Projetando Inquérito Sociais

02/12/2016 Projetando Inquérito sociais
Página 1
Projetando inquérito social
Página 3
Página 2
https://translate.googleusercontent.com/translate_f 1/187
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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.
Página 24
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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.
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
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
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
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.
Página 39
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
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
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
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
(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
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
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
(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
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.
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
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
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
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
Página 50
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
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.
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
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
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
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.
Página 54
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
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
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
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,
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
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
ser utilizados para inferência descritiva ou causal. conselhos valiosos tanto
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.
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
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.
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
inclinado para um conflito maior, em média. Se as repetições de nossa
Página 76
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
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.
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
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
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
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.
Página 80
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
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
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
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)
n
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
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 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
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.
Y
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
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
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
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
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.
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
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),
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
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.
Page 91
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
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 :
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
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 )
= 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
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
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
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
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,
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
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
nível de análise em implicações da teoria. O conceito também pode
criar novas hipóteses causais para investigar. No entanto, não devemos
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
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
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
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
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
[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.
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
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!
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
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
Página 106
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
avaliadas em um contexto diferente ou novo conjunto de dados.
Página 117
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
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
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
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
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
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
Página 121
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
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
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
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.
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
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
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
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.
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
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
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
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
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
Página 132
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
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
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
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
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
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
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.
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
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
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
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
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
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
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,
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
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
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
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
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
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
"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.
Página 147
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
Página 158
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
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
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
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
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
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
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
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
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
A escolha entre as categorias nominais, por um lado, e ordinal ou
aqueles intervalo, por outro lado, pode envolver uma troca entre descritiva
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
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
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
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
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
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
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.
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
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
(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
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.
Página 173
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
d'etat! Mesmo que tivéssemos informações suficientes sobre as taxas de desemprego
Página 184
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
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
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
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
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
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
Página 188
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
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.
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
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
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
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
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
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
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
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
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
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
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 .
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
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.
Página 199
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
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.
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
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
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
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
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
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
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 seus países, e as idéias que as justifique teria
Apareceu.
Halpern, em seguida, argumenta que nos países da Europa de Leste profis
pied pelo Exército Vermelho, o poder soviético, em vez de idéias sobre a supe
RIORIDADE de doutrinas stalinistas pode muito bem ter contribuído para a sua adopção
ção de economias de comando: "a explicação alternativa que o
escolhas eram puramente uma resposta aos comandos de Stalin é impossível
refutar "(1993: 89). Por isso ela procura por potenciais observações ao
que esta fonte de viés de variável omitida não se aplica e encontra o
políticas seguidas na China e na Iugoslávia, os dois maiores socialista
países não ocupada por tropas soviéticas após a Segunda Guerra Mundial. Desde
China foi um enorme país que teve uma revolução indígena, Stalin
não poderia ditar a política a ele. Os comunistas na Iugoslávia também
poder alcançado sem a ajuda do Exército Vermelho, e Marshall Tito
demonstrou a sua independência a partir de ordens de Moscou a partir do final
da Segunda Guerra Mundial em diante.
China instituiu uma economia de comando sem estar sob a po
dominação polí ou militar da União Soviética; e na Jugoslávia,
Medidas estalinistas foram adotadas apesar política soviética. infere Halpern
de tal evidência de que, nestes casos, o poder soviético por si só não faz
explicar a mudança política. Além disso, no que diz respeito à China, também ela
considera e rejeita outra hipótese alternativa pelo qual as idéias
seria endógena: que as situações económicas semelhantes tornou for caso
adequadas para transplante de métodos de planejamento stalinistas para a China.
Página 205
Tendo considerado e rejeitou as hipóteses alternativas que
mantenha idéias como endógena, quer para poder soviético ou condição econômica
ções, Halpern então é capaz de fazêla argumento de que os chineses (e
certa medida, e por um tempo mais curto, Jugoslava adopção) de stalinista
doutrina forneceu uma base para o acordo ea resolução de teza
teza para estes regimes pósrevolucionários. Embora tal análise
permanece bastante hesitante por causa do pequeno número de sua teoria de
implicações que ela observou, ele fornece razões para crer que
ideias não eram inteiramente endógena nesta situaçãoque desempenharam
um papel causal.
Este exemplo ilustra como podemos primeira traduzem uma preocupação geral
cerca de endogeneidade em fontes potenciais específicas de variável omitida
preconceito e, em seguida, procurar um subconjunto de observações em que estes
fontes de viés não pode ser aplicada. Neste caso, por transformação do probabilidade
lem a um dos viés de variável omitida, Halpern foi capaz de comparar alter
hipóteses explicativas nativos de uma maneira especialmente produtivo para
sua hipótese substantiva. Ela considerou vários explan alternativa
hipóteses Atory para explicar a adoção deeconomia de comando
políticas e descobriu que apenas na China, e em certa medida a Jugoslávia,
foi razoável considerar a doutrina stalinista (as ideias em questão)
para ser em grande parte exógeno. Daí ela se concentrou sua pesquisa sobre a China e
Jugoslávia. Se ela não for cuidadosamente concebido seu estudo para lidar com a
problema da endogeneidade, suas conclusões seria muito menos convincente
ingconsidere, por exemplo, se ela tinha tentado provar seu caso com o
exemplos da Polónia e da Bulgária!
5.4.5 Analisando a variável explicativa
Nesta seção, nós introduzimos um método quinta e última para a eliminação
o viés devido à endogeneidade. O objectivo deste método é a de dividir uma
variável explicativa potencialmente endógenos em dois componentes:
uma que é claramente exógeno e um que é, pelo menos parcialmente en
endógenas. O pesquisador, então, usa somente a parte exógena da
variável explicativa em uma análise causal.
Um exemplo desta solução a endógeno vem a partir de um estudo de
participação voluntária na política por Verba, Schlozman, e Brady (em
progresso). Estes autores estavam interessados em explicar por que afro
Os americanos são muito mais politicamente ativo do que Latinos, dado que
os dois grupos são igualmente prejudicados. Os autores acham que uma
variedade de fatores contribuem para a diferença, incluindo recência de im
migração para os Estados Unidos e habilidades linguísticas. Uma das suas chaves
variáveis explicativas foi a participação em serviços religiosos (igreja,
sinagoga, etc.). Os investigadores, obviamente, não tinha controle sobre
Página 206
se os indivíduos participaram desses serviços, e assim o potencial para
endogeneidade não poderia ser descartada. Na verdade, eles suspeitaram que algumas
Latinos e muitos outros afroamericanos participaram serviços religiosos
porque eles eram politicamente ativos. Alguém que estava interessado em
ser politicamente ativo pode se juntar a uma igreja porque oferecia uma chance
para aprender essas habilidades ou foi altamente politizada. Um clero politizado
pode treinar os fiéis para a atividade política ou fornecerlhes po
estímulos políti. Em outras palavras, a seta causal pode correr a partir política
a experiências nãopolíticos e não viceversa.
Verba et ai. resolveu este problema ao analisar sua explicativa chave
variável. Eles fizeram isso com o argumento de que as instituições religiosas afetam po
participação polí de duas maneiras. Em primeiro lugar, os indivíduos aprendem competências cívicas em
estas instituições (por exemplo, como fazer um discurso ou como con
duto de uma reunião). A aquisição de tais habilidades, por sua vez, faz com que a cida
zen mais competente para tomar parte na vida política e mais dispostos a fazer
assim. Em segundo lugar, os cidadãos estão expostos a estímulos políticos (por exemplo,
discussão de assuntos políticos ou solicitações diretas para se tornar politicamente
activo de outros associados com a instituição). E esta exposição,
também deve afetar a atividade política. Os autores argumentaram que o primeiro
componente exógeno é em grande parte, ao passo que o segundo é pelo menos parcialmente
endógeno, isto é, que é parcialmente devido ao grau em que os indivíduos
são politicamente ativa (a variável dependente).
Os autores realizaram um estudo auxiliar para avaliar esta hy
pótese sobre os componentes exógenos e endógenos de participação
ção em serviços religiosos. Eles começaram por reconhecer que o likeli
capuz que um indivíduo adquire competências cívicas na igreja depende do
estrutura organizacional da igreja. Uma igreja que é organizado de
forma hierárquica, onde o clero são nomeados pela igreja central de
ficials e onde os fiéis desempenham um papel pequeno no governo da igreja,
oferece menos oportunidades para o membro da igreja indivíduo
aprender habilidades cívicas participativos do que uma igreja organizada em um con
gregational base onde os congregados desempenhar um papel significativo nas
governo da igreja. A maioria dos afroamericanos pertencem a protestantes
igrejas organizadas em uma base congregacional enquanto a maioria dos Latinos BE
tempo para igrejas católicas, organizadas numa base hierárquica. O au
thors mostrou que é esta diferença de filiação igreja que explica
a probabilidade de adquirir competências cívicas. Eles mostraram, por exemplo, que
para ambos os grupos, bem como para os americanos anglobranco, é a natureza
da denominação que afeta a aquisição de competências cívicas, não mi
genicidade, outras características sociais, ou, especialmente, a participação política.
Tendose convencido de que a aquisição de competências cívicas
realmente era exógena à participação política, Verba et al. medido
a aquisição de competências cívicas em serviços religiosos e usou essa variável
Página 207
capaz, ao invés de participação em serviços religiosos, como seu explicativa
variável. Esta abordagem resolvido o problema endógeno, uma vez que eles
já tinha analisado a variável explicativa para incluir apenas o seu ex
componente ogenous.
Este estudo auxiliar desde apoiando mais uma prova de que eles
tinha resolvido seu problema de endogeneidade, uma vez que a filiação igreja de
Latinos e afroamericanos não podem plausivelmente ser explicada pela sua
particulares envolvimentos políticos; filiação igreja é na maioria dos casos ac
cessário como uma criança através da família. As razões pelas quais AfricanoAmé rica
latas são na sua maioria protestantes são encontrados nas histórias de slav Americana
ery e as instituições que se desenvolveram nas plantações do sul. o
razões pelas quais os latinos são católicos estão enraizados na conquista espanhola
América latina. Nem pode a diferença entre o trutura institucional
tura da Católica e igrejas protestantes ser atribuído à inter
ESTs de oficiais da igreja em envolvimento na política americana atual.
Em vez disso, a pessoa tem que voltar para a Reforma para encontrar a fonte do
diferença na estrutura organizacional.
Uma análise formal da Endogeneidade. Isto demonstra modelo formal
Strates o viés criado se um desenho de pesquisa é afligido por endogene
dade, e nada é feito sobre ele. Suponha que temos um explicativo
variável X e uma variável dependente Y . Estamos interessados na
efeito causal de X em Y , e nós usamos a seguinte equação:
E ( Y ) = X b (5,10)
Isto também pode ser escrito como Y = X b + E, onde E = Y E ( Y ) é chamada
o termo de erro ou perturbação. Suponhase ainda que há endo
geneidade; isto é, X também depende Y :
E ( X ) = Y g (5,11)
O que acontece se ignorarmos a parte recíproca da relação
na equação (5.11) e estimativa de b como se apenas a equação (5.10) fosse verdade?
Em outras palavras, nós estimamos b (incorretamente assumindo que g = 0) com
habitual a equação:
n
i = 1 X i Y i
b = _________ (3,7)
n 2
i = 1 X i
Para avaliar este estimador, usamos a propriedade de viés
e, portanto, calcular o seu valor esperado:
Página 208
⎛ n benzóico.
benzóico.
i = 1 X i Y i ⎟
benzóico.
E ( b ) = E (5,13)
n 2 benzóico.
benzóico.
i = 1 X i
benzóico.
n benzóico.
i = 1 X i ( X i b + e
benzóico.
= E benzóico. i )
benzóico.
benzóico.n 2 benzóico.
i = 1 X i
n
i = 1 C ( X i , e i )
= B + ____________
n
i = 1 V ( X i )
= B + Viés
onde Polarização =
i = 1
N
C ( X i , e i
i = 1
) / N V ( X i ). Normalmente, a covariância de X i
e o termo de erro de e i , C ( X i , e i ), é igual a zero de modo a que o termo de polarização é
zero. Assim, o valor esperado de b é b e, por conseguinte, imparcial. Isto é
normalmente verdade que após levarmos em conta X na previsão de Y , o
porção temos restante (e) não está correlacionada com X . No entanto, em
a situação atual, depois de ter em conta o efeito de X , há
ainda é alguma variação sobra devido ao feedback do efeito causal
de Y em X . Assim, significa endogeneidade que o segundo termo no último
A linha da equação (5.13) não irá geralmente ser igual a zero, e a estimativa
será tendenciosa.
A direcção da polarização depende da covariância, uma vez que o
variância de X é sempre positivo. No entanto, nos casos incomuns
em que a variância de X é extremamente grande, ele irá submergir a
covariância e fazer o termo preconceito insignificante. O texto dá uma ex
amplo com uma interpretação substantiva desse termo viés.
5.5 atribuição de valores da variável explicativa
Nós indicou no ponto 4.4 que os experimentos controlados têm melhor
duas vantagens: controle sobre a seleção de observações e de controle
através da atribuição de valores das variáveis explicativas às unidades. Nós
discutiu apenas a seleção nesse ponto. Agora que analisamos
omitido polarização variável e as outras armadilhas metodológicas neste
capítulo, podemos abordar a questão do controle sobre atribuição.
Em uma experiência médica, uma droga que está sendo testada e uma cons placebo
tute os tratamentos, que são distribuídos aleatoriamente pacientes. Basicamente
A mesma situação existe aqui como com seleção aleatória de observação
ções: a atribuição aleatória é muito útil com grande número de obser
Página 209
Os valores da variável explicativa · 197
vações, mas é improvável que seja uma boa estratégia com um pequeno n . Com
um grande n , a atribuição aleatória de valores das variáveis explicativas
elimina a possibilidade de endogeneidade (uma vez que não pode ser influ
ciada pela variável dependente) e os erros de medição (tanto tempo quanto
que registrar com precisão qual o tratamento é administrado). talvez o mais
importante é que a atribuição aleatória em de larga n estudos torna omitido
viés de variável extremamente improvável, porque a variável explicativa
com valores atribuídos aleatoriamente será não correlacionadas com toda omitido
variáveis, mesmo aqueles que influenciam a variável dependente. Aleatória
atribuição de variáveis, tornando assim omitidos inofensivos, eles não causar
viésin de larga n estudos. No entanto, com um pequeno número de observação
ções, é muito fácil para uma variável aleatoriamente designados para ser correlacionada
com alguma variável omitida relevante, e esta correlação provoca omit
ted viés de variável. Na verdade, o exemplo a seleção de polarização mostrou como um
variável atribuída aleatoriamente foi correlacionada com uma depen observado
dent variável; exactamente da mesma maneira, uma explicação atribuído aleatoriamente
variável tory poderia muito facilmente ser correlacionado com alguma variável omitida
Se o número de observações é pequeno.
Embora experimentadores muitas vezes pode definir valores de sua explicativa
variáveis, os pesquisadores qualitativos raramente são tão afortunados. quando sub
jectos selecionar os valores de suas próprias variáveis explicativas ou quando outra
fatores influenciam a escolha, as possibilidades de viés de seleção, en
dogeneity, e outras fontes de preconceito e ineficiência aumentar muito.
Por exemplo, se um experimentalista foram estudar o impacto sobre polí
eficácia cal da participação em uma manifestação, ela aleatoriamente
atribuir algumas disciplinas para participar de uma manifestação e outros para ficar
casa, e depois medir a diferença de eficácia entre os dois
grupos experimentais (ou, talvez, comparar os grupos em termos de
mudança na eficácia entre uma medida tomada antes do experimento e
depois ele.) Em não experimentais de investigação, contudo, os sujeitos eles
eus frequentemente escolher se deseja participar. Sob estas condi
ções, outras características individuais (como se o indivíduo
é jovem ou não, um estudante ou não, e assim por diante) irá afectar a escolha de
demonstrar, assim como outros fatores, tais como, para os alunos, a proximidade do
o campus para o local de manifestações. E, é claro, de muitas
estes factores podem ser correlacionados com a variável dependente, política
Eficácia.
Veja outro exemplo em que as unidades de análise são maiores e
menos frequente: a questão clássica do impacto de um acúmulo de armas na
probabilidade da guerra. Será que o tamanho do orçamento de armamento de uma nação in
vincar a probabilidade de que essa nação será posteriormente envolvido em
uma guerra? A variável explicativa é o orçamento braços (talvez como uma per
percentual do PIB ou, em alternativa, as mudanças no orçamento); a depen
Página 210
variável dent é a presença ou ausência de guerra em algum designado
período de tempo após a medição da variável de motivos. o
delineamento experimental ideal envolveria a atribuição de valores no
variável explicativa pelo pesquisador: ela iria escolher várias na
ções para estudar e determinar o orçamento braços de cada governo (Atribuição
ing os valores aleatoriamente ou, talvez, através de um dos "intencional"
técnicas discutiremos a seguir). Obviamente, isso não é viável! O que nós
realmente fazer é medir os valores na variável explicativa (o tamanho
do orçamento braços) que o governo de cada nação escolhe por si.
O problema, claro, é que estes valores autoatribuído sobre a ex
variável explicativo não são independentes da variável dependenteo
probabilidade de ir à guerra, como eles teriam sido se pudéssemos ter
escolhido eles. Neste caso, existe um problema de clara endógeno: o
valor da variável de motivos é influenciada por expectativas do
valor daa variável dependente ameaça percebida de guerra. Endo
geneidade também é um problema para estudos da relação causal entre
alianças e guerra. Unidas escolher alianças; investigadores não as
assinálas para alianças e estudar o impacto sobre a guerra. alianças
não deve, portanto, ser considerados como variáveis explicativas exógenas
em estudos de guerra, na medida em que eles são muitas vezes formados em antecipação
guerra.
Estes exemplos mostram que endógeno não é sempre um problema a
ser fixo, mas é muitas vezes uma parte integrante do processo pelo qual o mundo
produz nossas observações. Determinar o processo pelo qual os valores
das variáveis explicativas foram determinadas geralmente é muito difícil
e nós geralmente não podem recorrer a qualquer procedimento automático para resolver
problemas relacionados a ela. No entanto, é uma tarefa de investigação que não pode ser
Evitado.
Uma vez que a probabilidade de selecção aleatória ou atribuição aleatória
causando viés em qualquer julgamento de um experimento hipotético cai muito
rapidamente como o número de observações aumentar, é útil empregar
procedimentos aleatórios, mesmo com um número moderado de unidades. Se o núme
ber de unidades é "suficientemente grande", que definimos precisamente na secção
6.2, a seleção aleatória de unidades irá satisfazer automaticamente a condicional
suposição de independência da subsecção 3.3. No entanto, quando uma única
existem alguns exemplos do fenômeno de interesse ou podemos recolher
informação sobre apenas um pequeno número de observações, como é usual em
pesquisa qualitativa, selecção e atribuição estão sem resposta.
Mesmo experiências controladas, quando eles são possíveis, não é uma solução
sem um número de observações suficiente.
Diante desses problemas, como pesquisadores qualitativos, devemos perguntar
nos se podemos aumentar o número de observações que
investigar, pois, falta de coleta de todas as observações, o mais confiável
Página 211
Controlando a Research · 199
prática é coletar dados aleatoriamente em um grande número de unidades e embaralhar
a atribuição de valores das variáveis explicativas. No entanto, se isso não for
possível, não deve selecionar observações ao acaso . Em vez disso, devemos usar
o nosso conhecimento a priori das observações disponíveis Conhecimento baseado em
pesquisa anterior, nossas melhores suposições ou julgamentos de outros especialistas em
a área e selecção fazer observações e (se possível) a atribuição de
os valores das variáveis explicativas, de tal forma a evitar preconceitos e ineficiência
deficiências. Se viés é inevitável, devemos pelo menos tentar entender a sua direcção
ção e da ordem probabilidade de magnitude . Se tudo isso falhar, isto é, se nós sabemos
existe preconceito, mas não pode determinar a sua direção ou magnitude nossa re
busca será melhor se nós, pelo menos, aumentar o nível de incerteza que
utilização na descrição nossos resultados. Ao compreender os problemas de infer
cia discutido neste livro, que será mais adequado para fazer estes
opções do que qualquer gerador de números aleatórios. Em qualquer caso, todos os estudos
devem incluir uma seção ou capítulo explicando cuidadosamente a cessão e
processos de seleção. Esta discussão deve incluir as regras usado, um
Discriminação de todas as fontes ocultas previsíveis de preconceito e que, se any
coisa, foi feito sobre cada um.
5.6 controlar a situação RESEARCH
selecção intencional de observações sem levar em conta o controle relevantes
variáveis e outros problemas de inferência não vai satisfazer unidade de homo
geneidade. Precisamos ter certeza de que as observações escolhidos têm va
ues da variável explicativa que são medidos com o mínimo de erro como
possível, que não estão correlacionadas com alguma chave explicativa omitido
variável, e que não são determinadas em parte pela variável dependente
capaz. Isto é, temos de lidar eficazmente com os problemas de medição
erro ment, variáveis omitidas e de endogeneidade discutido anteriormente
este capítulo. Na medida em que ainda existem esses problemas depois de nossos melhores esforços
evitálos, devemos pelo menos reconhecer, avaliar e tentar corrigir
eles.
Os controles são inerentemente difícil projetar com pequenas n estudos de campo,
mas atenção a eles é geralmente absolutamente essencial para evitar viés.
Infelizmente, muitos pesquisadores qualitativos incluem muito poucas ou nenhuma
controla em tudo. Por exemplo, Bollen, Entwisle, e Alderson (in press)
ter encontrado em uma pesquisa de livros e artigos que mais de um sociológicas
quarto dos pesquisadores usaram nenhum método de controle em tudo.
Por exemplo, suponha que estamos interessados no efeito causal de um ano
de encarceramento sobre o grau em que as pessoas defendem polí radical
crenças cal. O design ideal envolveria um genuinamente experimental
estudo no qual foram selecionados aleatoriamente um grande grupo de cidadãos, ran
amente atribuída metade à prisão por um ano, e, em seguida, mediram a radi
Página 212
calness das convicções políticas de cada grupo. O EF causal estimado
fect seria a diferença média nas crenças desses dois grupos
no fim do ano. Com um grande n , poderíamos plausível supor con
independência nal, e esta inferência causal seria provavelmente
som. Escusado será dizer que, tal estudo é fora de questão.
Mas, por uma questão de argumento, vamos supor que tal experiência
foram realizados, mas com apenas algumas pessoas. Por causa dos problemas
discutido na seção 4.2, um pequeno número de pessoas, mesmo que de forma aleatória
selecionados e distribuídos, provavelmente não iria satisfazer inde condicional
pendence, e, portanto, precisa de algum controle explícito. Um
controle simples seria para medir crenças políticas radicais antes do
experimentar. Em seguida, a nossa estimativa de causalidade seria a diferença na
mudar em crenças políticas radicais entre os dois grupos. este mento
procedi iria controlar para uma situação em que os dois grupos não eram
idênticas em um presente variável antes de executar o experimento. para UN
preender como estimar o efeito causal nesta situação, recordar o
Problema fundamental da Causal Inference. Idealmente, gostaríamos de
tomar um único indivíduo, esperar um ano sob con cuidadosamente controlada
condições que mantiveram o seu ambiente de forma idêntica, exceto para o
passagem do tempo e os acontecimentos do mundo exterior, e medir a radi
calness de suas crenças políticas. Ao mesmo tempo, gostaríamos de levar o indi
individual, ao mesmo tempo, enviarlhe para a prisão por um ano, e medir a
radicalidade de suas crenças políticas. A diferença entre estes dois
medidas é a definição de um efeito causal de encarceramento na po
crenças políti desta pessoa. 14 O problema fundamental é que podemos
observar as crenças dessa pessoa em apenas uma dessas situações. Obviamente,
o mesmo indivíduo pode não estar dentro e fora da prisão ao mesmo tempo.
Controle é uma tentativa de contornar o problema fundamental na
mais maneira direta. Já que não podemos observar crenças dessa pessoa em
ambas as situações, procuramos por dois indivíduos (ou, mais provavelmente, dois
grupos de indivíduos) que são iguais em tantos aspectos quanto possível,
exceto para a chave explicativa variávelse ou não eles foram para
prisão. Nós também não selecionar com base em seu grau de radicalidade. Nós
pode primeiro selecionar uma amostra de pessoas recentemente libertadas da prisão, e
então, para cada exprisioneiro, rastrear um correspondente pessoa, alguém
que era semelhante em tantas maneiras quanto possível, exceto para o fato de que ele
não ir para a prisão. Talvez pudéssemos primeira entrevista uma pessoa re
arrendado da prisão e, com base no nosso conhecimento de sua história
e características, procurar combinando pessoaspessoas com semelhante
14 Para seguir rigorosamente os procedimentos no capítulo 3, que será necessário executar esta exper
iment várias vezes e tirar a média como medida do efeito causal significativo do
tratamento experimental. Nós também pode estar interessado na variância do efeito causal
para esse indivíduo.
Página 213
perfis demográficos, talvez a partir do mesmo bairro e
escola.
As variáveis que correspondem aos indivíduos em são, por definição
constante ao longo dos grupos. Quando estimar o efeito causal da in
carceration, estes irão ser controlados. O controle é um processo difícil, pois
precisase controlar para todas as variáveis plausivelmente confusão. Se não o fizermos
combinar numa variável e não pode controlar por isso de qualquer outra forma, e se
esta variável tem uma influência sobre a variável dependente, enquanto sendo
correlacionada com a variável explicativa (que afeta a radicalidade do
crenças e não é o mesmo para os presos e nonprisoners), a estimativa
companheiro do nosso efeito causal será tendenciosa.
Na pesquisa política que compara os países com o outro, con
corrico para alcançar unidade de homogeneidade é difícil: todos os dois países
variar ao longo inúmeras dimensões. Por exemplo, a Bélgica e os
Holanda pode parecer para um observador inexperiente para ser "mais seme
"países Lar, no sentido de Przeworski e Teune (1982): são
ambas as pequenas democracias europeias com economias abertas, e eles
Não são ameaçados por seus vizinhos. Para muitas finalidades, por conseguinte,
eles puderem ser comparados (Katzenstein 1985). No entanto, eles dife
fer com relação a padrões linguísticos, religião, base de recursos, data de
industrialização, e muitos outros fatores de relevância para a sua polí
tiques. Qualquer projeto de pesquisa para o estudo comparativo das suas políticas como um
todo que apenas incide sobre estes dois estados, portanto, o risco de ser
indeterminado.
Se o nosso objetivo é comparar a Bélgica e os Países Baixos, em ge
ral, tais indeterminação não pode ser evitado. Mas suponha que o re
pesquisador tem um objetivo mais específico: para estudar o impacto de ser um colo
poder nial nas estratégias políticas seguidas pelos governos de
pequenas democracias europeias. Nesse caso, seria possível com
pare as políticas da Bélgica, Países Baixos e Portugal com os
pequenos estados de noncolonial como a Áustria, Suécia, Suíça, e
Noruega. Isso pode muito bem ser um projeto de pesquisa valioso; mas seria
ainda não controla para os inúmeros fatores, além da his colonial
tory, que diferenciam os países uns dos outros. Lá
pesquisador sensível aos problemas da unidade de homogeneidade pode considerar an
design talvez outras pesquisas como uma alternativa, mas de um modo preferido como um
complementar ao primeiroin que ela iria estudar as políticas de
Bélgica, Países Baixos e Portugal, antes e após a sua perda de
Colônias. Neste projeto, a Bélgica não é "uma única observação", mas é o
locus para a independência análise do antes e depois controlada foi
concedido às suas colónias no início dos anos 1960. Muitos dos fatores que dife
ferentiate Bélgica, de Portugal e os Países Baixos, e muito menos
dos países sem colonial históriasão con automaticamente
Página 214
controlados no presente projeto de série de tempo. Na verdade, ambas as comparaçõesacross
nações e dentro da mesma nação em diferentes pontos do tempovontade
enfrentam problemas de unidade de homogeneidade. As diversas nações diferem em muitos
maneiras descontroladas e não medidas que possam ser relevantes para a re
procurar problema, mas, em seguida, o mesmo acontece com uma única nação medido em diferentes
Vezes. Mas as diferenças serão diferentes. Nem comparação (nem
através do espaço nem no tempo) constitui um experimento perfeitamente controlada
mento, longe disso, mas as duas abordagens em conjunto, podem fornecer
evidência muito mais forte para nossas hipóteses do que qualquer abordagem
sozinho.
A estratégia da seleção intencional envolve alguns perigos ocultos de
que os pesquisadores devem estar cientes, especialmente quando se tenta
combinar observações de controlar para as variáveis potencialmente relevantes. o
perigo principal é uma forma particularmente insidiosa de viés de variável omitida.
Imagine a seguinte projeto de pesquisa, que utiliza correspondência. SEEK
ing para encorajar os países em África que parecem estar se movendo na di
reção de uma maior democratização, os EUA institutos governamentais a
programa chamado "ajuda à democracia" em que a ajuda americana a demo
esforçosin cratizam a forma de materiais educativos sobre democracia
e assim por dianteé enviado às nações africanas. O pesquisador quer estudar
se tais auxílios aumenta o nível de democracia em um país, de
vincoslo, ou não faz diferença. O pesquisador não pode dar e
suspender a ajuda a partir da mesma nação, ao mesmo tempo. Então ele escolhe um
abordagem prospectiva comparativo: isto é, ele compara nações que
está prestes a receber ajuda com outros que não são. Ele também de corretamente
cidas para encontrar unidades dos dois grupos que são combinados nos valores de
todas as variáveis de controlo relevantes, mas aquele com o qual ele é concerned
o programa de ajuda dos Estados Unidos.
Tempo e habilidades linguísticas restringir sua pesquisa de modo que ele pode, em
fato, estudo apenas duas nações (embora os problemas a serem mencionados
existiria em um estudo com um maior, mas ainda pequeno, o número de unidades).
Ele escolhe uma nação que recebe uma boa dose de ajuda ao abrigo os EUA
e um programa que recebe muito pouco. A variável dependente é
sabiamente escolhido para ser o ganho no grau de democracia a partir do momento em que a
programa norteamericano começa a época, dois anos depois, quando o estudo é
Conduzida. E porque existem muitas outras variáveis que podem ser
correlacionada com a variável explicativa ea variável dependente
poder, o pesquisador tenta escolher dois países que estejam intimamente
combinado sobre estes a fim de eliminar omitido viés de variável.
Duas dessas variáveis de controle pode ser o nível de educação da
nação e a extensão da antiregime violência da guerrilha. Cada um destes é
uma variável que pode causar viés se não for controlada para cada um é porque
correlacionada com ambos os motivos e as variáveis dependentes (re
Página 215
seção chamada 5.2 na polarização variável omitida). Os Estados Unidos é provável que
dar mais ajuda aos países com bons sistemas de ensino (talvez
porque essas nações podem estabelecer melhores relações com Washington ou
porque os Estados Unidos favorece a educação), e educação é, por vezes,
uma força democratizante. Da mesma forma, os Estados Unidos prefere dar ajuda
a nações onde há pouca atividade guerrilheira e, claro, tais
ameaças diminuir a probabilidade de democratização. Ao combinar nestes
variáveis, o pesquisador espera para controlar seus efeitos de confusão.
No entanto, há sempre outras variáveis que são omitidas e que
pode causar viés, porque eles são correlacionadas tanto com a chave explan
variável tória ea variável dependente (e causalmente antes da
variável causal chave). E o problema é que a tentativa de combinar unidades, se
feito de forma inadequada ou incompleta, pode aumentar a probabilidade de que
existe uma outra variável omitida significativa correlacionada tanto com a
variável explicativa e dependente.
Por que é esse o caso? Notese que, a fim de coincidir com as nações, o re
pesquisador tem que encontrar uma nação que recebe uma boa dose de ajuda e um
que recebe pouco. Suponha que ele escolhe duas nações que são semelhantes em
as outras duas variáveis e duas nações que têm altos níveis de educação
ção e baixos níveis de ameaça interna. O resultado é o seguinte:
País A: alta socorros, educação superior, tranquilo.
País B: Baixo socorros, educação superior, tranquilo.
As probabilidades são de que algo é "especial" sobre o País B. Por que é
não recebendo ajuda se ele tem condições tão favoráveis? E, as chances são
que a algo que é "especial" é uma variável omitida que irá
causar preconceito por ser correlacionado com o explicativa e dependente
Variáveis. Um exemplo pode ser a existência de B, mas não em A de um
forte militar que promove a educação e suprime guerrilha movimento
Mentos. Uma vez que a força dos militares está correlacionada com a depen
variável dent e a variável explicativa chave, a sua omissão causará
viés. Podemos ver que o mesmo problema teria existido se o
correspondência tinha vindo do lado oposto da educação e inter
continuums de paz final. Nesse caso, a anomalia seria a nação
com baixa escolaridade e alta violência que estava recebendo um bom negócio
da ajuda. O problema pode ser aliviado por correspondência no meio do
educação e distribuições de paz internas. No entanto, mesmo neste caso,
o pesquisador teria duas nações cada um dos quais é um pouco anoma
lous numa direcção oposta. O ponto geral é que a adequação alguns
vezes nos leva a buscar observações que são um pouco desviante de
o que seria de esperar dado os seus valores na variables controle
e que o desvio pode ser devido à variável omitida especialmente significativa
capazes.
Página 216
Note como isso iria funcionar no nosso exemplo prisão. Podemos buscar
observações emparelhadas para os prisioneiros que entrevista semelhantes no sócio
contexto económico, histórico familiar, histórico escolar, e semelhantes, ex
CEPT que não estão na cadeia. A correspondência mais eficaz seria a de
encontrar nonprisoners que têm o mais alto potencial para o encarceramento como
possível, eles vêm de um bairro cheias de pobreza, eles são
evasão escolar, eles foram expostos a drogas, eles vêm de uma
lar desfeito, etc. Quanto melhor o jogo, mais confiança que faríamos
tem na conexão entre o encarceramento e crenças políticas. Mas
aqui novamente é o busílis. Com tudo o que vai contra eles, talvez haja
algo especial sobre os nonprisoners que mantevelos fora de
prisão talvez um forte compromisso, isto religiosa está correlacionada
tanto com a variável explicativa (prisão) e do dependente
(Ideologia política) variável.
Há uma outra maneira de olhar para este perigo na correspondência. Lembrese da
duas perspectivas sobre a variabilidade aleatória que descrevemos na seção
2.6. O problema potencial com correspondência, como já descreveu assim
agora, envolve uma variável omitida que somos capazes de identificar. Contudo,
nós ainda pode suspeitar que duas observações que são combinados em um
longa lista de variáveis de controle são "especiais" de alguma forma que pode
não identificar: isto é, que existe uma variável desconhecida omitido. Nisso
situação, a única coisa que podemos fazer é se preocupar como o aleatório
ness inerente à nossa variável dependente afetará essa observação. Como
nossa medida pode acontecer para obter mais longe do seu verdadeiro valor, devido à RAN
dom variabilidade, o mais difícil, vamos procurar observações "incomuns"
a fim de obter uma estreita correspondência entre os grupos e, assim, o risco omitido variável
viés capaz.
Estas qualificações devem não causarnos a evitar projetos de pesquisa
que o uso de correspondência. Na verdade, a correspondência é um dos mais valiosos pequenas
n estratégias. Nós só precisa estar ciente de que a correspondência é, como todos
pequenas n estratégias, sujeitos a perigos que randomização e um grande n
teria eliminado. Uma estratégia muito produtiva é escolher caso
estudos através de correspondência, mas observações dentro de casos de acordo com outra
critério.
A condizer, com a finalidade de evitar a polarização variável omitida, é re
lada para a discussão na política comparada literatura sobre
se os investigadores devem selecionar as observações que são tão semelhantes quanto
possível (Lijphart, 1971) ou o mais diferente possível (Przeworski e
Teune 1970). Recomendamos uma abordagem diferente. O "mais similar"
versus "mais diferentes" debate projeto de pesquisa dá pouca ou nenhuma atenção
ção para a questão da "similar em relação ao que." Os rótulos são muitas vezes
confundindo, eo debate é inconclusiva nesses termos: nenhum
estas abordagens é sempre a preferida. Para nós, a máxima chave para
Página 217
coleta de dados é identificar potenciais observações que maximizam ní
erage sobre a hipótese de causalidade. Por vezes, a nossa estratégia produz um
projeto de pesquisa que poderia ser rotulado de "design mais sistemas semelhantes,"
e às vezes pode ser como um "a maioria dos projetos diferentes sistemas." Mas,
ao contrário do "mais semelhante" versus debate "mais diferentes", a nossa estratégia
será sempre produzir dados que são relevantes para responder às perguntas
levantados pelo pesquisador.
Na correspondência, os possíveis efeitos de variáveis omitidas são controlados
, selecionando observações que têm os mesmos valores sobre estes variável
capazes. Por exemplo, o desejo de manter constante, como muitos de fundo
variáveis como possível está por trás Seymour Martin Lipset (1963: 248)
escolha para comparar o desenvolvimento político dos Estados Unidos com
outra Inglês de língua excolônias da GrãBretanha. Os Estados Unidos,
Canadá e Austrália, ele aponta ", são excolônias da Grã
GrãBretanha, que se estabeleceu uma fronteira continental relativamente aberta, e são
hoje continentemedindo estados federais. "E, ele observa muitos outros
características em comum que são mantidas constantes: nível de desenvolvimento, demons
regime ocratic, as semelhanças de valores, etc.
O estudo de David Laitin (1986) dos efeitos das crenças religiosas sobre poli
tiques utiliza uma técnica de harmonização particularmente cuidadoso. Ele escolheu uma nação,
Nigéria, com fortes tradições muçulmanas e cristãs desde que ele desejava
para comparar os efeitos das duas tradições na política. Mas o muçulmano
e áreas cristãs da Nigéria diferem em muitos outros do que as formas a sua
compromissos religiosos, formas que, se ignorada, correria o risco de omitidas variável
viés capaz. "Na Nigéria, os centros dominantes do Islã são no Nordeste
estados ERN, que tiveram séculos de contato direto com o islâmica
mundo, uma história de estruturas estatais islâmicos anteriores à regra britânica, e
uma memória de uma jihad revivalista no início do século XIX, que
unificada uma grande área sob a doutrina islâmica ortodoxa. [Em contraste,] ele
Não foi até o final do século XIX que as comunidades cristãs
criou raízes. . . . escolas missionárias trouxe a educação ocidental, e capital
empresários ist encorajou as pessoas a plantar culturas de rendimento e ser
vêm cada vez mais associada com a economia capitalista mundial "
(Laitin, 1986: 187).
Como, Laitin pediu ", poderia um controle para as diferenças na nação
alidade, ou na economia, ou do número de gerações exposto a um
cultura mundial, ou as motivações para a conversão, ou na ecologiaall
dos quais são diferentes em redutos cristãos e muçulmanos "(1986?:
19293). Sua abordagem foi a de escolher um local específico no Yo
área ruba da Nigéria, onde as duas religiões foram introduzidos no
mesmo grupo nacionalidade ou menos ao mesmo tempo, e onde os dois
religiões apelou aos potenciais convertidos por razões semelhantes.
Em nenhum estudo de três estados indianos de Kohli, nem análise do de Lipset
Página 218
três excolônias britânicas, nem pesquisa de Laitin sobre os cristãos e
Muçulmanos em Yorubaland é a harmonização completo; nunca poderia ser.
Matching exige que prevemos e especificar o que o possível rel
Evant variáveis omitidas pode ser. Nós, então, controlar selecionando obser
vações que não variam em cima delas. Claro, nós nunca sabemos que
ter coberto toda a lista de fatores de polarização potenciais. Mas com certeza
finse analíticos a avaliação da adequação de um correspondência
processo de selecção ing deve ser feito em relação a alguns FINALIDADE analítica
colocamo controle produzido por correspondência melhora a probabilidade de
obtenção de conclusões válidas.
Em suma, o pesquisador tentando fazer inferências causais pode selecionar
casos em uma de duas maneiras. A primeira é a selecção e atribuição,
que é útil no de larga n estudos. Aleatoriedade em tais estudos auto
maticamente satisfaz independência condicional; é um dimento muito mais fácil
procedi seleccionar do que intencionalmente observações para satisfazer unidade homo
neidade. Aleatoriedade nos assegura que não há variáveis relevantes são omitidos
e que não está selecionando observações por alguma regra correlacionada
com a variável dependente (depois de controlar a variável explicativa
capazes). O procedimento também garante que preconceitos pesquisador não entram
o processo de selecção e, portanto, influenciar os resultados. O segundo método
é um dos selecção intencional de observações, que recomendamos
para as pequenas n estudos. Inferências em pequenas n estudos que dependem de intenção
selecção cional para fazer inferências causais razoáveis vai quase al
maneiras ser mais arriscado e mais dependente opin antes do investigador
íons sobre o mundo empírico do que inferências em larga n estudos utilizando
aleatoriedade. E os controles podem introduzir uma variedade de preconceitos sutis.
No entanto, pelas razões expostas, os controles são necessários com
pequenas n estudo. Com os controles adequados em que a variável de controle
ables são mantidos constantes, talvez combinandonós podemos precisar de estimar
acasalar o efeito causal de apenas uma única variável explicativa, portanto, in
vincando a alavancagem temos em um problema.
5.7 CONSIDERAÇÕES FINAIS
Esperamos que o conselho que nós fornecemos neste e no capítulo anterior
será útil para pesquisadores qualitativos, mas não constitui reco
ipês que sempre podem ser aplicadas de forma simples. problemas reais muitas vezes vêm em
clusters, em vez de sozinho. Por exemplo, suponha que um pesquisador tem
viés de seleção menor, algumas medições de erros aleatórios na depen
variável de dente, e uma variável de controle importante que pode ser me
sured apenas ocasionalmente. Seguindo o conselho acima para o que fazer
cada caso irá fornecer algumas orientações sobre como proceder. Mas em
este e outros casos complicados, os estudiosos envolvidos na re qualitativa
Página 219
pesquisa precisam refletir cuidadosamente sobre a probabilidade metodológica específica
blemas levantados em suas pesquisas. Pode ser útil para que eles considerem
modelos formais de pesquisa qualitativa semelhantes aos que têm pro
DESDE aqui, mas que estão sintonizados com os problemas específicos nos seus re
pesquisa. Grande parte da visão por trás destes mais sofisticado formais
modelos existe na literatura estatística, e por isso nem sempre é necessá
Sary para desenvolvêlo a si mesmo.
Se auxiliado por modelos formais ou não, o pesquisador qualitativo
deve dar atenção explícita a essas questões metodológicas. metodológico
questões lógicas são tão relevantes para os pesquisadores qualitativos que buscam
fazer inferências causais como para os seus colegas orientados quantitativamente.
Página 220
CAPÍTULO 6
Aumentando o número de observações
Neste livro, sublinharam a importância crucial de maximizar
influência sobre problemas de pesquisa. A principal maneira de fazer isso é encontrar
como muitas implicações observáveis de sua teoria quanto possível e
fazer observações dessas implicações. Como já enfatizado,
o que pode parecer ser um estudo de caso único, ou um estudo de apenas alguns
casos, pode de fato conter muitas observações possíveis, em diferentes
níveis de análise, que são relevantes para a teoria que está sendo avaliado. De
aumentando o número de observações, mesmo sem mais coleta de dados
ção, o pesquisador muitas vezes pode transformar um problema intratável que
tem um projeto de pesquisa indeterminado em um tratável. esta con
capítulo cluindo oferece conselhos sobre como aumentar o número de rele
observações vant em um estudo científico social.
Vamos começar por analisar os problemas inerentes envolvidos na re
pesquisa que lidam com apenas uma única observaçãothe n = 1 problema. Nós
mostram que, se existe realmente apenas uma única observação, é impossível
evitar o problema fundamental da Causal Inference. Mesmo em apoio
instâncias colocados de testes de caso único, o pesquisador deve examinar, a
menos um pequeno número de observações no prazo de "casos" e fazer compa
isons entre eles. comparação entanto, disciplinado de mesmo uma pequena
número de estudos de casos comparáveis, produzindo observações comparáveis,
pode sustentar inferência causal.
Nossa análise de observação única modelos na secção 6.1 pode parecer
pessimista para o pesquisador do estudo de caso. No entanto, uma vez que um caso podem real
aliado contêm muitas observações possíveis, o pessimismo é realmente unjus
cado, apesar de uma busca persistente por mais observações é de fato
garantido. Depois de ter criticado desenhos de observação único e
assim proporcionada uma forte motivação para aumentar o número de observação
ções, vamos então discutir quantas observações são suficientes para
atingir níveis satisfatórios de segurança (secção 6.2). Por último, na secção
6.3 vamos mostrar que quase todo o projeto de pesquisa qualitativa pode ser
reformulado em um com muitas observações, e que muitas vezes isso pode
ser feito sem a coleta de dados caro adicional se o pesquisador AP
damente conceitua as implicações observáveis que têm al
pronto foram recolhidas.
Página 221
SingleObservação Designs · 209
6.1 SINGLEOBSERVAÇÃO projetos para
inferência causal
O problema mais difícil em qualquer pesquisa ocorre quando o analista
tem apenas uma única unidade, para apurar uma teoria causal, que é
onde n = 1. Vamos começar uma discussão sobre este problema nesta seção
e argumentam que lidar com sucesso com isso é extremamente improvável. Nós
fazer isso pela primeira vez por analisar o argumento em arti clássico de Harry Eckstein
cle sobre estudos de casos cruciais (seção 6.1.1). Nós, então, recorrer a um espe
caso cial deste, o raciocínio por analogia, no ponto 6.1.2.
6.1.1 «crucial» Estudos de Caso
Eckstein convincentemente argumentou que não definir claramente a condição
ções em que são esperados padrões específicos de comportamento torna
impossível para testes de tais teorias para falhar ou ter sucesso (Eckstein, 1975).
Estamos de acordo com Eckstein que os pesquisadores precisam lutar por teorias que
fazer previsões precisas e precisa testálos em dados do mundo real.
No entanto, Eckstein vai mais longe, afirmando que, se tivermos uma teoria
que faz previsões precisas, um "importante caso" estudarpelo qual ele
significa um estudo baseado apenas em "uma única medida em qualquer variável pertinente
capazes "(o que chamamos de uma única observação), pode ser usado para explicativa
Finalidades. O ponto principal do capítulo de Eckstein é o seu argumento de que
"estudos de caso . . . [São] mais valioso na. . . a fase em que o candidato
teorias são 'testado' "(1975: 80). Em particular, ele argumenta (1975: 127) que
"Um único caso cruciais podem certamente marcar um nocaute limpo ao longo de um o
ory. "estudos de caso de Crucial, por Eckstein, pode permitir suficientemente precisas
teorias para ser refutada por uma observação. Em particular, se o rito
jacaré escolhe um estudo de caso que parece aprioristicamente improváveis
concordar com previsões teóricasa "menos provável" a observação, mas
a teoria acaba por ser correto, independentemente, a teoria terá
passou por um teste difícil, e teremos razão para apoiálo com
maior confiança. Por outro lado, se as previsões do que parece ser um
teoria implausível conformar com observações de um "mais provável" ob
conservação, a teoria não terá passado um teste rigoroso, mas terá
sobreviveu a uma "sonda de plausibilidade" e pode ser digno de uma análise mais aprofundada.
O argumento de Eckstein é bastante valioso, particularmente os conselhos que
os investigadores devem entender se para avaliar a sua teoria em um
"Menos provável", ou uma observação "mais provável". Quão forte nosso infer
cia será sobre a validade de nossa teoria depende, em considerável
medida da dificuldade do teste que a teoria foi aprovada ou rejeitada.
No entanto, o argumento de Eckstein para o ensaio usando uma observação fundamental
Página 222
210 · Aumentar o número de observações
ção é inconsistente com o problema fundamental da Causal Inference.
Cremos, portanto, que o argumento de Eckstein é errado se "caso" é
usado como ele define esse termo, o que chamamos de uma única observação. 1
Por três razões temos dúvidas de que um estudo fundamental observação pode
servir o objectivo explicativo Eckstein atribui a ele: (1) muito poucos ex
planations depender de uma única variável causal; para avaliar a im
pacto de mais de uma variável explicativa, as necessidades do investigador
mais do que uma implicação observado; (2) medição e é difícil
não perfeitamente fiável; e (3) a realidade social não é razoavelmente tratadas como
sendo produzido por processos determinísticos, erro, de modo aleatório faria
aparecer mesmo se a medição eram perfeitos.
1. explicações alternativas. Suponha que nós começamos um estudo de caso com o
hipótese de que um fator explicativo particular, explica o observado
resultado. No entanto, no decorrer de nossa pesquisa, descobrimos um possível
explicação alternativa para o resultado. Nesta situação, é preciso estimar
acasalar dois efeitos da causais efeito hipotético original ea alterna
explicação, mas tiva temos apenas uma observação e, assim, claramente, uma
projeto de pesquisa indeterminado (secção 4.1). Além disso, mesmo se usarmos o
abordagem de correspondência (que muitas vezes é uma estratégia valiosa), não podemos testar
explicações causais com uma única observação. Suponha que poderia criar uma
par perfeito em todas as variáveis relevantes (uma circunstância que é muito un
provavelmente nas ciências sociais). Nós ainda seria necessário, no mínimo, a com
pare duas unidades, a fim de observar qualquer variação na variável explicativa
capaz; uma inferência causal válida que testa hipóteses alternativas com base
de apenas uma comparação seria, portanto, impossível.
2. Erro de medição. Mesmo se tivéssemos uma teoria que fez forte e determinação
previsões minate, ainda teria de enfrentar o problema que a nossa medição
mento em relação ao que a predição é, como é todas as medições, susceptível de conter
erro de medição (ver secção 5.1). Em uma única observação, medição
erro mento pode muito bem levarnos a rejeitar uma hipótese verdadeira, ou viceversa.
teorias precisas podem exigir medição que é mais preciso do que o
estado actual das nossas inferências descritivas permitir. Se nós temos muitos ob
servações, que pode ser capaz de reduzir a magnitude e conseqüência da
erro de medição através da agregação; mas em uma única observação,
há sempre alguma possibilidade de que erros de medição será crucial para
levando a uma conclusão falsa.
3. O determinismo. A razão final e talvez o mais decisivo para a inade
quação de estudos com base em uma única implicação observável diz respeito à
medida em que o mundo é determinista. Se o mundo fosse determinis
1 No entanto, como vamos argumentar abaixo, Eckstein parece reconhecer a fraqueza de sua
argumento, que o leva realmente a chamar não para refutaçãoobservação única, mas para
múltiplas observações.
Página 223
SingleObservação Designs · 211
tic ea observação produziu um inconsistente medida com a teoria,
então podemos dizer com certeza que a teoria era falsa. Mas para qualquer
teoria social interessante, há sempre uma possibilidade de alguns desconhecidos
variáveis omitidas, o que pode levar a um resultado imprevisível, mesmo que o
modelo básico da teoria está correta. Com apenas uma implicação do
teoria causal observada, não temos nenhuma base para decidir se
a observação confirma ou desconfirma uma teoria ou é o resultado de alguns
fator desconhecido. Mesmo tendo duas observações e uma experiência perfeita,
variando apenas um fator explicativo, e gerando apenas uma observação
de diferença entre duas observações idênticas na de
variável pendente, teríamos que considerar a possibilidade de que, em nossa
mundo probabilístico, alguns não sistemática fator, o acaso levou à dife
rência no efeito causal que é observado. Não importa se o
mundo é inerentemente probabilística (no sentido da seção 2.6) ou, simplesmente,
que não podemos controlar todas as variáveis omitidas possíveis. Em ambos os casos,
nossas previsões sobre as relações sociais pode ser apenas probabilisticamente
preciso. Eckstein, na verdade, concorda que os fatores fortuitos afetar qualquer estudo:
A possibilidade de que um resultado é devido ao acaso nunca pode ser descartada em
qualquer tipo de estudo; mesmo em estudo comparativo de largura é apenas mais ou
menos provável. . . . A verdadeira diferença entre o estudo de observação fundamental
e estudo comparativo, por conseguinte, é que, neste último caso, mas não o
primeiro, podemos atribuir por várias convenções um número específico para o
probabilidade de resultados aleatórios (por exemplo, "significante ao nível de 0,05").
Eckstein é certamente direito que é prática comum para relatar o específico
probabilidade de uma chance de encontrar somente para de larga n estudos. No entanto, ele é tão
essencial considerar as chances de ocorrências aleatórias em todos os estudos com
números grandes ou pequenos de observações. 2
Em geral, concluise, a única observação não é um logia útil
nique para testar hipóteses ou teorias. Não é, no entanto, uma quali
Ficação. Mesmo quando temos um estudo de observação single "puro" com
apenas uma observação sobre todas as variáveis relevantes, uma única observação pode
ser útil para avaliar as explicações causais se é parte de uma pesquisa
programa. Se houver outras observações individuais, talvez recolhidas pela
outros pesquisadores, contra os quais podem ser comparados, já não a é
observação, mas único que é apenas o nosso ponto. Não devemos confundir
a lógica de explicação com o processo pelo qual a pesquisa é feita. E se
dois pesquisadores realizar estudos de observação única, que pode ser deixado
com uma comparação emparelhado e uma causal válida inferênciase assumirmos
2 A pesquisa da sociologia comparativa realizada pela Bollen, Entwisle e Alderson
(No prelo) mostra que praticamente todos os livros e artigos que eles analisaram atribuído
algum papel ao acaso, mesmo aqueles que se autoconscientemente usar o método da diferença de Mill.
Página 224
que recolher o material de uma forma sistemática e comparável e
que partilham os seus resultados de alguma forma. E, claro, a única
estudos de observação também podem fazer contribuições importantes para summa
Rizing detalhes históricos ou inferência descritiva, mesmo sem o com
parison (ver secção 2.2). Obviamente, um estudo de caso que contém muitos
implicações observáveis, como a maioria faz, não está sujeita aos problemas dis
cussed aqui.
6.1.2 O raciocínio por analogia
Os perigos de desenhos de observação individuais são particularmente bem ilus
trados por referência a uma forma comum de correspondência utilizada por políticas
decisores políticos e alguns analistas políticos procuram compreender política
eventos: o raciocínio por analogia (veja Khong 1992). O uso adequado de um
analogia é essencialmente o mesmo que segurar as outras variáveis constantes
através de correspondência. A nossa hipótese causal é que, se duas unidades são o
mesmo em todos os aspectos relevantes (ou seja, temos correspondido com sucesso
ou, em outras palavras, temos encontrado uma boa analogia), valores semelhantes
sobre as variáveis explanatórias relevantes resultará em valores semelhantes sobre
a variável dependente. Se o nosso jogo fosse perfeito, e se não houvesse
erro aleatório no mundo, saberíamos que a situação de crise
enfrentando atualmente País B (que corresponde a situação de um país A
no ano passado) fará com que o mesmo efeito que foi observado no País A.
Fraseadolo desta maneira, podemos ver que "o raciocínio analógico" pode ser
Adequado.
No entanto, o raciocínio analógico nunca é melhor do que o comparativa
análise que vai para ele. Tal como acontece com estudos comparativos em geral,
sempre fazer melhor (ou, no extremo, não é pior), com mais observações
como a base da nossa generalização. Por exemplo, o que se passou no Con
Tente um pode ser o resultado de fatores estocásticos que poderia ter em média
se tivéssemos baseado nossas previsões sobre crises em outros cinco combinado
Nações. E, como em todos os estudos que usam correspondência, a analogia é de apenas
tão bom quanto o jogo. Se o jogo é incompletase não são relevantes
variáveisnossos omitidos estimativas dos efeitos causais podem estar em erro.
Assim, como em todas as pesquisas em ciências sociais e toda previsão, é importante
que ser tão explícita quanto possível sobre o grau de incerteza que
acompanha a nossa previsão. Em geral, estamos sempre bem aconselhados a
olhar para além de uma única observação análoga, não importa o quão perto
talvez pareça. Ou seja, a abordagem em comparativa que combinam evi
dência de muitas observações, mesmo que alguns deles não estão muito perto analo
gias para a situação presente, está sempre pelo menos tão boa e geralmente melhor
do que a analogia . A razão é simples: a analogia usa uma única obser
vação de prever outra, ao passo que a abordagem comparativa usa um
Página 225
Quantos são bastante? · 213
combinação ponderada de um grande número de outras observações. Como
desde que estas observações adicionais têm algumas características que são seme
lar, de alguma forma, ainda que pequena, para o evento que estamos prevendo e nós
estão usando esta informação adicional, de forma razoável, eles vão
ajudar a fazer uma previsão mais precisa e eficiente. Assim, se
são tentados a usar analogias, devemos pensar de forma mais ampla, em com
termos comparativos, como discutiremos a seguir na seção 2.1.3. 3
6.2 QUANTAS observações são BASTANTE?
Neste ponto, o pesquisador qualitativo pode pedir ao quantitativo
pergunta: quantas observações são suficientes? A questão tem sub
implicações substancial para avaliar os estudos existentes e projetar novos
pesquisa. A resposta depende muito do projeto de pesquisa, o que
inferência causal o pesquisador está tentando estimar, e alguns FEA
turas do mundo que não estão sob o controle do investigador.
Nós responder a esta pergunta aqui com outro muito simples formais
modelo de investigação qualitativa. Utilizando o mesmo modelo de regressão linear
que amplamente utilizado nos capítulos 4 e 5, focamos a atenção na
efeito causal de uma variável ( x 1 ). Todas as outras variáveis são tratados como con
controles, que são importantes a fim de evitar omitido viés de variável ou
Outros problemas. É fácil para expressar o número de unidades de um necessidades em
uma situação dada por uma fórmula simples
s 2
n = ______________ (6,1)
(1 R 1
2
) SX 1
2 V ( b 1 )
os conteúdos dos quais nós agora explicar.
O símbolo n , naturalmente, é o número de observações sobre a qual
dados devem ser recolhidos. Calculase neste modelo formal sobre a base
de s 2 , V ( b 1 ), R
1 e S2 2 x 1 . Estes quatro quantidades cada um tem muito impor
significados tantes, e cada afecta o número de observações de que os
pesquisador qualitativo deve recolher, a fim de chegar a uma inferência válida.
Nós derivada da equação (6.1) com nenhuma suposição além daqueles que temos
já introduzida. 4 Descrevemos estes agora, a fim de aumentar
possibilidade de ser influenciado pelo pesquisador: (1) O fundamento
variabilidade s 2 , (2) a incerteza da causalidade inferência V ( b 1 ), (3) relativa
3 Kahneman, Slovic e Tversky (1982) descrevem uma falácia psicológica de raciocínio
que ocorre quando os tomadores de decisão sob incerteza escolher analogias com base em recência
ou disponibilidade, portanto, a polarização sistematicamente julgamentos. Eles chamo isso de a "disponibilidade
heurística ". Veja também Keane (1988).
4 Os pressupostos são que E ( Y ) = X 1 b 1 + X B, V ( Y ) = s 2 , não há multicolinearidade,
e todas as expectativas são implicitamente condicional em X .
Página 226
colinearidade entre a variável causal e as variáveis de controle R 2 1,
e (4) a variância dos valores da chave variável causal S 2 x 1 . 5
1. Variabilidade Fundamental σ 2 . Quanto maior for a variabilidade fundamentais, ou
inexplicada variabilidade na variável dependente (tal como descrito na secção
2.6), os mais observações devem ser recolhidos, a fim de chegar a um confiável
inferência causal. Este deve ser relativamente intuitiva, uma vez mais ruído na
o sistema faz com que seja mais difícil de encontrar um sinal claro com um número fixo de
Observações. Recolha de dados sobre mais unidades podem aumentar nossa alavancagem
o suficiente para nós para encontrar padrões causais sistemáticas.
De forma análoga diretamente, um estimador mais ineficiente será também
requerem mais coleta de dados. Um exemplo desta situação é quando o
variável dependente tem erro de medição aleatório (ponto 5.1.2.1).
Do ponto de vista do analista, esse tipo de erro de medição é
geralmente equivalente a variabilidade fundamentais adicionais, desde que os dois
não pode sempre ser distinguidos. Assim, a variabilidade mais fundamental (ou,
equivalentemente, as estimativas menos eficientes) nos obriga a recolher mais dados.
Embora o pesquisador não pode ter influência sobre o fundamento
variabilidade existente no mundo, esta informação é bastante relevante em dois
aspectos. Em primeiro lugar, quanto mais sabemos sobre um assunto, quanto menor este funda
variabilidade mental (ou inexplicada) é (presumivelmente até algumas positivas
limite); portanto, menos observações precisam ser coletados para aprender algo
Novo. Por exemplo, se sabia muito sobre as causas dos resultados da
várias batalhas durante a guerra revolucionária americana, então teríamos
precisa relativamente menos observações (batalhas) para estimar o efeito causal da
alguma variável explicativa recém hipótese.
Em segundo lugar, mesmo se o grau de compreensão Variabilidade fundamentais
não nos ajuda a reduzir o número de observações para as quais devemos
coletar dados, seria de grande ajuda em avaliar com precisão a
incerteza de qualquer inferência feita. Isso deve ficar claro a partir da equação
(6.1), uma vez que pode facilmente resolver a incerteza no efeito causal V ( b 1 )
como uma função dos outros quatro quantidades (se sabemos n e a outra
quantidades, com excepção para a incerteza da estimativa causal). Isso significa
que, com este modelo formal, podemos calcular o grau de incerteza das
uma inferência causal com informações sobre o número de observações,
a variabilidade fundamental, a variância da variável explicativa causal
capaz, ea relação entre esta variável e as variáveis de controle.
2. A incerteza do Causal Inference V ( b 1 ). V ( b j ) no denominador da
a equação (6.1) demonstra o ponto óbvio que quanto mais incerteza
estamos dispostos a tolerar, menos observações que precisamos de recolher. Dentro
5 Tecnicamente, s 2 é a variância na variável dependente, condicional a toda a ex
variáveis explicativo V ( YX ); V ( b ) é o quadrado do erro padrão de estimativa de
1
o efeito causal dos X 2 ; é o R 2 calculada a partir de uma regressão auxiliar de X 1 em todos
1 R1
as variáveis de controle; e S X 1 representa a variação da amostra de X 1 .
2
Página 227
Quantos são bastante? · 215
áreas onde quaisquer novos conhecimentos adquiridos é muito importante, que pode ser
capaz de fazer contribuições graves através da recolha relativamente poucos observação
Ções. Em outras situações onde a maior parte já é conhecida, e um novo estudo
vai dar um importante contributo só se tem certeza considerável,
vamos precisar relativamente mais observações, a fim de convencer as pessoas de um
novo efeito causal (ver secção 1.2.1).
3. Colinearidade entre a variável causal e as variáveis de controle
R 1.2 Se a variável causal não está correlacionada com outras variáveis p ara
que estamos controlando, em seguida, incluindo essas variáveis de controle, que
pode ser necessário para evitar a polarização variável omitida ou outros problemas,
não afeta o número de observações que precisam ser recolhidos.
No entanto, quanto maior a correlação entre a variável causal e qualquer
outras variáveis estamos controlando para, mais exigências do de pesquisa
sinal está a colocar sobre os dados, e, por conseguinte, quanto maior for o número de observa
vações que precisam de ser recolhido, a fim de alcançar o mesmo nível de
certeza.
Por exemplo, suponha que estamos realizando um estudo para ver se
as mulheres recebem um salário igual para trabalho igual em algum negócio. Nós não temos
acesso oficial e por isso só pode entrevistar pessoas informalmente. nossa depen
variável dent é o salário anual de um empregado, eo explicativa chave
variável é o género. Uma das variáveis de controle importantes é corrida. No
extremo, se todos os homens no estudo são pretos e todas as mulheres são brancos, nós
terá nenhuma influência em fazer a inferência causal: encontrar qualquer efeito de
sexo após o controle de corrida vai ser impossível. Sexo tornase assim
uma constante nesta amostra. Assim, este é um exemplo de multicolinearidade,
um projeto de pesquisa indeterminado (secção 4.1); mas observe o que acontece
quando a colinearidade é alta, mas não perfeito. Suponhamos, por exemplo, que
nós coletamos informações sobre quinze funcionários e todos, mas um dos homens
são negros e todas as mulheres são brancos. Nesta situação, o efeito de ge
der, enquanto a corrida é controlada por, baseiase inteiramente por um remanescente
observação que não é perfeitamente colinear.
Portanto, na situação geral, como neste exemplo, o mais Collin
earity entre a variável explicativa de causalidade e as variáveis de controle,
quanto mais nós desperdiçamos observações. Assim, precisamos de mais observações para
alcançar um nível fixo de incerteza. Este ponto prevê prá importante
conselhos cal para a concepção de pesquisa, uma vez que muitas vezes é possível seleccionar obser
vações de modo a manter a correlação entre a variável causal eo
variáveis de controle baixos. No presente exemplo, seria apenas precisa
entrevistar as mulheres negras e homens brancos em número suficiente para reduzir
essa correlação.
4. A variância dos valores da Causal explicativa Variável S 2 x 1 . Fi
finalmente, quanto maior for a variância dos valores da variável de motivos causal
capaz, menos observações que precisamos coletar para atingir um nível fixo de
certeza sobre uma inferência causal.
Página 228
Este resultado, como a última, tem implicações práticas, uma vez que, por adequadamente
seleccionando observações, que pode reduzir a necessidade de um grande número de ob
servações. Nós só precisa se concentrar em escolher observações com um
vasta gama de valores da variável causal chave. Se estamos interessados na
efeito sobre o crime do ensino médio em uma comunidade, é melhor
escolher algumas comunidades com muito baixa e alguns com valores muito elevados
de Educação. Na sequência deste parecer significa que podemos produzir uma causal
inferência com um nível fixo de certeza com menos trabalho, recolhendo menos
Observações.
O modelo formal aqui assume que o efeito que estamos estudando é
linear. Isto é, quanto maiores forem os valores das variáveis explanatórias, o
superior (ou inferior) é o valor esperado da variável dependente. Se o
relação não é linear, mas ainda aproximadamente monótona (isto é, nondecreas
ing), aplicamse os mesmos resultados. Se, em vez disso, o efeito é nitidamente nonlin
ouvido, pode ser que os níveis medianos da variável explicativa tem
um resultado completamente diferente. Por exemplo, suponha que o estudo de base
em apenas valores extremos da variável explicativa encontra nenhum efeito: o
o nível de educação de uma comunidade não tem efeito sobre o crime. Mas, na verdade,
Pode ser que apenas os níveis médios de educação reduzir os níveis de criminalidade na
uma comunidade. Para a maioria dos problemas, esta qualificação não se aplica,
mas devemos ter o cuidado de especificar exatamente as suposições que são
afirmando ao projetar pesquisa.
Ao prestar atenção à variabilidade fundamental, a incerteza, colline
arity, ea variância dos valores da variável causal, podemos obter con
velmente mais força a partir de um pequeno número de unidades. No entanto, é
ainda razoável para fazer a pergunta que é o título a esta seção: como
muitas observações são suficientes? Para esta questão, não podemos fornecer uma
resposta precisa que sempre se aplicam. Como temos mostrado com o
modelo formal discutido aqui, a resposta depende de quatro separada
peças de informação, cada um dos quais variam conforme os desenhos de pesquisa.
Além disso, a maioria das situações de pesquisa qualitativa não vai exatamente se encaixam nessa
modelo formal, embora as intuições básicas se aplicam muito mais
geralmente.
Quanto mais, melhor, mas quantas são necessárias? No mínimo, com
picado situação, que, com baixos níveis de variabilidade fundamental, a alta
variância na variável causal, não há correlação entre a variável causal
variáveis capazes e de controlo, e uma exigência de níveis bastante baixos de
certeza, algumas observações serão necessáriasprovavelmente mais do que cinco
mas menos de vinte. Mais uma vez, uma resposta precisa depende de um preciso
especificação do modelo formal e um valor preciso para cada um dos seus
Componentes. Infelizmente, a pesquisa qualitativa é de al definição
a maioria nunca neste preciso, e por isso nem sempre podemos limitar a um pecado
resposta gle.
Página 229
Fazendo Muitos dos poucos · 217
Felizmente, muitas vezes é possível evitar estes problemas através do aumento
ing o número de observações. Às vezes, esse aumento envolve col
lecting mais dados, mas, como discutimos na próxima seção, uma qualitativa
projeto de pesquisa pode ser frequentemente reconceitualizado para extrair muitos
mais observações a partir dele e, portanto, para produzir um muito mais poderoso
design, um assunto para o qual nos voltamos agora.
6.3 FAZENDO muitas observações DE POUCOS
Temos enfatizado as dificuldades inerentes à investigação que se baseia
um pequeno número de observações e fez um número de sugestão
ções para melhorar os projetos para esse tipo de pesquisa. No entanto, o leitor
deve ter notado que nós descrevemos a maioria dessas sugestões como "se
ond melhor "Útil quando o número de observações é limitada não, mas
tão valiosa como a estratégia de aumentar o número de observações. 6
Como destacamos, estas segundasmelhores soluções são valiosos porque nós
muitas vezes não podem reunir mais observações do tipo que quer analisar:
pode haver apenas algumas instâncias do fenómeno em que estamos
interessados, ou pode ser muito caro ou difícil de investigar mais
do que as poucas observações que reunimos. Nesta seção, nós dis
cuss várias abordagens para aumentar o número de nossas observações.
Essas abordagens são úteis quando nos deparamos com o que parece ser
um pequeno número de observações e não têm tempo ou recursos
continuar a recolha de observações adicionais. Nós especificamos vários
maneiras em que podemos aumentar o número de observações relevantes para
nossa teoria através da redefinição de sua natureza. Estas estratégias de investigação in
amasse o n enquanto ainda mantém o foco diretamente em evidência a favor ou
contra a teoria. Como já enfatizado, são muitas vezes útil
mesmo depois de ter terminado a coleta de dados.
Como discutimos na seção 2.4, Harry Eckstein (1975) define um caso
como "um fenômeno para o qual nós relatamos e interpretar apenas uma única
medir em qualquer variável pertinente. "Desde que a palavra," case ", foi
usado de muitas maneiras diferentes em ciências sociais, que preferem se concentrar em
Observações. Nós definimos uma observação como uma medida de um
variável dependente de uma unidade (e para o maior número variável explicativa
medidas como estão disponíveis na mesma unidade). Observações são a fun
componentes damentais de pesquisa em ciências sociais empíricas: nós agregação
gatelos para fornecer as provas em que nos baseamos para avaliar o nosso
Teorias. Como indicamos no capítulo 2, em qualquer projeto de uma pesquisa,
não fazer em estudo fato de fenômenos inteiras, como a França, a Rev Francês
6 A conveniência de aumentar o número de observações é normalmente expressa em
a literatura sobre o método comparativo. Lijphart (1971) faz um particularmente forte
caso.
Página 230
olution, 1992 eleição americana, ou a decisão do Iraque para invadir Ku
esperar. Em vez disso, os aspectos abstratos daqueles fenômenosconjuntos de explan
Atory e dependentes variáveisque são especificadas pelas nossas teorias; nós
identificar unidades a que estas variáveis se aplicam; e fazemos observação
ções de nossas variáveis, nas unidades. 7
O material que usamos para avaliar nossas teorias consiste, portanto, de um
conjunto de observações de unidades com relação a variáveis relevantes. O problema
aqui abordado é a forma de aumentar o número de observações. Tudo de
as maneiras de fazer isso começar com a teoria ou hipótese que estamos testando.
O que devemos fazer é perguntar: quais são as possíveis implicações observáveis
de nossa teoria ou hipótese? E quantos casos podemos encontrar em
que essas implicações observáveis pode ser testado? Se queremos mais
observações, a fim de testar a teoria ou hipótese, podese obter
los em uma de três maneiras: podemos observar mais unidades, fazer novos e
diferentes medidas das mesmas unidades, ou ambos, observar mais unidades
enquanto estiver usando novas medidas. Em outras palavras, podemos realizar semelhante
medidas em unidades adicionais (que descrevemos no capítulo 6.3.1), nós
pode usar as mesmas unidades, mas alterar as medidas (secção 6.3.2), ou nós
pode mudar ambas as medidas e unidades (seção 6.3.3). A primeira abordagem
pode ser considerado uma replicação completa da nossa hipótese: usamos o
mesmo explicativo e variáveis dependentes e aplicálos a nova in
Posições. A segunda abordagem envolve uma replicação parcial do nosso o
ory ou hipótese que usa uma nova variável dependente, mas mantém o
mesmas variáveis explicativas. E a terceira abordagem sugere um novo
(Ou muito revista) hipótese implícita pela nossa teoria original de que usos
uma nova variável dependente e aplicase a hipótese de a nova in
Posições. 8 Usando essas abordagens, pode ser possível dentro mesmo um pecado
gle convencionalmente denominada "estudo de caso" para observar muitos im separada
complicações de nossa teoria. Na verdade, um único caso, muitas vezes envolve múltiplos
medidas das variáveischave; Assim, por nossa definição, contem
múltiplas observações. 9
7 Concordamos com William Baumol (1990: 1715) observações sobre a história económica:
"Muitos historiadores económicos, uma armadilha para si mesmos quando eles tentam ex
desenvolvimentos históricos particulares simples na sua totalidade. O escritor que procura de
escriba os "cinco principais causas" do climatério britânica no final do cen XIX
tury, ou da depressão económica Europeu de 1847, assume uma tarefa impossível. o
ciências naturais, o conhecimento com todas as suas realizações e acumulada, ainda lugar
forte dependência de experimentos que são controlados , e, assim, concentrarse na influência de um
ou algumas variáveis de cada vez. Os cientistas centrar a sua pesquisa sobre o que são, com efeito, parcial
derivados, em vez de tentar explicar fenômenos complexos da realidade na sua
totalidade. "
8 Também pode manter a mesma variável dependente, mas alterar as variáveis explicativas.
No entanto, na maioria das situações, esta estratégia é usada para evitar o erro de medição usando
várias medidas do mesmo variável explicativa subjacente.
9 Pesquisadores às vezes conduzir estudos que são descritos como repetições de anterior
Página 231
6.3.1 mesmas medidas, novas unidades
Obtenção de observações adicionais usando a mesma medida tégia
egy é a maneira padrão de aumentar o número de observações. Nós
aplicar a mesma teoria ou hipótese, usando essencialmente a mesma variável
veis, para mais instâncias do processo que a teoria descreve. o
duas maneiras principais, podemos encontrar casos mais observáveis do processo
implícita por nossa teoria são através de variações "através do espaço" e através de variação
ções ao longo do tempo.
A abordagem usual para obter mais observações "através do espaço" é
procurar outras unidades semelhantes: adicionar o Paquistão, Bangladesh e Sri Lanka
à própria base de dados, juntamente com a Índia. Dado tempo suficiente e dinheiro
e habilidades, que naturalmente faz sentido. O trabalho de Kohli sobre a Índia (discutido
na secção 5.6) fornece um exemplo. Também ilustra uma maneira na qual
ele supera o problema associado com a utilização de três indianos
Membros seleccionados com base em valores conhecidos do independente e
variáveis dependentes. Ele olha para outras duas unidades nacionais. Um deles é o Chile
sob Allende, onde os programas para ajudar os pobres falhou. Kohli argumenta
que a ausência de uma das três características que de acordo com a sua
teoria levam a programas de pobreza bemsucedidos (no caso chileno, o
ausência de um partido da reforma política bem organizada) contribuíram para esta
falha. 10 A outra nação é Zimbabwe sob Robert Mugabe, que
tinha, no momento Kohli estava escrevendo seu livro, chegado ao poder com uma
regime cujas características se assemelhava a orientação para aliviar a pobreza
em Bengala Ocidental. Os resultados, embora provisória, pareceu consistente com
A teoria de Kohli. O tratamento que nestes dois casos é superficial, mas são
utilizados, de forma adequada implicações observáveis como adicionais de
sua teoria.
É, no entanto, não é necessário que se mover para fora dos limites do
unidade temos vindo a estudar. Uma teoria cujo foco original era o
Estadonação pode ser testado em subunidades geográficas daquela nação: em
estados, condados, cidades, regiões, etc. Isto, naturalmente, amplia a gama de
variação das variáveis explanatórias, bem como a variável dependente
capaz. Suponha que queremos testar uma teoria de agitação social que se relaciona
pesquisar e não envolvem novas observações. Essencialmente duplicamou tentar du
plicatea pesquisa de outros para ver se os resultados podem ser reproduzidos. re quantitativa
pesquisadores vão tentar reproduzir a análise dos dados de um estudo anterior, utilizando o mesmo
dados. Um historiador pode verificar as fontes utilizadas por outro historiador. um etnógrafo
pode ouvir entrevistas gravadas e ver se as conclusões originais eram
som. Esta actividade é mais útil uma vez que evidências científicas devem ser reprodutíveis, mas
não se enquadra dentro do conceito do que estamos sugerindo nestas seções já que nenhum novo
observações são vinculados.
10 As forças externas também levou ao fracasso de Allende, mas Kohli atribui um papel importante à
os internos.
Página 232
mudanças nos preços agrícolas para a agitação social. A unidade pode ser o pecado
nação gle chamado de "Índia". Mas "Índia" como um caso pode fornecer numerosos
observações sobre a relação entre os preços agrícolas e sociais
agitação se considerarmos as diferentes partes da Índia. Sem entrar saída
lado do país que estamos estudando, podemos aumentar o número de
observações por encontrar repetições dentro do país do processo
sendo estudado.
Estudantes de políticas sociais muitas vezes podem olhar para unidades governamentais que
são subunidades do Estado nacional em que estão interessados em testar
suas hipóteses sobre as origens de vários tipos de políticas. Kohli de
análise de três estados da Índia é um exemplo de uma tendência comum em
estudos de política para comparar estados ou cidades ou regiões. conjunto original de Kohli
de observações, no entanto, foi os três estados indianos. Como indicamos,
eles foram seleccionados de tal modo que eles não podem ser utilizados para testar a sua
hipótese sobre o efeito da estrutura regime sobre a política da pobreza em
Índia. No entanto, assim como ele usou outras nações como as unidades de observação
ção, Kohli também supera grande parte do problema da sua escolha original
de unidades por prosseguir a estratégia de usar subunidades. Ele se move para baixo para
um nível de observação abaixo dos três estados indianos com a qual ele
começou aplicando sua hipótese para panchayats locais (go locais
conselhos nizações no distrito, bloco e nível de aldeia), que são
subunidades dos estados. Panchayats variar consideravelmente em termos de
compromissos dos líderes políticos para a política pobreza e orga locais
estrutura organizacio. Assim, eles permitem que os testes do impacto dessa variação
ção nas saídas de política que ele usa como suas variáveis dependentes.
Subunidades que fornecem observações adicionais não precisam ser geo
gráfico. Teorias que se aplicam ao estadonação também pode ser testado
sobre as agências do governo ou no âmbito de particular decisions
que pode ser feito sem ter que visitar um outro país. Um exame
ple de buscar implicações observáveis adicionais da hipótese de uma
em unidades nongeographical adicionais podem ser encontradas in verba et ai. (dentro
progresso). No exemplo que foi introduzida na seção 5.4, eles ex
claro o fato de que os afroamericanos aprender habilidades mais cívicas na igreja
latinos de fazer com base da natureza das igrejas eles AT
tender; os primeiros são propensos a participar Prot congregacionalmente organizada
igrejas estant, este último para participar hierarquicamente organizada Católica
Igrejas Os autores argumentam que, se sua hipótese sobre o impacto
da igreja organização é correto, uma diferença semelhante à que existe entre
fiéis católicos e protestantes devem aparecer quando se compara
entre outras unidades da igreja, em particular entre denominador Protestante
ções diferenciadas pela organização da denominação. Eles encontram
que os episcopais, que frequentam uma igreja organizada hierarquicamente, são
bastante semelhante aos católicos na aquisição de competências cívicas na igreja. o
Página 233
fato de que episcopais são, em geral, a mais educados e afluentes
grupo do que, por exemplo, batistas, mas praticar menos competências cívicas em
igreja acrescenta alavancagem adicional para confirmar sua hipótese causal.
Devemos ser cautelosos em decidir se as novas unidades são for caso
quadas para a replicação da nossa hipótese, isto é, se eles são
unidades dentro do qual o processo decorrentes da hipótese pode levar
lugar. Se a aplicação da hipótese de outros tipos de unidades
é válido depende da teoria e hipótese envolvida, bem como o
natureza das unidades. Se a variável dependente é política de assistência social,
em seguida, estados ou províncias são apropriados se eles podem fazer tais políticas.
Mas se estamos estudando política de tarifas e todas as decisões tarifárias são feitas por
o governo central, a unidade estadual ou provincial não pode ser ap
propriate. Da mesma forma, não faria sentido para estudar governos locais
mentos na Índia ou no Paquistão para testar uma teoria sobre as condições sob
que uma unidade política escolhe para desenvolver uma capaci armas nucleares
dadeuma vez que o processo de fazer tais escolhas tem lugar no centro
governo. Para dar outro exemplo, é plausível para testar o impacto
de alterar os preços agrícolas no agitação social entre os estados indianos,
mas implausível usar várias agências do governo indiano para
testar a relação. O processo em estudo não ter lugar
dentro das agências. Em suma, se subunidades são instâncias apropriadas
em que para observar uma teoria "em acção" depende da teoria. que
é por isso que aconselham a começar listando as implicações observáveis de
nossa teoria, não olhando para os lotes de possíveis unidades, independentemente do
teoria. Só depois de a teoria foi especificado podemos escolher unidades para
estude.
Uma abordagem alternativa é a de considerar observações ao longo do tempo. Índia
hoje e Índia uma década atrás pode fornecer duas instâncias do pro
cesso de interesse. Na verdade, a maioria das obras que são descritos como "caso tudos
s "envolvem múltiplas medidas de uma hipótese ao longo do tempo.
Nosso conselho para expandir o número de observações, procurando
mais instâncias em subunidades ou considerando instâncias ao longo do tempo é, nós
acredito, alguns dos conselhos mais úteis que temos para re qualitativa
pesquisa. Resolve o pequenas n problema aumentando o n sem re
Quiring viajar para outro país, a análise de uma decisão inteiramente novo,
etc, no entanto, é o conselho de que devem ser seguidos com cuidado. Nós temos
já expressa um cuidado: a nova instância deve ser aquele ao qual
a teoria ou hipótese aplicase, isto é, a subunidade devem realmente con
tain uma implicação observável da teoria. Não precisa de ser exactamente (ou
mesmo aproximadamente) a implicação observável somos imediatamente
interessado em; contanto que é uma implicação da mesma teoria, os dados
organizados desta forma vai dar alavancagem adicional sobre o causal
inferência.
Página 234
Há um outro problema que estar ciente. Queremos usar
Nesses casos adicionais como novos testes de nossa teoria, mas as subunidades
ou os vários casos encontrados ao longo do tempo podem não representar independente
testes da teoria. Assim, como George (1982: 2023) reconhece, cada nova
"Case" não traz tanta informação nova para lidar com o problema
como seria se as observações foram independentes uma da outra. De
pendência entre as observações não desqualifica estes novos testes un
menos a dependência é perfeito, isto é, a menos que possamos perfeitamente prever
os novos dados a partir dos dados existentes. Curto deste caso improvável, há
existe pelo menos alguma nova informação nos novos dados, e vai
ajudar a analisar esses dados. Estas novas observações, com base em noninde
informações pendentes, não adicione o máximo de informações totalmente inde
pendent observações, mas eles ainda podem ser úteis.
Esta conclusão tem duas implicações práticas. Em primeiro lugar, quando se tratar
com as observações parcialmente dependentes, devemos ter cuidado para não
exagerar a certeza das conclusões. Em particular, não devemos
tratar esses dados como proporcionar o máximo de observações como teríamos
obtida a partir de observações independentes. Em segundo lugar, devemos cuidadosamente
analisar as razões para a dependência entre as observações. Frequentemente
a dependência irá resultar de uma ou de uma série muito interessante e
possivelmente confusão variáveis omitidas. Por exemplo, suponha que somos
interessados na participação política dos cidadãos nos municípios do
Estados Unidos. municípios vizinhos podem não ser independente, porque
da cooperação transfronteiriça deslocamento, mobilidade residencial ou o sócio semelhante
valores econômicos e políticos de pessoas que vivem em municípios vizinhos.
Coletando dados de municípios vizinhos certamente irá adicionar alguma in
formação com um estudo, embora não tanto quanto se os municípios foram
totalmente independente dos queridos em que nós já recolhidos
dados.
Para outro exemplo, considere a relação entre as alterações na
preços agrícolas e agitação social. Podemos testar esta relação
através de um número de estados indianos. Em cada medimos agrícola
preços, bem como a agitação social. Mas os estados não são isolados, expe
unidades mentais. Os valores da variável dependente pode ser afectada,
não só pelos valores das variáveis explicativas que medem dentro
cada unidade, mas também pelos valores de variáveis omitidas fora do
unidade. agitação social em um estado pode ser desencadeada por agrícola
preços (como previsto por nossa teoria), mas que a agitação social pode, direta
influência agitação social em um estado vizinho (tornandose apenas uma par
teste cialmente independente da nossa teoria). Esta situação pode ser tratada com
por controlar adequadamente para este propagação. Um problema semelhante
pode existir para a influência de um período de tempo anterior em um momento posterior pe
ríodo. Poderíamos replicar nossa análise na Índia uma década depois, mas o
Página 235
agitação social do período anterior pode ter um efeito direto sobre o mais tarde
período.
Estes exemplos ilustram que a replicação de uma análise de novo
unidades nem sempre implica um novo estudo. Se observação adicional
ções existir dentro do estudo que são da mesma forma como o
observações já utilizados para testar a hipótese, eles podem ser usados. Dentro
Desta forma, o pesquisador com um "estudo de caso" pode achar que há uma
muito mais observações que ele ou ela pensou. 11
6.3.2 mesmas unidades, as novas medidas
instâncias adicionais para o teste de uma teoria ou hipótese pode ser ge
rado retendo a mesma unidade de observação, mas mudando o de
variável pendente. Esta abordagem envolve a procura por muitos efeitos de
a mesma causa uma técnica poderosa para testar uma hipótese. Mais uma vez,
começamos com uma teoria ou hipótese e perguntar: supondo que a nossa teoria ou
hipótese estiver correta, o que mais seria de esperar a nossa variável explicativa
ables para influenciar além da variável dependente atual? tal
exercício pode sugerir indicadores alternativos da variável dependente.
No capítulo 1, que apontou que uma teoria particular do ex dinossauro
tinção tem implicações para a composição química das rochas. Conseqüentemente,
até mesmo uma teoria causal de um evento pré exclusivo teve múltiplos ob
implicações veiculáveis que poderiam ser avaliadas.
No exemplo que estamos usando das oscilações dos preços agrícolas e
agitação social, que pode ter medido agitação social pelo número de
perturbações da ordem pública. Além de agitação social, podemos perguntar o que
outra coisa seria de esperar se a teoria está correta. Talvez haja outra
medidas válidas de comportamento agitaçãodesviante social, de um tipo ou an
de outros. Esta pergunta poderá conduzir à hipótese de que outras variáveis
seriam afetados, como o comportamento eleitoral, o investimento empresarial ou
emigração. O mesmo processo que leva a flutuação de preços para engendrar
agitação pode ligar flutuação de preços para estes outros resultados.
O trabalho de Robert Putnam (1993) sobre o impacto dos recursos sociais na
o desempenho dos governos regionais em Itália leva um AP semelhante
Proach. desempenho regional não é uma única medida. Em vez Putnam
utiliza uma ampla gama de variáveis dependentes em sua tentativa de explicar a
fontes de desempenho democrático eficaz em todas as regiões italianas. Ele
tem doze indicadores de desempenho institucional, que procuram medir
11 pesquisadores quantitativos desenvolveram uma enorme disposição de poderoso estatística
técnicas para analisar os dados que exibem o que é referido como as propriedades de séries temporais
ou espacial autocorrelação. Não só eles são capazes de corrigir esses problemas, mas eles
têm formas encontradas de extrair informações exclusivas a partir desses dados. Veja Granger e
Newbold (1977), Anselin (1988), Beck (1991), e King (1989; 1991c).
Página 236
processos políticos, pronunciamentos de políticas e implementação de políticas.
Além disso, ele usa medidas com base em inquéritos de avaliações cidadão de
desempenho do governo. Cada uma destas medidas representa um ob
implicação que possa ser veiculado de sua teoria.
Como sugerimos anteriormente, o uso de unidades de governo subnacionais
para um estudo da política tarifária seria impróprio se tarifas são estabelecidas pela
o governo central. Mesmo que as variáveispara explicativos
exemplo, a natureza do produto ou a indústria poderagrícola
variam entre os estados ou províncias, o processo de determinar os níveis tarifários
(Que é o que a hipótese que está sendo testada preocupações) não leva
colocar dentro das unidades subnacionais. No entanto, se mudar a depen
dent variável a ser o comportamento de voto dos representantes de dife
rentes estados ou províncias sobre assuntos de comércio e tarifas, podemos estudar a
sujeito. Desta forma, podemos adicionar aos casos em que o teorica
processo de cal opera.
6.3.3 novas medidas, novas unidades
Podemos também olhar para além do conjunto de variável explicativa e dependente
veis que foram aplicadas para um determinado conjunto de unidades para outro ob
implicações veiculáveis envolvendo novas variáveis e novas unidades. o
medidas utilizadas para testar o que são essencialmente novas hipóteses que são
derivados daqueles originais podem ser bastante diferentes daqueles utilizados
até agora. O processo descrito pela nova teoria pode não se aplicar ao
tipo de unidade em estudo, mas sim para algum outro tipo de unidade, muitas vezes
para uma unidade a um nível mais baixo ou mais elevado de agregação. A hipó geral
ESIS sobre a ligação entre os preços agrícolas e agitação pode sugerir
hipóteses sobre a incerteza e instabilidade em outros tipos de unidades tais
como empresas ou agências governamentais. Ele também pode sugerir hipóteses sobre
o comportamento dos indivíduos. No exemplo da relação entre
flutuação dos preços agrícolas e agitação social, poderíamos perguntar: "Se o nosso
teoria quanto ao efeito das flutuações de preços em agitação social (que
já testado em várias unidades políticas) está correta, o que faz
isso implica para o comportamento das empresas ou cooperativas agrícolas ou indi
indiví (talvez no mesmo conjunto de unidades políticas)? O que pode ele
implica, no mínimo, para a forma como as decisões são alocacionais
feitos por agências governamentais? O que podemos esperar em termos de in
reações psicológicas dividual a incerteza eo impacto de tal
estados psicológicos no comportamento desviante individuais? "
Esta abordagem é particularmente útil quando não há casos de
um processo social potencialmente significativo para nós para observar. Um exemplo é
no estudo de uma guerra nuclear. Como uma guerra nuclear entre duas nuclear
Página 237
poderes nunca ocorreu, não podemos observar os efeitos de explicação
variáveis tory sobre o surto de uma tal guerra. Suponha que nossa teoria diz
que a presença de armas nucleares em ambos os lados tem impedido todos
guerra fora. Embora não existam casos para observar em relação ao nosso
hipótese básica, uma hipótese mais específico pode implicar outro poten
observações ciais. Por exemplo, podemos refletir que uma implicação de
nossa teoria é que a existência de armas nucleares de ambos os lados
deve inibir graves ameaças de guerra total. Em seguida, através do estudo da fre
qüência e gravidade das ameaças entre díades nucleares e não nucleares,
e por análise de ameaças como a probabilidade de guerra pareceu aumentar
durante as crises, podemos encontrar implicações ainda mais observáveis do nosso
teoria, o que pode ser testado.
O desenvolvimento de uma nova teoria ou hipótese, mas diferente
implicado pela teoria original, muitas vezes, envolve mover para um nível inferior
de agregação e um novo tipo de unidade: uma unidade não de tal política
como uma nação para outra unidade política em um nível mais baixo de agregação, tais
como uma província, mas a partir de unidades políticas como as nações ou as províncias para
indivíduos que vivem dentro das unidades ou para decisões individuais tomadas
dentro das unidades. Diferentes teorias podem implicar diferentes conexões
entre as variáveis que conduzem a um resultado específico, isto é, diferentes pro
processos pelos quais o fenômeno foi produzido (Dessler 1991: 345).
Antes de projetar testes empíricos, podemos ter de especificar um "causal
mecanismo ", o que implica série encadeada de hipóteses causais que indicam
como as conexões entre as variáveis são feitas. Definição e, em seguida, Procurar
ing para estes mecanismos causais diferentes podem levarnos a encontrar uma pleth
ora de novas implicações observáveis para uma teoria. (Na secção 3.2.1, que
distinguir o conceito de mecanismos causais da nossa mais funda
definição mental de causalidade.)
O movimento para um novo tipo de "observação" tipo diferente a de
unidade social, um indivíduo, uma decisãopode envolver a introdução de
variáveis explicativas não aplicáveis à unidade original. Muitas vezes, um hiper
pótese ou teoria sobre unidades políticas implica uma hipótese ou teoria
sobre o processo pelo qual o resultado particular observada no
nível da unidade acontece; Em particular, a hipótese de a nível
da unidade pode implicar hipóteses sobre atitudes e comportamentos no
nível de indivíduos que vivem dentro dessas unidades. Estes podem então ser testados
utilizando dados sobre os indivíduos. Se passar para o nível do indivíduo, nós
pode se concentrar em variáveis psicológicas ou sobre aspectos da ex indivíduo
Perience ou status, variáveis que não fazem sentido se for aplicada a política
unidades.
Considere o exemplo da relação entre a agricultura
preços e agitação social. Podemos ter uma hipótese sobre o nível de um
Página 238
unidade governamental, como uma nação ou província. Um exemplo seria
o seguinte: quanto maior a flutuação dos preços agrícolas em um
unidade, maior a probabilidade de agitação social. Esta hipótese, no
por sua vez, sugere outras hipóteses sobre os indivíduos que vivem dentro destes
unidades. Por exemplo, poderíamos supor que aqueles que são mais vul
neráveis aos efeitos da flutuação de preçosprodutores de culturas específicas
ou pessoas dependentes de preços agrícolas baixos para apoio alimentação adequada
plyestariam mais propensos a se envolver em comportamentos socialmente disruptivo.
Um teste de uma hipótese tal pode envolver medidas de violência psicológica
Estados como a alienação ou medidas de comportamento desviante indivíduo.
Estudos que dependem de explicações culturais dos fenómenos políticos
muitas vezes dependem de tais análises ao nível individual. 12 O estudo de Weiner
das políticas de educação e criançatrabalhistas na Índia depende de uma cultural
Explicação: que a razão pela Índia, quase sozinho entre as nações do
do mundo, não tem leis vigentes que obrigam a educação universal e
sem leis eficazes que proíbem o trabalho infantil está nos valores da ciedade
ety, os valores partilhados pelo cidadão comum e as elites governantes
(Weiner 1991). A Índia é um país e estudo de Weiner pode ser de
crito como tendo um n de uma. Ele contorna este problema de um número
de maneiras. Por um lado, ele compara a Índia com outros países que
ter desenvolvido a educação universal. Ele também faz com que alguns limitada
comparações entre os indianos estados, em outras palavras, ele varia a
unidades. Mas a hipótese sobre a cultura indiana e política indigenista im
lonas hipóteses sobre os valores e posições políticas dos indivíduos;
o mais importante dos quais são essas elites que estão envolvidos em MAK
ing política de educação e filhodeobra. Assim, a principal prova de Weiner do seu
hipótese é no indivíduo. Ele usa entrevistas intensivas com
elites a fim de obter deles informações quanto às suas crenças sobre
seus valores em relação à educação e trabalho infantilcrenças que são
implicações observáveis de sua hipótese macro sobre a Índia, bem como
seus pontos de vista políticos.
Isto significa de adquirir implicações mais observáveis de uma teoria
de unidades a um nível mais baixo de agregação também pode ser aplicado para aná
ses de decisões. George e McKeown referemse a uma abordagem chamada
"Traçado processo" em que o pesquisador olha de perto "a decisão
processo pelo qual várias condições iniciais são convertidos para saída
vem "(George e McKeown, 1985: 35). 13 Em vez de tratar a em última
12 O uso de "cultura" como uma variável explicativa na pesquisa em ciências sociais é um assunto
de muita disputa, mas não é o assunto deste livro. Nosso único comentário é que cultural
explicações devem atender aos mesmos testes de lógica e mensuração que se aplicam a todos
pesquisa.
13 Donald Lua chama uma versão desta abordagem uma explicação lógica ou, como outros chamam
lo, a análise razão (Lua 1975).
Página 239
resultado mate (por exemplo, de uma crise internacional) como a depen
variável dent, novas variáveis dependentes são construídos: por exemplo,
cada decisão em uma seqüência, ou cada conjunto de percepções mensuráveis
decisores de ações e intenções dos outros, tornase uma nova variável
capaz. Esta abordagem, muitas vezes atinge o nível do ator individual. UMA
teoria que liga condições iniciais para os resultados, muitas vezes, implicam uma par
conjunto particulares de motivações ou percepções por parte desses atores.
Processo de rastreamento, então, envolver a busca de provas em evidências
consistente com a causal geral teoria sobre o processo decisional
pelo qual o resultado foi produzido. Este procedimento pode significar inter
vendo atores ou ler o seu registro por escrito quanto às razões para
a sua acção.
Por exemplo, a cooperação entre os estados na política internacional
Pode ser produzida em qualquer um de um número de maneiras: por expectativas de
benefícios positivos como resultado da reciprocidade; através da operação de de
terrence, envolvendo ameaças de destruição; ou como resultado de in comum
teresses em um determinado conjunto de resultados. Muitas variáveis explicativas faria
ser envolvidos em cada um destes mecanismos causais, mas o conjunto de variável
veis em cada possível mecanismo seria diferente e tem diferen
relações ent entre eles. Um estudo minucioso do processo pelo qual
nações chegar a cooperação pode permitir que um a escolher qual delas
diferentes mecanismos causais é mais plausível no trabalho. Isto pode in
Volve um estudo das motivações expressas de atores, a natureza do
comunicações fluem entre eles, e assim por diante.
De nossa perspectiva, o rastreamento do processo e outras abordagens para o
elaboração de mecanismos causais aumentar o número de teoricamente
observações pertinentes. 14 Tais estratégias relacionar teoria e empírica
trabalho usando as implicações observáveis de uma teoria para sugerir nova
observações que devem ser feitas para avaliar a teoria. Providenciando
mais observações relevantes para as implicações de uma teoria, como um
método pode ajudar a superar os dilemas da pequena n pesquisa e
permitir que os investigadores e os seus leitores para aumentar a sua confiança em
as descobertas da ciência social. Dentro de cada seqüência de eventos, o processo
rastreamento rendimentos muitas observações. Dentro de cada unidade política, analisa
atitudes ou comportamentos de individuais produzem muitas observações. Pele
14 O que George e McKeown label "no prazo de observação explicação" constitui, em
termos de Eckstein, uma estratégia de redefinição da unidade de análise, a fim de aumentar a
número de observações. George e McKeown (1985: 36) afirma que estudos de caso, "o
comportamento do sistema não é resumido por um único ponto de dados, mas por uma série de pontos
ou curvas traçadas ao longo do tempo. "Em nossa terminologia, emprestado de Eckstein (1975),
Este método é um de expandir o número de observações, uma vez que uma única observação
é definido como "um fenômeno para o qual nós relatamos e interpretar apenas uma única medida
em qualquer variável pertinente. "
Página 240
Thermore, os controles de investigador para aquelas variáveis que se aplicam a todos
observações porque eles pertencem à seqüência de eventos ou a unidade
como um todo. Um foco limitado ao resultado final normalmente faria
restringir o investigador muito poucas observações para resolver o dilema
de encontrar qualquer viés de variável omitida ou indeterminação. por ex
amining múltiplas observações sobre atitudes ou tamento individuais
IORs, o investigador pode ser capaz de avaliar quais mecanismos causais
são ativados.
Tal análise é improvável para produzir fortes inferências causais, pois
mais do que um mecanismo pode ser activado e, dentro de cada mecanizada
nismo, a força relativa das variáveis explicativas pode ser un
Claro. Mas fornece algum teste de hipóteses, uma vez que uma hipótese
que responde por resultados é também susceptível de ter implicações para o
processo através do qual esses resultados ocorrem. Procura causal
mecanismos, portanto, fornece observações que poderiam refutar a hiper
pótese. Esta abordagem também pode permitir que o pesquisador para desenvolver
algumas generalizações descritivas sobre a frequência com que cada
potencial mecanismo causal é ativado; e estes geral descritiva
or pode fornecer a base para posterior análise da causalidade ligados
mecanismos e as condições em que cada um é provável que se torne
Ativado.
Em nossa opinião, o rastreamento de processos e a busca pelo un psicológica
derpinnings de uma hipótese desenvolvidos para as unidades a um nível mais elevado de
agregação são appoaches muito valiosos. Eles são, no entanto, exten
sões da lógica mais fundamental da análise que têm vindo a utilizar,
não maneiras de contornar isso. Estudos desse tipo deve enfrentar o conjunto completo
de questões de inferência causal, como a unidade de homogeneidade, endogeneidade,
e viés, se eles estão a contribuir para causal inferência. Ao nível do
indivíduo tomador de decisão, temos de levantar e responder a todas as questões de
projeto de pesquisa, se quisermos alcançar a inferência causal válido. Nós devemos
medir com precisão as razões apresentadas e seleccione observações para que
eles são independentes do resultado alcançado (else temos endo
problemas geneidade) e que não existem variáveis omitidas relevantes. isto
Também é importante ressaltar aqui que os mecanismos causais que são
rastreada desta forma deve tornar a nossa teoria mais, e não menos, re
restritiva: técnicas, como o traçado processo deve fornecer mais op
opor para refutar uma teoria, não mais oportunidades para escapar refuta
Ção. Em suma, o rastreamento de processo e outras análises de subunidades são úteis para
encontrar hipóteses plausíveis sobre os mecanismos causais que podem, em
por sua vez, promover a generalização descritiva e preparar o caminho para
inferência causal. Mas esta abordagem tem de enfrentar o conjunto completo de questões
em análise causal.
Página 241
6.4 CONSIDERAÇÕES FINAIS
Em princípio e na prática, os mesmos problemas de inferência existir em
pesquisa quantitativa e qualitativa. Investigação destinada a ajudarnos a un
realidade social preender só pode ter êxito se segue a lógica do tífica
inferência cien. Esta máxima aplicase a qualitativos, quantitativos, em larga n ,
pequenas n , experimental, observacional, histórico, etnográfico, partici
observação da calça, e todos os outros a pesquisa científica social. No entanto, como
agora deve ser claro a partir deste capítulo, os problemas fundamentais da
inferência descritiva e causal são geralmente mais difícil evitar
com uma pequena n que uma larga n projeto de pesquisa. Este livro tem apresentado
ambas as formas de expandir o número de observações em estudo e a
fazer inferências a partir de um número relativamente pequeno de observações.
pesquisadores quantitativos e qualitativos pode melhorar a eficiência
de um estimador, aumentando a quantidade de informações que eles trazem para
suportar sobre um problema, muitas vezes através do aumento do número de observações
(Seção 2.7.2), e às vezes eles podem apelar para procedimentos como
selecção e atribuição para evitar os erros automaticamente. Muito de
a discussão neste livro foi dedicado a ajudar re qualitativa
pesquisadores melhorar a precisão de seus avaliadores; mas as técnicas
sugerimos são variadas e muitas vezes existem compensações entre válidos
objetivos de pesquisa. Assim, encapsulando o nosso conselho na declaração conciso
mentos para corresponder às equações formais favorecidas em termos quantitativos
pesquisa é difícil.
Os pesquisadores comprometidos com o estudo dos fenômenos sociais que
optar por não usar procedimentos quantitativos formais não pode dar ao luxo de inflamarse
fontes nore de preconceito e ineficiência criados por metodologicamente un
projetos de pesquisa reflexiva. Os temas que estudam são tão
importante, e muitas vezes mais importante, do que aqueles analisados por quantificação
estudiosos tativos. inferências descritivas e causais feitas pela qualitativa
pesquisadores merecem ser tão boa como aqueles feitos por qualquer outro re
pesquisador. Para fazer inferências válidas, os pesquisadores qualitativos precisará
ser mais sintonizados com as questões metodológicas do que eles têm, tradicionalmente,
fui. Eles também devem ser mais pesquisas na concepção de autoconsciente
e mais explícita quando transmite os resultados substantivos. Os leitores devem
não ter de reformular os estudos qualitativos publicados para tornálos
cientificamente válido. Se um autor conceitua um projeto de pesquisa com
inúmeras implicações observáveis como tendo apenas duas observações
e doze hipóteses causais, então não deve ser da responsabilidade
de leitores ou revisores para explicar que o autor teve um melhor implícita
do projeto de pesquisa explícito. Mais fundamentalmente, os autores que UN
preender e explicar a lógica de suas análises irá produzir mais
Página 242
pesquisa valiosa. Felizmente, os problemas metodológicos apropriados
para os pesquisadores qualitativos para entender são precisamente os que todos os
outros pesquisadores científicos precisa seguir. inferência válida é possível
apenas enquanto a lógica inerente subjacente a toda re ciências sociais
pesquisa é compreendido e seguido.
Página 243
Referências
Achen, Christopher H. 1986 Análise Estatística de Quaseexperimentos . Berkeley:
University of California Press.
Achen, Christopher H., e Duncan Snidal. 1989. "Rational Dissuasão o
ORY e Comparativos Estudos de Caso. " World Politics 41, não. 2 (janeiro): 143 a
69.
Alvarez, Walter, e Frank Asaro. 1990. "Um Extraterrestre impacto." Scientific
Americana (outubro): 7884.
Anselin, Luc. 1988. Econometria Espacial: Métodos e Modelos . Boston: Kluwer
Academic Publishers.
Barnett, Vic. 1982. Comparada Inferência Estatística . 2d ed. Nova Iorque: Wiley.
Baumol, William J. 1990. "St. John contra os Hicksians, ou uma Malgré Theorist
Lui? " The Journal of Economic Literature 28, não. 4: 17081715.
Beck, Nathaniel. 1991. "estruturas dinâmicas alternativas." Análise Política 3:
5187.
Becker, Howard S. 1966. "Whose Side Are We On?" Problemas Sociais 14: 23947.
Becker, Howard S., e Charles C. Ragin. 1992. O que é um caso? explorando o
Fundamentos da investigação social . Nova York: Cambridge University Press.
Blainey, Geoffrey. 1973. As causas da guerra . Nova Iorque: Free Press.
Bollen, Kenneth A., Barbara Entwisle, e Arthur S. Alderson. 1993. "Macro
Métodos comparativos de investigação ". Em Judith Blake, ed. Macrocomparative Re
procurar métodos Palo Alto, Calif. Annual Reviews, Inc.
Cain, Bruce, John Ferejohn, e Morris Fiorina. 1987. O pessoal Vote: Constit
Serviço uency e Eleitoral da Independência . Cambridge: Harvard University
Pressione.
Caplow, Theodore, Howard M. Bahr, Bruce A. Chadwick, e Dwight W.
Hoover. 1983a. Todos os fiéis: Mudança e Continuidade na Reli de Middletown
gião . Minneapolis: Universidade de imprensa de Minnesota.
______. 1983b. Famílias Middletown: Cinquenta Anos de mudança e continuidade . Novo
York: Bantam Books.
Caro, Robert. 1983. Os Anos de Lyndon Johnson . New York: Livros do vintage.
Collier, David. 1991. "O Método Comparativo: Dois décadas de mudanças". Em
Dankwart A. Rustow e Kenneth Paul, eds. Comparativas dinâmicas políticas:
Perspectivas de pesquisa global . Nova Iorque: Harper Collins.
______. 1993. "O método comparativo". Em Ada W. Finifter, ed. sci política
cia: O Estado da Disciplina . Washington, DC: Ciência Política Americana
Associação.
Cook, Karen Schweers, e Margaret Levi, eds. 1990. Os limites da racionalidade .
Chicago: Universidade de Chicago Press.
Coombs, Clyde H. 1964. Uma Teoria de dados . Nova Iorque: Wiley.
Courtillot, Vincent E. 1990. "uma erupção vulcânica." Scientific American (Outu
ber): 7884.
Página 244
232 · Referências
Dahl, Robert. 1961. Quem governa? Democracia e Poder em uma cidade americana .
New Haven: Yale University Press.
Dessler, David. 1991. "Além das correlações: Rumo a uma teoria causal da guerra".
International Studies Quarterly 3, não. 35 (de setembro): 33755.
Dewald, William G., Jerry G. Thursby, e Richard G. Anderson. 1986. "A
Journal of Money, Crédito e Banking Project. " American Economic Review
76, no. 4 (setembro): 587603.
Diamond, Larry e Marc F. Plattner, eds. 1993, The Resurgence global de De
mocracia . Baltimore: Imprensa da universidade de Johns Hopkins.
Duneier, Mitchell. 1993. Tabela de Slim . Chicago: Pressão da Universidade de Chicago.
Easton, David. 1965. Uma análise Sistemas da vida política . Nova Iorque: Wiley.
Eckstein, Harry. 1969. "Relações de autoridade e Desempenho Governamental".
Estudos Políticos comparativos 2: 269325.
______. 1975. "Estudo de Caso e Teoria em Ciência Política." Em Fred I. Green
stein e Nelson W. Polsby, eds. Handbook of Political Science , vol. 1, Political
Ciência: Âmbito e Teoria . Reading, Mass .: AddisonWesley.
Elster, Jon. 1983. explicar a mudança técnica: Um Estudo de Caso na Filosofia do
Ciência New York: Cambridge University Press.
Fearon, James D. 1991. "Contrafactuais e testes de hipóteses em Política
Ciência ". Política Mundial (janeiro) 43, não. 2: 16995.
Fenno, Richard F. 1978. Home Style . Boston: Pequeno, Brown.
Ferejohn, John. 1993. "Estrutura e Ideologia: Mudança no Parlamento no início de
Stuart Inglaterra. "Em Judith Goldstein e Robert O. Keohane, eds. ideias e
Política Externa: Crenças, instituições e mudança política . Ithaca: Cornell Univer
sity Press.
Ferguson, Yale H., e Richard W. Mansbach. 1988. The Elusive Quest Theory
e Política Internacional . Columbia: University of South Carolina.
Feynman, Richard P. 1965. O caráter da lei física . Cambridge, Mass .:
MIT Pressione.
Fiorina, Morris e Charles R. Plott. 1978. "decisões do Comité sob Ma
maio Rule. " American Political Science Review 72, no. 2 (junho): 57598.
Fisher, Ronald A. 1935. The Design of Experiments . New York: Hafner Pub
Lização.
Fogel, Robert William. 1989. sem consentimento ou contrato: A ascensão ea queda de
A escravidão americana . Nova Iorque: WW Norton.
Friedrich, Carl J. 1958. "Filosofia Política e Ciência da Política". Em
Roland Young, ed. Abordagens para o Estudo da Política . Chicago: University of
Chicago Press.
Fudenberg, Drew, e Jean Tirole. 1989. "teoria dos jogos nãocooperativos para in
organização dustrial: uma introdução e visão geral "Em Richard Schma.
lensee e Robert D. Willig, eds. Handbook of Industrial Organization , vol. 1
Amsterdam: Holanda do Norte.
Garfinkel, H. 1964. "Estudos dos motivos de rotina do quotidiano Actividades".
Problemas Sociais 11: 22550.
Geddes, Barbara. 1990. "Como os casos, você Escolha afetam as respostas que você
Obter: Viés de Seleção em Política Comparada ". Análise Política , 2: 13152.
Geertz, Clifford. 1973. Uma Interpretação das Culturas . Nova York: Livros Básicos.
Página 245
Referências · 233
______. 1983. "Conhecimento Local: Fato e de Direito em Perspectiva Comparada"
Em Clifford Geertz, ed. Conhecimento Local: Mais Ensaios em Interpretativo Antro
pology . Nova York: Livros Básicos.
Gelman, Andrew, e Gary rei. 1990. "Estimativa Advantage Incumbência
sem viés. " American Journal of Political Science 34, não. 4 (novembro):
11421164.
______. 1993. "Por que estão nos Enquetes eleição presidencial tão variável Quando o
Votar é tão previsível. " British Journal of Political Science (no prelo).
George, Alexander L. 1982. "Estudos de Caso e teoria do desenvolvimento." Paper
apresentada no II Simpósio Anual sobre processamento de informações em
Organizações, CarnegieMellon University, 1516 outubro.
George, Alexander L., e Timothy J. McKeown. 1985. "Estudos de Caso e o
ories da tomada de decisão organizacional. Avanços no Tratamento da informação
em Organizações 2: 2158.
George, Alexander L. e Richard Smoke. 1974. A dissuasão em American Foreign
Política. Nova Iorque: Columbia University Press.
Gigerenzer, Gerd, Zeno Swijtink, Theodore Porter, Lorraine Daston, John
Beatty, e Lorenz Kruger. 1989. O Empire of Chance: Como Probabilidade
Mudou Ciência e Vida Cotidiana . Nova York: Cambridge University Press.
Gilpin, Robert. 1981. Guerra e mudança na política mundial . Nova Iorque: Cambridge
Jornal Universitario.
Goldberger, Arthur. 1991. Um Curso em Econometria . Cambridge, Mass: Harvard
Goldstein, Judith, e Robert O. Keohane, eds. 1993. Idéias e Política Externa:
Crenças, instituições e mudança política . Ithaca: Imprensa da Universidade de Cornell.
Gould, Stephen J. 1989a. Wonderful Life: The Burgess Shale ea natureza da His
tory . Nova Iorque: Norton.
______. 1989b. "O Corno de Triton." História Natural (dezembro): 1827.
Granger, GWJ, e P. Newbold. 1977. Economic Forecasting Séries Temporais . Novo
York: Academic Press.
Gulick, Edward V. 1967. equilíbrio clássico da Europa do Poder . Nova Iorque: Norton.
Hall, Peter A., ed. 1989. O poder político das idéias econômicas: keynesianismo
Do outro lado Unidas . Princeton: Princeton University Press.
Halpern, Nina, 1993. "Economia Política stalinista," Em Judith Goldstein e
Robert O. Keohane, eds. 1993. Idéias e Política Externa: Crenças, instituições e
Mudança política . Ithaca: Imprensa da Universidade de Cornell.
Hermens, FA 1941. Democracia ou Anarchy: A Study of proporcional Representation
ção . South Bend, Ind .: University of Notre Dame Press.
Hirschman, Albert O. 1970. "A busca de paradigmas como um obstáculo à UN
compre. " World Politics 22, não. 3 (abril): 32943.
Hoffmann, Stanley. 1960. Teoria Contemporânea de Relações Internacionais . Engle
madeira Cliffs, NJ: PrenticeHall.
Holland, Paul. 1986. "Estatística e Inferência Causal." Journal of the American
Statistical Association 81: 94560.
Horowitz, Donald. 1993. "Comparando sistemas democráticos". Em Larry Dia
mond e Marc F. Plattner, eds. O ressurgimento global da Democracia . Balti
Mais: Johns Hopkins University Press.
Página 246
234 · Referências
Huth, Paul. 1988. "Extended Dissuasão e a eclosão da guerra." Americano
Political Science Review 82: não. 2 (junho): 42343.
Huth, Paul e Bruce Russett. 1990. "Testing Dissuasão Teoria: Torna Rigor
a diferença. " World Politics 42, não. 4 (julho): 466501.
Hsiao, C. 1983. "Identificação". Em Zvi Griliches e Michael Intriligator, eds.
Vol. 1, Handbook of Econometrics . Amsterdam: NorthHolland.
Inkeles, Alex e Peter Rossi. 1956. "Comparações Nacionais de Trabalho
Prestige ". American Journal of Sociology 61: 32939.
Iyengar, Satis, e Joel B. estufa. 1988. "modelos de seleção eo arquivo
Gaveta Problema. " Statistical Ciência 3, não. 1 (Fevereiro): 10935.
Iyengar, Shanto, e Donald Kinder. 1987. Notícias que importa . Chicago: Uni
versidade de Chicago Press.
Jeffreys, Harold. 1961. Teoria da Probabilidade . Oxford: Clarendon Press.
Jervis, Robert. 1976. Percepção e Erro de Percepção na política internacional . Príncipe
ton: Princeton University Press.
Jervis, Robert, Richard Ned Lebow, e Janice Stein Gross. 1985. Psicologia
e Deterence . Baltimore: Imprensa da universidade de Johns Hopkins.
Jones, EL 1981. O Milagre Europeia: Ambientes, economias e Geopolítica
na História da Europa e Ásia. Cambridge: Cambridge University Press.
Johnston, J. 1984. Métodos econométricos . 3d ed. Nova Iorque: McGraw Hill.
Kahneman, Daniel, Paulo Slovik, e Amos Tversky, eds. 1982. Julgamento sob
Incerteza: heurísticas e enviesamentos . Nova York: Cambridge University Press.
Katzenstein, Peter J. 1985. Pequenos Estados na World Markets: Política Industrial na Eu
corda . Ithaca: Imprensa da Universidade de Cornell.
Keane, Mark T. 1988. Analógica Resolução de Problemas . Chichester, West Sussex: Ellis
Horwood.
Kennedy, Paul. 1987. A Ascensão e Queda das Grandes Potências . New York: Random
Casa.
Keohane, Robert O. 1980. "A Teoria da hegemônica Estabilidade e Alterações no
Regimes Internacionais Economia, 19671977 ". Em Ole R. Holsti, Randolph M.
Siverson, Alexander L. George, eds. Mudança no sistema internacional . Boul
der: Westview Press.
______. 1984. Após Hegemonia: Cooperação e discórdia na Econó Político Mundial
nomia . Princeton: Princeton University Press.
______. 1988. "As instituições internacionais: duas abordagens." Internacional tudos
s Quarterly 32: 379.
______. 1989. Internacional de Instituições e Poder federal: Essays in Internacional
Teoria das Relações . Boulder: Westview.
Keohane, Robert O., e Joseph S. Nye Jr. 1977. Poder e interdependência:
World Politics in Transition . Boston: Pequeno, Brown.
Khong, Yuen Foong. 1992. Analogias at War: Korea, Munique, Dien Bien Phu, e
as decisões de Vietnam de 1965 . Princeton: Princeton University Press.
King, Gary. 1989. Unifying política Metodologia: A Teoria da Probabilidade Statistical
cal Inference . Nova York: Cambridge University Press.
______. 1993. "A metodologia da Presidência Research," In George Ed
enfermarias III, John H. Kessel e Bert A. Rockman, eds. Pesquisando o presi
Página 247
Referências · 235
dência: questões vitais, novas abordagens . Pittsburgh: University of Pittsburgh
Pressione.
______. 1991a. "Serviço Constituinte e Incumbência Advantage." Britânico
Journal of Political Science 21, não. 1 (Janeiro): 11928.
______. 1991b. "Variação Stochastic: Um comentário sobre LewisBeck e Skala
proibição de 'O RQuadrado ". Análise Política 2: 185200.
______. 1991c. ". Na Metodologia Política" Análise Política 2: 130.
Kohli, Atul. 1987. O Estado e Pobreza na Índia: As políticas de reforma . Novo
York: Cambridge University Press.
Kreps, David M. 1990. "cultura corporativa e Teoria Econômica," In
James E. Alt e Kenneth Shepsle, eds. Perspectivas sobre positiva Política Econó
nomia . Nova York: Cambridge University Press.
Laitin, David D. 1986. Hegemonia e Cultura: Política e Mudança religiosa
entre os Yoruba . Chicago: Pressão da Universidade de Chicago.
Lakatos, Imre. 1970. "A falsificação ea Metodologia da Investigação Científica
Programas ". Em I. Lakatos e A. Musgrave, eds. A crítica eo crescimento da
Conhecimento . Cambridge: Cambridge University Press.
Lakeman, Enid, e James D. Lambert. 1955. A votação nas Democracias . Londres:
Faber e Faber.
Leamer, Edward E. 1978. Pesquisas Especificação: Ad Hoc Inference Com Nonexper
Dados imental . Nova Iorque: Wiley.
______. 1983. "Vamos pegar o Con Out of Econometrics." Americano Economic
Revisão 73, não. 1 (março): 3143.
Levy, Jack S. 1985. "Teorias da Guerra Geral." World Politics 37, não. 3 (abril):
34474.
______. "Estudos quantitativos de dissuasão sucesso eo fracasso." Em Paul C.
Stern, Robert Axelrod, Robert Jervis, e Roy Radner, eds. perspectivas sobre
Dissuasão . Nova York: Oxford University Press.
Lieberson, Stanley. 1985. Fazendolhe a contagem: a melhoria da investigação social e
Teoria . Berkeley: Universidade da Califórnia Press.
______. 1992. "Einstein, Renoir, e Greeley: Algumas Reflexões sobre Evidence
em Sociologia ". American Sociological Review 56 (Fevereiro): 115.
Lijphart, Arend. 1971. "Política Comparada e Método Comparativo",
American Political Science Review 65, no. 3 (Setembro): 68298.
Lindberg, Leon N., e Stuart A. Scheingold. 1971. Integração Regional: Teoria
e Pesquisa . Cambridge: Harvard University Press.
Lindberg, Leon N., e Stuart A. Scheingold. 1970. da Europa wouldbe Polity:
Padrões de mudança na Comunidade Europeia . Englewood Cliffs, NJ: Pren
ticeHall.
Linz, Juan J. 1993. "Os perigos do presidencialismo." Em Diamond, Larry e
Marc F. Plattner, eds. O ressurgimento global da Democracia . Baltimore: Johns
Hopkins University Press. 10826.
Lipset, Seymour Martin. 1963. The First New Nation: Os Estados Unidos em peia
comparativa e perspectiva histórica . Nova York: Livros Básicos.
Little, Daniel. 1991. Variedades de explicação social: Uma Introdução à filosofias
phy de Ciências Sociais . Boulder Colo .: Westview.
Página 248
236 · Referências
Longino, Helen E. 1990. A ciência como conhecimento social: Valores e objetividade na
Investigação científica . Princeton: Princeton University Press.
Lowenthal, Abraham F. 1972. A intervenção Dominicana . Cambridge: Harvard
Mankiw, N. Gregory. 1990. "Um Curso de Atualização Rápida em Macroeconomia,"
Journal of Economic Literature (dezembro) 28, não. 4: 16451660.
Martin, Lisa L. 1992. Cooperação coercitivo . Princeton: Princeton University
Pressione.
Merck & Co., Inc., 1989. Relatório Anual . Rayway, New Jersey: Merck & Co., Inc.,
1989.
Merton, Robert K. [1949] 1968. Teoria Social e da estrutura social . Reimprimir. Novo
York: Imprensa livre.
Moinho, de John Stuart. 1843. Um sistema de lógica . Desconhecido Editor.
Miller, David. 1988. "O conhecimento conjectural: Solução do Prob de Popper
lem de indução ". Em Paul Levinson, ed. Em busca da verdade . Atlantic Alto
terras, NJ: Humanities Press.
Milner, Helen V. 1988. resistir ao proteccionismo: Global Industries ea política de
Comércio internacional. Princeton: Princeton University Press.
Moe, Terry M. 1990. "A política da escolha estrutural: para uma teoria da
A burocracia pública. "Em Oliver Williamson, ed. Teoria da Organização: From
Chester Barnard to the Present and Beyond . New York: Oxford University
Pressione.
Lua, Donald J. 1975. "A lógica de Inquérito política: uma síntese de Oposta
Perspectivas. "Em Fred I. Greenstein e Nelson W. Polsby, eds. Manual de
Ciência Política , vol. 1, Ciência Política: Âmbito e Teoria . Reading, Mass .: Ad
disonWesley.
Neustadt, Richard E. e R. Earnest maio. 1986. Pensando no Tempo: Os usos do
História para os tomadores de decisão . Nova Iorque: Free Press.
Nye, Joseph S. 1971. Paz em Parts . Boston: Pequeno, Brown.
O'Hear, Anthony. 1989. Introdução à Filosofia da Ciência . Oxford: Claren
don Press.
Ordeshook, Peter C. 1986. Teoria dos Jogos e Teoria Política: Uma Introdução .
Nova York: Cambridge University Press.
Palfrey, Thomas R., ed. 1991. Laboratório de Pesquisa em Economia Política . Ann
Arbor: University of Michigan Press.
Pearson, Karl. 1892. A Grammar of Science . London: JM Dent & Sons,
Ltd.
Plott, Charles R. e Michael E. Levine. 1978. "Um Modelo de Agenda Influência
em decisões do Comité. " Economic Review americana 68, não. 1 (março): 146
60.
Popper, Karl R. 1968. A Lógica da Descoberta Científica . New York: Harper and
Linha.
______. 1982. "The Open Universe: um argumento para Indeterminism." Em WW
Bartley III, ed. O Postscript ao Lógica da Descoberta Científica . Totowa, NJ:
Rowman e Littlefield.
Porter, Michael E. 1990. A Vantagem Competitiva das Nações . New York: Grátis
Pressione.
Página 249
Referências · 237
Przeworski, Adam, e Henry Teune. 1982. The Logic of Comparative social In
quiry . Malabar, Florida: Krieger Publishing Company.
Psathas, George. 1968. "Ethnomethods e Fenomenologia." Pesquisa Social
35: 50020.
Putnam, Robert D., com Robert Leonardi e Raffaella Y. Nanetti, 1993. MAK
ing Democracy Work: Tradições públicos em Modern Italy . Princeton: Princeton
Ragin, Charles C. 1987. O Método Comparativo: Indo além qualitativa e
Estratégias quantitativos. Berkeley: Universidade da Califórnia Press.
Rios, Douglas, e Morris P. Fiorina. 1989. "Serviço Constituinte, reputação
ção, ea vantagem Competência, "Em Morris P. Fiorina e David
Rohde, eds. Home Style e Trabalho Washington . Ann Arbor: University of
Michigan Press.
Robinson, William S. 1990. "Correlações ecológicas eo comportamento dos Indi
indiví ". American Sociological Review 15: 35157.
Rogowski, Ronald. 1987. "O comércio ea variedade de instituições democráticas."
Organização Internacional do 41, não. 2 (Spring): 20324.
Rosenau, Pauline. 1990. "Mais uma vez para a briga: Relações Internacionais
Confronta as Humanidades ". Millenium: Journal of International Studies 19,
não. 1 (Spring): 83110.
Rosenstone, Steven R. 1983. Previsão Eleições Presidenciais . New Haven: Yale
Roth, Alvin E. 1988. "Laboratório de Experimentação em Economics: A metodológico
Visão lógica ". A Economia Jornal 98 (dezembro): 9741031.
Rubin, Donald B. 1974. "estimar os efeitos causais de tratamentos em aleatório
ized e Estudos não randomizados ". Journal of Educational Psychology 66: 688
701.
______. 1978. "Inferência Bayesiana para efeitos causais: O Papel da randomização
ção ". Os Anais de Estatísticas 6: 3458.
Russett, Bruce. 1978. "A utilidade marginal da renda Transferências para o terceiro lugar
Mundo. " Organização Internacional 32, não. 4: 91328.
Sanday, Peggy Reves. 1983. "A Etnográfico Paradigm (s)." Em João Van
Maanen, ed. Metodologia Qualitativa . Sábio: Beverly Hills.
Schumpeter, Joesph A. [1936] 1991. "capitalismo pode sobreviver?" Em Richard
Swedberg, ed. A Economia de Sociologia e Capitalismo , Princeton: Princeton
Shepsle, Kenneth A. 1986. "Institucional Equilíbrio e Equilíbrio Institucional
ções ". Em Herbert F. Weisberg, ed. Ciência Política: The Science of Politics .
New York: Agathon Press.
Shively, W. Phillips. 1990. The Craft of Research política . 3d ed. Englewood
Cliffs, NJ: PrenticeHall.
Simon, Herbert A. 1985. "Human Nature in Politics: O Diálogo de Psychol
gia com Political Science. " American Political Science Review . 79, n. 2 (Junho):
293305.
Skocpol, Theda. 1979. Estados e Sociais Revolutions . Universidade de Cambridge
Pressione.
______. 1984. "Agendas Emergentes e estratégias recorrentes no histórico Soci
Página 250
238 · Referências
ology. "Em Theda Skocpol, ed. Visão e Método na sociologia histórica . Novo
York: Cambridge University Press.
Snyder, Glenn H., e Paul Diesing. 1977. O conflito entre as nações: Negociação,
Tomada de Decisão e Estrutura do Sistema em crises internacionais . Princeton:
Princeton University Press.
Snyder, Jack. 1991. Mitos do Império: Política Doméstica e ambição internacional .
Ithaca: Imprensa da Universidade de Cornell.
Sóbrio, Elliot. 1988. reconstruir o passado: Parcimônia, Evolução e Inferência .
Cambridge: MIT Press.
Suppes, Patrick C. 1970. Uma teoria probabilística da causalidade . Amsterdam: Norte
Holanda.
Tawney, RH 1935. Religião e da ascensão do capitalismo . Nova Iorque: Harcourt,
Brace & Co.
Tilly, Charles, ed. 1975. A formação dos Estados Nacionais na Europa Ocidental .
Princeton: Princeton University Press.
Verba, Sidney. 1967. "Alguns Dilemas de Pesquisa Política." World Politics 20
(Outubro): 11128.
Verba, Sidney, Kay L. Schlozman, Henry Brady, e Norman Nie. 1993. "Raça,
Etnia e Políticos Recursos: Participação nos Estados Unidos ". Britânica
Journal of Political Science 23: 45397.
Waltz, Kenneth N. 1979. Teoria da política internacional . Leitura, Massa: Ad
disonWesley.
Webb, Eugene J., DT Campbell, RD Schwartz, L. e Sechrest. 1966. desobstruída
Medidas trusive . Chicago: Rand McNally.
Webb, Eugene J., e Karl E. Weick. 1983. "Medidas discretas em Or
Teoria cional: Um lembrete "Em John Van Maanen, ed.. qualitativa dologia
ology . Sábio: Beverly Hills.
Weber, Max. [1905] 1949. "Estudos Críticos na lógica do sci Cultural
cias ". Em Max Weber, ed. A Metodologia das Ciências Sociais . Traduzido
e editado por Edward A. Shils e Henry A. Fluch. Nova Iorque: Free Press.
Weiner, Myron. 1991. A Criança eo Estado na Índia . Princeton: Princeton Uni
versidade Press.
Wendt, Alexander. 1992. "A anarquia é o que os estados fazem dela: O Con social
trução da política potência. " Organização Internacional 64, não. 2 (Spring):
391426.
Wolfinger, Raymond, e Steven Rosenstone. 1980. Quem vota . New Haven:
Yale University Press.
Madeiras, John, e Douglas Walton. 1982. Argumento: A Lógica das Falácias .
New York: McGrawHill Ryerson Ltd.
Zelditch, Morris Jr. 1971. "Comparações inteligível." Em Ivan Vallier, ed. Com
Métodos comparativos em Sociologia . Berkeley e Los Angeles: University of California
fornia Press.
Zellner, Arnold. 1971. Uma Introdução à Inferência Bayesiana em Econometria. Novo
York: Wiley.
______. 1984. Questões básicas em Econometria . Chicago: Pressão da Universidade de Chicago.
Página 251
Índice
cursos de contabilidade, 13032 Caro, Robert, 36
Achen, Christopher, 130, 13435, 231estudo casocontrole, 141
crises agudas, 13435 estudos de casos, o uso de, 5, 4346, 5253, 60,
modelo de avião, 49 6768
Alderson, Arthur, 199, 211, 231 e mecanismos causais, 8587, 225
aliança, 199 e efeitos causais constantes, 93
Alvarez, Luis, 1112 cruciais, 20812
Alvarez, Walter, 11, 231 várias medidas ao longo do tempo, 221
analogia, o raciocínio por, 21213 e viés de seleção, 117
Anderson, Richard, 232 single, 20812, 227n
Anselin, Luc, 223, 231 e a unidade de homogeneidade, 93
pesquisa aplicada, 18n da República de Weimar, 18991
Asaro, Frank, 231 casos, 5253, 11617, 20812
atribuição, 94, 115, 19697, 229 efeito causal, 8182, 84, 88
causalidade assimétrica, 8991 modelo formal para, 9597
público, 55 superestimando, 139
Austrália, 205 hipótese causal, 40
autocorrelação, 223N inferência causal, 8, 18, 3233, 75114, 116
disponibilidade heurística, 213n pressupostos para, 9197
média, 53, 65, 8081 e estudos de caso, 45
machado, exemplo de, 6 corrigindo tendenciosa, 18788
critérios para julgar, 9799
Bahr, Howard, 231 com erro de medição, 156
Barnett, Vic, 102, 231 incerteza de, 21315
pesquisa básica, 18n mecanismos causais, 8587, 225
Baumol, William, 218, 231 teorias causais, 99100
Beatty, John, 233 regras para a construção, 99114
Beck, Nathaniel, 223, 231 causalidade, 7691
Becker, Howard, 231 Chadwick, Bruce, 231
viés, 2728, 6365, 9799, 15051 Chile, 219
em comparação com a eficiência, 7074
tradições cristãs na Nigéria, 147, 186
e endogeneidade, 19596 87, 2056
exemplo formal, 65, 9799 codificação, 157
e os erros de medição, 16165 moeda e pena, 108
e viés substantiva, 64 coleta de dados, 51
análise bivariada, 172 para compensar variável fundamentais
Blainey, Geoffrey, 231 capacidade, 214
Bollen, Kenneth, 199, 211, 231 e eficiência, 214
abordagem álgebra booleana, 90N garantir a fiabilidade, 2526, 151
votante britânico, 5559 usando modelos formais para, 5153, 105
106
Cain, Bruce, 186, 231 directrizes para melhorar, 2326, 4647
estratégias de campanha, 1023 nível de agregação, 4849, 117
Campbell, DT, 238 para maximizar a alavancagem, 204205
Canadá, 205 projectospiloto antes, 2223
Caplow, Theodore, 27, 231 quantificação em, 4344
Página 252
240 · Index
a coleta de dados ( cont. ) replicabilidade como um objetivo, 2627
gravação do processo, 23 e pequenas n problema, 21317
confiabilidade como um objetivo, 2526
de dados, uso de, 2728
replicabilidade como um objetivo, 2627
descarte, 153, 184
e pequenas n problema, 21317 para garantir viés, 2728, 6365,
Collier, David, 231 9799
collinearity, 21315. Ver também multi para aumentar a alavancagem, 30, 104, 123, 2045
collinearity para aumentar o número de observações,
abordagem comparativa, 21213 21718
campo de política comparada para maximizar a eficiência, 28, 6674, 97
importância da descrição em, 4445 para testar teorias, 13, 2023, 2831, 4649,
vantagem competitiva, 134 99
complexidade dos eventos, 910, 4243, 93 1015
94 com erro de medição, 16566
ensino obrigatório na Índia, 64 resumindo, 5355
conceito e indicador de diferença, 11011
mineração de dados, 174
concretizar, 112 demonstração, 198
independência condicional, 91, 9495, 115
variáveis dependentes, 77, 1079
procedimento de congruência, 4546 variabilidade fundamentais, 214
consistência, 167n com erro de medição, 15863
constante do efeito pressuposto, 9293, 116análise, 18889
constantes, selecção de, 14649 selecionando em, 12937, 14146
validade de construto, 25 variação, 12930, 134
contribuição para a literatura científica, 1617
descritivo inferência, 8, 15, 18, 3446, 53,
controle, 125, 168, 185, 196201 5574
da situação de pesquisa, 199206 critérios para julgar, 6374
e pequenas n problemas, 196200 importância em ciência política, 4445
variáveis de controle, 77 e interpretação, 3641, 43
Cook, Karen, 101, 231 com erro de medição, 156
Coombs, Clyde, 46, 231 com viés de seleção, 141
análise contrafactual, 1011, 7778, 88projeto de pesquisa, 13, 18, 11824, 133,
89, 192 174, 21317, 228
Courtillot, Vincent, 231 Dessler, David, 225, 232
crime, 15961, 16465 visão determinista, 59, 89N, 21011
estudos de casos cruciais, 20912 teoria da dissuasão, 24
cultura, 10910, 19192, 226 Dewald, William, 26, 232
Diamond, Larry, 232
Dahl, Robert, 232 Diesing, Paul, 238
Daston, Lorena, 233 dinossauro extinção, 1112, 42, 223
de dados, recolha de, 51 dinossauros, 11
para compensar variável fundamentais Duneier, Mitchell, 37, 232
capacidade, 214
e eficiência, 214 Europa Oriental, 12627
garantir a fiabilidade, 2526, 151 Easton, David, 113, 232
usando modelos formais para, 5153, 1056
Eckstein, Harry, 37, 51, 5253, 113, 209
directrizes para melhorar, 2326, 464712, 21718, 227, 232
nível de agregação, 4849, 117 falácia ecológica, 30, 30n
para maximizar a alavancagem, 2045 história económica, 218
projectospiloto antes, 2223 sanções econômicas, 5
quantificação em, 4344 Educação
gravação do processo, 23 efeito sobre os ganhos, 8789
confiabilidade como um objetivo, 2526 na Índia, 64
Página 253
Índice · 241
eficiência, 28, 6674, 9799, 15051, 181
Fogel, Robert, 232
85 previsão, 169n
em comparação com viés, 7074 elites da política externa, 125
e coleta de dados, 214, 229 modelos formais, 4953, 207
modelo formal, 70, 9899 aplicar à recolha de dados, 5153,
e os erros de medição, 15859, 214 1056
Einstein, Albert, 7 de eficiência, 70, 9899
sistemas eleitorais, viés, 64 de endogeneidade, 19596
Elster, Jon, 78, 78N, 232 das ineficiênciasvariáveis incluídas, 184
endogeneidade, 61N, 94, 1078, 18596, 228 85
e escolher observações, 19193 de dizer efeito causal, 9597
modelo formal, 19596 de erros de medição, 16163, 16668
como um produto natural de pro políticade multicolinearidade, 12324
processos, 198 e o número de unidades, 21314
como um problema de variável omitida, 189
de viés de variável omitida, 17071, 175
91 76
Entwisle, Barbara, 199, 211, 231 da pesquisa qualitativa, 126
equifinality, 87 relevância para a pesquisa qualitativa, 50
erros de previsão, 131 de pequenas n problema, 11922, 21314
estimadores, 183 de viés, 65, 9798
revoluções sociais europeus, 129 utilidade para teorias de, 1056
Estados europeus, 136 Friedrich, Carl, 232
excluindo variáveis relevantes, 6162, 89,
Fudenberg, Drew, 25, 232
94, 107, 123, 16882 problema fundamental de inferência causal,
e endogeneidade, 18991 7980, 82, 91, 94, 125, 200, 20810
modelo formal, 17071, 17576 variabilidade fundamentais, 59, 89N, 21011,
e seleção intencional, 2023 21314
e atribuição aleatória, 197
e estudos de caso único, 21022 Garfinkel, H., 232
valores esperados, 58 Geddes, Barbara, 132, 232
explicação, 75 Geertz, Clifford, 37, 3840, 232, 233
variáveis explicativas, 77, 123 Gelman, Andrew, 77, 102, 233
valores atribuição de, 19699 generalização, 1011, 3536, 4243, 46
análise, 19395
com erro de medição, 158, 16368 49, 9394, 228. Ver também inferência causal;
inferência descritiva
selecionando em, 13738, 14049 George, Alexander, 4546, 87, 168, 222,
explicitação, como objectivo de re científica
22628, 233
pesquisa, 8 Gigerenzer, Gerd, 233
extinção dos dinossauros, 11 Gilpin, Robert, 233
Goldberger, Arthur, 233
detalhe factual, 3641, 43. Veja também descritivos
Goldstein, Judith, 36, 191, 233
tiva inferência Gould, Stephen J., 11, 233
falsifiability, 19, 19n, 100105, 228 Granger, GWJ, 223, 233
Fearon, James, 232 Estufa, Joel, 105
Fenno, Richard, 38, 232 Erro de agrupamento, 153
Ferejohn, John, 36, 182, 231, 232 Gulick, Edward, 152, 233
Ferguson, Yale, 232
uso de fertilizantes, 148 Hall, Peter, 191, 233
Feynman, Richard, 232 Halpern, Nina, 19193, 233
problema de arquivos de gaveta, 105 Hermens, FA, 18991, 233
Fiorina, Morris, 125, 186, 231, 232, 237
teoria escondido variável, 59, 89N, 21011
Fisher, Ronald, 232 Hirschman, Albert O., 10, 233
Página 254
242 · Index
método histórico, 3641, 43. Veja também e detalhes factuais, 3641, 5355
mecanismos causais; infer descritivo com erro de medição, 16566
cia; pesquisa qualitativa na investigação científica, 78
registro histórico, 135 das relações sistemáticas, 34, 7982,
Hoffman, Stanley, 233 84, 84N
Holanda, Paul, 76n, 79n, 82, 92, 233 viés como critério de, 2728,
homocedasticidade, 162n 6365, 9799, 15051
Hoover, Dwight, 231 incerteza de, 89, 76, 82, 95, 152, 158
Horowitz, Donald, 83, 233 uso de regras, 67, 9, 76
Hsiao, C., 118, 234 Veja também inferência causal; descritivo
Huth, Paul, 24, 234 inferência
hipóteses, 19 borrões de tinta, 21
aplicando a coleta de dados e aná Inkeles, Alex, 14647, 234
sis, 13, 1920, 2829, 45, 4649, 174,
instituições, efeito, 16
22728 consistência interna, 100, 105
mudando a restrição de, 2122, cooperação internacional, 5
228 organizações internacionais, 5152
e endogeneidade, 187 campo das relações internacionais, a necessidade de de
falsifiability de, 19 crição no, 4445
utilização de modelos formais para avaliar,
sanções internacionais, a 5
1056 interpretação, 3641, 43
e crescentes observações, 218, 221 medidas de intervalo, 151, 15354
alavancagem de, 2930, 104 entrevista de codificação, 26
parcimônia como uma meta de, 20 entrevistando, 112n, 185N
projectospiloto ao testar, 2223 variáveis irrelevantes, 18285
de papel, 10 modelo formal para, 18485
regras para a construção, 99114 política italiana, 5, 22324
especificidade como uma meta de, 20 Itália, 5, 22324
Teste com dados, 13, 2023, 2831, 46 Iyengar, Satis, 105, 125, 234
49, 1015
carne vermelha japonesa, 3233
idéias como uma variável explicativa, 19192
Jeffreys, Harold, 20, 234
identificação, 118.oN JeffreysWrinch simplicidade postulado, 20
incluem abordagem tudo, 183 Jervis, Robert, 234
incluindo variáveis irrelevantes, 18285
Johnston, J., 234
modelo formal, 18485 Jones, EL, 43, 234
efeito renda, 173
observações crescentes, 21730 Kahneman, Daniel, 213, 234
vantagem incumbência, 7782 Katzenstein, Peter, 201, 234
variáveis independentes, 77, 123 Keane, Mark, 213, 234
com erro de medição, 158, 16368 Kennedy, Paul, 234
análise, 19395 Keohane, Robert O., 36, 191, 233, 234
selecionando em, 13738, 14049 chave variável causal, 77
projeto de pesquisa indeterminado, 11824, seleção no, 146
145 Khong, Yuen Foong, 212, 234
Índia, 14446, 2056, 219, 226 Kinder, Donald, 125, 234
na educação, 64 King, Gary, 32, 50, 59, 77, 102, 118, 130,
e papel na política da pobreza, 14446189, 223, 233, 234, 235
inferência, 4649, 229 Kohli, Atul, 14446, 2056, 219, 220,
corrigindo tendenciosa, 18788 235
eficiência como um critério de, 28, 6674,
Kreps, David, 235
9799, 15051 Kruger, Lorenz, 233
Página 255
Índice · 243
Laitin, David, 147, 18687, 2056, 235método de similaridade, 168
Lakatos, Imre, 12, 102, 235 Middletown, 27
Lakeman, Enid, 190, 235 Mill, John Stuart, 87, 134, 168, 211, 236
Lambert, James, 190, 235 Miller, David, 101, 236
língua Milner, Helen, 17982, 236
de conhecimento, 127 modelos, 4953, 207
Leamer, Edward, 102, 235 aplicar à recolha de dados, 5153,
observações menos prováveis, 20910 1056
Lebow, Richard, 234 de eficiência, 70, 9899
Leonardi, Robert, 237 de endogeneidade, 19596
Levi, Margaret, 101, 231 das ineficiênciasvariáveis incluídas,
Levine, Michael, 125 18485
Levy, Jack, 16, 235 de dizer efeito causal, 9597
Lieberson, Stanley, 19, 30, 8991, 1089,de erros de medição, 16163, 16668
235 de multicolinearidade, 12324
interruptor de luz, 116 e o número de unidades, 21314
Lijphart, Arend, 83, 204, 217, 235 de viés de variável omitida, 17071, 175
Lindberg, Leon, 157, 235 76
Linz, Juan, 83, 235 da pesquisa qualitativa, 126
Lipset, Seymour Martin, 2056, 235 relevância para a pesquisa qualitativa, 50
Little, Daniel, 85, 87, 235 de pequenas n problema, 11922, 21314
lógica de análise, 67, 9, 76, 228 de viés, 65, 9798
Longino, Helen, 236 utilidade para teorias de, 1056
Lowenthal, Abraham, 235 Moe, Terry, 236
Lynd, Robert e Helen, 27 Lua, Donald, 37, 226, 236
mais do que inferências observações blemas
McKeown, Timothy, 45, 22627, 233 lem, 11922, 126, 14445, 19697,
Mankiw, N. Gregory, 17, 236 20830
Mansbach, Richard, 232 modelo formal, 12122
Martin, Lisa L., 5, 236 e correspondência, 2046
observações, 95, 200206, 212 correspondentes
número de observações para necessários
correspondência pessoa, 200 superar, 21317
notação matemática, 5354, 5759 e projeto de pesquisa, 21330
máximo, 54 e teoria das ciências sociais, 227
Maio, Earnest, 32 e subunidades, 22021
Quer dizer, 53, 65, 8081 mais parâmetros do que problema unidades. Vejo
significa efeito causal, 8182, 84, 88 mais do que inferências observações
modelo formal para, 9597 problema
superestimando, 139 observações mais prováveis, 20910
erro quadrático (MSE), 74 Mugabe, Robert, 219
erro de medição, 15168 multicolinearidade, 12224, 147, 213n
modelos formais de, 16163, 16668 modelo formal, 12324
não sistemática, 15768 collinearity relativa, 21315
e estudos de caso único, 210 múltipla causalidade, 8789
sistemática, 15557 tradições de musselina na Nigéria, 147, 18687,
medição de variáveis, 151, 153 2056
Merck & Co., 236
Merton, Robert, 8, 11314, 236 Nanetti, Raffaella, 237
Método NacionalSocialistas, 18991
centralidade à pesquisa científica, 9 ciências naturais, 11
Método de acordo, 134 regime nazista, 18991
método de diferença, 168 Neustadt, Richard, 32, 236
Página 256
244 · Index
Newbold, P., 223, 233 causalidade probabilística, 77n
Nigéria, 147, 18687, 2056 vista probabilístico, 59, 89N
medidas nominais, 151, 15354 rastreamento processo, 8587, 22528
componente não sistemática, 5563, 7982,
representação proporcional, 1067, 152
84, 84N 53, 18991
notação, 5354, 5759 pesquisa prospectiva, 136
armas nucleares, 148 protecionismo, 17982
Nye, Joseph, 157, 234, 236 Ética Protestante eo Espírito do Capitalismo ,
18687
implicações observáveis, 2829, 41, 99
Przeworski, Adam, 36, 168, 201, 204, 237
100, 10912, 179, 22324 Psathas, George, 41, 237
subunidades, 221 Putnam, Robert D., 5, 38, 22324, 237
observações, 5152, 57, 117, 20812
dependência entre, 222 pesquisa qualitativa, 56, 6061
fazendo muitos dos poucos, 21730 e inferência causal, 8285
e reduzir a endogeneidade, 19193 manipulação de variáveis explicativas,
O'Hear, Anthony, 101, 236 185N
os preços do petróleo, 173 problemas, 32, 44, 151, 229
omitido de polarização variável, 6162, 89, 94, 107,
estilo de, 4
123, 16882 controle de qualidade, 59n
e endogeneidade, 18991 pesquisa quantitativa
modelo formal, 17071, 17576 problemas, 44, 151, 229
e seleção intencional, 2023 estilo de, 3
e atribuição aleatória, 197
e estudos de caso único, 21022 Ragin, Charles, 87, 89N, 90, 231, 237
Ordeshook, Peter, 105, 236 atribuição aleatória, 94, 115, 19697, 229
medidas ordinais, 151, 15354 efeito causal aleatório, 8082
variáveis de resultados, 77, 1079 erro aleatório, 5563, 7982, 84, 84N, 157
variabilidade fundamentais, 214 68
com erro de medição, 15863 selecção aleatória, 94, 115, 229
análise, 18889 limites de, 12428
selecionando em, 12937, 14146 e pequenas n pesquisa, 126, 14445, 196
variação, 12930, 134 97
discrepantes, 5657 variáveis aleatórias, 5152, 57, 80, 80n
variação aleatória, 5960
Palfrey, Thomas, 125, 236 explicação lógica, 226n
parcimônia, 20, 2930, 104 efeito causal realizado, 7880, 84
análise análise de razão, 226n
a variável dependente, 18889 raciocínio por analogia, 21213
a variável explicativa, 19395 integração regional, 15657
Pearson, Karl, 9, 236 A análise de regressão, 9697, 13032, 168
motivações pessoais para a pesquisa, 1469
15 variáveis relevantes, 6162, 89, 94, 107, 123,
projectospiloto, 2223 16882
Plattner, Marc, 232 e endogeneidade, 18991
Plott, Charles, 125, 232, 236 modelo formal, 17071, 17576
cultura política, 10910, 19192, 226 e seleção intencional, 2023
Popper, Karl, 14, 19, 55, 100102, 105, e atribuição aleatória, 197
236 e estudos de caso único, 21022
Porter, Michael, 13334, 236 crenças religiosas, 205
Porter, Theodore, 233 replicabilidade, como um objectivo da recolha de dados,
eleição presidencial, 70 2627
Página 257
Índice · 245
pesquisa com erro de medição, 156
centralidade do método no, 9 Veja também inferência descritiva;
sobre eventos complexos, 67, 1012 inferência
definição de, 79 pesquisa científica
concepção de, 13, 18, 11824, 133, 174, 213
centralidade do método no, 9
17, 228 sobre eventos complexos, 67, 1012
explicitação como objetivo de, 8 definição de, 79
melhorar a teoria com, 1923 concepção de, 13, 18, 11824, 133, 174,
como um procedimento público, 8 21317, 228
natureza social, 9 explicitação como objetivo de, 8
incerteza de, 89, 76, 82, 95 melhorar a teoria com, 1923
em eventos únicos, 12/10 como um procedimento público, 8
Veja também dados, recolha de; generalização
natureza social, 9
ções; pesquisa qualitativa; quantitativa
incerteza de, 89, 76, 82, 95
pesquisa tiva; questões de pesquisa em eventos únicos, 12/10
pesquisa em design, 13, 18, 11824, 133, 174,
Veja também dados, recolha de; generalização
21317, 228 ções; pesquisa qualitativa; quantitativa
questões de investigação, 1419 pesquisa tiva; questões de pesquisa
contribuindo para literatura científica, 16
Sechrest, L., 238
17 seleção
critérios para a escolha, 15 variáveis de constantes, 14649
e estudos de caso estruturação, 45 e inferência descritiva, 141
Resistir ao proteccionismo , 17982 na variável dependente, 12937, 14149
pesquisa retrospectiva, 136, 141, 14849intencional, 13949, 202
revoluções, 10 na variável independente, 13738, 140
Rios, Douglas, 237 49
Robinson, William, 30, 237 na chave variável causal, 146
Rogowski, Ronald, 237 e omitiu de polarização variável, 2023
Rosenau, Pauline, 237 Veja também a seleção aleatória
Rosenstone, Steven, 237, 238 viés de seleção, 94, 108, 117, 12638
Rossi, Pedro, 146, 234 ajuste para, 13233, 13637
Roth, Alvin, 125, 237 e inferência descritiva, 141
Rubin, Donald, 77n, 237 e o registro histórico, 13536
regras de inferência, 67, 9, 76, 228 Pinduced pelo mundo, 13537
Russett, Bruce, 234, 237 Veja também a seleção aleatória
Ryle, Gilbert, 38 Shepsle, Kenneth, 237
Shively, W. Phillips, 15, 237
máximo da amostra, 54 semelhante ao que, 204
amostra média, 53, 65, 8081 Simon, Herbert, 237
amostragem em ordem alfabética, 138simplicidade postulado, 20
Sanday, Peggy, 237 simplificação, 1011, 3536, 4243, 4649,
Scheingold, Stuart, 157, 235 9394, 228
Schumpeter, Joseph, 7, 237 testes de caso único, 20812. Ver também casos;
Schwartz, RD, 238 estudos de caso; observações
ciência como empreendimento social, 9 Skocpol, Theda, 5, 129, 237
científica inferência, 8, 18, 3233, 75114,
Slovic, Paul, 213, 234
116 pequenas n problema, 11922, 126, 14445,
pressupostos para, 9197 19697, 20830
e estudos de caso, 45 modelo formal, 12122
corrigindo tendenciosa, 18788 e correspondência, 2046
critérios para julgar, 9799 número de observações para necessários
incerteza de, 21315 superar, 21317
Página 258
246 · Index
pequenas n problema ( cont. ) teoria, 19
e projeto de pesquisa, 21330 aplicando a coleta de dados e aná
e teoria das ciências sociais, 227 sis, 13, 1920, 2829, 45, 4649, 174,
e subunidades, 22021 22728
Fumo, Richard, 233 mudando a restrição de, 2122,
Snidal, Duncan, 13435, 231 228
Snyder, Glenn, 238 e endogeneidade, 187
Snyder, Jack, 14041, 238 falsifiability de, 19
de imersão e picar, 3641, 43 utilização de modelos formais para avaliar,
Sóbrio, Elliot, 20, 238 1056
teoria das ciências sociais, 19 e crescentes observações, 218, 221
aplicando a coleta de dados e aná alavancagem de, 2930, 104
sis, 13, 1920, 2829, 45, 4649, 174,parcimônia como uma meta de, 20
22728 projectospiloto ao testar, 2223
mudando a restrição de, 2122, de papel, 10
228 regras para a construção, 99114
e endogeneidade, 187 especificidade como uma meta de, 20
falsifiability de, 19 Teste com dados, 13, 2023, 2831, 46
utilização de modelos formais para avaliar,
49, 1015
1056 descrição densa, 3641, 43
e crescentes observações, 218, 221 Thursby, Jerry, 232
alavancagem de, 2930, 104 Tilly, Charles, 136, 238
parcimônia como uma meta de, 20 séries temporais, 223N
projectospiloto ao testar, 2223 Tirole, Jean, 25, 232
de papel, 10 tópicos de investigação, 1419
regras para a construção, 99114 contribuindo para literatura científica, 16
especificidade como uma meta de, 20 17
Teste com dados, 13, 2023, 2831, 46critérios para a escolha, 15
49, 1015 e estudos de caso estruturação, 45
Somália, 147 Tversky, Amos, 213, 234
cúpula soviética, 6162 se contorcer e Wink, 3840
autocorrelação espacial, 223N
especificação, 187 viés, 2728, 6365, 9799, 150
estatísticas, definição de, 53 51
Stein, Janice, 234 em comparação com a eficiência, 7074
estocástica componente, 5563, 7982, 84,e endogeneidade, 19596
84N exemplo formal, 65, 9799
subunidades, 22021 e os erros de medição, 16165
sumarização de dados, 5355 e viés substantiva, 64
estatísticas para, 53 incerteza, 158, 21315
reuniões de cúpula, 17778 elaboração de relatórios, 3132, 76, 95, 152
cooperação superpotência, 17778 na investigação científica, 89, 82
Suppes, Patrick, 77, 238 desemprego, efeito sobre o crime, 15961,
pesquisa de opinião, 5, 3132 16465
Swijtink, Zeno, 233 eventos únicos, estudo de, 1012, 4243, 93
causalidade simétrica, 8991 94
componente sistemática, 34, 4344, 5563,
unidade de homogeneidade, 9194, 11617, 228
7982, 84, 84N. Ver também estocástica
unidade de observação, 5152, 57, 7677
componente e subunidades de aumentar observações,
22021
Tawney, RH, 187, 238 Estados Unidos, 205
Teune, Henry, 36, 168, 201, 204, 237 unidade da ciência, 9
Página 259
Índice · 247
utilizando subunidades para aumentar observações,
22021 Webb, Eugene, 238
Weber, Max, 11, 18687, 238
Weick, Karl, 238
validade, 25 Alemanha de Weimar, 18991
variáveis, 5152, 57, 80, 80n Weiner, Myron, 64, 226, 238
variância, 5859, 8081, 21317 Wendt, Alexander, 238
de chave variável causal, 21417 West Bank, 5559, 95
variância de efeitos causais, 82, 8485, 9899
Europa Ocidental, 13536
Verba, Sidney, 45, 168, 19395, 22021,piscadela e se contorcer, 3840
238 explicação, 227n dentro de observação
verstehen , 3641, 43 Wolfinger, Raymond, 238
procedimentos de veto, 154 Madeiras, John, 19, 238
participação voluntária, 19395 II Guerra Mundial, 117
Walton, Douglas, 19, 238 Zelditch, Morris, 147, 238
Waltz, Kenneth, 152, 238 Zellner, Arnold, 20, 102, 238
guerra, 10 Zimbabwe, 219

Projetando Inquérito Sociais

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Projetando Inquérito Sociais

Enviado por

Direitos autorais:

Formatos disponíveis

02/12/2016 Projetando Inquérito sociais

N i + (m I i m N

Você também pode gostar

Projetando Inquérito Sociais

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Projetando Inquérito Sociais

Enviado por

Direitos autorais:

Formatos disponíveis

02/12/2016 Projetando Inquérito sociais

N i + (m I i ­ m N

Você também pode gostar

N i + (m I i m N