métodos científicos fundamentais

Principais datos

Facultade

Facultade de Ciencias Sociais

Departamento

Departamento de Ciencia Política e Relacións Internacionais

Profesor (s)

marco giugni

curso

Introdución aos métodos de ciencia-política

conferencias

  • Curso introducitivo a Métodos Políticos de Ciencia
  • O paradigma positivista eo paradigma interpretativo
  • Os métodos fundamentais científicos
  • da teoría de datos
  • Colección de datos
  • procesamento de datos

Definición

  • Infer: Debuxar conclusións xerais de feitos, datos de observación e datos experimentais. Atópase nun contexto de inferencia empírica cando desexa establecer ligazóns e relacións entre os factores explicativos e explicar sobre a base de datos concreta ou empírica.
  • Causalidade: como xulgar as relacións causa-efecto Este é un problema central , especialmente en metodoloxía.
  • Empirique: sacar conclusións xerais de probas empíricas.

Os tres desafíos

multi-causalidade

  • Case todo a un impacto: está determinado por unha multiplicidade de posibles causas; Ex, o comportamento do voto político non está determinado por unha causa, hai varios factores. Un exemplo é o nivel de educación, pero hai outros factores contextuais que intervén: sexo, posición nas clases.
  • Cada fenómeno ten varias causas: é difícil defender unha posición que di que un determinado fenómeno ten só unha causa. Cando hai varios factores, isto complica a tarefa.

condicionalidade do contexto

ligado á análise comparativa; Hai unha canle institucional que permite que os cidadáns participen, isto axuda a explicar por que as persoas participan en Suíza, pero non noutros países onde non hai democracia directa. As causas dun fenómeno poden variar de contexto ao contexto. A conexión entre a clase social e a votación mostra que hai unha condicionalidade do contexto e modifica a relación que pode estar entre dous factores que se poden estudar. Existen efectos variables en todo o contexto.

  • O efecto de case todo depende de case todo o demais.
  • Os efectos de cada causa para variar a través dos contextos.

endogeneidade

causas e efectos inflúen entre si; Este é o maior problema en estudos empíricos e especialmente aqueles que seguen o enfoque da observación. Ex: Interese de políticas Influencias de participación (forte correlación entre interese (independente) e participación (dependente)). O problema é que a causalidade pode ser revertida: “O que quero explicar pode explicar o que se supón que debe explicar o que quería explicar”.

Esta é a dificultade de distinguir entre “o que quero explicar” E o factor que explica este fenómeno. A causa convértese nun efecto e viceversa.

  • Case calquera causa case todo o demais.
  • causas e efectos inflúen entre si.

A miúdo é difícil dicir de que xeito é a causalidade que queremos aplicar.

O concepto de causa

artigo detallado: a inferencia causal.

Determinar a relación causal

No enfoque científico nas ciencias sociais, buscamos determinar as relacións causais.

“se c (causa), entón (efecto)”

É insuficiente. A relación entre C e E ás veces pode ser válida ou sempre. Exemplo: ten que ser un pouco máis preciso. Se dicimos que se hai un alto nivel de educación podemos dicir que hai un maior nivel de participación. Afirma que se hai entón hai, non hai unidocity da relación mentres que a relación causa efecto debe ser inequívoca.

“Se c, entón (e só entón) sempre E”

Neste caso, hai as catro características da ligazón causa e efecto:

  • condicionalidade: suxeito á condición de que hai a causa.
  • sucesión : Primeiro causa o efecto.
  • Constance: “sempre” sempre que a causa está presente tamén hai o efecto.
  • Univocity: a ligazón é única.

Presentamos elementos importantes para definir o que é unha causa. – Enfoque aínda insuficiente! Exemplo: Se o nivel de educación é alta, entón e só entón hai unha maior participación.

Con todo, segundo algúns, na epistemoloxía da ciencia, falta o elemento de dicir que debe haber unha ligazón xenética, unha ligazón de produción do efecto debido á causa.

“Se C, entón (e só entón) e sempre producido por C”

True. É necesario que un determinado efecto non estea só correlacionado cunha causa, pero o efecto debe ser producido e xerado por esta causa. A distinción é máis filosófica que substancial.

Definición do que é unha causa

  • e {\ displaystyle e} é xerado por c {\ displaystyle C} {\ displaystyle C}, polo que non é suficiente para observar unha covariación entre unha causa e un efecto, pero é Tamén é necesario falar sobre a causa, que o efecto é xerado pola causa.
  • A causa debe producir o efecto. (Ex, se temos un alto nivel de educación, isto xera participación na política).

Na parte inferior, no contexto do pensamento causal, só pertence a nivel teórico. Cando falamos de causa, estamos a nivel puramente teórico e non empírico. Polo tanto, nunca podemos dicir que empíricamente, unha variación de C {\ displaystyle C} {\ displaystyle C} Produce unha variación de e {\ displaystyle e} {\ displaystyle e}.

Nunca pode ter éxito no establecemento de ligazóns causa-by-effect, pódese facer exclusivamente no plano empírico.

Se observamos empíricamente, na base de datos, unha variación de C {\ displaystyle C} {\ displaystyle C} e seguido regularmente por unha variación de e {\ displaystyle e} , pódese dicir que hai un elemento de corroboración empírica dunha hipótese causal. Debe distinguirse unha distinguida entre o nivel teórico eo nivel de causalidade que é o nivel empírico que só pode ser un para achegarse ao estudo das covariacións.

Noutras palabras, se observamos que unha variación de C {\ displaystyle C} {\ displaystyle C} e seguido regularmente por unha variación de e {\ displaystyle e} , hai un elemento de corroboración, pero aínda é necesario eliminar calquera outra causa posible. Empíricamente, a tarefa é dicir que queremos atopar unha covariation, pero como hai multicalAusality, como podemos asegurarnos de estar seguro de que esta covariación realmente existe e afirmar que temos un elemento de corroboración empírica do enlace de pre-efecto postular?

corroboración empírica dunha relación causal

Se observamos empíricamente que unha variación de x {\ displaystyle x} {\ displaystyle x} é seguido regularmente por unha variación de y {\ displaystyle y} {\ displaystyle y} Mantendo constante todos os outros x {\ displaystyle x} {\ Displaystyle x} Posible (outras causas e factores explicativos) Temos un elemento forte de corroboración científica da hipótese que x {\ displaystyle x} {\ displaystyle x} Deixe a causa de y {\ displaystyle y} {\ displaystyle y}.

en busca Emppiriq UE, nunca podería falar de causa e efecto; Debe ter en conta que a relación causa que o efecto permaneza na esfera da teoría, empíricamente que só podemos achegarse baixo certas condicións, a observación da covariación mantendo constante os outros factores.

  1. covariation entre a variable dependente (depende) e independente (causa, non depende doutra cousa): os dous deben variar.
  2. dirección causal: debemos dar unha dirección á causalidade, problema da endogeneidade.
  3. a imposibilidade lóxica: se temos unha teoría de clase social que inflúe na orientación política, é obvio que é a clase que determina. A causalidade non pode ser revertida.

Debemos lembrar que nas ciencias sociais queremos ir a unha idea de explicación causal. Non obstante, nunca se pode facelo, porque no nivel epistemolóxico a idea de facer efecto é a nivel teórico. No nivel empírico, só podemos falar de “variación”, pero baixo certas condicións que podemos corroborar, é dicir, verificar empíricamente unha relación causal.

corroboración empírica dunha relación causal

Hai tres condicións que se deben respectar para garantir unha relación causal empíricamente.

covariación entre variable independente e variable dependente

  • variación da variable independente: esta é a causa (x {\ displaystyle x} { \ Displaystyle x}) Ex: educación
  • variación da variable dependente: depende de x {\ displaystyle x} {\ displaystyle x} É o efecto; Por exemplo, a participación: o que debemos explicar que debe variar! Tamén a variable independente!

Podemos maximizar empíricamente empíricamente a relación causal teórica.

dirección causal

“Non podo dicir se é o x {\ displaystyle x} {\ displaystyle x} que determina o y {\ displaystyle y} {\ displaystyle y} ou por outra banda “. Existen tres formas de determinar a dirección causal e achegarse ao ideal teórico para definir unha relación de causa e efecto.

  • Manipulación da variable independente: análise experimental, son diferentes métodos científicos fundamentais.
  • Sucesión temporal: hai algunhas variables que preceden loxicamente a outras variables. Por exemplo, a socialización primaria precede (influencia) o comportamento de votación de alguén que ten 30 anos de idade. (O problema da endogeneidade é neste caso resolto). Nalgúns casos hai sucesións obvias. A nivel empírico, isto é importante para determinar unha dirección para a causalidade.
  • Imposibilidade lóxica: a clase social non determina unha orientación política. Hai algúns factores que non poden depender doutros factores. Hai imposibilidades lóxicas que permiten establecer a ligazón causa e efecto.

Control de variables estranxeiras

empíricamente, pódese dicir que o nivel de política A participación varía segundo varias variables. Esta é a estaca completa de control de variables estranxeiras. Pódese dicir que o 90% do que se fai no contexto da investigación de ciencias sociais consiste en asegurar que poidamos controlar o efecto dos factores explicativos que non nos interesan. Elemento decisivo: control doutras variables.

  • Aplicación da regra “Ceteris Paribus”: Pódese determinar a relación causa e efecto sabendo que o resto non intervén, todas as cousas iguais.. Hai unha relación entre un determinado fenómeno e outro fenómeno, todas as cousas iguais, é dicir, que debemos asegurarnos de que todos os outros factores sexan controlados ou, noutros términos, fixeron constante.
  • depende da lóxica de O deseño de busca: é a miña forma de controlar o papel das outras causas potenciais que dependen do deseño do modelo de busca. Dependen da lóxica do debuxo de investigación; Deseño de investigación de observación. Como eludir este problema e diferentes dependendo do modelo de busca. O obxectivo é controlar o efecto doutras causas potenciais que queremos mostrar o efecto.

Relación causal causal

Fallace Causal Relation (Spirious): é un Aparente relación causal, pero inexistente, pensamos que atopei unha relación causal, pero finalmente non había relación causal, senón só unha covariation. É unha covariación entre dúas variables (x {\ displaystyle x} {\ displaystyle x}; y {\ displaystyle y} {\ displaystyle y }) que non derifique cunha ligazón causal entre x {\ displaystyle x} {\ displaystyle x} e y {\ displaystyle y} {\ displaystyle y}, pero depende do feito de que x {\ displaystyle x} {\ displaystyle x} e y {\ displaystyle y} {\ displaystyle y} están influenciados por unha terceira variable z {\ displaystyle z} {\ displaystyle z}. A variación de z {\ displaystyle z} {\ displaystyle z} produce a variación simultánea x {\ displaystyle x} {\ displaystyle x} e y {\ displaystyle y} {\ displaystyle y} sen que haxa unha relación causal entre os dous.

Sempre hai perigo de que unha relación observada non é o índice dunha relación causal.

Publicamos unha relación de causa entre x {\ displaystyle x} {\ displaystyle x} e y {\ displaystyle y} {\ displaystyle y }, pero isto é incorrecto. A relación entre X e Y é enganosa. Só hai covariation, debemos introducir variables de control.

Exemplo de relacións causais falaly

Exemplo 1

A intención de votar está influenciada por varios factores ( idade, tipo, educación, clase social, orientación política familiar, etc.).

Pode atopar unha ligazón entre educación (x {\ displaystyle x} {\ displaystyle x }) e votar (y {\ displaystyle y} {\ displaystyle y}), pero finalmente é a clase social (z {\ displaystyle z} {\ displaystyle z}) que determina os dous. Unha vez que ten que introducir variables de control! Se non, pode ser unha covariation que non ten unha ligazón causal.

Uso da televisión por dous candidatos (x {\ displaystyle x} {\ displaystyle x}) nas eleccións presidenciais para comunicar o seu programa.

Queremos explicar a votación (Y \ \ \ displaystyle y} {\ displaystyle y}), pero o O voto está influenciado por varios factores que desempeñan un papel como a educación, pero é a clase social que xera un multical. A idea é ver o efecto da exposición á campaña de televisión por votantes. Así, hai unha relación moi forte entre x {\ displaystyle x} {\ displaystyle x} e y {\ displaystyle y} {\ displaystyle y }. Podemos confiar na covariación entre x {\ displaystyle x} {\ displaystyle x} e y {\ displaystyle y} {\ displaystyle y}?

Os electores que seguiron a campaña telefónica (x {\ displaystyle x} {\ displaystyle x}) votaron máis por un dos dous candidatos (Y \ \ \ displaystyle y} {\ displaystyle y}). Pódese dicir que a exposición á campaña produce a votación, pero hai que ter en conta que: os votantes máis antigos (z {\ displaystyle z} {\ displaystyle z}) Ver máis Moitas veces a televisión, polo que a idade inflúe na votación (antiga dereita, á esquerda).

A idade (z) inflúe tanto a exposición á campaña de televisión (x {\ displaystyle x} {\ Displaystyle x}), a estadía máis antiga na casa e mirando a TV e a votación dun dos dous candidatos (y {\ displaystyle y} {\ displaystyle y }).

Entón, a covariación entre x {\ displaystyle x} {\ displaystyle x} e y {\ displaystyle y} {\ displaystyle y} non está marcado porque a variable z {\ displaystyle z} {\ displaystyle z} inflúe nas dúas outras variables ó mesmo tempo. Para iso ten que introducir unha variable de control.

centrarémonos en factores que explican de forma plausible o que queremos explicar.

Exemplo 2

Por exemplo, Se estamos interesados no número de frigos e do nivel de democracia, reclamar unha conexión entre os dous é irrelevante. Non obstante, pódese explicar que unha terceira variable que sería o grao de urbanización xera democracia segundo certas teorías e ao mesmo tempo aumentar o número de frigoríficos. Así, a covariación non é unha relación causa e efecto porque hai unha terceira variable que inflúe ambos e que é unha relación causa e efecto.

exemplo 3

Se a participación política (y \ \ displaystyle y} {\ displaystyle y}) é explicado polo compromiso asociativo (x {\ displaystyle x} {\ displaystyle x }) Pódese pensar que esta relación faise unha falacia porque hai outra variable que inflúe tanto na participación como ao compromiso asociativo. Esta variable (z {\ displaystyle z} {\ displaystyle z}) podería ser unha participación política. De novo hai unha relación falacita; Imos cometer un erro se concluímos a partir da simple observación desta relación que hai causa de facer efecto entre x {\ displaystyle x} {\ displaystyle x} e y {\ Displaystyle y} {\ displaystyle y} porque non controlamos o efecto doutra variable.

Dous xeitos de controlar empíricamente unha afirmación causal

No caso de problemas relacionados coas relacións causais falaces (multical e endogeneidade), hai dúas formas de controlar empíricamente a afirmación causal.

Análise da covariación (Datos de observación)

  • Control: transformación de variables estranxeiras (z {\ displaystyle z} {\ displaystyle z}) en constantes, polo que non ten efectos porque non hai covariation Non varía. Debemos ter en conta as posibilidades das relacións falaces. (ex.Miramos entre todos aqueles que van á universidade na clase social máis alta, e despois de analizar o seu voto; Polo tanto, a clase non desempeñará un papel na análise). Este control pódese facer manualmente.
  • Depuration: control estatístico. Facemos un modelo estatístico, presentamos que a variable x {\ displaystyle x} {\ displaystyle x}, que nos interesa, introducimos variables con unha forte relación, despois de que se introduce as outras variables de control, e se aínda hai un efecto entre x {\ displaystyle x} {\ displaystyle x} e {\ displaystyle y} {\ Displaystyle y}, isto significa que a relación non era enganosa. Isto faise por unha computadora que calcula a relación entre todas as variables e tamén considera todas as relacións de covariación. Ao final determina se hai unha correlación falacica ou non. O control estatístico é unha forma de comprobar as variables e probas a causa de efecto causa-efick.

Experimento (datos experimentais)

c é o establecemento dun método experimental. Na análise da covariación actuamos unha vez que temos os datos noutras palabras que manexamos despois de explotar os datos a priori desde o deseño de busca, mentres que no método experimental actuamos antes (como-A -We produciu os datos?). O método experimental úsase para evitar unha relación falacita, unha mostra está dividida en dous grupos e eliximos individuos ao azar. Segundo a lei de grandes números, pódese demostrar que os dous grupos son similares, polo tanto, a única diferenza será a variable independente.

Conclusión: é unha reflexión en torno á causalidade; Díxose que a cuestión da causalidade permanece no nivel teórico, só podemos tentar achegarse a este ideal. É necesario buscar unha correlación, pero é necesario dimitir as hipóteses (contra as variables), se non o facemos, pode caer nunha relación causal.

covariation: pode estar preto dun causal relación, pero é o efecto dun z {\ displaystyle z} {\ displaystyle z} (variable non observada) que inflúe no que queremos explicar (dependente) e que explicaría O que queremos explicar (independente). Unha variable inflúe nas outras dúas variables ao mesmo tempo, hai tamén a posibilidade dunha interacción entre as variables explicativas.

Como controlar as variables para evitar caer nunha relación falacia? Existen dous xeitos:

  • análise de covariation: observamos (datos de observación) despois de ter os datos.
    • Control: imos render unha variable estranxeira en constante, cando teñamos un A suposta relación entre dúas variables que se fai falacios porque hai unha terceira variable, tomamos algúns dos individuos que corresponde á segunda variable, por exemplo, tomamos a xente da mesma idade, pola relación de comportamento. Entre a exposición á TV e votar. Polo tanto, controlamos este valor, foi feito constante.
  • Depuration: é un control estatístico. Depuration para todas as variables.
    • Análise experimental: creamos un deseño de investigación que evita a existencia de variables z que poden afectar a nosa análise.

Catro métodos científicos fundamentais segundo o Lipjhart de Arend

É posible mencionar tres ou catro métodos:

  1. Método experimental (diferencia de outros)
  2. Método estatístico
  3. Método comparativo
  4. Estudo de caso

Estes son os tres métodos fundamentais que permiten controlar As variables din tamén “factores explicativos adicionais”. O obxectivo é probar suposicións e eliminar algúns competidores con outros.

Os tres primeiros métodos que finalmente teñen o obxectivo principal de buscar relacións causa e efecto e buscar eliminar o ruído producido por Z {\ Displaystyle z} {\ displaystyle z} que podería producir unha relación falacica, teñen o mesmo obxectivo, pero perseguir que difire. Os tres establecen propostas emíricas xerais baixo control de todas as outras variables (z {\ displaystyle z} {\ displaystyle z}). Queren achegarse á conexión teórica da causa de efecto entre un fenómeno observado e as causas potenciais, hai diferentes graos de éxito, vimos que o método experimental eo que está máis próximo ao diferente. Factores explicativos. A idea é chegar a unha corroboración empírica das afirmacións causais.

Método experimental

principios

  • Attribución aleatoria: tomamos ao azar, todos os individuos teñen a mesma oportunidade de estar no grupo experimental ou suxeito a Temas (en grupos experimentais e control non experimental). Esta idea naceu do principio da lei de grandes números: a variable aleatoria debe eliminar calquera outra explicación.
  • Manipulación da variable independente (tratamento), como son os grupos iguais? O investigador, nun determinado momento, introduce unha entrada nun dos dous grupos.

Apartimos dous grupos asegurando que os dous grupos sexan os mesmos en todas as dimensións, excepto nun que é o que é o un no que queremos probar o efecto. Escollendo unha persoa e concesión ao aleatoriamente significa que ambos grupos son similares. Se, entón, introdúcese un tratamento nun dos dous grupos e que hai un cambio que non está no grupo de control, pode haber un efecto causal nunha reflexión causa efecto. Pódese concluír que hai un efecto causal na variable introducida.

Tipos de experiencia

  • no laboratorio (experimento de laboratorio): estes son os experimentos que se fan en Os laboratorios e os individuos están divididos en grupos aos que se aplican os estímulos para lograr un achado do efecto ou non efecto. Non obstante, os individuos das súas condicións naturais poden levar a resultados que caen baixo a artificialidade das condicións experimentais.
  • No campo (Experimento de campo): contexto natural, pode haber outros factores. Quen interveña. Estes son experimentos que se aplicaron na ciencia política. Os principios seguen sendo o mesmo cunha distribución aleatoria de materias en dous grupos; A variable independente é tratada e entón vemos se houbo un efecto de tratamento sobre o grupo experimental e non no grupo de control. Polo tanto, pódense evitar a crítica da artificialidade dos experimentos de laboratorio.
  • Debuxo Quasi-Experimental (Quasi-Experiment): Este debuxo mantén a idea de que o investigador manipula a variable independente, pero non hai atribucións aleatorias de temas a un grupo experimental e un grupo de control. Se facemos isto é que non podemos distribuír aleatoriamente en dous grupos, estamos obrigados a levar os grupos que realmente existen. Noutras palabras, o investigador controla o tratamento, pero non pode atribuír aos temas aleatoriamente. Ás veces, cando estamos no chan, é difícil de facer de forma diferente. Xeralmente é usado este método, porque hai un factor que non podemos controlar.

Exemplo

Un psicosociólogo quería probar os efectos obxectivos colectivos sobre as relacións interpersoais. Quería ver en que medida, cando se contou a un grupo de persoas que hai un obxectivo, desaparecen os estereotipos negativos en conflito. É unha experiencia no lugar en condicións naturais. Deixou aos nenos interactuando uns cos outros, os nenos están cooperados entre eles; O investigador intentou crear unha identidade colectiva e subdividir ao grupo en dous azar. Fíxolles xogar ao fútbol; A aparición de rivalidades ou incluso estereotipos negativos vis-à-vis a outro equipo. Entón entregou o grupo xuntos era un obxectivo común que se redefinía para a cooperación. Despois, atopou que estes conflitos, estes estereotipos negativos, estas hostilidades transformáronse en cooperación real.

Método estatístico

Non podemos facer un deseño de investigación que a priori permita probar se hai alí Son relacións de correlación, pero hai que facer despois.

  • Manipulación conceptual (matemática) de datos empíricamente observados: temos datos de observación ou intentamos controlar o control estatístico, con correlacións parciais. Unha distinción está feita entre datos experimentais e datos de observación.
  • Correlacións parciais: correlación entre dúas variables Unha vez que saímos da análise, é dicir, controlar as outras variables que poderían influír no que quere explicar. Noutras palabras, é facer outros Z coma se fosen constantes seguindo un proceso de depuración. É unha lóxica de control variable: controlamos as variables que poderían influír no que nos gustaría explicar. No exemplo da votación, todo o que podería explicar a votación debe tomarse en consideración especialmente se se pode pensar que este factor externo pode influír tanto na votación como á variable independente (exposición de medios). Polo tanto, podemos saber se nos achegamos a un efecto causal.

O que é importante é ir máis aló dunha simple análise bivariante; Ten que ir a unha análise multivariante ou introducirse no modelo explicativo doutras variables.

Método comparativo

Calquera busca en ciencias sociais é pola súa natureza comparativa. Sempre comparamos implícitamente ou explícitamente algo. Podemos cuestionar os obxectivos da comparación. Vimos que os obxectivos de calquera método científico están intentando establecer propostas empíricas xerais controlando todas as outras variables, pero segundo algunhas, como Tilly, hai catro obxectivos na comparación, é dicir. As unidades de observación enfróntanse.

Os obxectivos da comparación de acordo con Charles Tilly son:

  • individualizar (individualizando) – individualizar a comparación: o obxectivo é destacar e destacar as características dunha determinada análise unidade nun determinado fenómeno; A idea é atopar comparacións, dar unha especificidade a un determinado caso dado – en estudos de política comparativa, o caso é o país, comparáronse países; O obxectivo é, por exemplo, para mostrar certas características do sistema político en Suíza en comparación con outros países. A democracia directa determina os valores políticos; A democracia directa suíza pódese comparar con países que non o teñen. Podemos analizar o impacto desta característica sobre as persoas. Caracterizar, individualizar, facer máis específicas as características dun país en relación a outro.
  • xeneralizar (xeneralizando): comparamos a non individualizar, senón a xeneralizar, incluímos o maior número de casos, establecer propostas emíricas xerais .. Para algúns, a xeneralización é un dos dous obxectivos principais do método comparativo. Estudamos os comportamentos que comparamos, queremos ver se as configuracións e os efectos que se atopan nun contexto atópanse noutro contexto.
  • Buscar variacións sistemáticas (Variación de busca): o obxectivo é buscar sistemático Variacións e proba unha teoría eliminando as teorías competidores de que queremos destacar. Segundo Tilly, esta é a mellor forma de comparar. Tentamos probar unha hipótese causal, polo que descartamos hipóteses rivais.
  • globalizar (abarcando): o obxectivo é globalizar (enfoque sistémico) incluímos todos os países do mundo ou todas as unidades de comparación posible .. A idea é que se se elimina unha destas unidades de comparación, todo o sistema cambia. Para o profesor Giugni, este non é un enfoque comparativo, porque non comparamos.

Existen diferentes obxectivos da comparación; Actuando sobre a selección de casos compáranse.

Estratexias de comparación para variacións sistemáticas (Przeworski e Teune) Podemos distinguir entre dúas estratexias de comparación, que son lóxicas e formas de proceder metodológicamente na elección dos casos. Estas son formas de tratar a cuestión da causalidade cando temos datos de observación. Hai unha distinción entre dous deseños de investigación comparativa, é a comparación de caso análogo (similar) e por contraste (difire). Cada unha das posibilidades ten as súas vantaxes e desvantaxes.

  • Comparación entre casos contrastantes (o deseño de sistemas máis diferentes): eliximos casos que son a comparación máis diferente posible
  • entre casos Analoges (deseño de sistemas máis similares): pretende controlar todas as variables, agás que queremos analizar (exemplo Francia – Suíza).

Skocpol, T. e Mr. Somers (1994). “Os usos da historia comparativa na investigación macrosocial”. En Theda Skocpol (Ed.), Revolucións sociais no mundo moderno. Cambridge: Cambridge University Press.

Stuart Mill reflectido sobre como analizar esta ligazón causal. Ao seleccionar diferentes casos para chegar a este ideal, apuntamos á relación porque o efecto. Pero non estamos no contexto do control estatístico. No noso caso, a través da selección de casos, Tentamos achegarse a este ideal.

Stuart Mill distingue dous casos:

  • O método de Agrement (o deseño do sistema máis diferente): a lóxica é escoller moi diferente países, pero son iguais nun factor clave. Hai x que está presente en todas partes. Entón observamos alí, entón hai unha semellanza ao nivel da variable e que queremos explicar. A lóxica é dicir que estamos Buscando países onde atopamos o mesmo fenómeno que é o que queremos probar o efecto. Observamos o que está pasando E é que cada vez que hai x atopamos Y.Neste momento é producido por X porque non pode ser producido por outra cousa, porque outros factores nos países son diferentes, atopámolo en calquera outro lugar. A lóxica é escoller casos moi diferentes na maioría dos factores que se poden pensar e veremos se hai unha relación coa variable que se quere explicar e a que explica.
  • O método de diferenza (o deseño do sistema máis similar): estamos a buscar países que se ve o máximo posible. Podemos distinguir entre casos positivos e negativos. Buscaremos casos que factores A, B e C e casos negativos que tamén teñan, B e C. En casos positivos hai un factor actual que non está presente no caso negativo. Así, a votación está presente cando X está presente e ausente cando X está ausente. A conclusión é que x é a causa do efecto Y, porque a presenza polo menos non pode ser producida por A, B e C. a, B e C constantemente.

Exemplo: o deseño do sistema máis diferente: temos tres casos (1, 2, n); Un caso pode ser individuos, países, etc. Temos unha serie de calidades para estes casos. Estas son características de diferentes países (desemprego, desenvolvemento), X é a variable independente e queremos explicar a Y. Nesta lóxica de comparación, os casos son moi diferentes, pero só son similares nunha propiedade. Polo tanto, esta variable explica o factor porque é o único factor común. Na táboa 2 temos casos positivos e negativos; Estes casos son perfectamente similares nun número máis alto posible de atributos, propiedades e variables, pero hai unha diferenza crucial no que se supón que debe explicar o que queremos explicar. Hai un factor que non está presente. Nun caso hai no outro paso; A diferenza atribúese á variable que non está en ambos casos. Este método intenta achegarse ao enfoque experimental porque se asegura que os dous grupos sexan o máis próximos posible (semellan a, B, C), pero difieren coa variable independente, a maioría do deseño do sistema Simila. O profesor Giugni prefire deste xeito porque se achega ao ideal de experimentación. Un exemplo é estudar en dous anos que os estudantes atenden e cambiando as diapositivas que se dan. Entón, comparamos o resultado final (a clasificación media) en ambos os casos.

Exemplo – a maioría do deseño do sistema SIM: comparto os países que son similares (Francia e Suiza) e quero demostrar que a policía francesa A represión é máis forte, é o único factor que difire entre dous países. Entón atopamos que a radicalización dos movementos sociais é máis forte en Francia. O problema é que o “A” é que os factores son similares entre os dous países, nunca son iguais, pero só son similares (este problema só se atopa co método do deseño máis simple de investigación, é para o que hai investigadores que Prefire o outro enfoque, no que se deben atopar as diferenzas), só podemos achegarnos ao ideal. Ademais atopamos o problema da endogeneidade que quere dicir que o factor inflúe no outro.

Estudo de caso

É un método máis cualitativo, difire dos outros tres métodos Porque están máis orientados á investigación cuantitativa-positivista. Hai algunhas distincións feitas por Arend Lipihart, hai unha especie de escisión, unha distinción entre os datos experimentais e, por outra banda, os datos de observación.

mentres se basea o método experimental. Sobre a idea de Grandes números, o método comparativo a un determinado número de casos que poden variar, o estudo de caso só depende dun caso. No entanto, pódese considerar un estudo de caso que pode estenderse sobre máis dun caso porque a fronteira é ás veces flexible.

O estudo de caso é só o estudo dun único caso, non ten comparación. Un caso pode ser moitas cousas como unha festa, unha persoa ou un país. Tentamos estudar en profundidade un caso particular, pero non extensamente como os outros tres métodos que non estudan os casos tanto en profundidade.

Noutras palabras, a gran vantaxe do estudo é que podemos Vaia moito máis en profundidade na atención do caso. Un estudo de caso é por definición intensiva mentres que o estudo cuantitativo é extenso. Un método está baseado nos estandarizados coa idea de xeneralizar mentres que o outro depende da profunda interpretación dun caso específico.

Se o método obxectivo é xeneralizar, o estudo de caso por definición non permite a xeneralización , o obxectivo é outro. Existen diferentes estudos de casos e diferentes modalidades para realizar un estudo de caso.Pódese mencionar 6 variantes:

  • Os dous primeiros interesados no caso específico.
  • As outras catro modalidades teñen un obxectivo de crear ou xerar unha teoría.

O caso de estudo pódese usar para acadar diferentes obxectivos, por unha banda que queremos coñecer unha situación particular de forma descritiva, por outra banda podemos estudar varios casos para xerar un evento teórico .

Segundo Arend Lipihart, o propósito da busca é probar e verificar unha teoría, así como a xeneralizar os resultados.

Estes dous casos non queren crear hipóteses, a idea é iluminar algo dun caso:

  • ateórico: non hai teoría, é puramente descritivo. É unha investigación exploratoria, por exemplo, o estudo dunha nova organización, só queremos saber e describilo, neste caso non podemos xeneralizar os resultados porque están ligados a un caso particular estudado en particular.. Utilízase en situacións ou casos que nunca foron estudados antes.
  • Interpretativo: Utilizamos propostas teóricas que existen na literatura, neste enfoque cualitativo o papel da literatura é menos importante, aplícase unha xeneralización existente A un caso dado, aquí o caso refírese a un caso específico, sen a vontade de crear unha teoría como ateoria. O obxectivo non é confirmar ou invalidalo, pero é aplicalo só. Propostas ou teorías existentes que se aplican a un caso; As xeneralizacións existentes aplícanse para ver se a xeneralización ten este caso específico. Interpretamos unha situación particular á luz dunha teoría existente.

Os catro que seguen desexan crear unha teoría ou tirar algo dos casos. O seu obxectivo é crear ou xerar teorías ou hipóteses:

  • Xeración de hipóteses: queremos crear suposicións onde non hai ningunha. Estudo un caso non só porque me interesa, senón porque quero facer suposicións que vou probar noutro lugar. Ex: organización que comete a política. Estudamos unha situación dada porque queremos hipóteses que non se poden atopar noutro lugar. Un caso é explorado no obxectivo de formular as hipóteses. As hipóteses teñen principalmente tres fontes: a literatura existente, a imaxinación sociolóxica, os estudos exploratorios.
  • Confirmando unha teoría: probar unha teoría sobre un caso particular para confirmar esta teoría, este tipo de estudo non é moi útil porque non é o feito de que hai un caso que reflicta unha teoría existente que reforzará a teoría de que este sistema non é moi útil.
  • Nota unha teoría: isto ten moito máis valor, hai un A teoría que se aplica nun caso específico, non buscamos confirmar a teoría, senón que demostre que non funciona, tratamos de invalidar unha teoría. Isto empúxanos a reflexionar sobre a teoría, é algo importante co propósito de desenvolver unha teoría.
  • caso deviant: por que un caso se desvía da xeneralización, este caso é moi útil cando queremos infirte nunha teoría. Estamos á procura dunha situación que se desvía dunha situación existente, o estudo de caso pretende mostrar por que este caso se desvía da xeneralización.

Leave a comment

O teu enderezo electrónico non se publicará Os campos obrigatorios están marcados con *