
No caso geral, com alguns erros de medição, N i = 1 2 L ié uma soma
de quadrado termos e assim será sempre positivo. Uma vez que esse termo é
adicionada ao denominador, b vai se aproximar zero. Se a estimativa correta
7 Uma vez que esta equação detém exatamente apenas em grandes amostras, estamos realmente analisar con­
consistência em vez de viés (ponto 2.7.1). Mais precisamente, os termos entre parênteses
na equação (5.2), quando dividido por n , desaparecem como n se aproxima do infinito.

Página 180

168 · Compreender o que evitar
Mator iria produzir um grande número positivo, medição aleatória
erro mento na variável explicativa incorretamente fazer com que o
pesquisador de pensar b foi positivo, mas menor. Se a estimativa baseada
em X * foram um grande número negativo, um pesquisador de dados analisando
com medições de erros aleatórios poderia pensar a estimativa era um
menor número negativo.
Seria simples de usar esta análise formal para mostrar
que medições de erros aleatórios nas variáveis   explicativas também
provoca ineficiências, mas polarização é geralmente um problema mais sério,
e nós vamos lidar com isso em primeiro lugar.

5.2 Excluindo variáveis   relevantes: BIAS
A maioria dos cientistas sociais qualitativos apreciar a importância de controle­
ling para os efeitos possivelmente espúrias de outras variáveis   quando estimat­
ing o efeito de uma variável de outra. Maneiras para efetuar esse controle
incluem, entre outros, (1843) métodos de diferença de John Stuart Mill
e similaridade (que, ironicamente, são referidos por Przeworski e
Teune (1982) como a maioria dos projetos de sistemas semelhantes e mais diferentes, re­
respectivamente), (1967) "Caso comparação disciplinada­configurativa de Verba
filhos ", (que são semelhantes a [1982], de George" com­ estruturado com foco
comparações "), e diversas maneiras de usar pressupostos ceteris paribus e
counterfactuals semelhantes. Estas frases são frequentemente invocado, mas re­
os pesquisadores muitas vezes têm dificuldade de aplicá­las de forma eficaz. Infeliz­
damente, os pesquisadores qualitativos têm poucas ferramentas para expressar a pré
consequências Cise de não ter tido em conta variáveis   adicionais no
situações particulares de pesquisa: isto é, de "omitido viés de variável." Nós
fornecer essas ferramentas nesta seção.
Começamos nossa discussão sobre esta questão com uma análise verbal do
consequências de polarização variável omitida e segui­lo com um anal­ formais
ysis deste problema. Então, vamos nos voltar para questões mais amplas de re­
projeto de pesquisa levantada pelo viés de variável omitida.

5.2.1 A aferição da polarização de variáveis   omitidas
Suponha que desejamos para estimar o efeito causal da nossa variável explicativa
capaz X 1 na nossa variável dependente Y . Se estamos a realizar um quantitativo
análise tiva, denotamos este efeito causal de X 1 em Y como b 1 . Uma forma de
estimar b 1 é, executando uma equação de regressão ou outra forma de
análise, o que origina uma estimativa b 1 de b 1 . Se estamos realizando qua­
pesquisa itative, também vamos procurar fazer uma estimativa tal do

Página 181

Excluindo Variáveis   relevantes · 169
efeito causal; no entanto, esta estimativa irá depender de argumento verbal
e avaliação do investigador, com base na experiência e julgamento.
Suponha­se que depois de ter feito estas estimativas (quantitativa ou
qualitativamente) um colega dá uma olhada em nossa análise e objetos que
https://translate.googleusercontent.com/translate_f 129/187
02/12/2016 Projetando Inquérito sociais
omitimos uma variável de controle importante, X 2 . Temos sido esti­
acasalando o efeito de gastos de campanha na proporção dos votos
recebida por um candidato ao Congresso. Nosso colega conjectura que
a nossa conclusão é espúria devido ao "viés de variável omitida." Ou seja, ela su­
gests que a nossa estimativa de b 1 de b 1 é incorrecta, uma vez que não conseguimos tomar
em conta uma outra variável explicativa X 2 (como uma medida de
se o candidato é um candidato à reeleição). O verdadeiro modelo deve
presumivelmente controlar o efeito da nova variável.
Como devemos avaliar sua reivindicação? Em particular, sob o seu acondicionamento
ções seria a nossa omissão de a incumbência de medição variável afetam
nossa estimativa do efeito dos gastos em votos e em que condi­
ções ele teria nenhum efeito? Claramente, a omissão de um termo medi­
ing incumbência não importa se incumbência não tem efeito sobre o de­
pendent variável; isto é, se X 2 é irrelevante, uma vez que não tem efeito sobre
Y , que não irá causar viés. Este é o primeiro caso especial: irrelevante omitido
variáveis   causar nenhum preconceito. Assim, se incumbência não tinha conse­ eleitoral
cias poderíamos ignorar o fato de que foi omitido.
O segundo caso especial, que também produz nenhum preconceito, ocorre quando
a variável omitida não está correlacionada com a explicativo incluiu
variável. Assim, também não há viés se o estado incumbência é uncorre­
lada com a nossa variável explicativa, gastos de campanha. intuitivamente,
quando uma variável omitida não está correlacionada com a explicativo principal
variável de interesse, controlando para que não iria mudar a nossa estimativa de
o efeito causal da nossa principal variável, uma vez que nós controlamos para a parte
a variação de que as duas variáveis   têm em comum, se houver. Assim,
podemos omitir segurança variáveis   de controle, mesmo se eles têm uma forte influência sobre
a variável dependente, desde que não variam com o explan­ incluído
variável tória . 8

8 Note­se a diferença entre os dois casos em que a omissão de uma variável é aceitável.
No primeiro caso, em que a variável omitida não está relacionado com a variável dependente,
não há preconceito e perdemos nenhum poder na previsão de valores futuros da variável dependente
capaz. Neste último caso, em que a variável omitida não está relacionado com o independente
variável embora relacionada com a variável dependente, não temos nenhum preconceito em nossa estimativa do
relação da variável explicativa incluído e a variável dependente, mas perdemos
alguma precisão na previsão de valores futuros da variável dependente. Assim, se incum­
Bency não foram relacionados para a campanha de gastos, omitindo que seria não viés nossa estimativa de
a relação de gastos de campanha para votos. Mas, se o nosso objectivo previam, nós
gostaria de mapear toda a variação sistemática na variável dependente, e omit­
ting incumbency impediria que uma vez que estamos deixando de fora uma importante variável causal
capaz. No entanto, mesmo se o nosso objectivo a longo prazo foram a explicação sistemática mais completa do

Página 182

170 · Compreender o que evitar
Se estes casos especiais não segure por alguma variável omitida (ou seja, este
variável é correlacionada com a variável explicativa incluído e tem
um efeito sobre a variável dependente), em seguida, a incapacidade de controlar pois irá
viés nossa estimativa (ou percepção) do efeito da variável incluído.
No caso em questão, o nosso colega estaria certo em suas críticas desde
incumbência está relacionada tanto a variável dependente ea independência
variável dent: titulares obter mais votos e gastam mais.
Essa percepção pode ser colocado em termos formais, concentrando­se na última linha
da equação (5.5) da caixa abaixo:

E ( b 1 ) = b 1 + F b 2 (5.3)

Esta é a equação utilizada para calcular o viés na estimativa do
efeito de X 1 sobre a variável dependente Y . Nesta equação, F representa
o grau de correlação entre as duas variáveis explicativas X 1
e X 2 . 9 Se o estimador calculada utilizando apenas X 1 como um explicativa
variável (que é b 1 ) foi imparcial, ele seria igual a b 1 , em média; isso é,
seria verdade que E ( b 1 ) = b 1 . Este estimador é imparcial nos dois
casos especiais onde o termo viés F b 2 igual a zero. É fácil ver que
este formaliza as condições de enviesamento que mencionadas acima.
Ou seja, podemos omitir uma variável de controle se qualquer
• A variável omitida não tem efeito causal sobre a variável dependente (que

https://translate.googleusercontent.com/translate_f 130/187
02/12/2016 Projetando Inquérito sociais
é, b 2  = 0, independentemente da natureza da relação entre a incluídos
e variáveis excluídas F ); ou
• A variável omitida não está correlacionada com a variável incluído (isto é,
F = 0, independentemente do valor de b 2  ).
Se descobrirmos uma variável omitida que nós suspeitamos que pode estar influenciando
nossos resultados, a nossa análise deve não termina aqui. Se possível, devemos
de controlo para a variável omitida. E mesmo se não podemos, porque nós
não têm boa fonte de dados sobre a variável omitida, o nosso modelo pode
nos ajuda a determinar a direcção de polarização, que pode ser extremamente Ajuda­
ful. Tendo uma subestimação ou uma superestimativa pode substancialmente
reforçar ou enfraquecer um argumento existente.
Por exemplo, suponha que nós estudamos alguns estados da África Subsaariana
e achar que golpes de Estado aparecem com mais frequência em política repressão
regimes­que sive b 1 (o efeito da repressão sobre a probabilidade de um
coup) é positivo. Isto é, a variável de motivos é o grau de po­

voto, pode revelar­se difícil de ser muito confiante de vários efeitos causais dentro do
quadro de um único estudo. Assim, ele pode pagar para se concentrar em um efeito causal (ou apenas um
alguns), qualquer que seja o nosso objectivo a longo prazo.
9 Mais precisamente, F é a estimativa coeficiente produzido quando X 1 for regrediram em X 2 .

Página 183

Excluindo Variáveis   relevantes · 171
repressão polí­, ea variável dependente é a probabilidade de um
golpe. A unidade de análise são os países da África Subsaariana. Nós
pode até mesmo ampliar a amostra para outros países africanos e vir para o
mesma conclusão. No entanto, suponha que nós não considerou a pos­
síveis efeitos de condições económicas nos golpes. Embora possamos ter
não há dados sobre as condições econômicas, é razoável supor que
desemprego provavelmente aumentaria a probabilidade de um golpe
d'etat (b 2 > 0), e também parece provável que o desemprego é positiva
correlacionada com a repressão política ( F > 0). Assumimos também, para o
fins desta ilustração que as condições económicas são antes de nossa
chave variável causal, o grau de repressão política. Se esse é o caso,
o grau de viés na nossa análise poderia ser grave. desde desemprego
mento tem uma correlação positiva com a variável dependente e
a variável explicativa ( F b 2 > 0, neste caso), excluindo essa variável
significaria que estávamos inadvertidamente estimar o efeito de re­
pression e do desemprego sobre a probabilidade de um golpe de Estado em vez de apenas
repressão (b 1 + F b 2 em vez de b 1 ). Além disso, porque o conjunto im­
pacto de repressão e de desemprego é maior do que o efeito de re­
pression sozinho (b 1 + F b 2 é maior do que b 1 ), a estimativa do efeito de
repressão ( b 1 ) será muito grande, em média. Portanto, esta análise
mostra que, ao excluir os efeitos do desemprego, que su­
acoplado os efeitos da repressão política. (Isto é diferente do con­
sequências de erros de medição nas variáveis   explicativas desde
omitido de polarização variável, por vezes, pode causar uma relação negativa para
ser estimada como uma positiva.)
Omitindo variáveis   relevantes nem sempre resulta em superestimativa
de efeitos causais. Por exemplo, poderíamos razoavelmente supor que em
alguns outros países (talvez o objecto de um novo estudo), política
repressão e desemprego foram inversamente relacionados (que F é nega­
tiva). Nestes países, a repressão política pode permitir que o governo
mento para controlar as facções em guerra, impor a paz de cima, e colocá
a maioria das pessoas para o trabalho. Isto por sua vez significa que o efeito de polarização intro­
produzida pela relação negativa do desemprego e da repressão
( F b 2 ) também será negativo, contanto que ainda estão dispostos a assumir que
mais desemprego vai aumentar a probabilidade de um golpe nestes
Países em desenvolvimento. A consequência substantiva é que o efeito estimado da
repressão sobre a probabilidade de um golpe ( E ( b 1 )) agora será menor do que o
efeito verdadeiro (b 1 ). Assim, se estão excluídos condições económicas, b 1 irá ge­
ralmente ser uma subestimativa do efeito da repressão política. Se F é
suficientemente negativo e b 2 é suficientemente grande, então poderíamos rou­
tinely estimar um positivo b 1 a ser negativo e incorretamente concluir
que mais repressão política diminui a probabilidade de um golpe

https://translate.googleusercontent.com/translate_f 131/187
02/12/2016 Projetando Inquérito sociais
d'etat! Mesmo que tivéssemos informações suficientes sobre as taxas de desemprego

Página 184

172 · Compreender o que evitar
para incluí­lo no estudo original, uma análise como esta ainda pode nos ajudar
gerar conclusões substanciais razoáveis.
Como esses exemplos devem deixar claro, não precisamos realmente executar um
de regressão para estimar parâmetros, para avaliar os graus e direções
de viés, ou para chegar a tais conclusões. estimativa qualitativa e intuitiva
mates estão sujeitos aos mesmos tipos de preconceitos que forem estritamente quantitativa
Outros. Esta seção mostra que, em ambas as situações, informações fora
os dados existentes podem ajudar substancialmente na estimativa do grau e
direção do viés.
Se sabemos que o nosso projeto de pesquisa pode sofrer de variável omitida
veis, mas não sei o que essas variáveis   são, então podemos muito bem
tem conclusões defeituosas (e alguns pesquisador futuro é provável que encontre
eles). Os incentivos para saber mais são óbvias. Felizmente, em
maioria dos casos, os pesquisadores têm informações consideráveis   sobre as variáveis
fora da sua análise. Às vezes, essa informação é detalhada, mas
disponível apenas para algumas subunidades, ou parcial, mas amplamente aplicável, ou
mesmo a partir de estudos de pesquisa anteriores. Qualquer que seja a fonte, mesmo in­
informação completa pode ajudar um foco sobre o grau provável e di­
recção de viés em nossos efeitos causais.
Claro, mesmo estudiosos que compreende as consequências da omit­
ted viés de variável pode ter dificuldades em identificar as variáveis
que pode ser omitido da sua análise. Nenhuma fórmula pode ser fornecida
para lidar com este problema, mas nós aconselhamos que todos os pesquisadores, quan­
quan­ e qualitativa, olhar sistematicamente para variável de controle omitido
ables e considerar se eles devem ser incluídos na análise.
Sugerimos algumas diretrizes para essa revisão nesta seção.
variáveis   omitidas pode causar dificuldades mesmo quando temos ade­
informações quada em todas as variáveis   relevantes. Estudiosos às vezes têm
tal informação, e acreditando que as diversas variáveis   a ser positivamente
relacionada com a variável dependente, estimam os efeitos causais de
estas variáveis   sequencialmente, em "bivariada" separada analisa. É par­
tentadora particular­ usar essa abordagem em estudos com um número pequeno
de observações, já incluindo muitas variáveis   explicativas simul­
amente cria estimativas muito imprecisas ou mesmo um indeterminado
projeto de pesquisa, como discutido na seção 4.1. Infelizmente, no entanto,
cada análise exclui as outras variáveis   relevantes, e essa omissão
leva a polarização variável omitida em cada estimativa. A solução ideal é
não apenas para recolher informação sobre todas as variáveis   relevantes, mas explici­
tamente e , simultaneamente, para controlar todas as variáveis relevantes. o qualitativa
tiva pesquisador deve reconhecer que a incapacidade de levar em conta todas rele­
variáveis   vant ao mesmo tempo leva a inferências tendenciosas. Reconhecimento
das fontes de viés é valiosa, mesmo que um pequeno número de observação
ções tornam impossível removê­los.

Página 185

Excluindo Variáveis   relevantes · 173
A preocupação com viés de variável omitida, no entanto, deve não levar­nos auto­
maticamente para incluir todas as variáveis   cuja omissão pode causar viés
porque ele é correlacionado com a variável independente e tem um efeito
sobre a variável dependente. Em geral, não devemos controlar para um ex­
variável explicativo que é em parte uma consequência da nossa variável causal chave.
Considere o seguinte exemplo. Suponha que estamos interessados   na
efeito causal de um adicional de US $ 10.000 em renda (a nossa variável de tratamento
capaz) na probabilidade de que um cidadão irá votar no can­ Democrática
didata (nossa variável dependente). Devemos controlar se esta

https://translate.googleusercontent.com/translate_f 132/187
02/12/2016 Projetando Inquérito sociais
relatórios de cidadãos que pretendem votar Democrática em uma entrevista de cinco min­
utes antes que ele chegue nas urnas? Esta variável de controle certamente afec­
tões afecta a variável dependente e é, provavelmente, correlacionado com o ex­
variável explicativo. Intuitivamente, a resposta é não. Se fizéssemos o controle para
­lo, o efeito estimado de renda sobre votando Democrática seria al­
mais inteiramente atribuídas à variável de controlo, o que neste caso é
Dificilmente uma explicação causal alternativa. A aplicação cega do
regras de polarização variável omitida, acima, pode incorretamente levar a con­
trolar para esta variável. Afinal, esta variável de controle possível, certamente,
tem um efeito sobre a variável dependente da votação Democrática­e é
correlacionada com a renda variável explicativa chave. mas incluindo
esta variável atribuiria parte do efeito causal da nossa explan­ chave
variável tória para a variável de controle.
Para dar outro exemplo, suponha que estamos interessados   no causal
efeito de um aumento acentuado dos preços do petróleo bruto na opinião pública sobre
a existência de uma falta de energia. Poderíamos obter medidas de azeite
preços (nossa variável causal key) de jornais e opinião uso
pesquisas como a nossa variável dependente para avaliar a percepção do público de
se existe uma falta de energia. Mas podemos nos perguntar se nós
deve controlar os efeitos da cobertura televisiva de energia probabilidade
Problemas Certamente cobertura televisiva de problemas de energia está correlacionada
tanto com a variável explicativa incluído (preços do petróleo bruto) e do
variável dependente (a opinião pública sobre uma escassez de energia). Como­
nunca, uma vez que a cobertura da televisão é em parte uma consequência do mundo real
os preços do petróleo, não devemos controlar para que a cobertura na avaliação da
influência causal dos preços do petróleo sobre a opinião pública sobre um curto energia
idade. Se em vez disso, estavam interessados   no efeito causal de abran­ televisão
erage, gostaríamos de controlar os preços do petróleo, uma vez que estes preços vêm antes
a variável explicativa chave (que é agora de cobertura). 10
10 Vale a pena considerar apenas o que significa olhar para o efeito causal estimado de
preços de óleo bruto sobre a opinião pública sobre a escassez de energia, controlando para o
quantidade de cobertura de televisão sobre a escassez de energia. Considere duas descrições, tanto
dos quais são importantes na medida em que nos permitem aprofundar a análise e estudo do causal
processos em maior profundidade. Em primeiro lugar, este efeito estimado é apenas o efeito desse aspecto do petróleo

Page 186

174 · Compreender o que evitar
Assim, para estimar o efeito total de uma variável explicativa, nós
deve listar todas as variáveis   que, de acordo com o nosso modelo teórico, poderiam
fazer com que a variável dependente. Para repetir o que foi dito acima: em ge­
eral, não devemos controlar para uma variável explicativa que é, em parte,
uma consequência da nossa variável explicativa chave. tendo eliminado
estas variáveis   explicativas possíveis, devemos, então, controlar para outra
variáveis   explicativas potenciais que poderiam causar omitidos
variável bias­os que estão correlacionados tanto com a variável dependente
capazes e com as variáveis   explicativas incluídas. 11
O argumento de que não devemos controlar as variáveis   explicativas
que são conseqüências de nossas variáveis   explicativas chave tem um muito im­
implicação portante para o papel da teoria no projeto de pesquisa. Pensando
sobre esta questão, podemos ver por que devemos começar com, ou pelo menos de trabalho
para um modelo teoricamente motivada, em vez de "data­mining":
correndo regressões ou análises qualitativas com qualquer que seja explicativo
variáveis   que podemos pensar. Sem um modelo teórico, não podemos de­
cide quais variáveis   explicativas potenciais devem ser incluídos em nossa
análise. Com efeito, na ausência de um modelo, que pode chegar a mais forte
resultados usando um trivial variável explicativa, tais como propósito
voto democrático cinco minutos antes de entrar no local de votação e
o controle de todos os outros fatores correlacionados com ele. Não podemos determinar
se para controlar ou ignorar possíveis variáveis   explicativas que são
correlacionados entre si sem um modelo teoricamente motivada,
sem a qual nós temos graves perigos tanto de viés de variável omitida
ou trivialidade no projeto de pesquisa.
Escolhendo quando adicionar variáveis   explicativas adicionais para a nossa anal­
ysis não é de forma simples. O número de variáveis   adicionais é Al­
formas ilimitadas, nossos recursos são limitados, e, acima de tudo, o mais

https://translate.googleusercontent.com/translate_f 133/187
02/12/2016 Projetando Inquérito sociais

preços que diretamente afeta a opinião pública sobre a escassez de energia, além do aspecto
do efeito causal que afeta a opinião pública indiretamente com a mudança de cobertura de televisão
idade. Ou seja, é a direta e não o efeito indireto do óleo sobre a opinião. O efeito total
pode ser encontrado não controlando para a extensão da cobertura televisiva de escassez de energia
Em tudo. Uma descrição alternativa deste efeito é o efeito dos preços da energia sobre a variável
"Opinião pública sobre a escassez de energia dado um grau fixo de cobertura televisiva
sobre a escassez de energia. "Como exemplo deste último, imagine o experimento no qual
nós controlamos a cobertura televisiva rede de escassez de petróleo e obrigou­o a permanecer na
mesmo nível, enquanto os preços do petróleo bruto variou naturalmente. Dado que a cobertura é uma constante neste
experiência, ele é controlado por sem qualquer outro procedimento explícito. Mesmo que pudéssemos
não fazer uma experiência, ainda poderíamos estimar esse efeito condicional dos preços do petróleo em pub­
opinião lic sobre a escassez de energia, controlando para a cobertura de televisão.
11 Além disso, talvez possa estar interessado apenas o efeito directo ou indirecto de uma variável,
ou mesmo no efeito causal de alguma outra variável de uma equação. Nesta situação, um
procedimento perfeitamente razoável é executar várias análises diferentes sobre os mesmos dados, como
desde que entendamos as diferenças de interpretação.

Página 187

Excluindo Variáveis   relevantes · 175
variáveis   explicativas que incluem, menos alavancagem que temos para esti­
acasalamento qualquer dos efeitos causais individuais. Evitando variável omitida
viés é uma razão para adicionar variáveis   explicativas adicionais. Se relevante
variáveis   são omitidos, a nossa capacidade de estimar inferências causais cor­
rectamente é limitada.

Uma análise formal de Bias variável omitida. Vamos começar com um
modelo simples com duas variáveis   explicativas

E ( Y ) = X 1 b 1 + X 2 b 2 (5.4)

Suponhamos agora que nos deparamos com uma análise importante, que re­
portado o efeito de X 1 em Y sem controle de X 2 . Em que
circunstâncias teríamos motivos para criticar este trabalho ou
justificação para a busca de fundos para refazer o estudo? Para responder a esta
questão, avaliamos formalmente o estimador com a con­ omitido
variável de controle.
O estimador de b 1 , onde omitimos X 2 é
n
i = 1 X 1 i Y i
b 1 = _________
n
i = 1 2X 1 I

Para avaliar este estimador, tomamos a expectativa de b 1 através hipo
repetições thetical sob o modelo da equação (5.4):
⎛ n ­benzóico.
­benzóico.
i = 1 X 1 i Y i ⎟
­benzóico.
E ( b 1 ) = E (5.5)
n 2 ­benzóico.
­benzóico.
i = 1 X 1 I
n
i = 1 X 1 I E ( Y i )
= ____________
n 2
i = 1 X 1 I
n
i = 1 X 1 i ( X 1 i b  1 + X 2 i b  2 )
= _____________________
n
i = 1 2X 1 I
n 2 b  1 + n
i = 1 X 1 I i = 1 X 1 I X 2 i b  2 )
= ________________________
n 2
i = 1 X 1 I

= B 1 + F b 2

https://translate.googleusercontent.com/translate_f 134/187
02/12/2016 Projetando Inquérito sociais

Página 188

176 · Compreender o que evitar
n
i = 1 X 1 i X 2 i
onde F = __________, o coeficiente de inclinação da regressão de
n 2
i = 1 X 1 I
X 1 em X 2 . A última linha desta equação é reproduzido no texto
A equação (5.3) e é discutido em detalhe acima.

5.2.2 Exemplos de polarização variável omitida
Nesta seção, consideramos vários exem­ quantitativa e qualitativa
ples, alguns hipotética e alguns da investigação propriamente dita. Por exemplo,
nível educacional é um dos melhores preditores de participação política.
Aqueles que têm níveis mais elevados de educação são mais propensos a votar e
mais propensos a tomar parte na política em uma série de outras maneiras. supor
nós achamos que este seja o caso em um novo conjunto de dados, mas quer ir mais longe e
ver se a relação entre as duas variáveis   é causal e,
em caso afirmativo, como a educação leva à participação.
A primeira coisa que poderíamos fazer seria para ver se há omit­
ted variáveis   antecedentes à educação que estão correlacionados com educação
ção e ao mesmo tempo a participação causa. Dois exemplos podem ser
o envolvimento político dos pais do indivíduo e da raça do
Individual. Os pais ativos na política pode incutir um interesse em par­
ticipação nos seus filhos e, ao mesmo tempo ser o tipo de pais
que promover a realização educacional em seus filhos. Se não in­
cluir esta variável, nós podemos ter uma relação espúria entre ED
edu­ ea atividade política ou uma estimativa da relação que foi
muito forte.
Corrida pode desempenhar o mesmo papel. Em uma sociedade racialmente discriminatória,
os negros pode ser impedido de ambas as oportunidades educacionais e polit­
participação iCal. Num caso, o efeito aparente de educação sobre
participação não seria real. Idealmente, gostaríamos de eliminar
todas as possíveis variáveis   omitidas que poderiam explicar afastado parte ou a totalidade do
relação entre educação e participação.
Mas o fato de que a relação entre educação e participação
ção diminui ou desaparece quando controlamos para uma variável antecedente
capaz não significa necessariamente que a educação é irrelevante. supor
descobrimos que o link educação de participação diminuída quando nós
controlados para a corrida. Um motivo pode ser, como no exemplo acima, isto
discriminação contra os negros significava que a raça foi associada separação
damente com os dois níveis de escolaridade e participação. Sob estes
condições, qualquer nexo de causalidade real entre educação e participação
existiria. Por outro lado, a raça pode afetar participação política

Página 189

Excluindo Variáveis   relevantes · 177
ção através da educação. Discriminação racial pode reduzir o acesso
dos negros à educação. Educação pode, por sua vez, ser o principal fator
levando a participação. Neste caso, a redução na relação
entre educação e participação que é introduzido quando o in­
vestigator acrescenta corrida para a análise não diminui a importância
de Educação. Em vez disso, ele explica como raça e educação interagem para
afetar a participação.
Note­se que estas duas situações são fundamentalmente diferentes. Se menor
participação por parte dos negros foi devido a uma falta de educação, que
poderia esperar a participação de aumentar se o seu nível médio de educação
ção aumentada. Mas se a razão para o menor participação foi direta
discriminação política que impedia a participação de negros como
cidadãos, melhoria educacional seria irrelevante a mudanças na
padrões de participação.

https://translate.googleusercontent.com/translate_f 135/187
02/12/2016 Projetando Inquérito sociais
Nós também pode olhar para as variáveis   que são simultânea com educação
ção ou que se lhe seguiu. Podemos olhar para variáveis    omitidas que mostram
a relação entre educação e participação para ser espúria.
Ou podemos olhar para as variáveis   que ajudam a explicar como funciona a educação
para fomentar a participação. Na primeira categoria pode ser de tal variável
como o nível de inteligência geral do indivíduo (o que pode levar a
indo bem na escola e atividade política). Nesta última categoria,
pode ser variáveis   que medem aspectos da educação, tais como a exposição a
cursos de educação cívica, oportunidades de participar no governo do estudante, e
aprendizagem de habilidades básicos de comunicações. Se ele foram encontrados um ou
mais do último, quando incluídos na análise, reduziu o relacionamento
navio entre o nível de instrução e de participação (quando con­
controlada por habilidades de comunicação, não houve efeito independente de
realização educacional de participação), essa constatação não significaria
que a educação era irrelevante. As habilidades de comunicação necessárias
foram aprendidas na escola e não haveria uma diferença de tais habilidades
entre os diferentes níveis de ensino. Qual a análise que nos diga seria
como a educação influenciado participação.
Todos estes exemplos ilustram mais uma vez porque é necessário
tem um modelo teórico em mente para avaliar. Não há outra maneira de
escolher quais variáveis   para usar em nossa análise. A teoria de como educação
ção afetada atividade cívica nos guiaria para as variáveis   a incluir.
Apesar de não adicionar variáveis   adicionais para uma equação de regressão em
pesquisa qualitativa, a lógica é a mesma coisa quando nós decidir o que
outros factores a ter em conta. Considere a questão de pesquisa que
levantada anteriormente: o impacto das reuniões de cúpula sobre a cooperação entre
as superpotências. Suponha que nós achamos que a cooperação entre a
Estados Unidos e da União Soviética foi maior nos anos seguintes uma cúpula

Página 190

178 · Compreender o que evitar
que precede uma. Como é que sabemos que o efeito é real e
não o resultado de alguma variável omitida? E se estamos convencidos de que é
real, podemos explicar melhor como ele funciona?
Podemos considerar variáveis   antecedentes que seriam re­
lada à probabilidade de uma cúpula e também pode ser causas diretas de
cooperação. Talvez quando os líderes de cada país ter confiança em
o outro, eles se encontram com frequência e seus países cooperar. ou per­
haps quando as ambições geopolíticas de ambos os lados são limitadas para do­
razões políticas mestic, eles agendar reuniões e cooperam. Dentro
Nessas circunstâncias, cimeiras­se que não desempenham qualquer papel directo na
promoção da cooperação, embora o agendamento de uma reunião de cúpula poderia ser um
bom indicador de que as coisas estavam indo bem entre as superpotências.
É também possível que as cúpulas seria parte de uma sequência causal, apenas
como a raça pode ter afetado o nível educacional que por sua vez afetada
participação. Quando os líderes da superpotência ter confiança em um
outra, que eles chamam de uma cimeira para reforçar a confiança mútua. Este,
por sua vez, leva à cooperação. Neste caso, a cimeira está longe de ser irrele­
vant. Sem ele, haveria menos cooperação. confiança e
cimeiras interagem para criar a cooperação. Suponha que ter esses factores
em conta e descobrir que cimeiras parecem desempenhar um independente
role­ie, quando controlamos para a confiança mútua anterior do
líderes e suas ambições geopolíticas, a conclusão é que a sum­
mit parece conduzir a uma maior cooperação. Nós ainda pode ir mais longe e
perguntar como isso acontece. Poderíamos comparar entre cimeiras em termos de
características que podem torná­los mais ou menos bem sucedido e ver se
tais factores estão relacionados com o grau de cooperação que se segue.
Mais uma vez temos que escolher factores a considerar, e estes podem incluir:
o grau de preparação, se as questões eram económica bastante
de segurança, o grau de harmonia doméstica em cada nação, o
clima na cimeira, e a comida. Teoria teria para nos guiar;
ou seja, seria preciso uma visão de conceitos e relacionamentos que
apontaria para variáveis   explicativas relevantes e proporia hy­
potheses consistente com a lógica e experiência sobre os seus efeitos.
Para os pesquisadores, com um pequeno número de observações, omitido variável
https://translate.googleusercontent.com/translate_f 136/187
02/12/2016 Projetando Inquérito sociais
viés capaz é muito difícil de evitar. Nesta situação, é muito ineficiência
dispendioso; incluindo muitas variáveis   de controle irrelevantes podem fazer uma re­
projeto de pesquisa indeterminado (secção 4.1). Mas omitindo controlo relevante
variáveis   podem introduzir viés. E, a priori, o pesquisador não pode
saber se uma variável candidato é relevante ou não.
Podemos ser tentados neste momento a concluir que a inferência causal é
impossível com um pequeno número de observações. Em nossa opinião, no entanto,
as lições a serem aprendidas são mais limitadas e mais otimista. Debaixo­
estando a dificuldade de fazer inferências causais válidas com poucas ob­

Página 191

Excluindo Variáveis   relevantes · 179
servações deve fazer­nos cautelosos sobre como fazer afirmações causais.
Como indicado no capítulo 2, boa descrição e inferência descritiva
são mais valiosas do que inferência causal com defeito. Muito re­ qualitativa
Pesquisa de fato ser melhorado se houvesse mais atenção à validade
inferência descritiva e menos impulso de fazer afirmações causais no
com base em provas insuficientes com avaliações equivocadas sobre a sua teza
Tainty No entanto, progressos limitados em questões de compreensão causal é
no entanto, possível, se as questões teóricas com as quais estamos con­
causa são colocadas com suficiente clareza e ligado a apropriar­se ob­
implicações que possa ser veiculado. Um exemplo recente de relações internacionais
pesquisa pode ajudar a tornar este ponto.
O estudo de Helen Milner, resistir ao proteccionismo (1988), foi motivada
por um enigma: por que foi US política comercial mais protecionista em 1920
do que na década de 1970, apesar das numerosas semelhanças entre os dois
Períodos Sua hipótese era que a interdependência internacional in­
vincado entre os anos 1920 e 1970 e ajudou a conta para o
diferença no comportamento dos EUA. A este nível agregado de análise, contudo
nunca, ela teve apenas as duas observações que motivaram o seu quebra­cabeça
que não poderia ajudá­la a distinguir sua hipótese de muitos outros
possíveis explicações desta observada variação. O nível de teza
teza em sua teoria seria, portanto, ter sido muito alto se tivesse
parou aqui. Por isso ela teve que procurar outro lugar para observável adicional
implicações capazes de sua teoria.
A abordagem de Milner foi elaborar o processo pelo qual ela causal
efeito foi pensado para ter lugar. Ela hipótese de que interesse económico
dependência entre democracias capitalistas afeta preferível nacional
cias por influenciar as preferências das indústrias e empresas, que
fazer lobby com sucesso para as suas políticas preferenciais. portanto, Milner estudada
uma variedade de indústrias norte­americanas nos anos 1920 e 1970 e indústria francesa
tenta na década de 1970 e descobriu que aqueles com grande investimento multinacional
mentos e mais dependência das exportações foram os menos protecionista. Estes
achados ajudou a confirmar a sua teoria mais ampla das diferenças em excesso
toda a política dos Estados Unidos entre os anos 1920 e 1970. Seus procedimentos foram
portanto, consistente com uma parte fundamental do nosso conselho metodológico:
especificar as implicações observáveis   da teoria, mesmo se não forem
os objetos de preocupação principal, e projetar a pesquisa para que infer­
cias podem ser feitas sobre estes implicações e utilizado para avaliar a
teoria. Por isso o estudo de Milner é exemplar em muitos aspectos.
O problema mais grave do projeto de pesquisa que Milner enfrentou in­
potencial volved variáveis   omitidas. A variável de controle mais óbvia
é o grau de concorrência das importações, uma vez mais intensa concorrência
ção de importações estrangeiras tende a produzir firma mais protecionista
Preferências. Isto é, a concorrência de importação é susceptível de ser correlacionado com

Página 192

180 · Compreender o que evitar

https://translate.googleusercontent.com/translate_f 137/187
02/12/2016 Projetando Inquérito sociais
variável dependente de Milner, e é na maioria dos casos antecedente ou
simultânea com suas variáveis   explicativas. Se esta variável de controle
também foram correlacionados com as variáveis   explicativas causais principais, multi­
investimento nacional e dependência das exportações, os resultados seriam
tendenciosa. De fato, uma correlação negativa entre a concorrência das importações e
dependência das exportações teria parecia provável nos princípios da
vantagem comparativa, então esse viés hipotético teria se tornado
real, se a concorrência das importações não foram incluídos como controle.
Milner lidou com esse problema, selecionando para o estudo apenas indústrias
que foram severamente afetadas pela concorrência estrangeira. Por isso, ela segurou
constante da gravidade da competição importação e eliminada, ou pelo menos
grandemente reduzida, o problema da polarização variável omitida. Ela poderia ter
realizada esta constante chave variável de controle em um nível diferente, tal como
únicas indústrias com níveis moderadamente elevados de importação de penetração­so
desde que ele era de fato constante para suas observações.
Tendo controlado para a concorrência das importações, no entanto, Milner ainda
enfrentado outras questões de variáveis   omitidas. Os dois candidatos principais
que ela considera mais sério, com base em uma revisão da teorica­
cal e literatura empírica em seu campo, foram (1) que muda nos EUA
poder explicaria as diferenças entre os resultados obtidos na
1920 e 1970, e (2) que as mudanças no perfil político doméstico
processos dos Estados Unidos iria fazê­lo. Sua tentativa de controlar o
primeiro fator foi construído em seu projeto de pesquisa original: uma vez que o pro­
parcela do comércio mundial envolvendo os Estados Unidos na década de 1970 era
mais ou menos semelhante ao seu envolvimento comercial na década de 1920, ela controlada por
esta dimensão do poder americano no nível agregado de US pol­
gelada, bem como na indústria e nível da empresa. No entanto, ela não fez
de controle para as diferenças entre o isolacionismo político do
Estados Unidos na década de 1920 e sua posição hegemônica como líder da aliança
na década de 1970; esses fatores poderiam ser analisadas mais para determinar a sua
potencialmente polarização efeitos.
Milner controlada por processos políticos internos, comparando in­
dustries e empresas dentro dos anos 1920 e na década de 1970, uma vez que todos
empresas dentro desses grupos enfrentaram as mesmas estruturas governamentais e
processos políticos. Seu estudo adicional de seis importação e competindo in­
dustries na França durante a década de 1970, obviamente não ajuda a segurar
processos políticos internos constante, mas a ajudou a descobrir que
o efeito causal da dependência de exportação de preferências para o protecionismo
ism não variou com mudanças nos processos políticos internos. por cuidado­
considerando totalmente diversas fontes potenciais de viés de variável omitida e
projetar seu estudo em conformidade, Milner reduziu muito o potencial
de viés.

Página 193

Excluindo Variáveis   relevantes · 181
No entanto, Milner não controlar explicitamente para vários outros possíveis
variáveis   omitidas. Seu estudo se concentrou "em preferências comerciais corporativos
e não examinar diretamente a influência da opinião pública, ideo­
gia, trabalho organizado, estrutura política doméstica, ou outra possível
fatores "(1988: 15­16). Sua decisão de não controlar essas variáveis
poderia ter sido justificada por razões teóricas que estes omitidos
variáveis   não estão relacionadas com, ou estão em consequências parte de, a chave
variáveis   causais (dependência de exportação e de investimento multinacional), ou
não têm nenhum efeito sobre a variável dependente (preferências para o protecionismo
ism ao nível da empresa, agregados para indústrias). No entanto, se estes
variáveis   omitidas foram plausivelmente ligada tanto ela explicativo e
variáveis   dependentes e foram causalmente antes de sua variável explicativa
capaz, ela teria de projetar seu estudo explicitamente para controlar
eles. 12
Finalmente, o procedimento de Milner para a seleção de indústrias arriscou fazer
suas inferências causais ineficiente. Como já observamos, o seu caso­selecção
procedimento lhe permitiu controlar a mais séria fonte potencial
de omitido de polarização variável, mantendo importação constante da concorrência,
que por razões teóricas era esperado para ser causalmente antes e
correlacionada com a variável causal chave e influenciá­la dependente
https://translate.googleusercontent.com/translate_f 138/187
02/12/2016 Projetando Inquérito sociais
Variáveis. Ela selecionou as indústrias que tinham os níveis mais altos de
concorrência das importações e não estratificar por qualquer outra variável. ela, então,
estudou as preferências de cada setor em sua amostra, e de muitos
empresas, para as preferências do protecionismo (ela variável dependente) e re­
procurou o grau de dependência económica internacional (seu ex­
variável explicativo).
Este processo de selecção é ineficiente no que diz respeito à sua causalidade in­
ças porque suas variáveis   causais principais variou menos do que teria
sido desejável (Milner, 1988: 39­42). Embora esta ineficiência virou
por não ser um problema grave no seu caso, ele quis dizer que ela teve que
fazer mais estudos de caso do que eram necessárias para atingir o mesmo nível de
certeza sobre suas conclusões (ver secção 6.2). Dito de outro modo, com
o mesmo número de casos, escolhidos de modo que elas variaram amplamente nela
variável explicativa, ela poderia ter produzido mais certo causal in­
12 Milner aborda o potencial para viés de variável omitida, mas o seu raciocínio é
falho: "Ao olhar para diferentes indústrias, em diferentes momentos e em diferentes países,
[O desenho da pesquisa] permite que essas [variáveis   de controle omitidos] para variar, enquanto mostra
que o argumento básico ainda se mantém "(1988: 15). Na verdade, a única maneira "para manter o controle variável
ables constante "é realmente para mantê­las constantes, para não deixá­los variar. Se com­ plausível
teorias competidoras tinha identificado estas variáveis   tão importantes, ela poderia ter olhado para um
conjunto de observações que diferiam em sua chave explicativa variável (grau de interna­
dependência cional económica do país, indústria ou empresa), mas não sobre estes controle
Variáveis.

Página 194

182 · Compreender o que evitar
ças. Ou seja, seu projeto teria sido mais eficiente se tivesse
escolheu algumas indústrias e empresas sem vínculos estrangeiros e alguns com
altos níveis de envolvimento estrangeiro, os quais sofreram de constante
níveis de instabilidade económica e de penetração das importações.
Os investigadores nunca pode conclusivamente rejeitar a hipótese de que omit­
variáveis   ted ter influenciado suas análises. No entanto, foi capaz de Milner
fazer um caso mais forte, mais convincente para sua hipótese do que ela
poderia ter feito se não tivesse tentado controlar para algumas fontes evidentes
de omitido viés de variável. estudo rigoroso de Milner indica que sociais
os cientistas que trabalham com material qualitativo não precisa desespero da MAK
ing inferências causais limitados. A perfeição é inatingível, talvez mesmo
indefinível; mas vinculação cuidadosa da teoria e método pode permitir que tudos
ies de ser concebido de uma forma que irá melhorar a plausibilidade da nossa
argumentos e reduzir a incerteza das nossas inferências causais.

5.3 INCLUINDO variáveis   irrelevantes: INEFICÁCIA
Por causa dos problemas potenciais com viés de variável omitida descritos
na seção 5.2, podemos ingenuamente pensar que é essencial para coletar e
simultaneamente estimar os efeitos causais de todos explicativo possível
Variáveis. No início, devemos lembrar que este não é o impli­
cação da secção 5.2. Nós mostramos que há omitindo um explicativo
variável que não está correlacionada com as variáveis   explicativas incluídas
não cria viés, mesmo se a variável tem um forte impacto causal sobre
a variável dependente, e que o controle de variáveis   que são a
consequências das variáveis explicativas é um erro. Por isso, o nosso argumento
mento não deve levar os pesquisadores a recolher informação sobre todas as possíveis
influência causal ou criticar de investigação que deixe de fazê­lo .
Claro, um pesquisador pode ainda estar incerto sobre o que antece­
variáveis   de controle dent ter um impacto causal ou estão correlacionados com o
incluíram variáveis. Nesta situação, alguns pesquisadores podem tentar
incluem todas as variáveis   de controlo que estão correlacionados com o concebivelmente
variáveis   explicativas incluídas, bem como todos aqueles que podem ser ex­
perado em termos teóricos para afetar a variável dependente. Isto é
susceptíveis de ser uma lista muito longa de variáveis, muitas das quais podem ser irrele­
vant. Tal abordagem, que parece à primeira vista ser uma cautelosa
e os meios prudentes de evitar viés de variável omitida, seria, na verdade,
risco de produzir um projeto de pesquisa que só poderia produzir indetermi­
resulta nate. Em pesquisa com relativamente poucas observações, indetermi­
https://translate.googleusercontent.com/translate_f 139/187
02/12/2016 Projetando Inquérito sociais
nacy, como discutido na seção 4.1, é um problema particularmente grave, e
um design tão "prudente" seria realmente prejudicial. Esta seção
discute os custos de inclusão de variáveis   explicativas irrelevantes e
proporciona qualificações essenciais para a abordagem "incluem tudo".

Página 195

Incluindo variáveis   irrelevantes · 183
A inclusão de variáveis   irrelevantes pode ser muito caro. Nosso ponto­chave
é que, mesmo que a variável de controlo não tem efeito causal na depen­
variável dent, mais correlacionados a variável explicativa principal é com o
variável de controlo irrelevante, a menos eficiente, é a estimativa do causal principal
efeito.
Para ilustrar, vamos nos focar em dois procedimentos diferentes (ou "estima­
res ") para calcular uma estimativa do efeito causal de um ade­
ately incluídos variável explicativa. A primeira estimativa deste efeito é
a partir de uma análise sem variáveis   de controle irrelevantes; o segundo in­
clui uma variável de controle irrelevante. A análise formal na caixa
abaixo fornece as seguintes conclusões sobre o valor relativo de
estes dois processos, para além do já mencionado um. Primeiro,
ambos estimadores são imparciais . Ou seja, mesmo quando controlando para uma irrele­
variável explicativa vant, o estimador de costume ainda dá o direito an­
SWER em média. Em segundo lugar, se a variável de controlo irrelevante é uncorrelated
com a variável de motivos principal, a estimativa do efeito causal da
Este último é não só imparcial, mas é tão eficiente quanto a se a variável irrelevante tinha
não foram incluídos. Com efeito, se estas variáveis não são correlacionadas, precisamente
inferência o mesmo vai resultar. No entanto, se a variável de controlo irrelevante
capazes está altamente correlacionada com a principal variável explicativa, subs­
cial ineficiência irá ocorrer.
Os custos de controle de variáveis   irrelevantes são, portanto, elevado.
Quando fazemos isso, cada estudo que conduzimos é muito mais provável para produzir
estima muito longe dos verdadeiros efeitos causais. Quando replicar um estudo em
um novo conjunto de dados em que existe uma alta correlação entre a tecla
variável explicativa e um irrelevante incluídos variável de controle, nós
será provável encontrar resultados diferentes, o que sugere diferentes
inferências causais. Assim, mesmo se controlar para todos explan­ irrelevante
Atory variáveis   (e não fazer outros erros), teremos o direito
responder, em média, mas pode ser muito longe da resposta certa em qualquer
projeto único e, possivelmente, cada um. Em média, a reanálise será
produzir o mesmo efeito, mas a variável irrelevante irá aumentar o
ineficiência, assim como se tivéssemos descartado algumas das nossas observações. o
implicação deve ser clara: através da inclusão de uma variável irrelevante, estamos
colocando mais demandas em nosso conjunto de dados finitos, resultando em menos informações
ção disponível para cada inferência.
Como exemplo, considere novamente o estudo de golpes de Estado no Africano
Estados­Membros. Um estudo preliminar indica que o grau de re política
pression, a principal variável explicativa de interesse, aumentou a fre­
quência de golpes. Suponha que outro estudioso argumentou que o original
estudo foi falho porque não controlar se o estado ganhou
independência em uma ruptura violenta ou negociado do domínio colonial. apoio
representar acreditamos que esta segunda estudioso está errado e que a natureza do

Página 196

184 · Compreender o que evitar
quebra do domínio colonial não teve efeito sobre a variável dependente­o
frequência de golpes (após a variável explicativa principal, re­ política
pression, é controlado). Quais seriam as consequências de con­
trolling para isso, variável adicional irrelevante?
A resposta depende da relação entre a variável irrelevante
capaz, que mede a natureza da quebra do domínio colonial, e
https://translate.googleusercontent.com/translate_f 140/187
02/12/2016 Projetando Inquérito sociais
a principal variável explicativa, que mede a repressão política. E se
a correlação entre essas variáveis   é alta como parece plausible­
em seguida, incluindo estas variáveis   de controle produziria bastante ineficiente
Estimativas dos efeitos da repressão política. Para entender isso, aviso
que para controlar como a independência foi alcançada, o pesquisador
pode dividir suas categorias de regimes repressivos e não­repressiva
de acordo com se eles se separaram do domínio colonial violentamente ou por ne­
gociação. A frequência de golpes em cada categoria pode ser contado para
avaliar os efeitos causais de repressão política, enquanto os meios de
quebra do domínio colonial é controlado. Embora este tipo de design
é uma forma razoável para evitar viés de variável omitida, ele pode ter alta
custos: quando a variável de controlo adicional não tem efeito sobre a depen­
dent variável, mas está correlacionada com uma variável explicativa incluídos,
o número de observações em cada categoria é reduzida ea principal
efeito causal é estimada muito menos eficiente. Este resultado significa que
muito do trabalho duro o pesquisador colocou em foi desperdiçado, uma vez que
reduzir desnecessariamente a eficiência é equivalente a descartar observação
Ções. A melhor solução é recolher sempre mais observações, mas se
isso não for possível, os pesquisadores estão bem aconselhados para identificar irrelevante
variáveis   e não controla para eles.

Uma análise formal das ineficiências variável incluída. Suponha
o verdadeiro modelo é de E ( Y ) = X 1 b e V ( Y ) = s 2 . No entanto, nós incorretamente
acho que uma segunda variável explicativa X 2 também pertence na equação
Ção. Assim, estimamos

E ( Y ) = X 1 b 1 + X 2 b 2 (5.6)

sem saber que na verdade b 2 = 0. O resultado faz um si­
estimativa rs os de ambos os parâmetros têm para a nossa estimativa de b 1 ?
Definir b 1 como o estimador correcta, com base apenas em uma regressão de Y
em X 1 , e b 1 como o primeiro coeficiente de X i a partir de uma regressão de Y sobre
X 1 e X 2 . É fácil mostrar que não podemos distinguir entre
estes dois avaliadores com base em viés (sendo correto na
média em muitas experiências hipotéticas), já que ambos são un­
tendenciosa:

Página 197

Endogeneidade · 185

E ( b 1 ) = E (b 1 ) = b 1 (5.7)

Os estimadores não diferem, no entanto, no que diz respeito à eficiência. o
estimador correta tem uma variância (calculada na equação [3,9]) de
s 2
V ( b 1 ) = ________ (5,8)
n 2
i = 1 X 1 I
enquanto que o outro estimador tem variância
s 2
V (b 1 ) = _______________ (5,9)
n 2
(1 ­ r 12 
2
) i = 1 X 1 I

V ( b 1 )
= ________
(1 ­ r 12 
2
)
em que a correlação entre X 1 e X 2 seja R 12 (ver Goldberger
1991: 245).
A partir da última linha da equação (5.9), podemos ver o relacionamento precisa
navio entre as variâncias dos dois estimadores. Se a correlação
entre as duas variáveis   explicativas é zero, então não faz dife­
ference se você incluir a variável irrelevante ou não, uma vez que
ambos os avaliadores têm a mesma variância. No entanto, o mais pondente
lada duas variáveis   são, quanto maior for a variância, e, assim, diminuir o
eficiência, de b 1 .
https://translate.googleusercontent.com/translate_f 141/187
02/12/2016 Projetando Inquérito sociais

5.4 endogeneidade
pesquisa de ciência política raramente é experimental. Nós normalmente não
têm a oportunidade de manipular as variáveis   explicativas; Nós apenas
observá­los. Uma das consequências desta falta de controle é endogene­
dade­se que os valores nossas variáveis   explicativas assumem às vezes são
Em consequência, em vez de uma causa, da variável dependente. Com
verdadeiro manipulação experimental, a direcção da causalidade é unam­
biguous. Mas para muitas áreas de pesquisa qualitativa e quantitativa,
endogeneidade é um problema comum e grave. 13
13 Os pesquisadores qualitativos às vezes manipular variáveis explicativas através
observação do participante. Mesmo entrevistas em profundidade pode ser uma forma de experiência, se for dife­
perguntas tes são convidados sistematicamente ou outras condições são alteradas no inter­ diferente
Vistas.
pode sentir­se mais confortável aplicando "tratamentos" experimentais (pedindo determinada questão
Na verdade, ele pode até mesmo ser um problema mesmo para entrevistas em profundidade, uma vez que um pesquisador

Página 198

186 · Compreender o que evitar
Na ausência de controlo investigador sobre os valores da explicação
variáveis   tory, a direção da causalidade é sempre uma questão difícil. Dentro
pesquisa­quantitativa ou qualitativa não experimental­explicativo
e variáveis   dependentes variar devido a factores fora do controle
(E muitas vezes fora da vista) do pesquisador. Unidos invadem; oficiais do exército
golpes de enredo; gotas de inflação; as políticas governamentais são promulgadas; candidato
datas decidir concorrer a um cargo; os eleitores escolhem entre os candidatos. UMA
estudioso deve tentar juntar uma discussão sobre o que está causando
o que.
Um exemplo é proporcionado pela literatura na US dade do Congresso
Ções. Muitos estudiosos têm argumentado que o aumento dramático do eleitoral
vantagem de posse durante o final da década de 1960 foi devido, em grande parte,
para o aumento do serviço circunscrição realizada pelos membros de Con­
Gress. Ou seja, a franquia postal, os orçamentos para viagens ao distrito,
equipe no distrito para lidar com solicitações constituintes específicos, pork barrel
projetos e outros privilégios de escritório permitiram in­ Congresso
cumbents para construir apoio nos seus distritos. Muitos cidadãos votar em
candidatos com mandato por esse motivo.
Esta hipótese serviço eleitorado parece perfeitamente razoável, mas
que a evidência apoiá­lo? Numerosos estudiosos têm tentado
fornecer prova (para uma revisão dessa literatura, ver Cain, Fere­
john, e Fiorina 1987), mas a evidência positiva é escassa. o modal
estudo desta questão é baseada em medidas do serviço ao eleitorado
realizada por uma amostra de membros do Congresso e da proporção
dos votos para o candidato incumbente. Os pesquisadores, então, estimar
o impacto causal de serviço na votação por meio de análise de regressão.
Surpreendentemente, muitos destes estimativas indicam que o efeito é zero ou
mesmo negativo.
Parece provável que o problema da endogeneidade é responsável por estes
resultados paradoxais. Em outras palavras, os membros do grupo de maior risco de perder
a próxima eleição (talvez por causa de um escândalo ou tempos difíceis em sua
distrito) do serviço ao eleitorado extra. Os operadores históricos que se sentem seguras
em ser reeleito provavelmente se concentrar em outros aspectos de seus trabalhos,
tais como a elaboração de políticas em Washington. O resultado é que aqueles incum­
bents que fazem o serviço mais receber o menor número de votos. Isso não
significa que o serviço circunscrição reduz a votação, apenas que um ex­forte
perado voto reduz serviço. Ao ignorar o efeito de feedback, um de in­
ferências será fortemente tendencioso.
David Laitin descreve um exemplo de um problema endógeno numa
dos clássicos das ciências sociais do início do século XX, Max Weber
A Ética Protestante eo Espírito do Capitalismo. "Weber tentou

ções) a certos, nonrandomly selecionado, os respondentes. Experimentadores têm numerosos
seus próprios problemas, mas endogeneidade não é geralmente um deles.

https://translate.googleusercontent.com/translate_f 142/187
02/12/2016 Projetando Inquérito sociais

Página 199

Endogeneidade · 187
demonstrar que um tipo específico de comportamento da economia capitalista
espírito ­ era (inadvertidamente) induzida por ensinamentos protestantes e doc­
trincas. Mas . . . Weber e seus seguidores não poderia responder a uma objecção
que foi levantada para a sua tese: a saber, que os europeus que já
tinha interesse em romper os laços do espírito pré­capitalista poderia muito bem
deixaram a Igreja precisamente para esse fim. Em outras palavras, o
interesses económicos de determinados grupos pode ser visto como induzindo a de­
senvolvimento da ética protestante. Sem um melhor estudo controlado,
linha de causalidade de Weber poderia ser transformado para o outro lado. "(Laitin
1986: 187; ver também RH Tawney 1935 que originou a crítica).
No restante desta seção, vamos discutir cinco métodos de COP
ing com o difícil problema de endogeneidade:
• Correção de uma inferência tendenciosa (secção 5.4.1);
• Analisando a variável dependente e estudar apenas as partes que são
conseqüências, ao invés de causas, da variável explicativa (secção
5.4.2);
• Transformar um problema de endogeneidade em viés devido a uma variável omitida
poder e controle para esta variável (secção 5.4.3);
• selecionando cuidadosamente pelo menos algumas observações sem endogeneidade probabilidade
lems (secção 5.4.4); e
• Analisar as variáveis explicativas para garantir que apenas as partes que
são verdadeiramente exógena estão em análise (seção 5.4.5).
Cada um destes cinco procedimentos podem ser vistos como um método de evitar
endogeneidade, mas cada um deles pode também ser vista como um meio de clarificação
uma hipótese causal. Para uma hipótese causal que ignora uma endogene­
dade problema é, no final, um problema teórico, exigindo respecifica­
ção de modo que seja possível, pelo menos, que as variáveis   explanatórias poderia
influenciar a variável dependente. Vamos discutir os dois primeiros solução
ções para endogeneidade no contexto da nossa circunscrição quantitativa
exemplo serviço e os restantes três com a ajuda de extensas
Exemplos de pesquisa qualitativa.

5.4.1 Corrigir tendenciosas Inferências
A última linha da equação (5.13) na caixa abaixo fornece um procedimento
para avaliar a direção exata e grau de viés devido à endogeneidade.
Por conveniência, reproduzimos a equação (5.13) aqui:

E ( b ) = b + Viés

Esta equação implica que, se endogeneidade está presente, não estamos fazendo
a inferência causal que desejamos. Isto é, se o termo de polarização é zero, o nosso
método de inferência (ou estimador b ) será imparcial em média (que

Página 200

188 · Compreender o que evitar
é, igual a b). Mas se tivermos viés de endogeneidade, estamos estimando o
inferência correta, mais um fator de viés. Endogeneidade é um problema porque
nós geralmente não sabem o tamanho ou a direção do viés. esse viés
fator vai ser grande ou pequena, positivo ou negativo, dependendo o
exemplo empírico específico. Felizmente, mesmo se não podemos evitar en­
viés dogeneity em primeiro lugar, às vezes podemos corrigir para ele depois
o facto de determinar o sentido e, talvez, o grau de a
viés.
A equação (5.13) demonstra que o factor de polarização depende da cor­
relação entre a variável explicativa eo prazo­o erro parte
da variável dependente inexplicável pela variável explicativa.

https://translate.googleusercontent.com/translate_f 143/187
02/12/2016 Projetando Inquérito sociais
Por exemplo, se a hipótese de serviço circunscrição está correta, então o
efeito causal do serviço eleitoral na votação (b na equação) é
positivo. Se, além disso, a votação prevista afeta o nível de constituição
serviço parência observamos, então o termo viés será negativo. Isso é,
mesmo após o efeito do serviço ao eleitorado sobre a votação é levado em
conta, serviço ao eleitorado será inversamente correlacionada com o erro
prazo, porque os operadores históricos que têm menor esperados votos executará
mais serviço. O resultado é de que o termo de polarização é negativa e uncor­
inferências rected neste caso são estimativas tendenciosas do efeito causal b
(Ou, de forma equivalente, as estimativas imparciais sobre [b + bias]). Assim, mesmo se o
hipótese de­serviço ao eleitorado é verdade, o viés de endogeneidade causaria
­nos para estimar o efeito do serviço como um número positivo menor do que
deve ser, como zero, ou mesmo como negativos, dependendo do tamanho do
fator de viés. Assim, podemos concluir que a estimativa correta do
efeito do serviço no voto é maior do que nós estimamos em uma análise
realizado sem correção de endogeneidade. Como resultado, a nossa uncor­
análise rected produz um limite inferior sobre o efeito do serviço, tornando
a hipótese de­serviço ao eleitorado mais plausível.
Assim, mesmo se não podemos evitar o viés de endogeneidade, às vezes podemos
melhorar as nossas inferências após o fato através da estimativa do grau de polarização.
No mínimo, isso nos permite determinar a direção do viés, per­
haps proporcionando uma superior ou limite inferior da estimativa correta. em
melhor, podemos usar esta técnica para produzir inferências totalmente imparciais.

5.4.2 Analisando a variável dependente
Uma maneira de evitar o viés de endogeneidade é reconceptualização da depen­
variável dent como a própria contendo um dependente e um com­ explicativa
Ponent. O componente de motivos do inter­ variável dependente
feres com a análise por meio de um mecanismo de feedback, que é, por
influenciando nossa variável causal chave (motivos). A outra compo­
nente da nossa variável dependente é verdadeiramente dependente, uma função, e não

Página 201

Endogeneidade · 189
uma causa, da nossa variável explicativa. O objetivo deste método de se evitar
ing viés de endogeneidade é identificar e medir apenas a dependentes
componente da nossa variável dependente.
Por exemplo, em um estudo da hipótese de serviço circunscrição, Rei
(1991a) separada da votação total para um membro do congresso da porção
ção unicamente devido ao status incumbência. Nos últimos anos, a ad­ eleitoral
vantage do estado incumbência é de cerca de 8­10 pontos percentuais do
voto, em comparação com uma base para muitos operadores de aproximadamente 52 per­
cento dos votos de dois partidos. Através de um procedimento estatístico, o rei, em seguida,
Estima a vantagem incumbência, que era um dependente apenas
componente da variável dependente, e ele usou esta figura no lugar
dos votos cru para estimar os efeitos de serviço ao eleitorado. Desde o
vantagem votação do operador histórico, sendo uma parcela tão pequena de todo o
voto, não teria muito efeito sobre a propensão para incum­
legisladores dobrados para se envolver em serviço ao eleitorado, ele evitou en­
viés dogeneity. Seus resultados indicaram que um extra de $ 10.000 adicionados ao
orçamento do legislador média do Estado para o serviço eleitoral (entre
outras coisas) dá a este compete um ponto percentual adicional de 1,54
Advantage (mais ou menos cerca de 0,4 por cento) na próxima eleição, portanto,
fornecendo a primeira evidência empírica para o serviço eleitoral
hipótese.

5.4.3 Transformando Endogeneidade em um problema variável omitida
Sempre podemos pensar em endogeneidade como um caso de viés de variável omitida,
como o seguinte exemplo famoso do estudo da eleição comparativa
sistemas Toral demonstra. Um dos grandes enigmas da aná­ política
sis para uma geração anterior de cientistas políticos foi a queda do
República de Weimar e sua substituição pelo regime nazista no início
1930. Uma explicação, apoiado por alguns casos perto e convincente

https://translate.googleusercontent.com/translate_f 144/187
02/12/2016 Projetando Inquérito sociais
estudos de Weimar na Alemanha, foi que a causa principal foi a imposição
ção da representação proporcional como o modo de eleição na
Constituição de Weimar. O argumento, sumariamente, é que proporção
representação cional permite que pequenos partidos que representam ideo­ específica
lógico, interesse ou grupos religiosos para conseguir representação no parlamento
Mento. De acordo com um tal sistema eleitoral, não há necessidade de um candidato
comprometer a sua posição, a fim de alcançar o sucesso eleitoral
tal como existe no âmbito de um único sócio­distrito, winner­take­all eleição
sistema toral. Daí parlamento será preenchido com pequena ideológica
grupos sem vontade e incapaz de trabalhar em conjunto. O impasse e
frustração seria torná­lo possível de um desses grupos, neste
caso, os socialistas­a Nacional tomar o poder. (Para a declaração clássica
dessa teoria, ver Hermens 1941).

Página 202

190 · Compreender o que evitar
O argumento no parágrafo acima foi elaborada em vários im­
estudos de caso portantes da queda da República de Weimar. historiadores e
cientistas políticos traçou o colapso da Weimar ao sucedido eleitoral
cesso de pequenos partidos ideológicos e sua falta de vontade de compro­
mise no Reichstag. Existem muitos problemas com a explicação,
como é claro que haveria uma explicação de um resultado complexo
que se baseia em uma única instância, mas vamos apenas olhar para o problema
de endogeneidade. A explicação subjacente envolveu uma causal mecanizada
nismo com os seguintes elos da cadeia causal: representam proporcional
sentação foi introduzido e activado pequenos partidos com eleição estreita
bases toral para ganhar assentos no Reichstag (incluindo partes dedicadas
a sua derrubada, como os nacional­socialistas). Como resultado, o Reichstag
foi num impasse ea população estava frustrado. Este, por sua vez, conduziram a
um golpe por uma das partes.
Mas ainda estudar­da Alemanha, bem como de outras incidências observável
cações­indicaram que a fragmentação partidária não era apenas o resultado
da representação proporcional. Estudiosos argumentou que, se fragmentação do partido
mentação levou à adoção de representação proporcional, que seria
também ser a causa. Ao aplicar a mesma variável explicativa para outra
observações (seguindo a nossa regra do capítulo 1, que provas devem
ser procurada hipóteses em que não seja aquele em que foram dados
gerado), os estudiosos descobriram que as sociedades com um grande número de
grupos com visões estreitas e intensas em oposição a outros grupos­
minoritária, grupos étnicos ou religiosos, por exemplo, são mais propensos a
adotar representação proporcional, uma vez que é o único sistema eleitoral
que as várias facções na sociedade pode concordar. Um olhar mais atento alemão
homem política antes da introdução da representação proporcional
confirmou esta ideia, localizando muitas pequenas facções. represen­ proporcional
sentação não criou essas facções, embora possa ter facili­
tated sua expressão parlamentar. Nem eram as facções da exclusiva
causa de representação proporcional; No entanto, tanto a adoção de
representação proporcional e fragmentação parlamentar parecem
têm sido efeitos da fragmentação social. (Ver Lakeman e Lambert
1955: 155 para uma explicação no início deste argumento).
Assim, transformamos um problema de endogeneidade em omitido
viés de variável. Ou seja, a fragmentação social antes é uma variável omitida
que faz com que a representação proporcional, é causalmente anterior a ele, e levou
em parte, à queda de Weimar. Ao transformar o problema desta forma,
estudiosos foram capazes de obter um melhor controle sobre o problema, uma vez que
poderia medir explicitamente essa variável e controle omitido por ele em sub­
estudos subseqüentes. Neste exemplo, uma vez que a variável foi omitido in­
cluiu e controlada por, os estudiosos descobriram que havia uma razoável

Página 203

https://translate.googleusercontent.com/translate_f 145/187
02/12/2016 Projetando Inquérito sociais

Endogeneidade · 191
probabilidade de que a relação causal aparente entre proporcional
representação e da queda da República de Weimar foi quase inteiramente
espúrio.
O tema da relação entre os sistemas eleitorais e de­
mocracia ainda é altamente contestada, embora o estudo dela progrediu
muito desde esses primeiros estudos. Estudiosos têm expandido o estudo
de um dos estudos de caso concentrados, sem muita preocupação com o
lógica da explicação para um dos estudos com base em muitas observações
de implicações dadas e gradualmente resolvidos alguns aspectos da me­
surement e, finalmente, de inferência. Ao fazê­lo, eles têm sido
capaz de separar o exógena dos efeitos endógenos mais
sistematicamente.

5.4.4 Seleção de Observações para evitar Endogeneidade
Endogeneidade é um problema muito comum em grande parte do trabalho sobre o impacto
de ideias sobre a política (Salão de 1989; Goldstein e Keohane 1993). Na medida em que
as idéias refletem as condições sob as quais os atores políticos operam­for
exemplo, as suas circunstâncias materiais, que geram seu material
interesses a análise do impacto das ideias sobre política está sujeita a omitidos
viés de variáveis: ideias dos atores estão correlacionados com um causalmente antes omitido
interesses­que­materiais variável afeta a Variável dependente
estratégia política (ver secção 5.4.3). E na medida em que idéias servir como ra­
tionalizations das políticas desenvolvidas por outros motivos, as ideias podem ser
meras consequências em vez de causas de política. Sob estas circunstâncias
posturas, idéias são endógenas: eles podem aparecer para explicar atores '
estratégias, mas na verdade eles resultam dessas estratégias.
A tarefa metodológica mais difícil em estudar o impacto da
ideias sobre a política está compensando os problemas estreitamente relacionados de
omitido polarização variável e endogeneidade como eles afetam uma determinada pesquisa
problema. Para mostrar que as ideias são causalmente importante, deve ser demonstrado
strated que um determinado conjunto de ideias realizada pelos formuladores de políticas, ou algum aspecto
deles, afeta políticas seguidas e não simplesmente refletir essas políticas
ou os seus interesses materiais anteriores. Os investigadores neste campo deve ser es­
cialmente cuidado na definição do efeito causal de interesse. Em particular,
a variável observada dependente (políticas) e variável explicativa
(ideias detidas por indivíduos) deve ser comparado com um definido com precisão
situação contrafactual, na qual a variável explicativa assume um
valor diferente: as pessoas relevantes tinha ideias diferentes.
A análise comparativa é uma boa maneira de determinar se um determinado
conjunto de ideias é exógena ou endógena. Por exemplo, num estudo recente
do papel das idéias na adopção das políticas económicas estalinistas em

Página 204

192 · Compreender o que evitar
outros países socialistas, Nina Halpern (1993) se envolve em tal anal­
Ysis. Sua hipótese é que o planejamento stalinista doutrina ideias em que
Os líderes europeus e chineses orientais acreditava­ajuda a explicar
as suas políticas económicas, quando eles tomaram o poder após a Segunda Guerra Mundial. este
hipótese é consistente com o fato de que esses líderes realizada stalinista
idéias e política estalinista implementada, mas uma mera correlação faz
não demonstram causalidade. Na verdade, endogeneidade pode estar no trabalho: Sta­
políticas linist poderia ter gerado idéias que justificam essas políticas, ou
expectativa de que as políticas stalinistas teria de ser seguido poderia
geraram tais idéias.
Embora Halpern não usar esta linguagem, ela prossegue em um
modo semelhante ao discutido na secção 5.4.3, transformando en­
dogeneity em viés de variável omitida. A principal alternativa hipó­
ESIS que ela considera é que a Europa Oriental e comunista asiática
estados desenvolvidos economias de comando após a Segunda Guerra Mundial apenas como
resultado do poderio militar soviético e influência política. O contador­

https://translate.googleusercontent.com/translate_f 146/187
02/12/2016 Projetando Inquérito sociais
afirmação factual desta hipótese é que, mesmo se os europeus de Leste e
Chinês não tinha acreditado em ideias stalinistas sobre a conveniência de
economias planificadas, economias de comando ainda teria sido imple­
tadas em