A Tale of Two Cultures Contrasting Quantitative and

Machine Translated by Google
Univer
pan.ox
Feder
2011
Transf
Flumi
març
Publicação de acesso antecipado em 13 de junho de 2006 Análise Política (2006) 14:227–249 doi:10.1093/
pan/mpj017
em
Um conto de duas culturas: contrastes quantitativos e
de
31
Pesquisa qualitativa
na
de
James Mahoney
Departamentos de Ciência Política e Sociologia,
Northwestern University, Evanston, IL 60208-1006 e-
mail: [email protected] (autor correspondente)
Gary Goertz
Departamento de Ciência Política,
Universidade do Arizona, Tucson, AZ
85721 e-mail: [email protected]
As tradições de pesquisa quantitativa e qualitativa podem ser pensadas como culturas distintas marcadas por
diferentes valores, crenças e normas. Neste ensaio, adotamos esta metáfora com o objetivo de contrastar essas
tradições de pesquisa em 10 áreas: (1) abordagens para explicação, (2) concepções de causalidade, (3) explicações
multivariadas, (4) equifinalidade, (5) escopo e generalização causal, (6) seleção de casos, (7) observações de
ponderação, (8) casos substancialmente importantes, (9) falta de ajuste e (10) conceitos e medição. Sugerimos que
uma apreciação dos pressupostos e objetivos alternativos das tradições pode ajudar os estudiosos a evitar mal-
entendidos e contribuir para uma comunicação “transcultural” mais produtiva na ciência política.
Introdução
As comparações das tradições de pesquisa quantitativa e qualitativa às vezes evocam metáforas religiosas.
No seu comentário a esta questão, por exemplo, Beck (2006) compara as tradições ao culto de deuses
alternativos. Schrodt (2006), inspirado na definição anterior de Brady (2004b, 53) da controvérsia em termos
de teologia versus homilética, é mais explícito: “embora este debate não seja de forma alguma sobre religião,
sua dinâmica é melhor compreendida como se fosse eram sobre religião. Sempre soubemos disso, só
precisava ser dito.” Preferimos pensar nas duas tradições como culturas alternativas. Cada um tem seus
próprios
valores, crenças e normas. Às vezes, cada um deles suspeita ou é cético em relação ao outro, embora
geralmente seja mais educado publicamente. A comunicação entre tradições tende a ser difícil e marcada
por mal-entendidos. Quando membros de uma tradição oferecem seus insights para
Nota dos autores: Ambos os autores contribuíram igualmente para este artigo. O trabalho de Mahoney neste projeto é apoiado pela
National Science Foundation (Grant No. 0093754). Gostaríamos de agradecer a Carles Boix, Bear Braumoeller, David Collier, Scott
Desposato, Christopher Haid, Simon Hug, Benjamin I. Page, Charles C. Ragin, Dan Slater, David Waldner, Lisa Wedeen e aos revisores
anônimos pelos comentários anteriores rascunhos. Agradecemos também aos alunos do Instituto de Treinamento em Métodos
Qualitativos do Estado do Arizona de 2006 pelo feedback sobre a apresentação de grande parte deste material.
O autor 2006. Publicado pela Oxford University Press em nome da Society for Political Methodology.
Todos os direitos reservados. Para permissões, envie um e-mail para: [email protected]
227
Univer
pan.ox
Feder
2011
Transf
Flumi
març
228 James Mahoney e Gary Goertz
membros da outra comunidade, o conselho provavelmente será visto (com ou sem razão) como inútil e até
depreciativo.
em
Como evidência, considere a recepção de The Comparative Method: Moving Beyond Qualitative and
de
31
Quantitative Strategies (1987), de Ragin, e Designing Social Inquiry: Scientific Inference in Qualitative
Research, de King, Keohane e Verba (1994). Embora o livro de Ragin pretendesse combinar métodos
na
qualitativos e quantitativos, foi escrito a partir da perspectiva de um pesquisador qualitativo e tornou-se um
de
clássico no campo da metodologia qualitativa. Contudo, os metodologistas estatísticos ignoraram em grande
parte as ideias de Ragin e, quando as abordaram, o seu tom foi muitas vezes bastante desdenhoso (por
exemplo, Lieberson 1991, 1994; Goldthorpe 1997). Por seu lado, o famoso trabalho de King, Keohane e
Verba tratava explicitamente da investigação qualitativa, mas presumia que os investigadores quantitativos
tinham as melhores ferramentas para fazer inferências científicas e, portanto, os investigadores qualitativos
deveriam tentar emular estas ferramentas na medida do possível. Os metodologistas qualitativos certamente
não ignoraram o trabalho de King, Keohane e Verba. Em vez disso, reagiram examinando o livro
detalhadamente, analisando cada uma das suas afirmações e criticando duramente muitas das suas
conclusões (por exemplo, ver os ensaios em Brady e Collier 2004).
Neste ensaio, contamos uma história dessas duas culturas. Fazemo-lo a partir da perspectiva de
investigadores qualitativos que procuram comunicar com investigadores quantitativos. Nosso objetivo é
contrastar as suposições e práticas das duas tradições com o objetivo de melhorar a comunicação entre
tradições. Tal como Brady e Collier (2004), acreditamos que os estudiosos qualitativos e quantitativos
partilham o objetivo abrangente de produzir inferências descritivas e causais válidas. No entanto, acreditamos
também que estes académicos perseguem diferentes objectivos de investigação específicos, que por sua vez
produzem normas diferentes sobre as práticas de investigação. Portanto, enfatizamos aqui, em maior grau
do que Brady e Collier, a distinção nos objetivos e práticas básicas das duas tradições. Dito isto, contudo,
queremos sublinhar que a nossa intenção não é criticar os investigadores quantitativos ou qualitativos. Na
verdade, argumentamos o tempo todo que as práticas dominantes de ambas as tradições fazem sentido,
dados os seus respectivos objetivos.
Adotamos uma abordagem criteriosa (Gerring 2001) para pensar sobre as diferenças entre as duas
tradições e contrastá-las em 10 áreas: (1) abordagens à explicação, (2) concepções de causalidade, (3)
explicações multivariadas, (4) equifinalidade, (5) escopo e generalização causal, (6) práticas de seleção de
casos, (7) ponderação de observações, (8) casos substancialmente importantes, (9) falta de ajuste e (10)
conceitos e medição. Existem certamente outras diferenças entre as duas tradições,1 mas a nossa experiência
tem demonstrado que estas áreas são especialmente importantes na geração de mal-entendidos e falhas de
comunicação.
A Tabela 1 fornece um guia para a discussão que se segue.
Antes de prosseguir, devemos observar que a nossa discussão apresenta uma visão estilizada da
pesquisa qualitativa e quantitativa. Nossas caracterizações pretendem descrever normas e práticas
dominantes. É fácil encontrar exemplos de pesquisa numa tradição em que o analista realiza práticas que
caracterizam a outra tradição. Da mesma forma, como acontece com todas as culturas, haverá alguns
indivíduos que terão ligações bastante fortes com ambas as tradições. Contudo, sugerimos que a maioria dos
investigadores em ciência política se localizará predominantemente numa coluna da Tabela 1.
Devemos também ser francos de que a nossa comparação das duas tradições centra-se centralmente em
questões relacionadas com a análise causal. Não consideramos culturas de pesquisa qualitativa em políticas
1
Algumas outras diferenças potenciais dizem respeito ao nível de medição, ao tipo de abordagem probabilística, à
compreensão do tempo, à importância da dependência da trajectória e às razões para se preocupar com variáveis
omitidas. Metodologias quantitativas e qualitativas também podem ter afinidades com orientações teóricas distintas,
tema que não exploramos aqui.
Tabela 1 Contrastando pesquisas qualitativas e quantitativas
Seção Critério Qualitativo Quantitativo
1 Abordagens para explicação Explicar casos individuais; abordagem de “causas de efeitos” Estimar o efeito médio das variáveis independentes;
abordagem de “efeitos de causas”
2
229
Concepções de causalidade Causas necessárias e suficientes; lógica matemática Causas correlacionais; probabilidade/teoria estatística
3 Explicações multivariadas Causalidade INUS; efeitos individuais ocasionais Causalidade aditiva; termos de interação ocasional
4 Equifinalidade Conceito central; poucos caminhos causais Conceito ausente; número implicitamente grande de caminhos causais
5 Escopo e generalização Adote um escopo estreito para evitar a heterogeneidade causal Adotar um escopo amplo para maximizar a alavancagem estatística e
generalização
6 Práticas de seleção de casos Orientado para casos positivos na variável dependente; Seleção aleatória (idealmente) de variáveis independentes;
nenhum (0,0,0) casos todos os casos analisados
7 Observações de ponderação Avaliação teórica sensível às observações individuais; Todas as observações são a priori igualmente importantes; geral
um desajuste pode ter um impacto importante padrão de ajuste é crucial
8 Casos substancialmente importantes Casos substancialmente importantes devem ser explicados Casos substancialmente importantes que não receberam atenção especial
9 Falta de ajuste Os casos não conformes são examinados de perto e explicados. Fatores causais não sistemáticos são tratados como erros.
10 Conceitos e medição Conceitos centro das atenções; erro leva ao conceito Medições e indicadores no centro das atenções; erro é
revisão indicadores modelados e/ou novos indicadores identificados
pan.oxfordjournals.org.
Universidade
Fluminense
Federal
março
2011
em
de
31
na
Flumi
març
Unive
pan.o
Fede
Baixa
201
em
ciência – como estudos de caso descritivos, teorias críticas e pós-modernas e algumas vertentes de análise interpretativa – nas quais a análise causal não é o objetivo principal. A consideração destas orientações de investigação
de
31
necessitaria de novas colunas e novos critérios na Tabela 1.
na
de
1 Abordagens para Explicação
Um objetivo central da pesquisa qualitativa é a explicação dos resultados em casos individuais.
Por exemplo, os investigadores qualitativos tentam identificar as causas da Primeira Guerra Mundial, do crescimento excepcional na Ásia Oriental, do fim da Guerra Fria, da criação de Estados-providência especialmente
generosos e da ascensão de regimes neopopulistas. Um objetivo central da pesquisa é identificar as causas desses resultados específicos para cada caso que se enquadre no escopo da teoria sob investigação.
Começando com os casos e os seus resultados e depois retrocedendo em direcção às causas, os analistas qualitativos adoptam uma abordagem de “causas de efeitos” para a explicação. Idealmente, boas teorias devem
explicar o resultado em todos os casos da população. Por exemplo, a famosa teoria de Skocpol (1979) pretende explicar adequadamente todos os casos de revolução social entre estados agrário-burocráticos que não foram
formalmente colonizados, cujo universo corresponde à França, à Rússia e à China. A avaliação da teoria, por sua vez, baseia-se principalmente em quão bem ela atinge este objetivo de pesquisa.
Do ponto de vista qualitativo, esta abordagem de fazer e responder perguntas é consistente com a ciência normal tal como é convencionalmente entendida. Por exemplo, os investigadores nas áreas da biologia evolutiva
e da astronomia procuram frequentemente identificar as causas de resultados específicos. Na verdade, a maioria dos cientistas naturais acharia estranho que as suas teorias não pudessem ser usadas para explicar
acontecimentos individuais. Perguntas como “Por que o ônibus espacial Challenger explodiu?” são um pedido de causa de efeito. Ao testemunhar perante o Congresso, Richard Feynman não considerou esta questão absurda
ou não científica (Vaughan 1986).
Em contraste, as abordagens estatísticas para explicação geralmente usam o paradigma do experimento controlado.2 Com um experimento controlado, não se sabe o resultado até que o tratamento tenha sido aplicado.
Na verdade, pode-se dizer que o objetivo do experimento é observar o efeito (se houver) do tratamento.
As abordagens estatísticas tentam reproduzir o paradigma do experimento controlado no contexto de um estudo observacional. Embora existam dificuldades importantes e bem conhecidas em passar do experimento
controlado para o estudo observacional (por exemplo, a ausência de verdadeira randomização e manipulação), para nossos propósitos o ponto crucial é que os pesquisadores estatísticos sigam os “efeitos das causas”.
'abordagem empregada na pesquisa experimental. Em particular, com um desenho de investigação estatística, procura-se estimar o efeito médio de uma ou mais causas numa população de casos. A explicação de resultados
específicos em casos particulares não é uma preocupação central. Assim, os investigadores quantitativos formulam questões como “Qual é o efeito do desenvolvimento económico na democracia?” ou “Que efeito tem um
determinado aumento no investimento directo estrangeiro no crescimento económico?”. ''A crise económica foi necessária para a democratização no Cone Sul da América Latina?'' ou ''Os elevados níveis de investimento
estrangeiro, em combinação com um autoritarismo brando e políticas orientadas para a exportação, foram suficientes para os milagres económicos na Coreia do Sul e em Taiwan?''
Os metodologistas que trabalham na tradição estatística têm visto claramente a diferença entre a abordagem de causas de efeitos, na qual o objectivo da investigação é explicar particularidades.
2
Por exemplo, Angrist, Imbens e Rubin (1996, 144) afirmam que “a inferência causal em estatística, remontando pelo menos ao trabalho de Fisher (1981, 1925) e Neyman (1923) em experiências agrícolas, é fundamentalmente
baseada em o experimento randomizado (ver também Kempthorne 1952 e Cox 1958).''

Univer
pan.ox
Feder
2011
Transf
Flumi
març
Um conto de duas culturas 231
resultados e a abordagem de efeitos de causas, em que o objetivo da pesquisa é estimar os efeitos

médios. Em geral, porém, expressaram cepticismo quanto à abordagem das causas dos efeitos. Por
em
exemplo, Holland respondeu aos comentários em seu artigo da seguinte forma:
de
31
Devo discordar da paráfrase de Glymour da minha análise (ou seja, da de Rubin), no entanto, e da análise
contrafactual da causalidade de Lewis descrita por Glymour. Acredito que existe um abismo intransponível
na
entre o modelo de Rubin e a análise de Lewis. Ambos desejam dar significado à frase “A causa B”. Lewis faz
de
isso interpretando “A causa B” como “A é uma causa de B”. O modelo de Rubin interpreta “A causa B”. como
''o efeito de A é B.'' (Holland 1986b, 970)
King, Keohane e Verba (1994) seguem Holland bastante de perto e definem explicitamente a
causalidade em termos da abordagem dos efeitos das causas.3 Eles não consideram nem discutem
a abordagem das causas dos efeitos para a explicação.
Podemos ver claramente as diferenças entre estas duas abordagens de explicação quando
consideramos a investigação sobre um tópico específico. Por exemplo, académicos de qualquer uma
das tradições podem começar a sua investigação com uma questão geral como “O que causa a
democracia?”. Para abordar esta questão, contudo, os investigadores irão normalmente traduzi-la
numa nova questão de acordo com as normas da sua cultura. Assim, os investigadores qualitativos
irão reformular a questão de investigação como “O que causa a democracia num ou mais casos
particulares?” Os investigadores quantitativos irão traduzi-la de forma diferente: “Qual é o efeito causal
médio de uma ou mais variáveis independentes na democracia?”
A distinção entre causas de efeitos e efeitos de causas surge diversas vezes no simpósio sobre
Brady e Collier (2004) nesta edição especial. Por exemplo, Beck (2006) em sua contribuição acredita
que é essencial deixar claro “se nosso interesse é encontrar algumas declarações gerais semelhantes
a leis ou explicar um evento particular”. No caso de Stokes (2001) e Brady (2004a). ), ele admite que
“a análise qualitativa é útil para a compreensão de um caso específico”, mas a sua visão básica
defende a procura de efeitos em grandes populações. Da mesma forma, Shively (2006) sugere que
os estudiosos que trabalham com um pequeno número de casos “dedicam seus esforços
predominantemente ao rastreamento de processos, e não à generalização quase estatística”. .
Muitos mal-entendidos entre as duas tradições parecem derivar dessas diferentes abordagens de
explicação. Os investigadores quantitativos podem ter dificuldade em compreender a preocupação
dos investigadores qualitativos em explicar os resultados em casos particulares. Por exemplo, a ideia
de que Skocpol (1979) iria realmente querer escrever um livro inteiro que fosse principalmente um
esforço para explicar a ocorrência da revolução social num âmbito que incluísse como casos positivos
apenas a França, a Rússia e a China pode parecer intrigante dentro do contexto. cultura estatística.
“A verdadeira ciência deveria procurar generalizar sobre os efeitos causais”, poderia ser uma reacção
típica. No entanto, do ponto de vista qualitativo, a ciência pode ser utilizada precisamente para explicar
resultados em casos particulares.
Acreditamos que ambas as abordagens são valiosas; na verdade, eles se complementam.
Idealmente, uma explicação de um resultado em um ou em um pequeno número de casos leva a
questionar se os mesmos fatores estão em ação quando uma compreensão mais ampla do escopo é
adotada, estimulando uma análise de N maior, na qual o objetivo é menos explicar determinados
aspectos. casos e mais para estimar os efeitos médios. Da mesma forma, quando são relatados
resultados estatísticos sobre os efeitos das causas, parece natural perguntar se estes resultados
fazem sentido em termos da história de casos individuais; deseja-se tentar localizar os efeitos em casos específicos. Esse
3
Ao contrário de Holland, Dawid (2000) não chega ao ponto de rejeitar a abordagem das causas dos efeitos. Em vez disso,
ele trata isso como um caso especial de causalidade. Curiosamente, na sua resposta a uma série de comentários de vários
estatísticos ilustres, ele expressa surpresa pelo facto de a sua análise das causas dos efeitos ter provocado tão pouca
discussão, uma vez que pensava que seria controversa. “Estou surpreso com o quão pouco da discussão se relaciona com
minhas sugestões de inferência sobre 'causas de efeitos', que eu esperava serem as mais controversas” (Dawid 2000, 446).
Univer
pan.ox
Feder
2011
Transf
Flumi
març
a complementaridade é uma das razões pelas quais a investigação com métodos mistos é possível (para
discussões recentes sobre estratégias de investigação com métodos mistos, ver George e Bennett 2005; Lieberman
em
2005; Coppedge em breve).
de
31
2 Concepções de Causalidade
na
de
Para explicar os resultados em casos particulares, os investigadores qualitativos pensam frequentemente em
causalidade em termos de causas necessárias e/ou suficientes. A adoção deste entendimento de causalidade
pode ser vista claramente nos tipos de métodos comparativos empregados por
pesquisadores qualitativos. Os métodos de diferença e acordo de Mill, as tipologias explicativas e os métodos
comparativos qualitativos de Ragin são todos predicados de uma forma ou de outra.
sobre causalidade necessária e/ou suficiente (ver Ragin 1987, 2000; Mahoney 2000; Goertz
e Starr 2003; Elman 2005; George e Bennett 2005).
Do ponto de vista qualitativo, a avaliação da causalidade necessária e/ou suficiente parece bastante natural
e totalmente consistente com a lógica e a boa ciência. Por exemplo,
metodologistas qualitativos clássicos - como Weber (1949), Honoré e Hart (1985) e
Aron (1986), na verdade voltando a David Hume – pense na causalidade em casos individuais
em termos de uma condição necessária contrafactual: se :X então :Y. X é causa de Y porque
sem X, Y não teria ocorrido. Esta abordagem da causalidade corresponde à
preferência da maioria dos analistas qualitativos por expressar suas teorias usando lógica e
termos da teoria dos conjuntos. Da mesma forma, como apontam vários metodologistas, esta compreensão de
causalidade é comum na explicação histórica:
Se se argumentar que algum evento A foi a causa de um evento histórico particular B, parece haver
nenhuma alternativa a não ser implicar que uma afirmação contrafactual é verdadeira – se A não tivesse ocorrido, o evento B
não teria ocorrido. (Fearon 1996, 40; ver também Gallie 1955, 161; Nagel 1961, 581–2)
Quando o âmbito da sua teoria abrange um N pequeno ou médio, os investigadores qualitativos adoptam
frequentemente a abordagem “INUS” para a causalidade (Mackie 1980; Ragin 1987, 2000) .4
A causa INUS não é individualmente necessária nem individualmente suficiente para um resultado.
Em vez disso, é uma causa dentro de uma combinação de causas que são conjuntamente suficientes para um
resultado. Assim, com esta abordagem, os estudiosos procuram identificar combinações de variáveis
valores que são suficientes para resultados de interesse. A abordagem pressupõe que
combinações podem ser suficientes, de modo que existam múltiplos caminhos causais para o mesmo
resultado (isso às vezes é chamado de equifinalidade; veja abaixo). Resultados da pesquisa
com causas INUS muitas vezes podem ser expressas formalmente através de equações booleanas, como
S 5 (A E B E C) OU (C E D E E).
A situação é bastante diferente do lado quantitativo e estatístico. Aqui o analista
normalmente procura identificar as causas que, em média, afetam (por exemplo, aumentam ou diminuem) o
valores em um resultado em uma grande população. Por conveniência, chamamos isso de abordagem
correlacional da causalidade. Mais formalmente, pode-se definir esta abordagem da causalidade
para um único caso em termos de um cenário contrafactual: a diferença entre o tratamento (T) e
controle (C) para a mesma unidade, i. Usando a estrutura e a notação de King, Keohane e
Verba (1994), temos para um caso individual:
Efeito causal 5 anos eu

yC eu ; T—tratamento; C-controle: ð1Þ
Esta equação representa o que King, Keohane e Verba (1994, 78-9) chamam de “realização
efeito causal” para a unidade i (Dawid 2000 chama isso de “efeito causal individual”). Ao contrário do
4
Uma condição INUS é “uma parte insuficiente, mas não redundante, de uma [combinação de
condições]'' (Mackie 1980, 62).
Flumi
març
Unive
pan.o
Fede
Baixa
201
em
foco lógico e teórico dos conjuntos da pesquisa qualitativa, a abordagem quantitativa usa um
de
31
critério aditivo para definir a causa: yT eu
yCeu :
Quando a abordagem quantitativa passa do caso individual para casos múltiplos, o
na
compreensão do efeito causal como um contraste (não observável) entre controle e tratamento
de
para uma observação individual torna-se o efeito causal para múltiplas observações através
a comparação de grupos, ou seja, de muitas unidades i 5 1; ... ; N: Novamente usando o
notação básica de King, Keohane e Verba:
Efeito causal médio 5 lT lC; T—tratamento; C-controle: ð2Þ
Em vez do yi na equação (1) para um caso individual, na equação (2) temos l, que
representa a média do grupo de casos que recebem T ou C. Não surpreendentemente, King,
5
Keohane e Verba referem-se ao efeito causal médio como b. Isso é chamado de várias maneiras
''efeito causal médio'' (Holland 1986a), ''efeito médio do tratamento'' (Sobel 2000), ''efeito médio
resposta causal” (Angrist e Imbens 1995), ou “efeito causal médio” (Dawid 2000).
Assim, a abordagem estatística substitui o efeito causal impossível de observar de T sobre
uma unidade específica com o efeito causal médio possível de estimar de T sobre uma população
de unidades (Holland 1986a, 947). Portanto, é um passo fácil considerar os efeitos causais como sendo
o bs estimado em modelos estatísticos.
Dadas estas diferentes conceptualizações de causalidade, existe um potencial real para a má compreensão e a falta de
comunicação. Na verdade, os tipos de hipóteses desenvolvidas no
duas tradições nem sempre são proporcionais. Por exemplo, considere Waldner (1999)
hipóteses sobre a construção do Estado e o desenvolvimento económico na Turquia, Síria, Taiwan e
Coreia: baixos níveis de conflito entre elites e uma estreita coligação estatal são necessários para um Estado desenvolvimentista;
um estado desenvolvimentista, por sua vez, é necessário e suficiente para
alto crescimento. Não está claro como um estudioso trabalhando dentro da estrutura estatística poderia
avaliar ou compreender essas afirmações causais. Possivelmente, ela traduziria as hipóteses em
uma linguagem com a qual ela está familiarizada. Assim, ela pode assumir que Waldner levanta a hipótese de que
(1) o conflito de elites e a superficialidade da coalizão estão positivamente associados à presença de
um estado desenvolvimentista e (2) um estado desenvolvimentista está positivamente associado à economia
desenvolvimento. Mas Waldner não desenvolve de facto (nem necessariamente concorda com) estas hipóteses; o seu
argumento centra-se nas causas necessárias e suficientes e não pode ser traduzido sem problemas para a linguagem da
causalidade correlacional.
A reação dos pesquisadores estatísticos à abordagem qualitativa da causalidade é
muitas vezes de profundo ceticismo. Este ceticismo pode estar baseado na crença de que
não existem causas necessárias e/ou suficientes para os fenômenos sociais, que esses tipos de
causas fazem suposições determinísticas insustentáveis, ou que esses tipos de causas devem ser
medidos como dicotomias.6 Os pesquisadores estatísticos podem, portanto, optar por descartar
mão hipóteses qualitativas que assumem causalidade necessária/suficiente. Alternativamente, como
sugerido com o exemplo de Waldner, eles podem optar por reinterpretá-los como representando
hipóteses correlacionais implícitas.
Nossa opinião é que é um erro rejeitar totalmente entendimentos e definições alternativas de causa. Por um lado, existem
de facto diferentes modelos matemáticos para representar a ideia de causa dentro de cada tradição. Por exemplo, dentro da
tradição estatística,
não é necessário definir efeitos causais em termos aditivos. Em vez disso, como observa Dawid (2000),
5
Na verdade, King, Keohane e Verba (1994) usam b para se referir ao efeito causal médio para a unidade i, que teríamos
anote como bi.
6
Não é de surpreender que os investigadores qualitativos tenham respondido sistematicamente a estes tipos de preocupações (por exemplo, Goertz
e Starr 2003; Mahoney 2004). Veja também abaixo.
Univer
pan.ox
Feder
2011
Transf
Flumi
març
alguém poderia usar yT =yC ou logðyT =yC Þ: Além disso, como sugere Braumoeller (2006), pode-se
eu eu eu eu
modele os efeitos causais como aparecendo na variância e não na média. No qualitativo
em
tradição, pode-se pensar na causalidade em casos singulares em termos de suficiência, sem
de
31
necessidade: ''uma lei [científica] tem a forma SE as condições C1, C2, ..., Cn forem obtidas,
ENTÃO sempre E'' (Elster 1999, 5) ou ''toda proposição geral da forma 'C causa E' é
na
equivalente a uma proposição da forma 'sempre que C, então E''' (Ayer 1946, 55). Mais
de
geralmente, dado que as teorias postulam regularmente noções alternativas de causa, os estudiosos deveriam
estar aberto para trabalhar com diferentes concepções de causalidade. Embora para alguns isso possa
parecem evidentes, a tendência na ciência política tem sido muitas vezes a de rejeitar certas
entendimentos de causalidade ou usar métodos que pressupõem um entendimento que não é
congruente com a teoria sob investigação (ver, por exemplo, Hall 2003).
3 explicações multivariadas
Em todas as pesquisas causais, o desejo de explicar leva a um enfoque multivariado. Em qualitativo

pesquisa, isso pode ser visto com a suposição de que os eventos individuais não têm uma causa;
em vez disso, deve-se incluir uma variedade de fatores casualmente relevantes. Na pesquisa quantitativa,
é claro que normalmente se assume que é impossível estimar os efeitos médios sem
controlando variáveis relevantes.
No entanto, o modelo multivariado típico de cada tradição varia de maneiras bastante importantes.
Tomemos talvez o modelo modal mais comum em cada tradição:
Y 5ðA * B * cÞþðA * C * D * EÞ; ð3Þ
Y 5 b0 þ b1X1 þ b2X2 þ b3X3 þþ b12X1 * X2 + e: ð4Þ
A equação (3) representa um modelo booleano típico da teoria dos conjuntos baseado na abordagem INUS
de causalidade. Nesta equação, o símbolo * representa o AND lógico, o þ
símbolo representa o OR lógico, o símbolo 5 indica suficiência e implica um
instrução lógica if-then e letras minúsculas indicam a negação de uma variável. O
equação identifica duas combinações diferentes de variáveis que são suficientes para o
resultado. Por outro lado, a equação (4) é um modelo estatístico padrão que inclui um termo de interação.
As maneiras pelas quais essas duas equações são semelhantes e diferentes não são óbvias. Para
Por exemplo, pode-se acreditar que as equações são diferentes porque o modelo qualitativo
assume necessariamente variáveis dicotômicas, enquanto a quantitativa não. No entanto, a equação (3) pode
ser facilmente estimada com variáveis continuamente codificadas (Ragin
2000).7 Da mesma forma, pode-se supor que a falta de um termo de erro no
equação significa que o modelo deve ser testado sob suposições determinísticas. Na verdade,
no entanto, o modelo poderia ser testado usando um dos vários procedimentos que foram
desenvolvido ao longo dos últimos 10 anos para analisar dados probabilísticos necessários e suficientes
causas (por exemplo, Dion 1998; Braumoeller e Goertz 2000; Ragin 2000; Scott R. Eliason
e Robin Stryker, manuscrito não publicado).
Existem diferenças reais entre as duas equações. Na tradição qualitativa,
muitas vezes se concentra principalmente no impacto de combinações de variáveis e apenas ocasionalmente
concentra-se nos efeitos de variáveis individuais. Na verdade, a menos que uma variável seja uma causa necessária
7
Muitos trabalhos de análise qualitativa empregam, pelo menos implicitamente, medição contínua. Para uma recodificação e
reanálise de Skocpol (1979) com variáveis contínuas de conjunto fuzzy, ver Goertz e Mahoney (2005).
Univer
pan.ox
Feder
2011
Transf
Flumi
març
ou individualmente suficiente para um resultado, o investigador qualitativo normalmente não fará nenhum
esforço para estimar o seu efeito líquido. Por exemplo, na equação (3) o pesquisador qualitativo
em
certamente apontaria que a variável A é necessária para o resultado. Mas praticamente não faz sentido
de
31
perguntar: “qual é o efeito da causa C?” Como C às vezes tem um efeito positivo e às vezes um efeito
negativo dependendo dos outros valores de variáveis com os quais aparece, perguntar sobre o seu
na
efeito líquido é não é uma abordagem frutífera. Da mesma forma, B é importante na presença de A e c,
de
mas em outros cenários não tem efeito no resultado.
Portanto, não é útil generalizar sobre o efeito global de B sem dizer algo sobre o contexto (isto é, outros
valores variáveis) em que B aparece.
Na tradição quantitativa, pelo contrário, é mais provável que nos concentremos na estimativa do
efeito de causas individuais, ou seja, do Xi individual. Por exemplo, no modelo causal representado pela
equação (4), está centralmente preocupado em estimar o efeito líquido de cada variável individual.
Certamente, podemos incluir termos de interação num modelo estatístico (como fizemos). No entanto,
artigos recentes sobre a metodologia de termos de interação estatística (Braumoeller 2003, 2004;
Brambor, Clark e Golder 2006; Clark, Gilligan e Golder 2006; ver também Achen 2005b) ilustram que a
abordagem do efeito individual continua a ser a norma nas estatísticas tal como realmente é praticado
nas ciências sociais.
Normalmente, quando os estudiosos usam termos de interação, eles ainda perguntam sobre o impacto
individual de X (ver Braumoeller 2004 para exemplos e críticas).8
Quando estudiosos não familiarizados com métodos qualitativos veem um modelo booleano como a
equação (3), eles podem tentar traduzi-lo nos termos familiares de efeitos de interação. Esta não é uma
visão completamente irracional (o artigo de Clark, Gilligan e Golder nesta edição especial defende
extensamente esta tradução), pois o AND lógico é primo-irmão da multiplicação.
No entanto, um bom estatístico quase nunca estimaria realmente a equação (3). Para estimar o modelo,
a prática estatística sugere que se devem incluir todos os termos de ordem inferior, como A, AB, AC e
AD. Embora existam razões estatísticas muito boas para esta prática, nos modelos booleanos estas
razões não existem porque se trata de lógica e teoria dos conjuntos.
Na verdade, o AND lógico na equação (3) não é o mesmo que a multiplicação na equação (4).
Nem o OR lógico na equação (3) é o mesmo que a adição na equação (4). Acreditamos que o não
reconhecimento destas diferenças contribui para uma confusão substancial entre as duas tradições. Em
particular, faz com que os estudiosos quantitativos acreditem que um modelo booleano é um conjunto
de termos de interação que poderiam ser facilmente traduzidos para linguagem estatística (por exemplo,
King, Keohane e Verba 1994, 87-9; Seawright 2005).
Uma forma de ilustrar este ponto é considerar os fundamentos da teoria dos conjuntos das causas
necessárias e suficientes (ver Ragin 2000; Goertz e Starr 2003). Com uma causa necessária, todos os
casos em que o resultado está presente estão contidos numa população maior de casos em que a causa
necessária está presente. Assim, os casos em que uma causa necessária está presente são um
superconjunto, e os casos Y 5 1 são um subconjunto deste superconjunto. Com uma causa suficiente,
todos os casos em que a causa suficiente está presente estão contidos na população maior onde o
resultado está presente. Portanto, os casos em que uma causa suficiente está presente são um
subconjunto de um superconjunto maior de Y 5 1 casos.
Essa lógica da teoria dos conjuntos garante que haja um relacionamento consistente nos níveis de
superconjunto e subconjunto para descobertas que são expressas com o AND lógico. Por exemplo,
8
Estamos também cientes de que alguns metodologistas estatísticos sugeriram que a prática quantitativa seria melhorada
se os analistas se concentrassem num número menor de variáveis independentes, explorando cuidadosamente as suas
interacções, em vez de incluir todas as variáveis independentes possivelmente relevantes. Esses mesmos metodologistas
podem sugerir que os pesquisadores poderiam lucrar concentrando-se em subconjuntos específicos de casos, e não na
população como um todo. Este conselho empurra a investigação quantitativa na direcção da prática qualitativa padrão,
ver, por exemplo, Achen (2005a), Clarke (2005) e Ray (2005).
Univer
pan.ox
Feder
2011
Transf
Flumi
març
suponhamos para uma população que temos um modelo booleano como Y 5 (A * b * c) þ (A * C).
Como A é uma causa necessária de Y para esta população, então deve ser uma causa necessária para qualquer
em
subconjunto da população. Como exemplo substantivo, tomemos a hipótese clássica da paz democrática: as
de
31
díades democráticas não travam guerras. A hipótese pode ser formulada em termos de uma causa necessária: a
não-democracia (ou seja, as díades não-democráticas) é uma causa necessária da guerra.
na
Uma vez que o conjunto de díades de guerra é um subconjunto de todas as díades não democráticas, esta
de
hipótese permanecerá verdadeira para qualquer subconjunto de díades de guerra. Da mesma forma, se a
combinação A * b * c for suficiente para o resultado na população, então deverá ser suficiente para o resultado
em qualquer subconjunto da população. É claro que A * b * c pode não estar presente em todos os subconjuntos
(por exemplo, o A * C). Mas a questão é que se A * b * c estiver presente em um subconjunto, então Y também estará presente.
Em suma, as conclusões que se aplicam ao nível da população devem, como facto matemático, aplicar-se
também a qualquer subconjunto da população.
A abordagem lógica da pesquisa qualitativa pode ser contrastada com a relação entre populações e
subconjuntos na pesquisa estatística. Imagine que num estudo estatístico o impacto do X1 seja fortemente positivo
na população. Significa isto que X1 não pode ter um impacto fortemente negativo num subconjunto específico de
casos? A resposta, claro, é “não”. O impacto de X1 à medida que se passa de um superconjunto para subconjuntos
é sempre contingente nos modelos estatísticos; não há razão matemática para que X1 não possa estar
negativamente relacionado com o resultado em subconjuntos específicos, ou seja, a estabilidade das estimativas
dos parâmetros é um fenómeno contingente.9 Da mesma forma, a estimativa do parâmetro b12X1 * X2 pode
mudar dramaticamente ao passar do toda a população para um subconjunto. Em suma, o que é uma verdade
matemática na lógica booleana – a consistência das relações causais necessárias/suficientes através de um
superconjunto e dos seus subconjuntos – é uma relação contingente nas estimativas dos parâmetros dos modelos
estatísticos.
Os dois modelos representados nas equações (3) e (4) são, portanto, em muitos aspectos difíceis de comparar,
o que aponta para diferenças reais entre as tradições. Mas na perspectiva de um diálogo entre culturas, é melhor
compreender as diferenças do que lutar para saber quem está certo ou melhor. Na verdade, a lógica e a teoria
dos conjuntos que formam a base da visão qualitativa da causa e da complexidade causal não são mais nem
menos rigorosas do que a probabilidade e a estatística utilizadas pelos estudiosos quantitativos. Portanto, vemos
as duas abordagens como viáveis para a pesquisa em ciências sociais.
4 Equifinalidade
Outro indicador das diferenças entre as tradições qualitativa e quantitativa é a importância ou falta dela atribuída
ao conceito de “equifinalidade” (George e Bennett 2005). Também referido como “causalidade múltipla e
conjuntural” ou apenas “causalidade múltipla”, o conceito de equifinalidade está fortemente associado à abordagem
de análise comparativa qualitativa desenvolvida por Ragin (1987) e desempenha um papel fundamental na forma
como muitos estudiosos qualitativos pensam sobre relações causais. Em contraste, as discussões sobre
equifinalidade estão ausentes no trabalho quantitativo. Se lemos apenas trabalhos quantitativos com N grandes,
a palavra “equifinalidade” (ou seus sinônimos) não faria parte do vocabulário metodológico.
Equifinalidade é a ideia de que existem múltiplos caminhos causais para o mesmo resultado. Em termos de
explicações multivariadas, como vimos, a equifinalidade é expressa usando o INUS
9
As suposições associadas à homogeneidade e independência da unidade, por exemplo, Suposição de Valor de Tratamento
de Unidade Estável (ver Brady e Seawright 2004 para uma boa discussão), são projetadas para evitar que esta instabilidade
de parâmetro ocorra. Na prática, a instabilidade dos parâmetros continua a ser uma possibilidade real.
Univer
pan.ox
Feder
2011
Transf
Flumi
març
abordagem. Na equação (3), por exemplo, existem dois caminhos causais (A * B * c) OU (A * C * D * E);
qualquer um deles é suficiente para atingir o resultado.
em
Pensamos que grande parte da discussão sobre a equifinalidade vê de forma inadequada o seu aspecto
de
31
distintivo como a representação de caminhos causais através de combinações de valores variáveis, o facto
de os caminhos causais serem de natureza “conjuntural”. Se nos concentrarmos principalmente neste
na
componente utilizando uma perspectiva estatística, como fazem King, Keohane e Verba (1994, 87-9),
de
poderemos acreditar que a equifinalidade é simplesmente uma forma de falar sobre termos de interacção.
O que realmente torna a equifinalidade distintiva no trabalho qualitativo é o facto de existirem apenas
alguns caminhos causais para um resultado específico. Cada caminho é uma conjunção específica de
fatores, mas não são muitos. Dentro das condições de âmbito tipicamente mais limitado do trabalho qualitativo
(ver abaixo), o objectivo é identificar todos os caminhos causais presentes na população.
Em contraste, implícitos em modelos estatísticos como a equação (4) estão milhares, senão milhões, de
caminhos potenciais para um resultado específico. O lado direito da equação estatística representa
essencialmente uma soma ponderada e, desde que essa soma ponderada seja superior ao limite especificado
– digamos, numa configuração logit – então o resultado deverá (em média) ocorrer. Neste quadro, haverá
inúmeras maneiras pelas quais a soma ponderada poderá exceder o limiar. Um tem equifinalidade de
espadas.
Na pesquisa qualitativa, os analistas normalmente atribuirão casos a caminhos causais. Como o objetivo
geral da pesquisa é explicar os casos, isso é feito identificando o caminho causal específico que cada caso
segue. Por exemplo, Hicks, Misra e Ng (1995) concluem que existem três caminhos distintos para um estado
de bem-estar inicial, e a sua análise permite identificar exactamente quais os casos que seguiram cada um
dos três caminhos (ver também Esping-Andersen 1990). Na investigação qualitativa, estes caminhos causais
podem desempenhar um papel organizador fundamental do conhecimento teórico geral. Para citar outro
exemplo, o famoso trabalho de Moore (1966) identifica três caminhos diferentes para o mundo moderno,
cada um definido por uma combinação particular de variáveis, e os países específicos que seguem cada
caminho são claramente identificados.10
Na investigação quantitativa, não parece útil agrupar os casos de acordo com configurações causais
comuns nas variáveis independentes. Embora se possa fazer isso, não é uma prática dentro da tradição.
Novamente, o objetivo da pesquisa aqui não é explicar nenhum caso específico, mas sim generalizar sobre
os efeitos causais individuais. Neste contexto, fala-se da população como um todo e não se discute os
caminhos particulares que os casos individuais seguem para chegar aos seus valores específicos na variável
dependente.
5 Escopo e Generalização Causal
Na investigação qualitativa, é comum que os investigadores definam o âmbito das suas teorias de forma
restrita, de modo que as inferências sejam generalizáveis apenas para uma gama limitada de casos. Na
verdade, em alguns trabalhos qualitativos, os casos analisados no estudo representam todo o alcance da
teoria. Em contraste, na investigação quantitativa, os estudiosos geralmente definem o seu âmbito de forma
mais ampla e procuram fazer generalizações sobre um grande número de casos. Os estudiosos quantitativos
muitas vezes veem os casos que analisam simplesmente como uma amostra de um universo potencialmente
muito maior.
O âmbito mais restrito adoptado na análise qualitativa surge da convicção de que a heterogeneidade
causal é a norma para grandes populações (por exemplo, Ragin 1987, 2000). Qualitativo
10Dado que a equifinalidade organiza frequentemente a generalização causal na investigação qualitativa, não é surpreendente que o
capítulo de Mackie (1980) sobre modelos INUS seja chamado de “regularidades causais”. Com um modelo INUS, cada caso pode
pertencer a um conjunto maior de casos que se seguem. o mesmo caminho causal. Os modelos INUS formam assim uma série de
generalizações teóricas.
Univer
pan.ox
Feder
2011
Transf
Flumi
març
os investigadores assumem que à medida que o tamanho da população aumenta, mesmo que modestamente,
o potencial para que relações causais importantes estejam ausentes ou sejam mal especificadas nas suas
em
teorias aumenta dramaticamente. Estes investigadores acreditam, portanto, que a adição de cada caso à
de
31
análise tem uma boa probabilidade de necessitar de modificações substanciais no modelo teórico, embora
o modelo funcione perfeitamente bem para os casos originais analisados. Na medida em que estas
na
modificações produzem complicações importantes, os investigadores qualitativos acreditam que é melhor
de
desenvolver uma teoria inteiramente separada para os casos adicionais. Por exemplo, Skocpol desenvolve
teorias separadas para as grandes revoluções sociais históricas e para as revoluções sociais mais
contemporâneas no Terceiro Mundo (Skocpol 1979; Goodwin e Skocpol 1989).
Como vimos na secção anterior, a generalização causal na investigação qualitativa assume

frequentemente a forma de especificar alguns caminhos causais que são, cada um, suficientes para o
resultado de interesse. Dada esta abordagem, expandir o âmbito de um estudo pode facilmente correr o
risco de introduzir heterogeneidade causal. Pode ser que os novos casos não se enquadrem no actual
conjunto de caminhos causais. Em termos da equação (3), tem-se dois caminhos causais (A * B * c) OU (A
* C * D * E), e ampliar o escopo pode significar que os novos casos exigem a adição de um terceiro ou
quarto caminho causal. caminho. Também pode acontecer que os novos casos tornem problemáticas as
trajetórias causais existentes, mesmo que sejam suficientes para o resultado de interesse nos casos originais
analisados. Por exemplo, o caminho (A*B*c) pode não ser suficiente para o desfecho de interesse nos novos
casos.
As práticas de pesquisa são bastante diferentes na tradição quantitativa. É claro que aqui os
pesquisadores precisam ter um grande número de observações para usar a maioria das técnicas estatísticas,
o que pode encorajar uma compreensão ampla do escopo da teoria. Mas o mais importante é que a própria
concepção de causalidade utilizada na investigação quantitativa significa que as preocupações com a
heterogeneidade causal são apresentadas em termos diferentes. Em particular, se o seu objetivo é estimar
um efeito médio de alguma variável ou variáveis, a exclusão de certas variáveis associadas a novos casos
não é um problema, desde que as suposições de independência condicional ainda sejam válidas.11 Variáveis
independentes que são importantes apenas para um um pequeno subconjunto de casos pode ser
apropriadamente considerado “assistemático” e relegado ao termo de erro.12 Portanto, na pesquisa
quantitativa, onde uma explicação adequada não requer uma explicação correta para cada caso, os
analistas podem omitir variáveis menores para dizer algo. mais geral sobre a população em geral.
Uma implicação fundamental desta diferença é que as generalizações causais no trabalho qualitativo
são mais frágeis do que aquelas nas análises estatísticas de N grandes. As análises estatísticas são muitas
vezes robustas e não serão dramaticamente influenciadas por mudanças modestas no âmbito ou na população.
Mas na investigação qualitativa, a heterogeneidade de vários tipos (por exemplo, conceitos, medição e
modelo) representa um problema importante, o que, por sua vez, torna os estudiosos qualitativos
particularmente propensos a restringir o domínio do seu argumento. Esta implicação é a imagem espelhada
do que vimos na última seção. Enquanto os resultados da investigação qualitativa tendem a ser mais
estáveis do que os resultados da investigação quantitativa quando se passa de um superconjunto para
subconjuntos específicos, os resultados quantitativos tendem a ser mais estáveis do que os resultados
qualitativos quando se passa de um subconjunto para um superconjunto. Estas diferenças são importantes,
mas não devem constituir a base para críticas de nenhuma das tradições; são simplesmente implicações
lógicas dos tipos de explicação buscados nas duas tradições.
11É claro que alguns metodologistas estatísticos não acreditam que estes pressupostos sejam normalmente válidos fora das experiências
naturais (por exemplo, Lieberson 1985; Freedman 1991). No entanto, esta preocupação levanta um conjunto separado de questões
que são melhor debatidas dentro da própria tradição estatística.
12Nesse sentido, o termo de erro de um modelo estatístico típico pode conter uma série de variáveis que os investigadores qualitativos
consideram como causas cruciais em casos individuais.
Univer
pan.ox
Feder
2011
Transf
Flumi
març
6 Práticas de Seleção de Casos
em
Os investigadores qualitativos geralmente iniciam a sua investigação selecionando casos onde ocorre o
de
resultado de interesse (estes casos são frequentemente chamados de casos “positivos”). Esta prática não é
31
surpreendente quando recordamos que o objectivo da sua investigação é a explicação de resultados particulares.
Se quiser explicar certos resultados, é natural escolher casos que apresentem esses resultados. Embora por
na
de
vezes os investigadores qualitativos possam seleccionar apenas casos positivos, é muito comum que
também escolham casos “negativos” para testar as suas teorias (ver Mahoney e Goertz 2004).
Na investigação quantitativa, pelo contrário, os investigadores geralmente seleccionam casos sem ter em
conta o seu valor na variável dependente. Na verdade, por razões bem compreendidas, a selecção de casos
com base no seu valor na variável dependente pode enviesar os resultados da investigação estatística (por
exemplo, Heckman 1976). Os investigadores quantitativos, portanto, tentam idealmente escolher populações
de casos através de selecção aleatória de variáveis independentes.
Estas diferenças básicas na seleção de casos estimularam o debate entre as duas tradições.
No final da década de 1980 e início da década de 1990, Achen e Snidal (1989) e Geddes (1991) criticaram
os desenhos de investigação qualitativa sobre o tema da selecção da variável dependente. Isto prenunciou
a bem conhecida discussão da questão por King, Keohane e Verba (1994), que foi especialmente crítico em
relação aos desenhos de investigação que carecem de variação na variável dependente (isto é, desenhos
sem variância). No final da década de 1990, vários estudiosos responderam a essas críticas. Em relação aos
designs sem variância, os metodologistas apontaram que se a hipótese em consideração postular causas
necessárias, como é comum na pesquisa qualitativa, o design é apropriado (por exemplo, Dion 1998;
Braumoeller e Goertz 2000; Ragin 2000; Harvey 2003).13 Da mesma forma , outros metodologistas (por
exemplo, Collier, Mahoney e Seawright 2004) insistiram que a análise dentro do caso, que se baseia em
observações do processo causal (discutidas abaixo), fornece uma alavancagem substancial para a inferência
causal, mesmo quando o N é igual a 1. No entanto, em Em muitos projetos de pesquisa, os estudiosos
qualitativos incluem casos de resultados negativos para fins de contraste causal e inferência (por exemplo,
Skocpol também examina seis casos negativos em que a revolução social não ocorreu, além dos seus três
casos positivos).
Para destacar outras diferenças na seleção de casos nas duas tradições, um exemplo é útil. Na Tabela
2, existem duas variáveis independentes e uma variável dependente; todas as variáveis são medidas
dicotomicamente. Num desenho experimental padrão, pode-se manipular casos de modo que eles assumam
as quatro combinações possíveis de valores nas variáveis independentes e então observem seus valores na
variável dependente. Na análise estatística, a selecção de um grande número de casos sem ter em conta o
seu valor na variável dependente tem o efeito de aproximar este desenho experimental.
No estudo típico de N pequeno, entretanto, existem duas características que são um tanto distintas. A
primeira é que normalmente existem poucos casos de 1 na variável dependente; nos termos da Tabela 2, a
metade superior da tabela é muito menos povoada do que a metade inferior.
Isto é verdade porque os casos positivos de interesse (ou seja, casos em que Y 5 1) na investigação
qualitativa são geralmente ocorrências raras (por exemplo, guerras, revoluções, milagres de crescimento),
enquanto os casos negativos (por exemplo, não-guerras, não-revoluções, não-crescimento milagres) são
potencialmente quase infinitos em tamanho. É claro que o mesmo pode ser verdade em pesquisas
experimentais ou estatísticas quando os analistas estudam eventos raros (por exemplo, ver Goldstone et al. 2000; King e Zeng
13Embora haja maior consenso sobre este ponto, Braumoeller e Goertz (2000) argumentam que projetos sem
variância não permitem distinguir causas necessárias triviais de não triviais. Para uma visão diferente, ver Seawright
(2002), que defende o uso de “todos os casos” e não apenas aqueles onde Y 5 1 ao testar hipóteses de condições
necessárias.
Univer
pan.ox
Feder
2011
Transf
Flumi
març
Tabela 2 Seleção de casos
em
S X1 X2
de
31
A 5 11 1
0 1
na
1 0
de
0 0
S50 1 1
0 1
0
10 0
2001), embora como generalização possamos dizer que o estudo de resultados excepcionais é
mais comum em pesquisas qualitativas.
O segundo e mais importante traço distintivo da análise qualitativa é que, no
metade inferior densamente povoada, a célula (0,0,0) (em negrito na tabela) onde ambas as causas
e o resultado ausente é particularmente populoso e problemático. Na prática,
pesquisadores qualitativos raramente escolhem casos (ou estudos de caso) da célula (0,0,0).
Uma razão prática é que os casos (0,0,0) são tão numerosos e mal definidos que é
difícil selecionar apenas alguns para análise intensiva, ao passo que selecionar um grande número de
nestes casos não é uma opção realista. Por outro lado, em uma análise estatística, ter muitos
casos é desejável, e o cálculo dos resultados estatísticos não é prejudicado, mas ajudado por
tendo muitos casos em cada célula.
Outro problema que o estudioso qualitativo enfrenta é que os casos (0,0,0) são menos
útil para testar teorias quando comparado com casos retirados de outras células. Por exemplo,
suponha que o modelo causal testado na Tabela 2 seja Y 5 X1 AND X2. Casos negativos em
as células (0,1,1) são extremamente úteis porque desconfirmam ou pelo menos contam contra isso
teoria (ou seja, ambas as causas estão presentes, mas o resultado está ausente); portanto, os pesquisadores
qualitativos estão altamente sintonizados para encontrar esses casos. Da mesma forma, casos negativos em (0,1,0)
e (0,0,1) células ajudam pesquisadores qualitativos a ilustrar como X1 e X2 não são individualmente
suficiente para o resultado. Mas os casos (0,0,0) fornecem menos alavancagem para inferência causal
(Braumoeller e Goertz 2000). Na verdade, na maioria destes casos, o resultado de interesse é
nem sequer é possível e, portanto, os casos são considerados irrelevantes (Mahoney e Goertz 2004).
Em suma, quase nunca veremos um estudioso qualitativo fazendo um estudo de caso sobre uma observação da
célula (0,0,0).
Em contraste, na pesquisa quantitativa, o aumento da variância reduz o erro padrão
e, portanto, é perseguido quando possível. Dentro de um quadro estatístico, normalmente
deseja incluir casos distantes de 1 nas variáveis independentes, como casos do
(0,0,0) célula. Dado um N grande, a seleção aleatória nas variáveis independentes seria
uma boa maneira de conseguir isso.
Nestes aspectos importantes, as duas tradições diferem na forma como abordam a selecção de casos.
nos lados das variáveis dependentes e independentes da equação. No entanto, estamos convencidos de que
ambas as tradições têm boas razões para fazer o que fazem. Se o seu objetivo é
estimar os efeitos causais médios para grandes populações de casos, faz sentido evitar
selecionando na variável dependente. Da mesma forma, faz sentido incluir todos os tipos de
casos negativos e tratá-los como igualmente importantes para tirar conclusões sobre causalidade
efeitos. Mas se o seu objetivo é explicar os resultados em casos particulares, não faz sentido
selecionar casos sem levar em conta seu valor no resultado. Nem faz sentido
Univer
pan.ox
Feder
2011
Transf
Flumi
març
tratar todos os casos negativos que carecem do resultado de interesse como igualmente relevantes para a
análise.
em
de
31
7 Observações de Ponderação
na
Os investigadores qualitativos são, em alguns aspectos, análogos aos detetives criminais: resolvem puzzles e
de
explicam resultados específicos recorrendo à recolha detalhada de factos, à experiência de trabalho com
casos semelhantes e ao conhecimento de princípios causais gerais. Do ponto de vista deste método
“detetive” (Goldstone 1997; ver também Van Evera 1997, cap. 2; McKeown 1999; George e Bennett 2005),
nem todas as evidências contam igualmente para a construção de uma explicação. Em vez disso, certas
observações podem ser “armas fumegantes” que contribuem substancialmente para a visão de um investigador
qualitativo de que uma teoria é válida. Da mesma forma, tal como um detetive cujo palpite inicial sobre um
suspeito de homicídio pode ser minado por uma única nova prova (por exemplo, um álibi incontestável), um
novo facto pode levar os investigadores qualitativos a concluir que uma dada teoria é válida. não é correcto,
embora uma quantidade considerável de provas sugira que o é. Para pesquisadores qualitativos, uma teoria
geralmente está a apenas uma observação crítica de ser falsificada. E, no entanto, os investigadores por
vezes constroem provas suficientes para se sentirem bastante confiantes de que a teoria é válida e de que
nunca serão encontradas provas falsificadoras.
Também tal como os detetives, os investigadores qualitativos não se consideram como abordando as
observações de uma forma teoricamente neutra (Goldstone 2003; Western 2001). Em vez disso, estes
investigadores perguntam: “Dadas as minhas crenças teóricas anteriores, até que ponto esta observação
afecta essas crenças?” Ao testar algumas teorias, um único dado pode afectar radicalmente as crenças
posteriores. Os dados cruciais podem mostrar que uma variável-chave foi medida incorretamente e, quando
medida corretamente, a teoria deixa de fazer sentido.
Vemos isto com a teoria que sustentava que a China teve um desempenho melhor do que a Índia em
indicadores sociais chave antes de 1980 devido ao seu nível mais elevado de PIB per capita. Quando os
investigadores introduziram uma nova medida de desenvolvimento económico, que abordava problemas com
a estimativa anterior do PIB per capita e mostrava níveis de desenvolvimento semelhantes nos dois países,
toda a teoria foi posta em causa e rejeitada (Dre`ze e Sen 1989).
Os dados decisivos não necessitam de envolver um problema de medição. Por exemplo, consideremos a
teoria de que a combinação de uma burguesia fraca, um campesinato dividido e uma poderosa elite fundiária
é suficiente para o fascismo na Europa entre guerras (Moore 1966). Esta teoria é desafiada pelas observações
de que as poderosas elites fundiárias nos casos fascistas não conseguiram obter um grande número de votos
ou eram, na verdade, apoiantes de candidatos liberais (Luebbert 1991, 308-9). Quando se leva em
consideração esta informação, a teoria parece profundamente problemática, apesar de ser plausível de outras
formas (para outros exemplos, ver McKeown 1999).
Em contraste, os estudiosos quantitativos geralmente não fazem suposições de que algumas evidências –
isto é, observações específicas – devam contar mais do que outras. Em vez disso, os investigadores
quantitativos geralmente ponderam a priori todas as observações igualmente. Eles então trabalham para
estabelecer um padrão de observações conformes contra uma hipótese nula. Com esta abordagem, uma
única observação não pode dar apoio decisivo ou minar criticamente uma teoria; apenas um padrão de muitas
observações pode reforçar ou questionar uma teoria. Os resultados estatísticos que se baseiam demasiado
em algumas observações específicas (muitas vezes valores discrepantes) são suspeitos.
Esses diferentes usos dos dados correspondem à distinção de Brady e Collier entre observações de
“processo causal” e de “conjunto de dados” (2004, 252-5). Uma observação de conjunto de dados é
simplesmente uma linha em um conjunto de dados retangular padrão e é normalmente o que os pesquisadores
estatísticos chamam de caso ou observação. As observações do conjunto de dados fornecem alavancagem analítica porque
Univer
pan.ox
Feder
2011
Transf
Flumi
març
mostram ou não padrões de associação estatisticamente significativos entre as variáveis, bem como
permitem estimar o tamanho dos efeitos. Por outro lado, “Uma observação de processo causal é um insight
em
ou dado que fornece informações sobre o contexto ou mecanismo e contribui com um tipo diferente de
de
31
alavancagem na inferência causal. Não o faz necessariamente como parte de um conjunto maior e
sistematizado de observações... uma observação de processo causal pode ser como uma “arma
na
fumegante”. Fornece insights sobre mecanismos causais, insights que são essenciais para a avaliação
de
causal e são uma alternativa e/ou complemento indispensável à inferência causal baseada em
correlação” (Brady e Collier 2004, 252–3). As observações do processo causal são cruciais para testar a
teoria num cenário qualitativo precisamente porque se classificam os dados com crenças teóricas
preexistentes (incluindo o bom senso).
Tal como Brady e Collier, acreditamos que ambos os tipos de provas podem ser úteis. Acrescentaríamos
simplesmente que as observações do processo causal são especialmente úteis quando se procura explicar
resultados específicos em casos particulares, enquanto as observações do conjunto de dados são
especialmente úteis quando se deseja generalizar sobre os efeitos causais médios para uma grande população.
Assim, se o seu objetivo é explicar resultados específicos, faz sentido alternar entre a teoria e os dados;
não faz sentido realizar uma única passagem dos dados ou evitar todas as revisões ex post do modelo
(embora os investigadores ainda devam ser sensíveis ao simples ajuste de uma teoria aos dados). Por
outro lado, se procuramos estimar efeitos causais médios, normalmente devemos assumir uma
diferenciação mais estrita entre teoria e dados e não devemos mover-nos tão livremente entre teoria e
dados (embora pesquisas de especificação e outras sondagens de dados possam ser consistentes). com
boas práticas). O resultado é que os pesquisadores quantitativos não deveriam buscar principalmente
observações de processos causais, assim como os pesquisadores qualitativos não deveriam estudar
principalmente observações de conjuntos de dados.
8 casos substantivamente importantes
Acadêmicos qualitativos e quantitativos têm perspectivas diferentes sobre o que constitui um caso
“importante”. Numa análise típica de N grande, não há casos importantes ex ante. Cada caso tem peso
igual. Ex post, pode-se e deve-se examinar valores discrepantes e observações que tenham grande
influência nos resultados estatísticos. E já existem há muito tempo técnicas para identificar e analisar estes
tipos de casos (por exemplo, Bollen e Jackman 1985).
Em contraste, tal como aconteceu com evidências específicas, os estudiosos qualitativos não tratam
necessariamente todos os casos como iguais; alguns casos são mais “importantes” que outros.
Por exemplo, na tradição qualitativa, os pesquisadores buscam explicitamente projetos de pesquisa de
estudo de caso “mais provável”, “menos provável” e “crítico” (Przeworski e Teune 1970; Collier 1993;
George e Bennett 2005). Esses tipos de projetos de pesquisa pressupõem que a comunidade de pesquisa
possui conhecimento teórico prévio que torna certos casos especialmente interessantes e teoricamente
importantes.
Além disso, como os investigadores qualitativos estão interessados em casos individuais, estão
conscientes e preocupados com casos que são considerados substancialmente importantes. Aqui,
“substantivamente importante” significa interesse normativo especial devido a um papel importante passado
ou atual na política nacional ou internacional. Por exemplo, os académicos qualitativos podem ter sérias
dúvidas sobre uma teoria das eleições americanas que falhou miseravelmente na Califórnia e em Nova
Iorque, mesmo que tenha funcionado bem para alguns estados mais pequenos. No campo das relações
internacionais, os estudiosos dos estudos de segurança acreditam que a capacidade do realismo para
explicar o fim da Guerra Fria é absolutamente crucial. Para alguns construtivistas sociais, de facto, a falha
do realismo na explicação deste caso único representa um grande golpe contra todo o paradigma. Os
realistas parecem concordar e trabalhar arduamente para explicar o fim da Guerra Fria (há uma vasta
literatura sobre este debate; ver, por exemplo, o intercâmbio entre Brooks e Wohlforth
Univer
pan.ox
Feder
2011
Transf
Flumi
març
2000, 2002 e Inglês 2002). A nossa opinião é que os investigadores qualitativos compreendem quase
instintivamente o requisito de acertar nos casos “grandes” e preocupam-se quando este não é cumprido.
em
de
31
O ponto geral é bem ilustrado pela discussão de Goldstone sobre as consequências para a teoria
marxista de uma falha em explicar adequadamente a Revolução Francesa: “Poderia ainda ser que a visão
na
marxista se mantivesse noutros casos, mas descobrindo que não se sustentou num dos as revoluções
de
historicamente mais importantes (isto é, uma revolução em um dos maiores, mais influentes e mais
imitados estados de sua época e exemplar frequente das teorias marxistas) certamente abalariam a fé no
valor da teoria'' (2003 , 45–6). No quadro quantitativo, pelo contrário, a Revolução Francesa não conta a
mais para falsificar a teoria. Se muitos outros casos estiverem em conformidade, o inconformismo da
Revolução Francesa não é um problema especial (ou pelo menos não é um problema maior do que,
digamos, a Revolução Boliviana seria).
A preocupação qualitativa com casos importantes é intrigante para um estudioso quantitativo.

Desta perspectiva, não há nenhuma razão real para que casos substantivamente ou historicamente
importantes sejam os melhores quando se avalia uma teoria. Pode muito bem acontecer que um caso
obscuro tenha as características-chave necessárias para testar uma teoria. Além disso, não está claro por
que casos importantes deveriam contar mais na avaliação de teorias. Se as declarações de âmbito teórico
e empírico são importantes – o que acreditamos que sejam tanto na investigação qualitativa como na
quantitativa – então seria melhor explicar mais casos do que avaliar a teoria principalmente contra o que
podem ser casos muito importantes, mas idiossincráticos.
9 Falta de ajuste
Na pesquisa qualitativa, o investigador normalmente está bastante familiarizado com cada caso sob
investigação. Como consequência, um caso particular que não esteja em conformidade com o modelo
causal do investigador não é simplesmente ignorado. Em vez disso, o investigador procura identificar os
factores especiais que levam este caso a seguir um padrão causal distinto. Estes factores especiais
podem não ser considerados parte do modelo teórico central, mas são explicitamente identificados e
discutidos. O investigador qualitativo procura, portanto, compreender exactamente porque é que o caso
particular não se conformou com a expectativa teórica (Ragin 2004, 135-8).
Em contraste, na investigação quantitativa, a incapacidade de um modelo teórico para explicar casos
particulares não é um problema, desde que o modelo forneça boas estimativas de parâmetros para a
população como um todo. Muitos factores idiossincráticos podem ser importantes para casos particulares,
mas estes factores não são importantes para uma teoria mais geral e, portanto, não são de grande
preocupação.14 A exclusão de factores idiossincráticos não distorce as estimativas dos parâmetros do
modelo, uma vez que estes factores são frequentemente não está sistematicamente correlacionado com
14A visão dos investigadores estatísticos sobre esta questão é bem captada pelo esforço de King, Keohane e Verba
para discutir a explicação causal para um caso individual. Os autores descrevem um projeto de pesquisa cujo objetivo
é avaliar o efeito do mandato nas eleições. King, Keohane e Verba percebem que outras variáveis “não sistemáticas”
podem entrar em jogo, mas estas são relegadas ao termo de erro e não têm nenhum interesse particular:
[Nós] argumentamos que a ciência social sempre precisa dividir o mundo em componentes sistemáticos
e não sistemáticos. ... Para ver a importância desta divisão, pense no que aconteceria se pudéssemos
repetir a campanha eleitoral de 1998 no Quarto Distrito de Nova Iorque, com um candidato democrata
e um adversário republicano. O resultado seria um total ligeiramente diferente, devido a características
não sistemáticas da campanha eleitoral – aspectos da política que não persistem de uma campanha
para outra, mesmo que as campanhas comecem em pé de igualdade. Algumas dessas características
não sistemáticas podem incluir uma gafe verbal, um discurso ou posição surpreendentemente popular
sobre um assunto. ... Podemos, portanto, imaginar uma variável que expressaria os valores do voto
democrata através de replicações hipotéticas desta mesma eleição. (King, Keohane e Verba 1994, 79)
Univer
pan.ox
Feder
2011
Transf
Flumi
març
termos de erro especificados no modelo. Além disso, a falta de ajuste de um modelo teórico pode ser
devida não apenas a variáveis omitidas, mas também à aleatoriedade e a erros de medição não
em
sistemáticos – problemas que, mais uma vez, não distorcem os resultados.
de
31
Estas diferentes abordagens para lidar com a falta de adequação proporcionam amplo terreno para
mal-entendidos. Os investigadores qualitativos acreditam que o erro de previsão “deve ser explicado, em
na
vez de simplesmente reconhecido” (Ragin 2004, 138). Dada esta crença, podem ser incomodados por
de
modelos estatísticos que explicam apenas uma pequena parte da variação de interesse, deixando o resto
para o termo de erro. Eles podem perguntar: “Quais são os vários fatores que compõem o termo de
erro?” Se o ajuste geral do modelo estatístico não for muito bom, eles podem não ficar convencidos pelo
argumento de que o termo de erro contém apenas variáveis menores (ou medidas). erro ou aleatoriedade
inerente). Por sua vez, os investigadores estatísticos podem ficar perplexos quando os investigadores
qualitativos gastam uma grande quantidade de energia tentando identificar factores em acção em casos
não conformes. Podem perguntar-se: “Porquê gastar tempo valioso em investigação que não conduz a
resultados generalizáveis?” Na verdade, podem encarar o esforço de explicar completamente o resultado
de interesse como uma armadilha determinista ou um objectivo utópico.
No entanto, estamos convencidos de que quando se apreciam os diferentes objectivos de investigação
prosseguidos pelos analistas qualitativos e quantitativos, é difícil condenar qualquer um dos pontos de
vista. Se você realmente deseja estimar os efeitos causais médios, não deveria tentar caçar cada fator
causal que possa afetar os resultados em casos específicos. Mas se você realmente deseja explicar os
resultados em casos específicos, faz sentido estar neste negócio.
10 conceitos e medição
É comum, na análise qualitativa, que os estudiosos gastem muito tempo e energia desenvolvendo
definições claras e precisas para conceitos que são centrais para a sua pesquisa. Fazem-no porque
estão preocupados com a validade conceptual e acreditam que a incapacidade de abordar esta
preocupação é uma importante fonte de erros de medição. Ao analisar casos múltiplos, estes
investigadores tentam especialmente evitar o alongamento conceptual ou a prática de aplicar um conceito
a casos para os quais não é apropriado (Sartori 1970; Collier e Mahon 1993). Os debates sobre a
validade da medição nesta tradição de investigação centram-se, portanto, frequentemente na estrutura
lógica e no conteúdo de conceitos específicos (ver Gerring 2001; Goertz 2006).
Na pesquisa quantitativa, por outro lado, o foco está menos nos erros de medição decorrentes da
definição e estrutura de conceitos. Em vez disso, esta tradição de investigação está mais preocupada
com a operacionalização e a utilização de indicadores. Para os investigadores quantitativos, o erro de
medição normalmente ocorre ao nível dos indicadores, não ao nível dos conceitos, e as discussões
metodológicas do erro de medição concentram-se, portanto, na modelação do erro de medição e na
modificação dos indicadores, com pouca preocupação com a revisão do conceito.
Na verdade, alguns investigadores quantitativos (embora certamente não todos) chegariam ao ponto de
dizer que um conceito é definido pelos indicadores utilizados para o medir, uma posição que os
investigadores qualitativos quase nunca apoiariam.
Podemos ver estas diferenças claramente na investigação comparativa sobre democracia. Na
tradição da investigação qualitativa, os debates sobre a (des)avaliação da democracia centram-se
frequentemente na extensão deste conceito a casos que não são realmente democracias (ou que são
tipos especiais de democracias). As soluções para o problema são propostas a nível conceptual – por
exemplo, desenvolvendo subtipos apropriados de democracia que permitirão simultaneamente aos
investigadores capturar diversas formas de democracia e evitar alargar o conceito (Collier e Levitsky
1997). Por outro lado, as discussões sobre a (des)mensuração da democracia na pesquisa quantitativa
estão preocupadas com as propriedades dos indicadores e
Univer
pan.ox
Feder
2011
Transf
Flumi
març
o modelo de medição estatística, incluindo erro (por exemplo, Bollen 1980, 1993; Bollen e
Paxton 1998). É padrão nesta tradição de pesquisa acreditar que muitas medições
em
os problemas resultam da utilização de indicadores fracos ou tendenciosos da democracia.
de
31
Essas diferenças contribuem para visões céticas sobre as tradições. Por exemplo,
pesquisadores qualitativos às vezes acreditam que os indicadores utilizados na pesquisa estatística
na
são medidas simplistas que omitem elementos-chave (ou incluem elementos inadequados) do
de
conceito que está sendo estudado (Coppedge 1999; Munck e Verkuilen 2002; Bowman, Lehoucq,
e Mahoney 2005). Podem sentir que os indicadores estatísticos não medem o mesmo
em diversos contextos e, portanto, essa heterogeneidade conceitual significativa e não reconhecida está
presente na pesquisa quantitativa.
Este ceticismo emana, em última análise, do objetivo dos pesquisadores qualitativos de desenvolver
explicações adequadas de cada caso particular, o que significa que devem tentar medir
todas as variáveis-chave corretamente para cada caso. Na tradição qualitativa, de fato, os estudiosos
discutir e debater ativamente a pontuação de variáveis específicas para casos específicos. O
Os riscos de tais discussões podem ser elevados, pois a falsificação da teoria pode ocorrer com uma mudança
no valor de uma ou de um pequeno número de variáveis. Na pesquisa qualitativa, em suma,
o erro de medição precisa ser abordado e eliminado completamente, se possível. Indicadores que, em média,
fazem um trabalho razoável de medição serão problemáticos porque
medirá incorretamente muitos casos particulares.
Para os pesquisadores quantitativos, por outro lado, o erro de medição é algo que é
inevitável, mas não devastador, desde que possa ser adequadamente modelado. Sistemático
erro de medição (ou seja, viés) é obviamente importante e existem procedimentos para identificá-lo
(por exemplo, Bollen e Paxton 1998). E quando um erro sistemático de medição é descoberto,
pesquisadores quantitativos normalmente procurarão melhores indicadores para o conceito que está sendo
medidas ou melhores maneiras de modelar o erro. Mas muitas vezes ainda é possível gerar boas
estimativas de efeitos causais médios quando há erro de medição não sistemático.
Dadas estas diferenças, é apropriado falar de duas vertentes distintas na literatura metodológica sobre
erros de medição na ciência política: uma vertente qualitativa que
centra-se em conceitos e validade conceptual e que se preocupa centralmente com a eliminação de erros de
medição, e uma vertente quantitativa que se concentra em indicadores e validade de medição e que procura
modelar erros de medição e evitar erros sistemáticos.
Ambas as literaturas são extremamente influentes em suas respectivas culturas, mas
a comunicação entre os dois é relativamente rara (embora veja Adcock e Collier 2001;
Goertz 2006).
Conclusão
Comparando diferenças na pesquisa qualitativa e quantitativa na política contemporânea

a ciência implica atravessar terreno sensível. Estudiosos associados a qualquer uma das tradições tendem
reagir defensivamente e de forma exagerada a críticas ou descaracterizações percebidas de suas suposições,
objetivos e práticas. As possibilidades de mal-entendidos
são múltiplos.
A má compreensão é reforçada pelo facto de os rótulos “quantitativo” e “qualitativo” não conseguirem
captar as diferenças reais entre as tradições. Quantitativo
a análise envolve inerentemente o uso de números, mas todas as análises estatísticas também dependem
fortemente em palavras para interpretação. Os estudos qualitativos empregam com bastante frequência
dados; muitas técnicas qualitativas, na verdade, requerem informações quantitativas. Embora nós
não temos ilusões sobre mudar a terminologia predominante, acreditamos que melhores rótulos para
descrever os dois tipos de pesquisa aqui analisados seria estatística versus lógica, efeito
Univer
pan.ox
Feder
2011
Transf
Flumi
març
estimativa versus explicação de resultados, ou abordagens orientadas para a população versus abordagens
orientadas para casos.
em
Este artigo não pretende aconselhar os pesquisadores sobre como devem realizar o trabalho dentro de sua
de
31
tradição. Também não é um esforço para criticar as práticas de investigação – dentro dos pressupostos de cada
tradição, as práticas de investigação que descrevemos fazem sentido. Esperamos, portanto, que os estudiosos
na
leiam este artigo com o objetivo de aprender mais sobre como o “outro lado” pensa sobre a pesquisa. Esperamos
de
especialmente que os estudiosos não leiam o artigo com o objectivo de observar como os pressupostos do outro
lado são profundamente falhos dentro da sua própria cultura. Dados os diferentes pressupostos e objectivos de
investigação subjacentes às duas tradições, segue-se necessariamente que o que é um bom conselho e uma boa
prática na investigação estatística pode ser um mau conselho e uma má prática na investigação qualitativa e vice-
versa. Neste quadro, não é útil condenar as práticas de investigação sem ter em consideração os objectivos básicos
da investigação.
Os mal-entendidos entre as duas tradições não são inevitáveis. Na medida em que os estudiosos estejam
familiarizados com a linguagem da outra tradição e interessados em explorar um diálogo pacífico e respeitoso, eles
poderão comunicar-se uns com os outros de forma produtiva. Esperamos que a nossa lista de diferenças entre as
duas tradições possa contribuir para este tipo de comunicação produtiva.
Referências
Achen, Christopher H. 2005a. Vamos colocar as regressões e os probits da lata de lixo onde eles pertencem.
Gestão de Conflitos e Ciência da Paz 22:327–39. ———.
2005b. Dois vivas para Charles Ragin. Estudos em Desenvolvimento Internacional Comparado 40:
27–32.
Achen, Christopher H. e Duncan Snidal. 1989. Teoria da dissuasão racional e estudos de caso comparativos.
Política Mundial 41:143–69.
Adcock, Robert e David Collier. 2001. Validade de medição: um padrão compartilhado para qualidade e quan
pesquisa titativa. Revisão de Ciência Política Americana 95:529–46.
Angrist, Joshua D e Guido W. Imbens. 1995. Estimativa de mínimos quadrados em dois estágios dos efeitos causais médios
em modelos com intensidade de tratamento variável. Jornal da Associação Estatística Americana 90: 431–42.
Angrist, Joshua D., Guido W. Imbens e Donald Rubin. 1996. Identificação de efeitos causais usando instru
variáveis mentais. Jornal da Associação Estatística Americana 91:444–55.
ARON, Raimundo. 1986 (1938). Introdução à filosofia da história: ensaio sobre os limites da objetividade
histórico. 2ª edição. Paris: Gallimard.
Ayer, Alfred Jules. 1946. Linguagem, verdade e lógica. Nova York: Dover.
Beck, Natanael. 2006. A observação do processo causal é um oxímoro? Análise Política 10.1093/pan/mpj015.
Bollen, Kenneth A. 1980. Questões na medição comparativa da democracia política. Sociológico Americano
Revisão 45:370–90.
———. 1993. Democracia liberal: Fatores de validade e método em medidas transnacionais. Jornal Americano de
Ciência Política 37:1207–30.
Bollen, Kenneth A. e Robert W. Jackman. 1985. Diagnóstico de regressão: Um tratamento expositivo de outliers e casos
influentes. Métodos Sociológicos e Pesquisa 13:510–42.
Bollen, Kenneth A. e Pamela Paxton. 1998. Detecção e determinantes de viés em medidas subjetivas.
Revisão Sociológica Americana 63:465–78.
Bowman, Kirk, Fabrice Lehoucq e James Mahoney. 2005. Medindo a democracia política: experiência em casos, adequação de
dados e América Central. Estudos Políticos Comparativos 38:939–70.
Brady, HE 2004a. Observações do conjunto de dados versus observações do processo causal: As eleições presidenciais dos
EUA em 2000. Em Repensando a investigação social: ferramentas diversas, padrões compartilhados, ed. SE Brady e D. Collier.
Lanham, MD: Rowman e Littlefield.
———. 2004b. Fazer o bem e fazer melhor: até onde nos leva o modelo quantitativo? Em Repensando a investigação social:
ferramentas diversas, padrões compartilhados, ed. SE Brady e D. Collier. Lanham, MD: Rowman e Littlefield.
Univer
pan.ox
Feder
2011
Transf
Flumi
març
Brady, HE e David Collier, eds. 2004. Repensando a investigação social: ferramentas diversas, padrões compartilhados. Lanham,
MD: Rowman e Littlefield.
em
Brady, HE e Jason Seawright. 2004. Enquadrando a investigação social: dos modelos de causalidade à inferência causal com base
de
estatística. Artigo apresentado nas reuniões anuais da American Political Science Association.
31
Brambor, T., W. Clark e M. Golder. 2006. Compreendendo modelos de interação: Melhorando as análises empíricas.
Análise Política 14:63–82.
na
de
Braumoeller, Bear F. 2003. Complexidade causal e o estudo da política. Análise Política 11:209–33.
———. 2004. Teste de hipóteses e termos de interação multiplicativa. Organização Internacional 58:807–20.
———. 2006. Explicando a variância: Explorando o segundo momento negligenciado. Análise Política 10.1093/pan/
mpj009.
Braumoeller, Bear F. e Gary Goertz. 2000. A metodologia das condições necessárias. Jornal Americano de
Ciência Política 44:844–58.
Brooks, Stephen G. e William C. Wohlforth. 2000. Poder, globalização e o fim da Guerra Fria: Reavaliando um caso marcante para
ideias. Segurança Internacional 25:5–53.
———. 2002. Do pensamento antigo ao novo pensamento na pesquisa qualitativa. Segurança Internacional 26:93–111.
Clark, WR, MJ Gilligan e M. Golder. 2006. Um teste multivariado simples para hipóteses assimétricas.
Análise Política 10.1093/pan/mpj018.
Clarke, Kevin A. 2005. A ameaça fantasma: Viés variável omitido na pesquisa econométrica. Homem de conflito
Gestão e Ciência da Paz 22:341–52.
Collier, David. 1993. O método comparativo. Em Ciência Política: O estado da disciplina II, ed. A. Finifter.
Washington, DC: Associação Americana de Ciência Política.
Collier, David e Steven Levitsky. 1997. Democracia com adjetivos: inovação conceitual em comparação
pesquisar. Política Mundial 49:430–51.
Collier, David e James E. Mahon, Jr. 1993. Alongamento conceitual revisitado: Adaptando categorias em comparação
análise ativa. Revisão de Ciência Política Americana 87:845–55.
Collier, David, James Mahoney e Jason Seawright. 2004. Reivindicando demais: Advertências sobre viés de seleção.
Em Repensando a investigação social: ferramentas diversas, padrões compartilhados, ed. SE Brady e D. Collier. Lanham, MD:
Rowman e Littlefield.
Coppedge, Michael. 1999. Espessando conceitos e teorias sutis: Combinando N grande e pequeno em comparação
política. Política Comparada 31:465–76.
Dawid, P. 2000. Inferência causal sem contrafactuais (com discussão). Jornal da Estatística Americana
Associação 95:407–50.
DION, Douglas. 1998. Evidência e inferência no estudo de caso comparativo. Política Comparada 30:127–45.
Dre`ze, Jean e Amartya Sen. 1989. Fome e ação pública. Oxford: Clarendon Press.
Elman, Colin. 2005. Tipologias explicativas em estudos qualitativos de política internacional. Organização Internacional
nização 59:293–326.
Elster, J. 1999. Alquimias da mente: racionalidade e emoções. Cambridge: Cambridge University Press.
Inglês, Robert D. 2002. Poder, ideias e novas evidências sobre o fim da Guerra Fria: Uma resposta a Brooks e
Wohlforth. Segurança Internacional 26:70–92.
Esping-Andersen, Gosta. 1990. Os três mundos do capitalismo de bem-estar. Cambridge: Política Press.
Fearon, James D. 1996. Causas e contrafactuais nas ciências sociais: Explorando uma analogia entre autômatos celulares e
processos históricos. Em Experimentos de pensamento contrafactual na política mundial, ed. P. Tetlock e A. Belkin. Princeton,
NJ: Princeton University Press.
Freedman, David A. 1991. Modelos estatísticos e couro para calçados. Em Metodologia sociológica, ed. P. Marsden.
São Francisco: Jossey-Bass.
Gallie, W. 1955. Explicações na história e nas ciências genéticas. Mente 64:160–80.
GEDDES, Bárbara. 1991. Como os casos que você escolhe afetam as respostas obtidas: Viés de seleção na política comparada.
Em Análise Política, ed. J. Stimson. Vol. 2. Ann Arbor: Imprensa da Universidade de Michigan.
George, Alexander L. e Andrew Bennett. 2005. Estudos de caso e desenvolvimento de teoria nas ciências sociais.
Cambridge, MA: MIT Press.
GERING, John. 2001. Metodologia das ciências sociais: uma estrutura criteriosa. Cambridge: Cambridge University Press.
GOERTZ, Gary. 2006. Conceitos de ciências sociais: um guia do usuário. Princeton, NJ: Princeton University Press.
Goertz, Gary e James Mahoney. 2005. Teorias de dois níveis e análise de conjuntos difusos. Métodos Sociológicos e
Pesquisa 33:497–538.
Goertz, Gary e Harvey Starr, editores. 2003. Condições necessárias: Teoria, metodologia e aplicações.
Lanham, MD: Rowman e Littlefield.
Goldstone, JA 1997. Questões metodológicas em macrossociologia comparativa. Pesquisa Social Comparada
16:121–32.
Univer
pan.ox
Feder
2011
Transf
Flumi
març
———. 2003. Análise histórica comparativa e acumulação de conhecimento no estudo das revoluções. Dentro Análise histórica
comparativa nas ciências sociais, ed. J. Mahoney e D. Rueschemeyer. Cambridge: Cambridge University Press.
em
de
Goldstone, JA, TR Gurr, B. Harff, MA Levy, MG Marshall, RH Bates, DL Epstein, CH Kahl, PT
31
Surko, JC Ulfelder e AN Unger. 2000. Relatório de tarefa de falha estatal: conclusões da Fase III. McLean, VA: Corporação
Internacional de Aplicações Científicas.
na
Goldthorpe, J. 1997. Questões atuais em macrossociologia comparativa: Um debate sobre questões metodológicas.
de
Pesquisa Social Comparada 16:1–26.
Goodwin, J. e Theda Skocpol. 1989. Explicando as revoluções no Terceiro Mundo contemporâneo. Política e
Sociedade 17:489–509.
Hall, Peter A. 2003. Alinhando ontologia e metodologia em pesquisa comparativa. Dentro Análise histórica comparativa nas ciências
sociais, ed. J. Mahoney e D. Rueschemeyer. Cambridge: Cambridge University Press.
Harvey, Frank P. 2003. Praticando coerção: Revisitando sucessos e fracassos usando lógica booleana e métodos comparativos. Em
Condições necessárias: Teoria, metodologia e aplicações, ed. G. Goertz e H. Starr.
Nova York: Rowman e Littlefield.
Heckman, James J. 1976. A estrutura comum de modelos estatísticos de truncamento, seleção de amostra e variáveis dependentes
limitadas e um estimador simples para tais modelos. Anais de Medição Econômica e Social 5:475–92.
Hicks, Alexander M., Joya Misra e TN Ng. 1995. A emergência programática do Estado de segurança social.
Revisão Sociológica Americana 60:329–50.
Holanda, Paul W. 1986a. Estatística e inferência causal. Jornal da Associação Estatística Americana 81:
945–60.
———. 1986b. Estatística e inferência causal: Tréplica. Jornal da Associação Estatística Americana
81:968–70.
Honoré, Tony e Herbert Lionel Adolphus Hart. 1985. Causalidade na lei. 2ª edição. Oxford: Universidade de Oxford
imprensa da cidade.
King, Gary, Robert O. Keohane e Sidney Verba. 1994. Projetando investigação social: inferência científica em
pesquisa qualitativa. Princeton, NJ: Princeton University Press.
King, Gary e Langche Zeng. 2001. Regressão logística em dados de eventos raros. Análise Política 9:137–63.
Lieberman, Evan S. 2005. Análise aninhada como estratégia de método misto para pesquisa comparativa. americano
Revisão de Ciência Política 99:435–52.
Lieberson, Stanley. 1985. Fazendo valer: A melhoria da pesquisa e da teoria social. Berkeley: Universidade
da Califórnia Press.
———. 1991. Pequenos Ns e grandes conclusões: Um exame do raciocínio em estudos comparativos com base em um pequeno
número de casos. Forças Sociais 70:307–20.
———. 1994. Mais sobre o difícil caso do uso de métodos do tipo Mill em estudos comparativos de N pequeno. Social
Forças 72:1225–37.
Luebbert, Gregory M. 1991. Liberalismo, fascismo ou social-democracia: classes sociais e as origens políticas da
regimes na Europa entre guerras. Nova York: Oxford University Press.
Mackie, John Leslie. 1980. O cimento do universo: Um estudo de causalidade. Oxford: Imprensa da Universidade de Oxford.
Mahoney, James. 2000. Estratégias de inferência causal em pesquisas com pequenos N. Métodos Sociológicos e Pesquisa
28:387–424.
———. 2004. Metodologia histórico-comparativa. Revisão Anual de Sociologia 30:81–101.
Mahoney, James e Gary Goertz. 2004. O princípio da possibilidade: Escolhendo casos negativos em comparativos
pesquisar. Revisão de Ciência Política Americana 98:653–69.
McKeown, Timothy J. 1999. Estudos de caso e visão de mundo estatística: Revisão de King, Keohane e Verba's
Projetando Investigação Social. Organização Internacional 53:161–90.
Moore, Barrington 1966. As origens sociais da ditadura e da democracia: Senhor e camponês na construção de
o mundo moderno. Boston: Beacon Press.
Munck, Gerardo L. e Jay Verkuilen. 2002. Conceituando e medindo a democracia: avaliando alternativas
índices. 35:5–34.
NAGEL, Ernesto. 1961. A estrutura da ciência: Problemas na lógica da explicação científica. Nova Iorque:
Harcourt, Brace e Mundo.
Przeworski, Adam e Henry Teune. 1970. A lógica da investigação social comparativa. Nova York: John Wiley e
Filhos.
Ragin, Charles C. 1987. O método comparativo: indo além das estratégias qualitativas e quantitativas.
Berkeley: University of California Press.
Univer
pan.ox
Feder
2011
Transf
Flumi
març
———. 2000. Ciências sociais de conjunto difuso. Chicago: Universidade de Chicago Press.
———. 2004. Virando a mesa: como a pesquisa orientada a casos desafia a pesquisa orientada a variáveis. Em Repensando a
em
investigação social: ferramentas diversas, padrões compartilhados, ed. SE Brady e D. Collier. Lanham, MD: Rowman e Littlefield.
de
31
Ray, James Lee. 2005. Construindo análises multivariadas (de díades perigosas). Gestão de Conflitos e
Ciência da Paz 22:277–92.
na
SARTORI, Giovanni. 1970. Desformação de conceito em política comparada. Revisão de Ciência Política Americana
de
64:1033–53.
Schrodt, Philip A. 2006. Além da ortodoxia frequentista linear. Análise Política 10.1093/pan/mpj013.
Seawright, Jason. 2002. Testes de causalidade necessária e/ou suficiente: Quais casos são relevantes? (com
discussão) Análise Política 10:178–93.
———. 2005. Análise comparativa qualitativa em relação à regressão. Estudos em Comparação Internacional
Desenvolvimento 40:3–26.
Shively, W. Phillips. 2006. Seleção de caso: Insights from Rethinking Social Inquiry. Análise Política 10.1093/
pan/mpj007.
Skocpol, Theda. 1979. Estados e revoluções sociais: uma análise comparativa da França, Rússia e China.
Cambridge: Cambridge University Press.
Sobel, Michael E. 2000. Inferência causal nas ciências sociais. Jornal da Associação Estatística Americana
95:647–51.
Stokes, Susan C. 2001. Mandatos e democracia: Neoliberalismo de surpresa na América Latina. Cambridge:
Cambridge University Press.
Van Evera, Stephen. 1997. Guia de métodos para estudantes de ciências políticas. Ithaca, Nova York: Universidade Cornell
Imprensa.
Vaughan, Diane. 1986. A decisão de lançamento do Challenger. Chicago: Universidade de Chicago Press.
Waldner, David. 1999. Construção do Estado e desenvolvimento tardio. Ithaca, NY: Cornell University Press.
Weber, Máx. 1949. Possibilidade objetiva e causalidade adequada na explicação histórica. A metodologia de
as ciências sociais. Nova York: Imprensa Livre.
Ocidental, Bruce. 2001. Pensamento bayesiano sobre macrossociologia. American Journal of Sociology 107:352–78.

A Tale of Two Cultures Contrasting Quantitative and

Enviado por

Direitos autorais:

Formatos disponíveis

A Tale of Two Cultures Contrasting Quantitative and

Enviado por

Dados do documento

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

A Tale of Two Cultures Contrasting Quantitative and

Enviado por

Direitos autorais:

Formatos disponíveis

Machine Translated by Google

Tabela 1 Contrastando pesquisas qualitativas e quantitativas

Seção Critério Qualitativo Quantitativo

Um objetivo central da pesquisa qualitativa é a explicação dos resultados em casos individuais.

ou não científica (Vaughan 1986).

baseada em o experimento randomizado (ver também Kempthorne 1952 e Cox 1958).''

resultados e a abordagem de efeitos de causas, em que o objetivo da pesquisa é estimar os efeitos

Efeito causal 5 anos eu

Efeito causal médio 5 lT lC; T—tratamento; C-controle: ð2Þ

modele os efeitos causais como aparecendo na variância e não na média. No qualitativo

Em todas as pesquisas causais, o desejo de explicar leva a um enfoque multivariado. Em qualitativo

Y 5ðA * B * cÞþðA * C * D * EÞ; ð3Þ

Y 5 b0 þ b1X1 þ b2X2 þ b3X3 þþ b12X1 * X2 + e: ð4Þ

5 Escopo e Generalização Causal

Como vimos na secção anterior, a generalização causal na investigação qualitativa assume

6 Práticas de Seleção de Casos

Tabela 2 Seleção de casos

8 casos substantivamente importantes

A preocupação qualitativa com casos importantes é intrigante para um estudioso quantitativo.

Comparando diferenças na pesquisa qualitativa e quantitativa na política contemporânea

Você também pode gostar