« Los métodos científicos fundamentales » : différence entre les versions

De Baripedia
Aucun résumé des modifications
 
(17 versions intermédiaires par le même utilisateur non affichées)
Ligne 7 : Ligne 7 :
  | assistants =   
  | assistants =   
  | enregistrement =  
  | enregistrement =  
  | cours = [[Introduction aux méthodes de la science-politique]]
  | cours = [[Introducción a los métodos de la ciencia política]]
  | lectures =
  | lectures =
* [[Cours introductif aux méthodes de la science-politique]]
* [[Curso de introducción a los métodos de la ciencia-política]]
* [[Le paradigme positiviste et le paradigme interprétatif]]
* [[El paradigma positivista y el paradigma interpretativo]]
* [[Les méthodes scientifiques fondamentales]]
* [[Los métodos científicos fundamentales]]
* [[De la théorie aux données]]
* [[De la teoría a los datos]]
* [[Le recueil des données]]
* [[Recolección de datos]]
* [[Le traitement des données]]
* [[Procesamiento de datos]]
}}
}}


Ligne 20 : Ligne 20 :
| en = Fundamental scientific methods
| en = Fundamental scientific methods
| fr = Les méthodes scientifiques fondamentales
| fr = Les méthodes scientifiques fondamentales
| it = Metodi scientifici di base
}}
}}


Ligne 48 : Ligne 49 :
{{Article détaillé|L’inférence causale}}
{{Article détaillé|L’inférence causale}}


== Déterminant de la relation causale ==
== Determinante de la relación causal ==
Dans la démarche scientifique en sciences sociales, on cherche à déterminer les relations causales.
En el enfoque científico de las ciencias sociales, el objetivo es determinar las relaciones causales.
   
   
===« Si C (cause), alors E (effet) »===
==="Si C (causa), entonces E (efecto)"===
C'est insuffisant ! La relation entre C et E peut valoir parfois ou toujours.
No es suficiente! La relación entre C y E puede a veces o siempre valer la pena. Ejemplo - Necesitamos ser un poco más específicos. Si decimos que si hay un alto nivel de educación, podemos decir que hay un mayor nivel de participación. Se argumenta que si hay C entonces hay E, no hay univocidad de la relación mientras que la relación de causa y efecto debe ser inequívoca.
Exemple - Il faut être un peu plus précis. Si on dit que s’il y a un niveau d’éducation élevé on peut dire qu’il y a un niveau de participation plus élevé.
On affirme que s’il y a C alors il y a E, il n’y a pas univocité de la relation alors que la relation cause à effet doit être univoque.
   
   
===« Si C, alors (et seulement alors) toujours E »===
==="Si C, entonces (y sólo entonces) siempre E"===
Dans ce cas il y a les quatre caractéristiques de lien de cause à effet :
En este caso están las cuatro características de la relación causa-efecto:
*'''Conditionnalité''' : effet sous condition qu'il y ait la cause.
*'''Condicionalidad''': efecto a condición de que exista una causa.
*'''Succession''' : d'abord la cause ensuite l'effet.
*'''Sucesión''': primero la causa, luego el efecto.
*'''Constance''' : « toujours » chaque fois que la cause est présente on observe aussi l'effet.
*'''Consistencia''': "Siempre que la causa está presente, también se observa el efecto.
*'''Univocité''' : le lien est unique.
*'''Univocidad''': el vínculo es único.
On introduit des éléments importants pour définir ce qu’est une cause. - approche encore insuffisant !
Se introducen elementos importantes para definir qué es una causa. - enfoque todavía no es suficiente! Ejemplo: si el nivel de educación es alto, entonces y sólo entonces siempre hay una mayor participación.
Exemple : si le niveau éducation est élevé, alors et seulement alors on observe toujours une participation plus élevée.
 
Sin embargo, según algunos, en la epistemología de la ciencia, falta el elemento que consiste en decir que debe haber un vínculo genético, un vínculo en la producción del efecto debido a la causa.
 
=== "Si C, entonces (y sólo entonces) E siempre producido por C" ===
VERDADERO: Un efecto dado no sólo debe estar correlacionado con una causa, sino que el efecto debe ser producido y generado por esa causa. La distinción es más filosófica que sustancial.
 
== Definición de lo que es una causa ==
*<math>E</math> es generado por <math>C</math>, por lo que no basta con observar una covarianza entre una causa y un efecto, sino que también es necesario, para hablar de causa, que el efecto sea generado por la causa.
*La causa debe producir el efecto. (por ejemplo, si tienes un alto nivel de educación, esto genera participación en la política).
   
   
Cependant, selon certains, dans l’épistémologie des sciences, il manque l’élément qui consiste à dire qu’il doit y avoir un lien génétique, un lien de production de l’effet dû à la cause.
Básicamente, en el contexto del pensamiento causal, pertenece sólo al nivel teórico. Cuando hablamos de causa, estamos en un nivel puramente teórico y no empírico. Por lo tanto, nunca se puede decir que empíricamente, una variación de <math>C</math> produce una variación de <math>E</math>.
 
Nunca lograremos establecer relaciones de causa y efecto a nivel teórico, sólo podemos hacerlo a nivel empírico.
 
Si observamos empíricamente, sobre la base de los datos, que una variación de <math>C</math>y seguido regularmente por una variación de <math>E</math>, podemos decir que hay un elemento de corroboración empírica de una hipótesis causal. Hay que distinguir entre el nivel teórico y el nivel causal, que es el nivel empírico al que sólo se puede llegar mediante el estudio de las covariaciones.


=== « Si C, alors (et seulement alors) E toujours produit par C » ===
En otras palabras, si observamos que una variación de <math>C</math> y seguido regularmente por una variación de <math>E</math>, hay un elemento de corroboración, pero cualquier otra causa posible debe ser eliminada. Empíricamente, la tarea es decir que queremos encontrar una covariable, pero dado que hay multi-causalidad, ¿cómo podemos asegurarnos de que esta covariable realmente existe y afirmar que tenemos un elemento de corroboración empírica de la suposición de la relación causa-efecto?
VRAI. Il faut qu’un effet donné ne soit pas seulement corrélé avec une cause, mais l’effet doit être produit et généré par cette cause. La distinction est plus philosophique que substantielle.


== Définition de ce qu’est une cause ==
== Corrosión empírica de una relación causal ==
*<math>E</math> est généré par <math>C</math>, donc il ne suffit pas d'observer une covariation entre une cause et un effet, mais il faut aussi, pour parler de cause, que l'effet soit généré par la cause.
Si observamos empíricamente que una variación de <math>X</math> es seguido regularmente por una variación de <math>Y</math> manteniendo a todos los demás constantes <math>X</math> (otras causas y factores explicativos) hay un fuerte elemento de corroboración científica de la hipótesis de que <math>X</math> es la causa de <math>Y</math>.
*Il faut que la cause produise l'effet. (ex- si on a un niveau d'éducation élevé, ceci génère la participation en politique).
   
   
Au fond, dans le cadre de la pensée causale, elle appartient uniquement au niveau théorique. Lorsqu’on parle de cause, on est au niveau purement théorique et non empirique. Dès lors, on ne peut jamais dire que sur le plan empirique, une variation de <math>C</math> produit une variation de <math>E</math>.
En la investigación empírica, nunca podríamos hablar de causa y efecto; debemos tener en cuenta que la relación causa-efecto permanece en la esfera de la teoría, empíricamente sólo podemos acercarnos bajo ciertas condiciones, encontrando la covarianza mientras mantenemos constantes los otros factores.
#covarianza entre variables dependientes (depende) e independientes (causa, no depende de nada más): ambas deben variar.
#dirección causal: es necesario dar una dirección a la causalidad, el problema de la endogeneidad.
#Imposibilidad lógica: si se tiene una teoría de la clase social que influye en la orientación política, es obvio que es la clase la que determina. La causalidad no puede ser revertida.
   
   
On ne peut jamais réussir à établir des liens de cause à effet sur le plan théorique, on peut le faire uniquement sur le plan empirique.
Hay que recordar que en las ciencias sociales queremos avanzar hacia una idea de explicación causal. Sin embargo, esto nunca puede hacerse, porque en el nivel epistemológico la idea de causa y efecto está en el nivel teórico. A nivel empírico, sólo podemos hablar de "variación", pero bajo ciertas condiciones podemos corroborar, es decir, verificar empíricamente una relación causal.
 
Si on observe empiriquement, sur la base de données, qu’une variation de <math>C</math> et régulièrement suivit par une variation de <math>E</math>, on peut dire qu’il y a un élément de corroboration empirique d’une hypothèse causale. Il faut faire une distinction entre le niveau théorique et le niveau de causalité qui est le niveau empirique qui ne peut être celui que de se rapprocher par l’étude des covariations.
= Corrosión empírica de una relación causal =
Hay tres condiciones que deben cumplirse para verificar empíricamente una relación causal.
En d’autres termes, si on observe qu’une variation de <math>C</math> et régulièrement suivie d’une variation de <math>E</math>, il y a un élément de corroboration, mais il faut encore qu’on élimine toute autre cause possible. Sur le plan empirique, la tâche est celle de dire qu’on désire trouver une covariation, mais comme il y a multicausalité, comment pouvons-nous faire en sorte d’être sûr que cette covariation existe vraiment et affirmer que nous avons un élément de corroboration empirique du postulat du lien de cause à effet ?
 
== Covariable entre variables independientes y dependientes ==
*variación de la variable independiente: ésta es la causa (<math>X</math>) ej: educación
*variación de la variable dependiente: depende de <math>X</math>, es el efecto; por ejemplo, la participación - ¡lo que se supone que se debe explicar debe variar! También la variable independiente!
A lo sumo, la relación causal teórica puede ser corroborada empíricamente.
 
== Dirección causal ==
"No puedo decir si esta es la <math>X</math> que determina el <math>Y</math> ou a lo contrario". Hay tres maneras de determinar la dirección de la causa y de acercarse al ideal teórico para definir una relación de causa y efecto.
*manipulación de la variable independiente: análisis experimental, estos son diferentes métodos científicos fundamentales.
*sucesión temporal: hay algunas variables que lógicamente preceden a otras variables. Por ejemplo, la socialización primaria precede (influye) en el comportamiento electoral de una persona de 30 años. (el problema de la endogeneidad se resuelve en este caso). En algunos casos hay sucesiones evidentes. A nivel empírico, esto es importante para determinar una dirección hacia la causalidad.
*imposibilidad lógica: la clase social no determina la orientación política. Hay algunos factores que no pueden depender de otros factores. Existen imposibilidades lógicas que permiten establecer la relación causa-efecto.
 
== Control de variables ajenas ==
Empíricamente, se podría decir que el nivel de participación política varía en función de varias variables. Este es el objetivo de controlar las variables extranjeras. Se puede decir que el 90% de lo que hacemos en la investigación en ciencias sociales es para asegurarnos de que podemos controlar el efecto de los factores explicativos que no nos interesan. Elemento determinante: control de las otras variables.
*aplicación de la regla "ceteris paribus": la relación causa-efecto puede determinarse sabiendo que el resto no está involucrado, siendo todas las demás cosas iguales. Existe una relación entre un fenómeno dado y otro fenómeno, en igualdad de condiciones, es decir, que debemos garantizar que todos los demás factores puedan ser controlados o, en otras palabras, que sean constantes.
*depende de la lógica del diseño de la investigación: es mi manera de controlar el papel de otras causas potenciales que dependen del diseño del modelo de investigación. Depende de la lógica del diseño de la investigación; diseño de la investigación observacional. La manera de sortear este problema es diferente dependiendo del modelo de investigación. El objetivo es controlar el efecto de otras causas potenciales cuyo efecto queremos mostrar.
 
= Relación causal falsa =
 
== Definición ==
Relación causal falsa (espiritista): es una relación causal aparente, pero inexistente, pensábamos que habíamos encontrado una relación causal, pero finalmente no hubo relaciones causales, sino sólo una covariable. Es una covariable entre dos variables (<math>X</math> ; <math>Y</math>) que no resulte de una relación causal entre <math>X</math> y <math>Y</math>, pero depende del hecho de que <math>X</math> y <math>Y</math> están influenciados por una tercera variable <math>Z</math>. La variación de <math>Z</math> produce la variación simultánea de <math>X</math> y <math>Y</math>
 
sin que exista una relación causal entre los dos.
 
Siempre existe el peligro de que una relación observada no sea indicativa de una relación causal.[[Fichier:Relation causale fallacieuse (spirious).png|700px|vignette|centré|Suponemos que existe una relación causal entre <math>X</math> y <math>Y</math>, pero eso no es verdad. La relación entre X e Y es engañosa. Sólo hay una covariable, hay que introducir variables de control.]]
 
== Ejemplo de una relación causal falsa ==
 
=== Ejemplo 1 ===
La intención de voto está influenciada por varios factores (edad, género, educación, clase social, orientación política de la familia, etc.).
 
Podemos encontrar un vínculo entre la educación (<math>X</math>) y votar (<math>Y</math>), pero al final es de clase social (<math>Z</math>)
 
que determina a ambos. Por lo tanto, deben introducirse variables de control! De lo contrario, sólo puede ser una covariable sin relación causal.
 
Uso de la televisión por dos candidatos (<math>X</math>)
 
en las elecciones presidenciales para comunicar su programa.
 
Queremos explicar el voto (<math>Y</math>),pero el voto está influenciado por varios factores que juegan un papel como la educación, pero es la clase social la que genera una multi-causalidad. La idea es ver el efecto de la exposición a la campaña de televisión en los votantes. Por lo tanto, existe una relación muy fuerte entre <math>X</math> y <math>Y</math>. ¿Podemos confiar en la covarianza entre <math>X</math> y <math>Y</math> ?
 
Votantes que siguieron la campaña por televisión (<math>X</math>) votó en mayor número por uno de los dos candidatos (<math>Y</math>). Se podría decir que la exposición a la campaña produce el voto, pero hay que tener en cuenta que: los votantes mayores (<math>Z</math>)
 
ver la televisión más a menudo, por lo que la edad influye en la votación (viejo a la derecha, joven a la izquierda).
 
La edad (Z) influye tanto en la exposición a la campaña como en la televisión (<math>X</math>), los mayores se quedan en casa y ven la televisión, y votan por uno de los dos candidatos (<math>Y</math>).
 
Por lo tanto, la covarianza entre <math>X</math> y <math>Y</math> no se verifica, porque la variable <math>Z</math>influye en las otras dos variables al mismo tiempo. Para ello, se debe introducir una variable de control.
 
Examinaremos los factores que explican de manera plausible lo que queremos explicar.
 
=== Ejemplo 2 ===
Por ejemplo, si nos interesa el número de frigoríficos y el nivel de democracia, es irrelevante reivindicar un vínculo entre ambos. Sin embargo, podría explicarse que una tercera variable, que sería el grado de urbanización, genera democracia según ciertas teorías y al mismo tiempo aumenta el número de refrigeradores. Por lo tanto, la covariable no es una relación causa-efecto, porque hay una tercera variable que influye en ambas y es una relación causa-efecto.
 
=== Ejemplo 3 ===
Si la participación política (<math>Y</math>) se explica por el compromiso asociativo (<math>X</math>) se podría pensar que esta relación es falaz por el hecho de que hay otra variable que influye tanto en la participación como en el compromiso asociativo. Esta variable (<math>Z</math>) podría ser la participación política. Una vez más, existe una relación engañosa; sería un error concluir a partir de la mera observación de esta relación que existe una relación causal entre <math>X</math> y <math>Y</math> porque no controlamos el efecto de otra variable.


== Corroboration empirique d’une relation causale ==
= Dos maneras de controlar empíricamente una afirmación causal =
Si on observe empiriquement qu'une variation de <math>X</math> est régulièrement suivie d'une variation de <math>Y</math> en gardant constante tous les autres <math>X</math> possibles (autres causes et facteurs explicatifs) on a un élément fort de corroboration scientifique de l'hypothèse que <math>X</math> soit la cause de <math>Y</math>.
En el caso de problemas relacionados con relaciones causales engañosas (multicausalidad y endogeneidad), hay dos maneras de controlar empíricamente la alegación causal.
Dans la recherche empirique, on ne pourrait jamais parler de cause à effet ; il faut garder en tête que la relation cause à effet reste dans la sphère de la théorie, empiriquement on ne peut que se rapprocher sous certaines conditions, constatation de covariation en gardant constant les autres facteurs.
#covariation entre variable dépendante (elle dépend) et indépendante (cause, elle ne dépend pas d'une autre chose) : les deux doivent varier.
#direction causale : il faut donner une direction à la causalité, problème de l'endogénéité.
#l'impossibilité logique : si on a une théorie de la classe sociale qui influence l'orientation politique, il est évident que c'est la classe qui détermine. La causalité ne peut pas être inversée.
Il faut retenir qu’en sciences sociales on veut aller vers une idée d’explication causale. Cependant, on ne peut jamais le faire, car sur le plan épistémologique l’idée de cause à effet se situe au niveau théorique. Au niveau empirique, on ne peut parler que de « variation », cependant sous certaines conditions on peut corroborer, c’est-à-dire vérifier empiriquement une relation causale.


= Corroboration empirique d’une relation causale =
== Análisis de covarianza (datos de observación) ==
Il y a trois conditions à respecter afin de vérifier empiriquement une relation causale.
*'''control''': transformación de variables ajenas (<math>Z</math>) en constantes, por lo que no tiene efectos, porque no hay covarianza, no cambia. Debemos tener en cuenta las posibilidades de relaciones engañosas (por ejemplo, buscamos entre todos los que van a la universidad en la clase social más alta, y luego analizamos su voto; por lo tanto, la clase no jugará un papel en el análisis). Este control se puede hacer manualmente.
*'''depuración''': control estadístico. Hacemos un modelo estadístico, introducimos que la variable <math>X</math>, nos interesa, introducimos variables con una relación fuerte, luego introducimos las otras variables de control, y si todavía encontramos un efecto entre <math>X</math> y <math>Y</math>, significa que la relación no era engañosa. Esto es hecho por una computadora que calcula las relaciones entre todas las variables y también considera todas las relaciones de co-variación. Al final determina si hay una correlación falsa o no. El control estadístico es una forma de controlar las variables y permite probar empíricamente la relación causa-efecto.


== Covariation entre variable indépendante et variable dépendante ==
== Experimento (datos experimentales) ==
*variation de la variable indépendante : c'est la cause (<math>X</math>) ex : éducation
Es la implementación de un método experimental. En el análisis de covarianza actuamos una vez que tenemos los datos, es decir, manipulamos los datos a priori desde el diseño de la investigación, mientras que en el método experimental actuamos antes (¿cómo producimos los datos?). El método experimental se utiliza para evitar una relación engañosa, una muestra se divide en dos grupos y los individuos se seleccionan al azar. De acuerdo con la ley de los grandes números, se puede demostrar que los dos grupos son similares, por lo que la única diferencia será la variable independiente.
*variation de la variable dépendante : dépend de <math>X</math>, c'est l'effet ; par exemple la participation - ce qu'on est censé expliquer doit varier ! Aussi la variable indépendante !
On peut au maximum corroborer empiriquement la relation causale théorique.


== Direction causale ==
'''Conclusión''': es una reflexión en torno a la causalidad; se ha dicho que la cuestión de la causalidad permanece en el nivel teórico, sólo podemos intentar acercarnos a este ideal. Hay que buscar una correlación, pero hay que descartar hipótesis (contra variables), si no lo haces puedes caer en una relación causal engañosa.
« Je n’arrive pas à dire si c'est la <math>X</math> qui détermine la <math>Y</math> ou à l'inverse ». Il y a trois manières de déterminer la direction causale et de s'approcher de l'idéal théorique afin de définir une relation de cause à effet.
*manipulation de la variable indépendante : analyse expérimentale, ce sont des méthodes scientifiques fondamentales différentes.
*succession temporelle : il y a certaines variables qui précèdent logiquement d’autres variables. Par exemple, la socialisation primaire précède (influence) le comportement de vote de quelqu’un qui a 30 ans. (le problème de l’endogénéité est dans ce cas résolu). Dans certains cas il y a des successions évidentes. Au niveau empirique cela est important pour déterminer une direction à la causalité.
*impossibilité logique : la classe sociale ne détermine pas une orientation politique. Il y a certains facteurs qui ne peuvent dépendre d’autres facteurs. Il y a des impossibilités logiques qui permettent d’établir le lien de cause à effet.


== Contrôle des variables étrangères ==
'''Covariación''': puede ser cercana a una relación causal, pero es el efecto de una <math>Z</math>(variable no observada) que influye en lo que queremos explicar (dependiente) y en lo que explicaría lo que queremos explicar (independiente). Una variable influye en las otras dos variables al mismo tiempo, también existe la posibilidad de una interacción entre las variables explicativas.
Sur le plan empirique, on pourrait dire que le niveau de participation politique varie en fonction de plusieurs variables. C’est tout l’enjeu du contrôle des variables étrangères. On peut dire que 90% de ce que l’on fait dans le cadre de la recherche en science sociale consiste à faire en sorte que l’on puisse contrôler l’effet de facteurs explicatifs qui ne nous intéressent pas. Élément décisif : contrôle des autres variables.
*application de la règle « ceteris paribus » : on peut déterminer la relation cause-effet en sachant que le reste n'intervient pas, toutes choses égales par ailleurs. On constate une relation entre un phénomène donné et un autre phénomène toutes choses égales par ailleurs, c’est-à-dire qu’il faut faire en sorte qu’on puisse dire que tous les autres facteurs soient contrôlés ou, en d’autres termes, rendus constants.
*dépend de la logique du dessin de recherche : c’est ma manière de contrôler le rôle des autres causes potentielles qui dépendent du design du modèle de recherche. Dépend de la logique du dessin de recherche ; dessin de la recherche observationnelles. La manière de contourner ce problème et différent selon le modèle de recherche. L’objectif est de contrôler l’effet d’autres causes potentielles dont on veut montrer l’effet.


= Relation causale fallacieuse =
¿Cómo controlar las variables para evitar caer en una relación engañosa? Hay dos maneras:
*'''análisis de covarianza''': observamos (datos observacionales) después de tener los datos.
**'''control''': haremos una constante de una variable ajena, cuando tengamos una relación asumida entre dos variables que se hace falaz, porque hay una tercera variable, tomamos una parte de los individuos que corresponde a la segunda variable, por ejemplo, tomamos a personas de la misma edad, para la relación conductual entre la exposición a la televisión y el voto. Así que comprobamos este valor, lo hicimos constante.
*'''depuración''': es un control estadístico. Depuración para todas las variables.
**'''análisis experimental''': establecemos un diseño de investigación que evita la existencia de variables Z que puedan afectar a nuestro análisis.


== Définition ==
= Cuatro métodos científicos fundamentales según Arend Lipjhart =
Relation causale fallacieuse (spirious) : c’est une relation causale apparente, mais inexistante, on pensait avoir trouvé une relation causale, mais finalement il n'y avait pas de relations causales, mais seulement une covariation. C'est une covariation entre deux variables (<math>X</math> ; <math>Y</math>) qui ne découle pas d’un lien causal entre <math>X</math> et <math>Y</math>, mais dépend du fait que <math>X</math> et <math>Y</math> sont influencés par une troisième variable <math>Z</math>. La variation de <math>Z</math> produit la variation simultanée de <math>X</math> et <math>Y</math> sans qu'il y ait une relation causale entre le deux.
Se pueden mencionar tres o incluso cuatro métodos:
#Método experimental (diferente a los demás)
Il y a toujours le danger qu’une relation observée ne soit pas l’indice d’une relation causale.
#Método estadístico
#Método comparativo
#Estudio de caso
Estos son los tres métodos fundamentales que permiten controlar las variables también conocidas como "factores explicativos adicionales". El objetivo es probar hipótesis y descartar algunas de ellas en competencia con otras.


[[Fichier:Relation causale fallacieuse (spirious).png|700px|vignette|centré|On postule une relation de cause entre <math>X</math> et <math>Y</math>, mais cela est faux. La relation entre X et Y est fallacieuse. Il n'y a qu'une covariation, il faut introduire des variables de contrôle.]]
Los tres primeros métodos finalmente tienen el objetivo principal de buscar relaciones de causa y efecto, y buscan eliminar el ruido producido por <math>Z</math> que podrían producir una relación engañosa, tienen el mismo propósito, pero lo persiguen de una manera diferente. Las tres establecen proposiciones empíricas generales bajo el control de todas las demás variables (<math>Z</math>). Quieren acercarse a la relación teórica de causa y efecto entre un fenómeno observado y las causas potenciales, hay diferentes grados de éxito, hemos visto que el método experimental y el que está más cerca de él, sobre los diferentes factores explicativos. La idea es llegar a una corroboración empírica de las declaraciones causales.


== Exemple de relation causale fallacieuse ==
== Método experimental ==


=== Exemple 1 ===
=== Principios ===
L’intention de vote est influencée par plusieurs facteurs (âge, genre, éducation, classe sociale, orientation politique de la famille, etc.).
*'''Asignación aleatoria''': seleccionados al azar, todos los individuos tienen la misma probabilidad de estar en el grupo experimental o en el grupo de control de sujetos (en los grupos de control experimental y no experimental). Esta idea nació del principio de la ley de los grandes números: se supone que la variable aleatoria excluye cualquier otra explicación.
*'''Manipulación de la variable independiente''' (tratamiento), ¿cómo son los grupos iguales? el investigador, en algún momento, introduce una entrada en uno de los dos grupos.
   
   
On peut trouver un lien entre éducation (<math>X</math>) et vote (<math>Y</math>), mais finalement c'est la classe sociale (<math>Z</math>) qui détermine les deux. Dès lors faut introduire des variables de contrôle !! Sinon cela peut être qu'une covariation n’ayant pas de lien de causalité.
Separamos dos grupos para que los dos grupos sean iguales en todas las dimensiones excepto en una, que es sobre la que queremos probar el efecto. Seleccionar a una persona y asignarla al azar hace que los dos grupos sean similares. Si, posteriormente, se introduce un tratamiento en uno de los dos grupos y se observa un cambio que no está en el grupo de control, puede haber un efecto causal que entra en una reflexión de causa y efecto. Por lo tanto, puede concluirse que existe un efecto causal en la variable introducida.
   
   
Utilisation de la télévision de la part de deux candidats (<math>X</math>) à l’élection présidentielle pour communiquer leur programme.
=== Tipos de experimentos ===
*'''En el laboratorio (experimento de laboratorio)''': se trata de experimentos realizados en laboratorios y luego los individuos se dividen en grupos a los que se aplican estímulos para llegar a un hallazgo de efecto o no efecto. Sin embargo, los individuos son sacados de sus condiciones naturales que pueden conducir a resultados relacionados con la artificialidad de las condiciones experimentales.
*'''En el experimento de campo''': contexto natural, puede haber otros factores involucrados. Se trata de experimentos que se han aplicado en la ciencia política. Los principios siguen siendo los mismos con una distribución aleatoria de los sujetos en dos grupos; la variable independiente se manipula y luego se determina si hubo un efecto del tratamiento en el grupo experimental y no en el grupo control. De este modo, se puede evitar la crítica de la artificialidad de los experimentos de laboratorio.
*'''Sorteo cuasi-experimental (cuasi-experimental)''': este sorteo tiene en cuenta que el investigador manipula la variable independiente, pero no hay asignaciones aleatorias de sujetos a un grupo experimental y a un grupo de control. Si hacemos esto, es porque no podemos distribuir al azar en dos grupos, nos vemos obligados a tomar los grupos que realmente existen. En otras palabras, el investigador controla el tratamiento, pero no puede asignar sujetos al azar. A veces, cuando estamos en el campo, es difícil hacer las cosas de manera diferente. Normalmente este es el método que usamos, porque hay un factor que no podemos controlar.
   
   
On veut expliquer le vote (<math>Y</math>), mais le vote est influencé par plusieurs facteurs qui jouent un rôle comme l’éducation, mais c’est la classe sociale qui engendre une multicausalité. L’idée est de constater l’effet de l’exposition à la campagne de télévision sur les électeurs. Ainsi on trouve une relation très forte entre <math>X</math> et <math>Y</math>. Peut-on faire confiance à la covariation entre <math>X</math> et <math>Y</math> ?
=== Ejemplo ===
Un psicosociólogo quería probar los efectos de los objetivos colectivos en las relaciones interpersonales. Quería ver hasta qué punto, cuando a un grupo de personas se les dice que hay un objetivo, desaparecen los estereotipos negativos contradictorios. Es una experiencia inmediata en condiciones naturales. Dejó que los niños interactuaran entre sí, los niños cooperaron entre sí; el investigador trató de crear una identidad colectiva y dividió al grupo en dos al azar. Los hizo jugar al fútbol; vimos la aparición de rivalidades e incluso estereotipos negativos hacia el otro equipo. Luego volvió a reunir al grupo y redefinió un objetivo común que requiere cooperación. Posteriormente, observó que esos conflictos, estereotipos negativos y hostilidades se transformaron en una verdadera cooperación.
Les électeurs qui ont suivi la campagne en télévision (<math>X</math>) ont voté plus nombreux pour un des deux candidats (<math>Y</math>). On pourrait dire que l'exposition à la campagne produit le vote, mais il faut tenir en compte que : les électeurs plus âgés (<math>Z</math>) regardent plus souvent la télévision, donc l’âge influence le vote (vieux droite, jeunes gauche).
 
== Método estadístico ==
L’âge (Z) influence à la fois l’exposition à la campagne en télévision (<math>X</math>), les plus âgés restent à la maison et regardant la télé, et le vote pour un des deux candidats (<math>Y</math>).
No podemos hacer un dibujo de investigación que a priori nos permita comprobar si existen relaciones de correlación, pero debemos hacerlo después del hecho.
   
   
Ainsi, la covariation entre <math>X</math> et <math>Y</math> n’est pas vérifiée, car la variable <math>Z</math> influence les deux autres variables en même temps. Pour cela il faut introduire une variable de contrôle.
*'''manipulación conceptual (matemática) de datos observados empíricamente''': tenemos datos observacionales o intentamos controlarlos mediante control estadístico, con correlaciones parciales. Se hace una distinción entre datos experimentales y observacionales.
*'''correlaciones parciales''': correlación entre dos variables una vez que se ha salido del análisis, es decir, controlando el efecto de otras variables que podrían influir en lo que se quiere explicar. En otras palabras, significa hacer las otras Zs como si fueran constantes después de un proceso de depuración. Es una lógica de control de variables: controlamos las variables que pueden influir en lo que nos gustaría explicar. En el ejemplo de la votación, cualquier cosa que pueda explicar el voto debe ser tomada en consideración, especialmente si se puede asumir que este factor externo puede influir tanto en el voto como en la variable independiente (exposición mediática). De esta manera podemos saber si nos estamos acercando a un efecto causal.
   
   
On va s'intéresser à des facteurs qui de manière plausible expliquent ce que nous voulons expliquer.
Lo importante es ir más allá de un simple análisis bivariado; es necesario avanzar hacia un análisis multivariado en el que se introduzcan otras variables en el modelo explicativo.


=== Exemple 2 ===
== Método comparativo ==
Par exemple, si on s’intéresse au nombre de frigos et au niveau de démocratie, prétendre d’un lien entre les deux n’est pas pertinent. Cependant on pourrait expliquer qu’une troisième variable qui serait le degré d’urbanisation engendre la démocratie selon certaines théories et fait en même temps augmenter le nombre de frigos. Ainsi la covariation n’est pas une relation de cause à effet, car il y a une troisième variable qui influence les deux et qui est une relation de cause à effet.
Toda la investigación en ciencias sociales es por naturaleza comparativa. Siempre comparamos algo implícita o explícitamente. Uno puede preguntarse acerca de los objetivos de la comparación. Hemos visto que los objetivos de cualquier método científico intentan establecer proposiciones empíricas generales controlando todas las demás variables, pero según algunas, como Tilly, hay cuatro objetivos de comparación, es decir, la comparación de unidades de observación.


=== Exemple 3 ===
Los objetivos de la comparación según Charles Tilly son:
Si la participation politique (<math>Y</math>) est expliquée par l’engagement associatif (<math>X</math>) on pourrait penser que cette relation est rendue fallacieuse du fait qu’il y ait une autre variable qui influence à la fois la participation et l’engagement associatif. Cette variable (<math>Z</math>) pourrait être la participation politique. À nouveau il y a relation fallacieuse ; on ferait une erreur si on conclut à partir de la simple observation de cette relation qu’il y a un lien de cause à effet entre <math>X</math> et <math>Y</math> parce qu’on n’a pas contrôlé l’effet d’une autre variable.
*'''Individualización''' (individualizing): el objetivo es poner de relieve las características de una unidad de análisis determinada sobre un fenómeno determinado; la idea es encontrar comparaciones, dar especificidad a un caso concreto: en los estudios comparativos de políticas, el caso es el país, se comparan los países; el objetivo es, por ejemplo, mostrar ciertas características del sistema político suizo en relación con otros países. La democracia directa determina los valores políticos; la democracia directa suiza puede compararse con los países que no la tienen. Podemos analizar el impacto de esta característica en las personas. Caracterizar, individualizar, hacer más específicas las características de un país en relación con otro.
*'''Generalizar''' (generalizing): no se compara con individualizar, sino con generalizar, se incluye el mayor número de casos, se establecen propuestas empíricas generales. Para algunos, la generalización es uno de los dos objetivos principales del método comparativo. Estudiamos los comportamientos que comparamos, queremos ver si las configuraciones y efectos que encontramos en un contexto se encuentran en otro contexto.
*'''Búsqueda de variaciones sistemáticas''' (variation-finding): el objetivo es buscar variaciones sistemáticas y probar una teoría descartando las teorías que compiten con la que se quiere destacar. Según Tilly, esta es la mejor manera de comparar. Intentamos probar una hipótesis causal, así que descartamos las hipótesis rivales.
*'''Globalización''' (encompassing): el objetivo es globalizar (enfoque sistémico) incluimos a todos los países del mundo, o a todas las unidades de comparación posibles. La idea es que si se elimina una de estas unidades de comparación, se modifica todo el sistema. Para el profesor Giugni, este no es un enfoque comparativo, porque no hay comparación.
Los objetivos de la comparación son diferentes; actuar en la selección de casos es comparar.


= Deux manières pour contrôler empiriquement une affirmation causale =
Estrategias de comparación para buscar variaciones sistemáticas (Przeworski y Teune) Se puede distinguir entre dos estrategias de comparación, que son lógicas y formas de proceder metodológicamente en la elección de los casos. Estas son formas de abordar la cuestión de la causalidad cuando se dispone de datos observacionales. Se hace una distinción entre dos diseños de investigación comparativa, a saber, la comparación por caso analógico (similar) y por caso de contraste (diferente). Cada una de las opciones tiene sus ventajas y desventajas.
Dans le cas de problèmes liés aux relations causales fallacieuses (multicausalité et endogénéité), il y a deux manières de contrôler empiriquement l’affirmation causale.
*'''Comparación entre casos contrastantes''' (most different systems design): elegimos los casos que son lo más diferentes posible.
*'''Comparación entre casos análogos''' (most similar systems design): tiene como objetivo controlar todas las variables excepto la que se desea analizar (ejemplo Francia - Suiza).


== Analyse de la covariation (donnée d’observation) ==
[[Fichier:Two designs for macro-analytic comparative history (from Stuart Mill).png|700px|vignette|centré|Skocpol, T. et M. Somers (1994). “The Uses of Comparative History in Macrosocial Inquiry”. In Theda Skocpol (éd.), Social Revolutions in the Modern World. Cambridge: Cambridge University Press. ]]Stuart Mill reflexionó sobre cómo analizar este vínculo causal. Al seleccionar diferentes casos para lograr este ideal, buscamos la relación de causa y efecto. Pero no estamos en el contexto del control estadístico. En nuestro caso, a través de la selección de casos, intentamos acercarnos a este ideal.
*'''contrôle''' : transformation des variables étrangères (<math>Z</math>) en constantes, donc elle n'a pas d'effets, car il n'y a pas de covariation, elle ne varie pas. On doit tenir compte des possibilités des relations fallacieuses. (ex. on regarde parmi tous ceux qui vont à l'université dans la classe sociale la plus haute, et après on analyse leur vote ; donc la classe ne va pas jouer un rôle dans l’analyse). On peut faire ce contrôle manuellement.
*'''dépuration''' : contrôle statistique. On fait un modèle statistique, on introduit que la variable <math>X</math>, qui nous intéresse, on introduit des variables avec une forte relation, après on introduit les autres variables de contrôle, et si on trouve encore un effet entre <math>X</math> et <math>Y</math>, cela signifie que la relation n'était pas fallacieuse. Ceci est fait par un ordinateur qui calcule les relations entre toutes les variables et considère aussi toutes les relations de covariation. À la fin il détermine s'il y a une corrélation fallacieuse ou non. Le contrôle statistique est une manière de procéder au contrôle des variables et permet de tester le lien de cause à effet de façon empirique.


== Expériment (données expérimentales) ==
Stuart Mill distingue entre dos casos:
C’est la mise en place d’une méthode expérimentale. Dans l'analyse de la covariation on agit une fois qu'on a les données en d’autres termes on manipule après coup les données a priori à partir du dessin de recherche, tandis que dans la méthode expérimentale on agit avant (comment-a-t-on produit les données?). On utilise la méthode expérimentale de manière à éviter une relation fallacieuse, on divise un échantillon en deux groupes et on choisit des individus au hasard. Selon la loi des grands nombres, on peut démontrer que les deux groupes sont semblables, donc, l'unique différence sera la variable indépendante.
*'''The method of agreement''' (the most different system design): la lógica es elegir países muy diferentes, pero que son similares en un factor clave. Hay X en todas partes. Luego observamos Y, luego hay una similitud en la variable Y que queremos explicar. La lógica es decir que estamos buscando países donde encontramos el mismo fenómeno, que es el que queremos demostrar. Observamos que lo que sucede es que cada vez que hay X encontramos Y. En ese momento, es producido por X porque no puede ser producido por otra cosa, porque los otros factores de los países son diferentes, no se encuentra en ninguna otra parte. La lógica es elegir casos muy diferentes sobre la mayoría de los factores en los que puedes pensar y luego verás si hay una copresencia de la variable que quieres explicar y la que explica.
'''Conclusion''' : c’est une réflexion autour de la causalité ; on a dit que la question de causalité reste au niveau théorique, on ne peut qu'essayer de se rapprocher de cet idéal. Il faut chercher une corrélation, mais il faut écarter des hypothèses (contre des variables), si on ne le fait pas on peut tomber dans une relation causale fallacieuse.
   
   
'''Covariation''' : peut être proche d'une relation causale, mais c'est l'effet d'une <math>Z</math> (variable non-observée) qui influence ce que nous voulons expliquer (dépendant) et ce qui expliquerait ce que nous voulons expliquer (indépendant). Une variable influence les deux autres variables en même temps, il y a aussi la possibilité d’une interaction entre variables explicatives.
*'''The method of difference''' (the most similar system design): estamos buscando países que sean lo más parecidos posible. Se puede distinguir entre casos positivos y negativos. Buscaremos casos que tengan el factor A, B y C y casos negativos que también tengan A, B y C. En los casos positivos hay un factor presente que no está presente en los casos negativos. Por lo tanto, la votación está presente cuando X está presente y ausente cuando X está ausente. La conclusión es que X es la causa del efecto Y, porque la presencia de al menos Y no puede haber sido producida por A, B y C. Hemos hecho A, B y C constantes.
Comment faire le contrôle des variables pour éviter de tomber dans une relation fallacieuse ? On distingue deux manières :
*'''analyse de la covariation''' : on observe (données observationnelles) après avoir les données.
**'''contrôle''' : on va rendre une variable étrangère en constante, lorsqu’on a une relation supposée entre deux variables qui est rendue fallacieuse, car il y a une troisième variable, on prend une partie des individus qui correspond à la deuxième variable, par exemple, on prend de gens du même âge, pour la relation de comportement entre l’exposition à la télé et le vote. Donc on a contrôlé cette valeur, on l'a rendue constante.
*'''dépuration''' : c'est un contrôle statistique. Dépuration pour toutes les variables.
**'''analyse expérimentale''' : on met en place un design de recherche qui évite l'existence des variables Z qui pourront affecter notre analyse.


= Quatre méthodes scientifiques fondamentales selon Arend Lipjhart =
Ejemplo - most different system design: hay tres casos (1, 2, n); un caso puede ser de individuos, países, etc. Tenemos una serie de cualidades para estos casos. Estas son características de diferentes países (desempleo, desarrollo), X es la variable independiente y queremos explicar Y. En esta lógica de comparación, los casos son muy diferentes, pero sólo son similares en una propiedad. Así que esta variable explica el factor, porque es el único factor común. En la Tabla 2 tenemos casos positivos y negativos; estos casos son perfectamente similares sobre tantos atributos, propiedades y variables como sea posible, pero hay una diferencia crucial en lo que se supone que explica lo que queremos explicar. Hay un factor que no está presente. En un caso hay Y en el otro paso; la diferencia se atribuye a la variable que no lo es en ambos casos. Este método trata de aproximar el enfoque experimental, porque se hace de manera que los dos grupos estén lo más cerca posible (similar a a, b, c), pero difieren con la variable independiente, el diseño de sistema más similar. El profesor Giugni lo prefiere así, porque se acerca al ideal de la experimentación. Un ejemplo es estudiar a los estudiantes que asisten al curso durante dos años y cambiar las diapositivas que se dan. Luego, comparamos el resultado final (la puntuación media) en ambos casos.
On peut mentionner trois voire quatre méthodes :
#Méthode expérimentale (se différencie des autres)  
#Méthode statistique
#Méthode comparative
#Étude de cas
   
   
Ce sont les trois méthodes fondamentales qui permettent de faire un contrôle des variables dit aussi des « facteurs explicatifs additionnables ». L’objectif est de tester des hypothèses et d’en écarter certaines en concurrence avec d’autres.
Ejemplo - most similar system design : Comparo países que son similares (Francia y Suiza), y quiero demostrar que la represión policial francesa es más fuerte, es el único factor que difiere entre dos países. Entonces vemos que la radicalización de los movimientos sociales es más fuerte en Francia. El problema es que la "A", es decir, los factores que son similares entre los dos países, nunca son iguales, sino sólo similares (este problema sólo se puede encontrar con el método de diseño de investigación más similar, por lo que hay investigadores que prefieren el otro enfoque, en el que sólo es necesario encontrar las diferencias), sólo podemos acercarnos al ideal. Además, encontramos el problema de la endogeneidad, es decir, saber qué factor influye en el otro.
Les trois premières méthodes finalement ont toutes pour objectif principal de chercher des relations cause à effet, et cherchent à éliminer le bruit produit par des <math>Z</math> qui pourrait produire une relation fallacieuse, elles ont le même but, mais le poursuivent de façon diffèrent. Les trois établissent des propositions empiriques générales sous contrôle de toutes les autres variables (<math>Z</math>). Ilsveulent s'approcher du lien théorique de cause à effet entre un phénomène observé et des causes potentielles, il y a des degrés de réussite différents, on a vu que la méthode expérimentale et celle qui s’en rapproche le plus, sur les différents facteurs explicatifs. L’idée est d’arriver à une corroboration empirique d’affirmations causales.


== Méthode expérimentale ==
== Estudio de caso ==
Es un método más cualitativo, se diferencia de los otros tres métodos en que están más orientados a la investigación cuantitativa-positivista. Hay algunas distinciones hechas por Arend Lipihart, hay una especie de división, una distinción entre los datos experimentales y, por otro lado, los datos de observación.


=== Principes ===
Mientras que el método experimental se basa en la idea de un gran número, el método comparativo un número de casos que pueden variar, el estudio de caso se basa en un solo caso. Sin embargo, es posible considerar un estudio de caso que puede cubrir más de un caso, ya que la frontera es a veces flexible.
*'''Attribution aléatoire''' : on prend au hasard, tous les individus ont la même chance d'être dans le groupe expérimental ou de contrôle des sujets (dans les groupes expérimentaux et de contrôle non-expérimentale). Cette idée née du principe de la loi des grands nombres : la variable aléatoire est censée écarter toute autre explication.
*'''Manipulation de la variable indépendante''' (traitement), en quoi les groupes sont-ils égaux ? le chercheur, à un certain moment, introduit un input dans l’un des deux groupes.
On sépare deux groupes faisant en sorte que les deux groupes soient pareils sur toutes les dimensions sauf sur un qui est celui sur lequel on veut tester l’effet. Le fait de choisir une personne et de l’attribuer d’une manière aléatoire fait que les deux groupes sont semblables. Si, ensuite, est introduit un traitement dans l’un des deux groupes et qu’on observe un changement qui n’est pas dans le groupe de contrôle, il se peut qu’il y ait un effet causal allant dans une réflexion cause à effet. On peut dès lors conclure qu’il y a un effet causal dans la variable introduite.
=== Types des experiments ===
*'''En laboratoire''' (laboratory experiment) : ce sont les expériences faites dans des laboratoires puis on divise les individus en groupes auxquels on applique des stimulus pour arriver à une constatation de l’effet ou du non-effet. Cependant, on sort les individus de leurs conditions naturelles pouvant mener à des résultats relevant de l’artificialité des conditions expérimentales.
*'''Sur le champ''' (field experiment) : contexte naturel, il peut y avoir d’autres facteurs qui interviennent. Ce sont des expérimentations qui ont été appliquées en science politique. Les principes restent les mêmes avec une distribution aléatoire des sujets en deux groupes ; on manipule la variable indépendante et ensuite on constate s’il y a eu un effet du traitement sur le groupe expérimental et non pas sur le groupe de contrôle. Dès lors on peut éviter la critique de l’artificialité des expérimentations en laboratoire.
*'''Dessin quasi-expérimental''' (quasi-experiment) : ce dessin garde à l’idée que le chercheur manipule la variable indépendante, mais il n’y a pas d’attributions aléatoires des sujets à un groupe expérimental et un groupe de contrôle. Si on fait cela, c’est qu’on ne peut pas distribuer aléatoirement en deux groupes, on est forcé de prendre les groupes qui existent en réalité. En d’autres termes, le chercheur contrôle le traitement, mais ne peut pas attribuer les sujets de manière aléatoire. Parfois, quand nous sommes sur le terrain, il est difficile de faire différemment. Généralement c'est cette méthode qu'on utilise, car il y a un facteur que nous ne pouvons pas contrôler.
=== Exemple ===
Un psychosociologue a voulu tester les effets des objectifs collectifs sur les relations interpersonnelles. Il voulait voir dans quelle mesure, lorsqu’on dit à un groupe de personne qu’il y a un objectif, les stéréotypes négatifs conflictuels disparaissent. C’est une expérience sur-le-champ dans des conditions naturelles. Il a laissé les enfants interagir entre eux, on fait coopérer les enfants entre eux ; le chercheur a essayé de créer une identité collective et a subdivisé le groupe en deux de manière aléatoire. Il les a fait jouer au football ; on a constaté l’émergence de rivalités voire même de stéréotypes négatifs vis-à-vis de l’autre équipe. Ensuite, il a remis le groupe ensemble est il a redéfini un objectif commun qui requiert la coopération. Après coup il a constaté que ces conflits, ces stéréotypes négatifs, ces hostilités se transformaient en une véritable coopération.


== Méthode statistique ==
El estudio de caso es sólo el estudio de un caso, no tiene ninguna comparación. Un caso puede ser muchas cosas como una fiesta, una persona o un país. Tratamos de estudiar un caso en particular en profundidad, pero no de una manera extensa como los otros tres métodos que no estudian los casos tan a fondo.
On ne peut pas faire un dessin de recherche qui a priori permette de tester s’il y a des relations de corrélations, mais on doit le faire après coup.
*'''manipulation conceptuelle (mathématique) de données observées empiriquement''' : on a des données d'observation ou on essaie de contrôler par contrôle statistique, avec les corrélations partielles. On fait une distinction entre les données expérimentales et les données d’observation.
*'''corrélations partielles''' : corrélation entre deux variables une fois qu’on est sorti de l’analyse, c’est-à-dire contrôler l’effet d’autres variables qui pourraient influencer ce que l’on veut expliquer. En d’autres termes c’est rendre les autres Z comme si elles étaient des constantes suite à un processus de dépuration. C’est une logique de contrôle des variables : on contrôle les variables qui pourraient influencer ce qu’on voudrait expliquer. Dans l’exemple sur le vote, tout ce qui pourrait expliquer le vote devrait être pris en considération surtout si on peut penser que ce facteur externe peut influencer à la fois le vote et la variable indépendante (exposition médiatique). Ainsi on peut savoir si on se rapproche d’un effet causal.
Ce qui est important est d’aller au-delà d’une simple analyse bivariée ; il faut aller vers une analyse multivariée ou on introduit dans le modèle explicatif d’autres variables.


== Méthode comparative ==
En otras palabras, la gran ventaja del estudio de caso es que se puede profundizar mucho más en el conocimiento del caso. Un estudio de caso es por definición intensivo, mientras que el estudio cuantitativo es extenso. Un método se basa en normas con la idea de generalizar, mientras que el otro se basa en una interpretación en profundidad de un caso específico.
Toute recherche en science sociale est de par sa nature comparative. On compare toujours implicitement ou explicitement quelque chose. On peut s'interroger sur les objectifs de la comparaison. Nous avons vu que les objectifs de toute méthode scientifique essaient d'établir des propositions empiriques générales en contrôlant toutes les autres variables, mais selon certains, comme Tilly, il y a quatre objectifs à la comparaison, c’est-à-dire que l'onconfronte des unités d’observation.
Les buts de la comparaison selon Charles Tilly sont :
*'''Individualiser (individualizing) – comparaison individualisante''' : le but est de souligner et de mettre en lumière les caractéristiques d’une unité d’analyse donnée sur un certain phénomène ;l’idée est de trouver des comparaisons, pour donner une spécificité à un certain cas donné exemple - dans les études de politique comparative, le cas est le pays, on compare des pays ; le but est par exemple de montrer certaines caractéristiques du système politique en Suisse par rapport aux autres pays. La démocratie directe détermine des valeurs politiques ; on peut comparer la démocratie directe suisse avec des pays qui ne l'ont pas. On pourra analyser l'impact de cette caractéristique sur les gens. Caractériser, individualiser, rendre plus spécifiques les caractéristiques d'un pays par rapport à un autre.
*'''Généraliser''' (generalizing) : on compare non pour individualiser, mais pour généraliser, on inclut le plus grand nombre de cas, établir des propositions empiriques générales. Pour certains, la généralisation est l’un des deux objectifs principaux de la méthode comparative. On étudie des comportements que l’on compare, on veut voir si les configurations et les effets que l’on trouve dans un contexte sont retrouvés dans un autre contexte.
*'''Chercher des variations systématiques''' (variation-finding) : le but est de chercher des variations systématiques et tester une théorie en écartant des théories concurrentes de celle qu'on veut mettre en évidence. Selon Tilly c'est la meilleure manière de comparer. On essaie de tester une hypothèse causale, ainsi on écarter des hypothèses rivales.
*'''Globaliser''' (encompassing) : le but est de globaliser (approche systémique) on inclut tous les pays du monde, ou toutes les unités de comparaison possible. L'idée est que si on enlève une de ces unités de comparaison, tout le système change. Pour le professeur Giugni, ceci n'est pas une approche comparative, car on ne compare pas.
Il y a des objectifs différents de la comparaison ; agir sur la sélection des cas c'est comparer.
Stratégies de comparaison pour chercher des variations systématiques (Przeworski et Teune)
On peut faire une distinction entre deux stratégies de comparaisons, ce sont des logiques et des manières de procéder méthodologiquement dans le choix des cas. Ce sont des manières de traiter la question de la causalité lorsqu'on possède des données d'observation. On fait une distinction entre deux designs de recherche comparatifs, c'est la comparaison par cas analogue (similar) et par cas contraste (different). Chacune des possibilités a ses avantages et désavantages.
*'''Comparaison entre cas contrastés''' (most different systems design) : on choisit des cas qui sont les plus différents possibles
*'''Comparaison entre cas analogues''' (most similar systems design) : vise à contrôler toutes les variables sauf celle qu'on veut analyser (exemple France - Suisse).


[[Fichier:Two designs for macro-analytic comparative history (from Stuart Mill).png|700px|vignette|centré|Skocpol, T. et M. Somers (1994). “The Uses of Comparative History in Macrosocial Inquiry”. In Theda Skocpol (éd.), Social Revolutions in the Modern World. Cambridge: Cambridge University Press. ]]
Si el método estadístico pretende generalizar, el estudio de caso por definición no permite la generalización, el objetivo es otro. Existen diferentes estudios de caso y diferentes maneras de llevar a cabo un estudio de caso. Podemos mencionar 6 variantes:
*las dos primeras se centran en el caso específico.
Stuart Mill a réfléchi sur la manière d’analyser ce lien causal. En sélectionnant des cas différents pour arriver à cet idéal, on vise à la relation cause à effet. Mais nous ne sommes pas dans le contexte de contrôle statistique. Dans notre cas, à travers la sélection de cas, on essaie de se rapprocher de cet idéal.
*las otras cuatro modalidades tienen el objetivo de crear o generar una teoría.
El estudio de caso puede ser utilizado para lograr diferentes objetivos, por un lado uno quiere conocer mejor una situación particular de una manera descriptiva, por otro lado uno puede estudiar varios casos permitiendo generar una teoría a largo plazo.
Stuart Mill distingue deux cas :
*'''The method of agreement''' (the most different system design): la logique est de choisir des pays très différents, mais qui se ressemblent sur un facteur clef. Il y a X qui est présent partout. Ensuite on observe Y, puis il y a une similarité au niveau de la variable Y que l’on veut expliquer. La logique est de dire qu’on cherche des pays ou on retrouve le même phénomène qui est celui dont on veut prouver l’effet. On observe ce qui se passe est qu’à chaque fois qu’il y a X on retrouve Y. Y a ce moment-là est produit par X parce qu’il ne peut pas être produit par autre chose, car les autres facteurs des pays sont différents, on le retrouve nul part ailleurs. La logique est de choisir des cas très différents sur la plupart des facteurs auxquels on peut penser et ensuite on va voir s’il y a coprésence de la variable que l’on veut expliquer et celle qui explique.
*'''The method of difference''' (the most similar system design): on cherche des pays qui se ressemble le plus possible. On peut distinguer entre les cas positifs et négatifs. On va chercher des cas qui on le facteur A, B et C et des cas négatifs qui ont aussi A, B et C. Dans les cas positifs il y a un facteur présent qui n’est pas présent dans le cas négatif. Ainsi le vote est présent lorsque X est présent et absent lorsque X est absent. La conclusion est que X est la cause de l’effet Y, parce que la présence au moins de Y ne peut pas avoir été produite par A, B et C. On a rendu A, B et C en constante.


Exemple - most different system design : on a trois cas (1, 2, n) ; un cas peut être des individus, pays, etc. On a un nombre de qualités pour ces cas. Ceci sont des caractéristiques de différents pays (chômage, développement), X est la variable indépendante et on veut expliquer Y. Dans cette logique de comparaison, les cas sont très différents, mais ne sont similaires que dans une propriété. Donc cette variable explique le facteur, car il est l'unique facteur commun. Dans le tableau 2 on a des cas positifs et négatifs ; ces cas sont parfaitement semblables sur un nombre le plus élevé possible d’attributs, propriétés et variables, mais il y a une différence cruciale dans ce qui est censé d'expliquer ce que nous voulons expliquer. Il y a un facteur qui n'est pas présent. Dans un cas il y a Y dans l'autre pas ; on attribue la différence à la variable qui n'est pas dans les deux cas. Cette méthode essaie de se rapprocher de la démarche expérimentale, car il est fait en sorte que les deux groupes soient le plus proche possibles (ressemblent a, b, c), mais ils diffèrent avec la variable indépendante, most similar system design. Le professeur Giugni préfère cette manière, car elle se rapproche de l'idéal de l'expérimentation. Un exemple est d’étudier sur deux années des étudiants qui assistent au cours et de changer les diapositives qui sont données. Ensuite, on compare le résultat final (la note moyenne) dans les deux cas.
Según Arend Lipihart, el propósito de la investigación es probar y verificar una teoría, así como generalizar los resultados.
Exemple - most similar system design : je compare des pays que se ressemblent (la France et la Suisse), et je veux démontrer que la répression policière françaises est plus forte, c'est l'unique facteur diffèrent entre deux pays. Ensuite nous constatons que la radicalisation des mouvements sociaux est plus forte en France. Le problème est que les «A» à savoir les facteurs qui se ressemblent entre les deux pays, ne sont jamais égaux, mais seulement se ressemblent (ce problème ne se rencontre qu’avec la méthode du most similar research design, c’est pour cela qu’il y a des chercheurs qui préfèrent l'autre approche, dans lequel il ne faut que trouver les différences), on ne peut que se rapprocher à l'idéal. De plus nous retrouvons le problème de l'endogénéité c’est-à-dire de savoir quel facteur influence l'autre.


== Étude de cas ==
Estos dos casos no quieren crear hipótesis, la idea es arrojar luz sobre algo en relación con un caso:
C’est une méthode plus qualitative, elle diffère des trois autres méthodes, car elles s‘orientent plus vers la recherche quantitative-positiviste. Il y a quelques distinctions faites par Arend Lipihart, il y a une sorte de clivage, une distinction entre les données expérimentales et d’autre part les données d’observations.
*'''ateórico''': no hay teoría, es puramente descriptivo. Es una investigación exploratoria, por ejemplo, el estudio de una nueva organización, sólo queremos conocerla y describirla, en cuyo caso no podemos generalizar los resultados, porque están relacionados con un caso particular estudiado. Se utiliza en situaciones o casos que nunca se han estudiado antes.
*'''interpretativo''': utilizamos las propuestas teóricas que existen en la literatura, en este enfoque cualitativo el papel de la literatura es menos importante, aplicamos una generalización existente a un caso dado, aquí el caso se refiere a un caso específico, sin la voluntad de crear una teoría como el ateo. El objetivo no es confirmarlo o negarlo, sino sólo aplicarlo. Las propuestas o teorías existentes se utilizan y aplican a un caso; las generalizaciones existentes se aplican a él para ver si la generalización se basa en ese caso específico. Una situación particular se interpreta a la luz de una teoría existente.
Alors que la méthode expérimentale s’appuie sur l’idée de grand nombre, la méthode comparative un certain nombre de cas qui peuvent varier, l’étude de cas ne s’appuie que sur un seul cas. Toutefois on peut envisager une étude de cas qui peut s’étendre sur plus d’un cas, car la frontière est parfois souple.
L'étude de cas n'est que l'étude d'un seul cas, il n'a pas de la comparaison. Un cas peut être beaucoup des choses comme un parti, une personne ou encore un pays. On essaie d'étudier en profondeur un cas particulier, mais pas de façon extensive comme les trois autres méthodes qui n’étudient pas les cas autant en profondeur.
En d’autres termes, le grand avantage de l’étude de cas est qu’on peut aller beaucoup plus en profondeur dans la connaissance du cas. Une étude de cas est par définition intensive alors que l’étude quantitative est extensive. Une méthode est basée sur la standardisions avec l’idée de généraliser tandis que l’autre s’appuie sur l’interprétation en profondeur d’un cas spécifique.
Si la méthode statistique a pour objectif de généraliser, l’étude de cas par définition ne permet pas de généralisation, l’objectif est un autre. Il existe différentes études de cas et différentes modalités afin de mener une étude de cas. On peut en mentionner 6 variantes :
*les deux première ayant pour objectif de s’intéresser au cas précis.
*les quatre autres modalités ont un objectif de créer ou générer une théorie.
L’étude de cas peut servir pour atteindre des buts différents, d’une part on veut connaitre mieux une situation particulière de manière descriptive, d’autre part on peut étudier plusieurs cas permettant de générer à terme une théorie.
Selon Arend Lipihart, le but de la recherche est de tester et vérifier une théorie ainsi que de généraliser des résultats.
Ces deux cas ne veulent créer des hypothèses, l’idée est d'éclairer quelque chose par rapport à un cas :
*'''athéorique''' : il n’y a pas de théorie, c’est purement descriptif. C'est une recherche exploratoire, par exemple, l'étude d'une nouvelle organisation, on ne veut que la connaître et la décrire, dans ce cas on ne peut pas généraliser les résultats, car ils sont liés à un cas étudié en particulier. On l’utilise dans des situations ou des cas qui n’ont jamais été étudiés auparavant.
*'''interprétatif''' : on utilise des propositions théoriques qui existent dans la littérature, dans cette démarche qualitative le rôle de la littérature est moins important, on applique une généralisation existante à un cas donné, ici le cas porte sur un cas précis, sans volonté de créer une théorie tout comme l'athéorie. L'objectif n'est pas de confirmer ou de l'infirmer, mais c'est de l'appliquer seulement. On utilise des propositions ou des théories existantes qu’on applique à un cas ; on lui applique des généralisations existantes afin de voir si la généralisation tient de ce cas spécifique. On interprète une situation particulière à la lumière d’une théorie existante.
   
   
Le quatre qui suivent veulent créer une théorie ou tirer quelque chose des cas. Leur objectif est de créer ou de générer des théories ou des hypothèses :
Los siguientes cuatro quieren crear una teoría o sacar algo de los casos. Su objetivo es crear o generar teorías o hipótesis:
*'''générant des hypothèses''' : on veut de créer des hypothèses là où il n'y en a pas. J’étudie un cas pas seulement parce qu’il m'intéresse, mais parce que je veux formuler des hypothèses que je vais après tester ailleurs. Ex : d'organisation qui s'engage en politique. On étudie une situation donnée, car on veut des hypothèses qu’on n’arrive pas à trouver par ailleurs. On explore un cas dans l’objectif de formuler des hypothèses. Les hypothèses ont essentiellement trois sources : la littérature existante, l’imagination sociologique, les études exploratoires.
*'''generar hipótesis''': queremos crear hipótesis donde no las hay. Estudio un caso no sólo porque me interesa, sino porque quiero formular hipótesis que probaré en otro lugar. Por ejemplo: una organización que está involucrada en la política. Estudiamos una situación determinada porque queremos hipótesis que no podemos encontrar en otra parte. Se explora un caso para formular hipótesis. Las hipótesis tienen esencialmente tres fuentes: la literatura existente, la imaginación sociológica y los estudios exploratorios.
*'''confirmant une théorie''' : tester une théorie sur un cas particulier pour confirmer cette théorie, ce type d'étude de cas n'est pas très utile, car ce n'est pas le fait qu’il y ait un cas qui reflète une théorie existante qui va renforcer la théorie faisant que ce système n'est pas très utile.
*'''confirmando una teoría''': probando una teoría sobre un caso particular para confirmar esta teoría, este tipo de estudio de caso no es muy útil, porque no es el hecho de que haya un caso que refleje una teoría existente que refuerce la teoría que hace que este sistema no sea muy útil.
*'''infirmant une théorie''' : ceci a beaucoup plus de valeur, il y a une théorie qui est appliquée dans un cas spécifique, on ne cherche pas à confirmer la théorie, mais prouver qu'elle ne fonctionne pas, on cherche à infirmer une théorie. Ceci nous pousse à réfléchir sur la théorie, c’est quelque chose d’important dans le but d'élaborer une théorie.
*'''invalidar una teoría''': esto es mucho más valioso, hay una teoría que se aplica en un caso específico, no tratamos de confirmar la teoría, pero para probar que no funciona, tratamos de invalidar una teoría. Esto nos lleva a pensar en la teoría, es algo importante para desarrollar una teoría.
*'''cas déviant''' : pourquoi un cas dévie de la généralisation, ce cas est très utile quand on veut infirmer une théorie. On cherche une situation qui dévie d’une situation existante, l’étude de cas cherche à montrer pourquoi ce cas dévie de la généralisation.
*'''caso desviado''': por qué un caso se desvía de la generalización, este caso es muy útil cuando se quiere refutar una teoría. Estamos buscando una situación que se desvía de una situación existente, el estudio de caso busca mostrar por qué este caso se desvía de la generalización.


= Annexes =
= Anexos =
*[http://www.nyu.edu/gsas/dept/politics/faculty/wood/wood_home.html Elisabeth Wood] - An Insurgent Path to Democracy: Popular Mobilization, Economic Interests and Regime Transition in South Africa and El Salvador," Comparative Political Studies, October 2001. Translation published in Estudios Centroamericános, No. 641-2, 2002. url: http://cps.sagepub.com/content/34/8/862.short
*[http://www.nyu.edu/gsas/dept/politics/faculty/wood/wood_home.html Elisabeth Wood] - An Insurgent Path to Democracy: Popular Mobilization, Economic Interests and Regime Transition in South Africa and El Salvador," Comparative Political Studies, October 2001. Translation published in Estudios Centroamericános, No. 641-2, 2002. url: http://cps.sagepub.com/content/34/8/862.short


= Références =
= Referencias =
<references />
<references />


Version actuelle datée du 5 février 2019 à 22:04

Los métodos científicos fundamentales
Faculté Faculté des sciences de la société
Département Département de science politique et relations internationales
Professeur(s) Marco Giugni[1]
Cours Introducción a los métodos de la ciencia política

Lectures


Languages


English

Français Italiano



Desafíos a la inferencia empírica en la ciencia política[modifier | modifier le wikicode]

Definición[modifier | modifier le wikicode]

  • inferir: sacar conclusiones generales a partir de hechos, datos observacionales y datos experimentales. Existe un contexto de inferencia empírica cuando se quiere establecer vínculos y relaciones entre factores explicativos y explicar sobre la base de datos concretos o empíricos.
  • causalidad: Cómo juzgar las relaciones causa-efecto es un tema central, especialmente en la metodología.
  • empírico: sacar conclusiones generales de la evidencia empírica.

Los tres desafíos[modifier | modifier le wikicode]

Multi-causalidad[modifier | modifier le wikicode]

  • casi todo tiene un impacto: está determinado por una multiplicidad de causas posibles; por ejemplo, el comportamiento de voto político no está determinado por una causa, hay varios factores. Un ejemplo es el nivel de educación, pero hay otros factores contextuales involucrados: género, posición en el aula.
  • cada fenómeno tiene varias causas: es difícil defender una posición que dice que un fenómeno determinado tiene una sola causa. Cuando hay varios factores, esto complica la tarea.

Condicionalidad del contexto[modifier | modifier le wikicode]

En relación con la evaluación comparativa, existe un canal institucional que permite a los ciudadanos participar, lo que ayuda a explicar por qué la gente participa en Suiza, pero no en otros países donde no existe la democracia directa. Las causas de un fenómeno pueden variar de un contexto a otro. El vínculo entre clase y votación muestra que hay condicionalidad en el contexto y modifica la relación que puede existir entre dos factores que pueden ser estudiados. Hay efectos variables en todo el contexto.

  • El efecto de casi todo depende de casi todo lo demás.
  • Los efectos de cada causa tienden a variar de un contexto a otro.

Endogeneidad[modifier | modifier le wikicode]

Las causas y los efectos se influyen mutuamente; éste es el mayor problema en los estudios empíricos, especialmente los que siguen el enfoque de la observación. Por ejemplo: el interés político influye en la participación (fuerte correlación entre interés (independiente) y participación (dependiente)). El problema es que la causalidad puede invertirse: "lo que quiero explicar puede explicar lo que se supone que explica lo que quería explicar".

Es la dificultad de distinguir entre "lo que quiero explicar" y el factor que explica este fenómeno. La causa se convierte en un efecto y viceversa.

  • Casi todo causa casi todo lo demás. Las causas y los efectos se influyen mutuamente.
  • A menudo es difícil decir en qué dirección va la causalidad que se quiere aplicar.

Le concept de cause[modifier | modifier le wikicode]

Article détaillé : L’inférence causale.

Determinante de la relación causal[modifier | modifier le wikicode]

En el enfoque científico de las ciencias sociales, el objetivo es determinar las relaciones causales.

"Si C (causa), entonces E (efecto)"[modifier | modifier le wikicode]

No es suficiente! La relación entre C y E puede a veces o siempre valer la pena. Ejemplo - Necesitamos ser un poco más específicos. Si decimos que si hay un alto nivel de educación, podemos decir que hay un mayor nivel de participación. Se argumenta que si hay C entonces hay E, no hay univocidad de la relación mientras que la relación de causa y efecto debe ser inequívoca.

"Si C, entonces (y sólo entonces) siempre E"[modifier | modifier le wikicode]

En este caso están las cuatro características de la relación causa-efecto:

  • Condicionalidad: efecto a condición de que exista una causa.
  • Sucesión: primero la causa, luego el efecto.
  • Consistencia: "Siempre que la causa está presente, también se observa el efecto.
  • Univocidad: el vínculo es único.

Se introducen elementos importantes para definir qué es una causa. - enfoque todavía no es suficiente! Ejemplo: si el nivel de educación es alto, entonces y sólo entonces siempre hay una mayor participación.

Sin embargo, según algunos, en la epistemología de la ciencia, falta el elemento que consiste en decir que debe haber un vínculo genético, un vínculo en la producción del efecto debido a la causa.

"Si C, entonces (y sólo entonces) E siempre producido por C"[modifier | modifier le wikicode]

VERDADERO: Un efecto dado no sólo debe estar correlacionado con una causa, sino que el efecto debe ser producido y generado por esa causa. La distinción es más filosófica que sustancial.

Definición de lo que es una causa[modifier | modifier le wikicode]

  • es generado por , por lo que no basta con observar una covarianza entre una causa y un efecto, sino que también es necesario, para hablar de causa, que el efecto sea generado por la causa.
  • La causa debe producir el efecto. (por ejemplo, si tienes un alto nivel de educación, esto genera participación en la política).

Básicamente, en el contexto del pensamiento causal, pertenece sólo al nivel teórico. Cuando hablamos de causa, estamos en un nivel puramente teórico y no empírico. Por lo tanto, nunca se puede decir que empíricamente, una variación de produce una variación de .

Nunca lograremos establecer relaciones de causa y efecto a nivel teórico, sólo podemos hacerlo a nivel empírico.

Si observamos empíricamente, sobre la base de los datos, que una variación de y seguido regularmente por una variación de , podemos decir que hay un elemento de corroboración empírica de una hipótesis causal. Hay que distinguir entre el nivel teórico y el nivel causal, que es el nivel empírico al que sólo se puede llegar mediante el estudio de las covariaciones.

En otras palabras, si observamos que una variación de y seguido regularmente por una variación de , hay un elemento de corroboración, pero cualquier otra causa posible debe ser eliminada. Empíricamente, la tarea es decir que queremos encontrar una covariable, pero dado que hay multi-causalidad, ¿cómo podemos asegurarnos de que esta covariable realmente existe y afirmar que tenemos un elemento de corroboración empírica de la suposición de la relación causa-efecto?

Corrosión empírica de una relación causal[modifier | modifier le wikicode]

Si observamos empíricamente que una variación de es seguido regularmente por una variación de manteniendo a todos los demás constantes (otras causas y factores explicativos) hay un fuerte elemento de corroboración científica de la hipótesis de que es la causa de .

En la investigación empírica, nunca podríamos hablar de causa y efecto; debemos tener en cuenta que la relación causa-efecto permanece en la esfera de la teoría, empíricamente sólo podemos acercarnos bajo ciertas condiciones, encontrando la covarianza mientras mantenemos constantes los otros factores.

  1. covarianza entre variables dependientes (depende) e independientes (causa, no depende de nada más): ambas deben variar.
  2. dirección causal: es necesario dar una dirección a la causalidad, el problema de la endogeneidad.
  3. Imposibilidad lógica: si se tiene una teoría de la clase social que influye en la orientación política, es obvio que es la clase la que determina. La causalidad no puede ser revertida.

Hay que recordar que en las ciencias sociales queremos avanzar hacia una idea de explicación causal. Sin embargo, esto nunca puede hacerse, porque en el nivel epistemológico la idea de causa y efecto está en el nivel teórico. A nivel empírico, sólo podemos hablar de "variación", pero bajo ciertas condiciones podemos corroborar, es decir, verificar empíricamente una relación causal.

Corrosión empírica de una relación causal[modifier | modifier le wikicode]

Hay tres condiciones que deben cumplirse para verificar empíricamente una relación causal.

Covariable entre variables independientes y dependientes[modifier | modifier le wikicode]

  • variación de la variable independiente: ésta es la causa () ej: educación
  • variación de la variable dependiente: depende de , es el efecto; por ejemplo, la participación - ¡lo que se supone que se debe explicar debe variar! También la variable independiente!

A lo sumo, la relación causal teórica puede ser corroborada empíricamente.

Dirección causal[modifier | modifier le wikicode]

"No puedo decir si esta es la que determina el ou a lo contrario". Hay tres maneras de determinar la dirección de la causa y de acercarse al ideal teórico para definir una relación de causa y efecto.

  • manipulación de la variable independiente: análisis experimental, estos son diferentes métodos científicos fundamentales.
  • sucesión temporal: hay algunas variables que lógicamente preceden a otras variables. Por ejemplo, la socialización primaria precede (influye) en el comportamiento electoral de una persona de 30 años. (el problema de la endogeneidad se resuelve en este caso). En algunos casos hay sucesiones evidentes. A nivel empírico, esto es importante para determinar una dirección hacia la causalidad.
  • imposibilidad lógica: la clase social no determina la orientación política. Hay algunos factores que no pueden depender de otros factores. Existen imposibilidades lógicas que permiten establecer la relación causa-efecto.

Control de variables ajenas[modifier | modifier le wikicode]

Empíricamente, se podría decir que el nivel de participación política varía en función de varias variables. Este es el objetivo de controlar las variables extranjeras. Se puede decir que el 90% de lo que hacemos en la investigación en ciencias sociales es para asegurarnos de que podemos controlar el efecto de los factores explicativos que no nos interesan. Elemento determinante: control de las otras variables.

  • aplicación de la regla "ceteris paribus": la relación causa-efecto puede determinarse sabiendo que el resto no está involucrado, siendo todas las demás cosas iguales. Existe una relación entre un fenómeno dado y otro fenómeno, en igualdad de condiciones, es decir, que debemos garantizar que todos los demás factores puedan ser controlados o, en otras palabras, que sean constantes.
  • depende de la lógica del diseño de la investigación: es mi manera de controlar el papel de otras causas potenciales que dependen del diseño del modelo de investigación. Depende de la lógica del diseño de la investigación; diseño de la investigación observacional. La manera de sortear este problema es diferente dependiendo del modelo de investigación. El objetivo es controlar el efecto de otras causas potenciales cuyo efecto queremos mostrar.

Relación causal falsa[modifier | modifier le wikicode]

Definición[modifier | modifier le wikicode]

Relación causal falsa (espiritista): es una relación causal aparente, pero inexistente, pensábamos que habíamos encontrado una relación causal, pero finalmente no hubo relaciones causales, sino sólo una covariable. Es una covariable entre dos variables ( ; ) que no resulte de una relación causal entre y , pero depende del hecho de que y están influenciados por una tercera variable . La variación de produce la variación simultánea de y

sin que exista una relación causal entre los dos.

Siempre existe el peligro de que una relación observada no sea indicativa de una relación causal.

Suponemos que existe una relación causal entre y , pero eso no es verdad. La relación entre X e Y es engañosa. Sólo hay una covariable, hay que introducir variables de control.

Ejemplo de una relación causal falsa[modifier | modifier le wikicode]

Ejemplo 1[modifier | modifier le wikicode]

La intención de voto está influenciada por varios factores (edad, género, educación, clase social, orientación política de la familia, etc.).

Podemos encontrar un vínculo entre la educación () y votar (), pero al final es de clase social ()

que determina a ambos. Por lo tanto, deben introducirse variables de control! De lo contrario, sólo puede ser una covariable sin relación causal.

Uso de la televisión por dos candidatos ()

en las elecciones presidenciales para comunicar su programa.

Queremos explicar el voto (),pero el voto está influenciado por varios factores que juegan un papel como la educación, pero es la clase social la que genera una multi-causalidad. La idea es ver el efecto de la exposición a la campaña de televisión en los votantes. Por lo tanto, existe una relación muy fuerte entre y . ¿Podemos confiar en la covarianza entre y  ?

Votantes que siguieron la campaña por televisión () votó en mayor número por uno de los dos candidatos (). Se podría decir que la exposición a la campaña produce el voto, pero hay que tener en cuenta que: los votantes mayores ()

ver la televisión más a menudo, por lo que la edad influye en la votación (viejo a la derecha, joven a la izquierda).

La edad (Z) influye tanto en la exposición a la campaña como en la televisión (), los mayores se quedan en casa y ven la televisión, y votan por uno de los dos candidatos ().

Por lo tanto, la covarianza entre y no se verifica, porque la variable influye en las otras dos variables al mismo tiempo. Para ello, se debe introducir una variable de control.

Examinaremos los factores que explican de manera plausible lo que queremos explicar.

Ejemplo 2[modifier | modifier le wikicode]

Por ejemplo, si nos interesa el número de frigoríficos y el nivel de democracia, es irrelevante reivindicar un vínculo entre ambos. Sin embargo, podría explicarse que una tercera variable, que sería el grado de urbanización, genera democracia según ciertas teorías y al mismo tiempo aumenta el número de refrigeradores. Por lo tanto, la covariable no es una relación causa-efecto, porque hay una tercera variable que influye en ambas y es una relación causa-efecto.

Ejemplo 3[modifier | modifier le wikicode]

Si la participación política () se explica por el compromiso asociativo () se podría pensar que esta relación es falaz por el hecho de que hay otra variable que influye tanto en la participación como en el compromiso asociativo. Esta variable () podría ser la participación política. Una vez más, existe una relación engañosa; sería un error concluir a partir de la mera observación de esta relación que existe una relación causal entre y porque no controlamos el efecto de otra variable.

Dos maneras de controlar empíricamente una afirmación causal[modifier | modifier le wikicode]

En el caso de problemas relacionados con relaciones causales engañosas (multicausalidad y endogeneidad), hay dos maneras de controlar empíricamente la alegación causal.

Análisis de covarianza (datos de observación)[modifier | modifier le wikicode]

  • control: transformación de variables ajenas () en constantes, por lo que no tiene efectos, porque no hay covarianza, no cambia. Debemos tener en cuenta las posibilidades de relaciones engañosas (por ejemplo, buscamos entre todos los que van a la universidad en la clase social más alta, y luego analizamos su voto; por lo tanto, la clase no jugará un papel en el análisis). Este control se puede hacer manualmente.
  • depuración: control estadístico. Hacemos un modelo estadístico, introducimos que la variable , nos interesa, introducimos variables con una relación fuerte, luego introducimos las otras variables de control, y si todavía encontramos un efecto entre y , significa que la relación no era engañosa. Esto es hecho por una computadora que calcula las relaciones entre todas las variables y también considera todas las relaciones de co-variación. Al final determina si hay una correlación falsa o no. El control estadístico es una forma de controlar las variables y permite probar empíricamente la relación causa-efecto.

Experimento (datos experimentales)[modifier | modifier le wikicode]

Es la implementación de un método experimental. En el análisis de covarianza actuamos una vez que tenemos los datos, es decir, manipulamos los datos a priori desde el diseño de la investigación, mientras que en el método experimental actuamos antes (¿cómo producimos los datos?). El método experimental se utiliza para evitar una relación engañosa, una muestra se divide en dos grupos y los individuos se seleccionan al azar. De acuerdo con la ley de los grandes números, se puede demostrar que los dos grupos son similares, por lo que la única diferencia será la variable independiente.

Conclusión: es una reflexión en torno a la causalidad; se ha dicho que la cuestión de la causalidad permanece en el nivel teórico, sólo podemos intentar acercarnos a este ideal. Hay que buscar una correlación, pero hay que descartar hipótesis (contra variables), si no lo haces puedes caer en una relación causal engañosa.

Covariación: puede ser cercana a una relación causal, pero es el efecto de una (variable no observada) que influye en lo que queremos explicar (dependiente) y en lo que explicaría lo que queremos explicar (independiente). Una variable influye en las otras dos variables al mismo tiempo, también existe la posibilidad de una interacción entre las variables explicativas.

¿Cómo controlar las variables para evitar caer en una relación engañosa? Hay dos maneras:

  • análisis de covarianza: observamos (datos observacionales) después de tener los datos.
    • control: haremos una constante de una variable ajena, cuando tengamos una relación asumida entre dos variables que se hace falaz, porque hay una tercera variable, tomamos una parte de los individuos que corresponde a la segunda variable, por ejemplo, tomamos a personas de la misma edad, para la relación conductual entre la exposición a la televisión y el voto. Así que comprobamos este valor, lo hicimos constante.
  • depuración: es un control estadístico. Depuración para todas las variables.
    • análisis experimental: establecemos un diseño de investigación que evita la existencia de variables Z que puedan afectar a nuestro análisis.

Cuatro métodos científicos fundamentales según Arend Lipjhart[modifier | modifier le wikicode]

Se pueden mencionar tres o incluso cuatro métodos:

  1. Método experimental (diferente a los demás)
  2. Método estadístico
  3. Método comparativo
  4. Estudio de caso

Estos son los tres métodos fundamentales que permiten controlar las variables también conocidas como "factores explicativos adicionales". El objetivo es probar hipótesis y descartar algunas de ellas en competencia con otras.

Los tres primeros métodos finalmente tienen el objetivo principal de buscar relaciones de causa y efecto, y buscan eliminar el ruido producido por que podrían producir una relación engañosa, tienen el mismo propósito, pero lo persiguen de una manera diferente. Las tres establecen proposiciones empíricas generales bajo el control de todas las demás variables (). Quieren acercarse a la relación teórica de causa y efecto entre un fenómeno observado y las causas potenciales, hay diferentes grados de éxito, hemos visto que el método experimental y el que está más cerca de él, sobre los diferentes factores explicativos. La idea es llegar a una corroboración empírica de las declaraciones causales.

Método experimental[modifier | modifier le wikicode]

Principios[modifier | modifier le wikicode]

  • Asignación aleatoria: seleccionados al azar, todos los individuos tienen la misma probabilidad de estar en el grupo experimental o en el grupo de control de sujetos (en los grupos de control experimental y no experimental). Esta idea nació del principio de la ley de los grandes números: se supone que la variable aleatoria excluye cualquier otra explicación.
  • Manipulación de la variable independiente (tratamiento), ¿cómo son los grupos iguales? el investigador, en algún momento, introduce una entrada en uno de los dos grupos.

Separamos dos grupos para que los dos grupos sean iguales en todas las dimensiones excepto en una, que es sobre la que queremos probar el efecto. Seleccionar a una persona y asignarla al azar hace que los dos grupos sean similares. Si, posteriormente, se introduce un tratamiento en uno de los dos grupos y se observa un cambio que no está en el grupo de control, puede haber un efecto causal que entra en una reflexión de causa y efecto. Por lo tanto, puede concluirse que existe un efecto causal en la variable introducida.

Tipos de experimentos[modifier | modifier le wikicode]

  • En el laboratorio (experimento de laboratorio): se trata de experimentos realizados en laboratorios y luego los individuos se dividen en grupos a los que se aplican estímulos para llegar a un hallazgo de efecto o no efecto. Sin embargo, los individuos son sacados de sus condiciones naturales que pueden conducir a resultados relacionados con la artificialidad de las condiciones experimentales.
  • En el experimento de campo: contexto natural, puede haber otros factores involucrados. Se trata de experimentos que se han aplicado en la ciencia política. Los principios siguen siendo los mismos con una distribución aleatoria de los sujetos en dos grupos; la variable independiente se manipula y luego se determina si hubo un efecto del tratamiento en el grupo experimental y no en el grupo control. De este modo, se puede evitar la crítica de la artificialidad de los experimentos de laboratorio.
  • Sorteo cuasi-experimental (cuasi-experimental): este sorteo tiene en cuenta que el investigador manipula la variable independiente, pero no hay asignaciones aleatorias de sujetos a un grupo experimental y a un grupo de control. Si hacemos esto, es porque no podemos distribuir al azar en dos grupos, nos vemos obligados a tomar los grupos que realmente existen. En otras palabras, el investigador controla el tratamiento, pero no puede asignar sujetos al azar. A veces, cuando estamos en el campo, es difícil hacer las cosas de manera diferente. Normalmente este es el método que usamos, porque hay un factor que no podemos controlar.

Ejemplo[modifier | modifier le wikicode]

Un psicosociólogo quería probar los efectos de los objetivos colectivos en las relaciones interpersonales. Quería ver hasta qué punto, cuando a un grupo de personas se les dice que hay un objetivo, desaparecen los estereotipos negativos contradictorios. Es una experiencia inmediata en condiciones naturales. Dejó que los niños interactuaran entre sí, los niños cooperaron entre sí; el investigador trató de crear una identidad colectiva y dividió al grupo en dos al azar. Los hizo jugar al fútbol; vimos la aparición de rivalidades e incluso estereotipos negativos hacia el otro equipo. Luego volvió a reunir al grupo y redefinió un objetivo común que requiere cooperación. Posteriormente, observó que esos conflictos, estereotipos negativos y hostilidades se transformaron en una verdadera cooperación.

Método estadístico[modifier | modifier le wikicode]

No podemos hacer un dibujo de investigación que a priori nos permita comprobar si existen relaciones de correlación, pero debemos hacerlo después del hecho.

  • manipulación conceptual (matemática) de datos observados empíricamente: tenemos datos observacionales o intentamos controlarlos mediante control estadístico, con correlaciones parciales. Se hace una distinción entre datos experimentales y observacionales.
  • correlaciones parciales: correlación entre dos variables una vez que se ha salido del análisis, es decir, controlando el efecto de otras variables que podrían influir en lo que se quiere explicar. En otras palabras, significa hacer las otras Zs como si fueran constantes después de un proceso de depuración. Es una lógica de control de variables: controlamos las variables que pueden influir en lo que nos gustaría explicar. En el ejemplo de la votación, cualquier cosa que pueda explicar el voto debe ser tomada en consideración, especialmente si se puede asumir que este factor externo puede influir tanto en el voto como en la variable independiente (exposición mediática). De esta manera podemos saber si nos estamos acercando a un efecto causal.

Lo importante es ir más allá de un simple análisis bivariado; es necesario avanzar hacia un análisis multivariado en el que se introduzcan otras variables en el modelo explicativo.

Método comparativo[modifier | modifier le wikicode]

Toda la investigación en ciencias sociales es por naturaleza comparativa. Siempre comparamos algo implícita o explícitamente. Uno puede preguntarse acerca de los objetivos de la comparación. Hemos visto que los objetivos de cualquier método científico intentan establecer proposiciones empíricas generales controlando todas las demás variables, pero según algunas, como Tilly, hay cuatro objetivos de comparación, es decir, la comparación de unidades de observación.

Los objetivos de la comparación según Charles Tilly son:

  • Individualización (individualizing): el objetivo es poner de relieve las características de una unidad de análisis determinada sobre un fenómeno determinado; la idea es encontrar comparaciones, dar especificidad a un caso concreto: en los estudios comparativos de políticas, el caso es el país, se comparan los países; el objetivo es, por ejemplo, mostrar ciertas características del sistema político suizo en relación con otros países. La democracia directa determina los valores políticos; la democracia directa suiza puede compararse con los países que no la tienen. Podemos analizar el impacto de esta característica en las personas. Caracterizar, individualizar, hacer más específicas las características de un país en relación con otro.
  • Generalizar (generalizing): no se compara con individualizar, sino con generalizar, se incluye el mayor número de casos, se establecen propuestas empíricas generales. Para algunos, la generalización es uno de los dos objetivos principales del método comparativo. Estudiamos los comportamientos que comparamos, queremos ver si las configuraciones y efectos que encontramos en un contexto se encuentran en otro contexto.
  • Búsqueda de variaciones sistemáticas (variation-finding): el objetivo es buscar variaciones sistemáticas y probar una teoría descartando las teorías que compiten con la que se quiere destacar. Según Tilly, esta es la mejor manera de comparar. Intentamos probar una hipótesis causal, así que descartamos las hipótesis rivales.
  • Globalización (encompassing): el objetivo es globalizar (enfoque sistémico) incluimos a todos los países del mundo, o a todas las unidades de comparación posibles. La idea es que si se elimina una de estas unidades de comparación, se modifica todo el sistema. Para el profesor Giugni, este no es un enfoque comparativo, porque no hay comparación.

Los objetivos de la comparación son diferentes; actuar en la selección de casos es comparar.

Estrategias de comparación para buscar variaciones sistemáticas (Przeworski y Teune) Se puede distinguir entre dos estrategias de comparación, que son lógicas y formas de proceder metodológicamente en la elección de los casos. Estas son formas de abordar la cuestión de la causalidad cuando se dispone de datos observacionales. Se hace una distinción entre dos diseños de investigación comparativa, a saber, la comparación por caso analógico (similar) y por caso de contraste (diferente). Cada una de las opciones tiene sus ventajas y desventajas.

  • Comparación entre casos contrastantes (most different systems design): elegimos los casos que son lo más diferentes posible.
  • Comparación entre casos análogos (most similar systems design): tiene como objetivo controlar todas las variables excepto la que se desea analizar (ejemplo Francia - Suiza).
Skocpol, T. et M. Somers (1994). “The Uses of Comparative History in Macrosocial Inquiry”. In Theda Skocpol (éd.), Social Revolutions in the Modern World. Cambridge: Cambridge University Press.

Stuart Mill reflexionó sobre cómo analizar este vínculo causal. Al seleccionar diferentes casos para lograr este ideal, buscamos la relación de causa y efecto. Pero no estamos en el contexto del control estadístico. En nuestro caso, a través de la selección de casos, intentamos acercarnos a este ideal.

Stuart Mill distingue entre dos casos:

  • The method of agreement (the most different system design): la lógica es elegir países muy diferentes, pero que son similares en un factor clave. Hay X en todas partes. Luego observamos Y, luego hay una similitud en la variable Y que queremos explicar. La lógica es decir que estamos buscando países donde encontramos el mismo fenómeno, que es el que queremos demostrar. Observamos que lo que sucede es que cada vez que hay X encontramos Y. En ese momento, es producido por X porque no puede ser producido por otra cosa, porque los otros factores de los países son diferentes, no se encuentra en ninguna otra parte. La lógica es elegir casos muy diferentes sobre la mayoría de los factores en los que puedes pensar y luego verás si hay una copresencia de la variable que quieres explicar y la que explica.
  • The method of difference (the most similar system design): estamos buscando países que sean lo más parecidos posible. Se puede distinguir entre casos positivos y negativos. Buscaremos casos que tengan el factor A, B y C y casos negativos que también tengan A, B y C. En los casos positivos hay un factor presente que no está presente en los casos negativos. Por lo tanto, la votación está presente cuando X está presente y ausente cuando X está ausente. La conclusión es que X es la causa del efecto Y, porque la presencia de al menos Y no puede haber sido producida por A, B y C. Hemos hecho A, B y C constantes.

Ejemplo - most different system design: hay tres casos (1, 2, n); un caso puede ser de individuos, países, etc. Tenemos una serie de cualidades para estos casos. Estas son características de diferentes países (desempleo, desarrollo), X es la variable independiente y queremos explicar Y. En esta lógica de comparación, los casos son muy diferentes, pero sólo son similares en una propiedad. Así que esta variable explica el factor, porque es el único factor común. En la Tabla 2 tenemos casos positivos y negativos; estos casos son perfectamente similares sobre tantos atributos, propiedades y variables como sea posible, pero hay una diferencia crucial en lo que se supone que explica lo que queremos explicar. Hay un factor que no está presente. En un caso hay Y en el otro paso; la diferencia se atribuye a la variable que no lo es en ambos casos. Este método trata de aproximar el enfoque experimental, porque se hace de manera que los dos grupos estén lo más cerca posible (similar a a, b, c), pero difieren con la variable independiente, el diseño de sistema más similar. El profesor Giugni lo prefiere así, porque se acerca al ideal de la experimentación. Un ejemplo es estudiar a los estudiantes que asisten al curso durante dos años y cambiar las diapositivas que se dan. Luego, comparamos el resultado final (la puntuación media) en ambos casos.

Ejemplo - most similar system design : Comparo países que son similares (Francia y Suiza), y quiero demostrar que la represión policial francesa es más fuerte, es el único factor que difiere entre dos países. Entonces vemos que la radicalización de los movimientos sociales es más fuerte en Francia. El problema es que la "A", es decir, los factores que son similares entre los dos países, nunca son iguales, sino sólo similares (este problema sólo se puede encontrar con el método de diseño de investigación más similar, por lo que hay investigadores que prefieren el otro enfoque, en el que sólo es necesario encontrar las diferencias), sólo podemos acercarnos al ideal. Además, encontramos el problema de la endogeneidad, es decir, saber qué factor influye en el otro.

Estudio de caso[modifier | modifier le wikicode]

Es un método más cualitativo, se diferencia de los otros tres métodos en que están más orientados a la investigación cuantitativa-positivista. Hay algunas distinciones hechas por Arend Lipihart, hay una especie de división, una distinción entre los datos experimentales y, por otro lado, los datos de observación.

Mientras que el método experimental se basa en la idea de un gran número, el método comparativo un número de casos que pueden variar, el estudio de caso se basa en un solo caso. Sin embargo, es posible considerar un estudio de caso que puede cubrir más de un caso, ya que la frontera es a veces flexible.

El estudio de caso es sólo el estudio de un caso, no tiene ninguna comparación. Un caso puede ser muchas cosas como una fiesta, una persona o un país. Tratamos de estudiar un caso en particular en profundidad, pero no de una manera extensa como los otros tres métodos que no estudian los casos tan a fondo.

En otras palabras, la gran ventaja del estudio de caso es que se puede profundizar mucho más en el conocimiento del caso. Un estudio de caso es por definición intensivo, mientras que el estudio cuantitativo es extenso. Un método se basa en normas con la idea de generalizar, mientras que el otro se basa en una interpretación en profundidad de un caso específico.

Si el método estadístico pretende generalizar, el estudio de caso por definición no permite la generalización, el objetivo es otro. Existen diferentes estudios de caso y diferentes maneras de llevar a cabo un estudio de caso. Podemos mencionar 6 variantes:

  • las dos primeras se centran en el caso específico.
  • las otras cuatro modalidades tienen el objetivo de crear o generar una teoría.

El estudio de caso puede ser utilizado para lograr diferentes objetivos, por un lado uno quiere conocer mejor una situación particular de una manera descriptiva, por otro lado uno puede estudiar varios casos permitiendo generar una teoría a largo plazo.

Según Arend Lipihart, el propósito de la investigación es probar y verificar una teoría, así como generalizar los resultados.

Estos dos casos no quieren crear hipótesis, la idea es arrojar luz sobre algo en relación con un caso:

  • ateórico: no hay teoría, es puramente descriptivo. Es una investigación exploratoria, por ejemplo, el estudio de una nueva organización, sólo queremos conocerla y describirla, en cuyo caso no podemos generalizar los resultados, porque están relacionados con un caso particular estudiado. Se utiliza en situaciones o casos que nunca se han estudiado antes.
  • interpretativo: utilizamos las propuestas teóricas que existen en la literatura, en este enfoque cualitativo el papel de la literatura es menos importante, aplicamos una generalización existente a un caso dado, aquí el caso se refiere a un caso específico, sin la voluntad de crear una teoría como el ateo. El objetivo no es confirmarlo o negarlo, sino sólo aplicarlo. Las propuestas o teorías existentes se utilizan y aplican a un caso; las generalizaciones existentes se aplican a él para ver si la generalización se basa en ese caso específico. Una situación particular se interpreta a la luz de una teoría existente.

Los siguientes cuatro quieren crear una teoría o sacar algo de los casos. Su objetivo es crear o generar teorías o hipótesis:

  • generar hipótesis: queremos crear hipótesis donde no las hay. Estudio un caso no sólo porque me interesa, sino porque quiero formular hipótesis que probaré en otro lugar. Por ejemplo: una organización que está involucrada en la política. Estudiamos una situación determinada porque queremos hipótesis que no podemos encontrar en otra parte. Se explora un caso para formular hipótesis. Las hipótesis tienen esencialmente tres fuentes: la literatura existente, la imaginación sociológica y los estudios exploratorios.
  • confirmando una teoría: probando una teoría sobre un caso particular para confirmar esta teoría, este tipo de estudio de caso no es muy útil, porque no es el hecho de que haya un caso que refleje una teoría existente que refuerce la teoría que hace que este sistema no sea muy útil.
  • invalidar una teoría: esto es mucho más valioso, hay una teoría que se aplica en un caso específico, no tratamos de confirmar la teoría, pero para probar que no funciona, tratamos de invalidar una teoría. Esto nos lleva a pensar en la teoría, es algo importante para desarrollar una teoría.
  • caso desviado: por qué un caso se desvía de la generalización, este caso es muy útil cuando se quiere refutar una teoría. Estamos buscando una situación que se desvía de una situación existente, el estudio de caso busca mostrar por qué este caso se desvía de la generalización.

Anexos[modifier | modifier le wikicode]

  • Elisabeth Wood - An Insurgent Path to Democracy: Popular Mobilization, Economic Interests and Regime Transition in South Africa and El Salvador," Comparative Political Studies, October 2001. Translation published in Estudios Centroamericános, No. 641-2, 2002. url: http://cps.sagepub.com/content/34/8/862.short

Referencias[modifier | modifier le wikicode]

  1. ↑ Page personnelle de Marco Giugni sur le site de l'Université de Genève
Récupérée de « https://baripedia.org/index.php?title=Los_métodos_científicos_fundamentales&oldid=38770 »