Metodi scientifici di base

Metodi scientifici di base

Données clés

Faculté	Faculté des sciences de la société
Département	Département de science politique et relations internationales
Professeur(s)	Marco Giugni
Cours	Introduction aux méthodes de la science-politique

Lectures

• Cours introductif aux méthodes de la science-politique
• Le paradigme positiviste et le paradigme interprétatif
• Les méthodes scientifiques fondamentales
• De la théorie aux données
• Le recueil des données
• Le traitement des données

Languages

English Español Français

Sfide all'inferenza empirica nelle scienze politiche

Definizione

• inferire: trarre conclusioni generali da fatti, dati osservazionali e dati sperimentali. Un contesto di inferenza empirica esiste quando si vogliono stabilire legami e relazioni tra fattori esplicativi e spiegare sulla base di dati concreti o empirici.
• causalità: Come giudicare le relazioni causa-effetto è una questione centrale, specialmente nella metodologia.
• empirico: trarre conclusioni generali da prove empiriche.

Le tre sfide

Multi-causalità

• presque tout à un impact : c'est déterminé par une multiplicité de causes possibles ; ex, le comportement de vote politique n'est pas déterminé par une cause, il y a plusieurs facteurs. Un exemple est le niveau d'éducation, mais il y a d‘autres facteurs contextuels qui interviennent : sexe, position dans les classes.
• chaque phénomène a plusieurs causes : on peut difficilement défendre une position qui dit qu’un phénomène donné n’a qu’une seule cause. Lorsqu’il y a plusieurs facteurs, cela complique la tâche.

Condizionalità del contesto

Collegato al benchmarking; esiste un canale istituzionale che permette ai cittadini di partecipare, il che aiuta a spiegare perché le persone partecipano in Svizzera, ma non in altri paesi dove non esiste una democrazia diretta. Le cause di un fenomeno possono variare da un contesto all'altro. Il legame tra classe e voto dimostra che c'è condizionalità nel contesto e modifica il rapporto che può esistere tra due fattori che possono essere studiati. Ci sono effetti variabili nel contesto.

• L'effetto di quasi tutto dipende da quasi tutto il resto.
• Gli effetti di ciascuna causa tendono a variare da un contesto all'altro.

Endogeneità

Cause ed effetti si influenzano a vicenda; questo è il problema maggiore negli studi empirici, specialmente quelli che seguono l'approccio dell'osservazione. Ad esempio: l'interesse politico influenza la partecipazione (forte correlazione tra interesse (indipendente) e partecipazione (dipendente)). Il problema è che la causalità può essere invertita: "ciò che voglio spiegare può spiegare ciò che si suppone spieghi ciò che volevo spiegare".

È la difficoltà di distinguere tra "ciò che voglio spiegare" e il fattore che spiega questo fenomeno. La causa diventa un effetto e viceversa.

• Quasi tutto causa quasi tutto il resto.
• Cause ed effetti si influenzano a vicenda.

Spesso è difficile dire in quale direzione vada la causalità che si vuole applicare.

Il concetto di causa

Article détaillé : L’inférence causale.

Determinazione del rapporto di causalità

Nell'approccio scientifico delle scienze sociali, l'obiettivo è quello di determinare le relazioni causali.

"Se C (causa), allora E (effetto).

Non e' abbastanza! Il rapporto tra C ed E può a volte o sempre essere utile. Esempio - Dobbiamo essere un po' più specifici. Se diciamo che se c'è un alto livello di istruzione, possiamo dire che c'è un livello di partecipazione più elevato. Si sostiene che se c'è C allora c'è E, non c'è univocità del rapporto mentre il rapporto di causa ed effetto deve essere univoco.

"Se C, allora (e solo allora) sempre E.

In questo caso ci sono le quattro caratteristiche della relazione causa-effetto:

• Condizionalità: effetto a condizione che vi sia una causa.
• Successione: prima la causa, poi l'effetto.
• Coerenza: "Sempre" ogni volta che la causa è presente, si osserva anche l'effetto.
• Univocità: il legame è unico.

Vengono introdotti elementi importanti per definire che cos'è una causa. - non è ancora abbastanza! Esempio: se il livello di istruzione è alto, allora e solo allora c'è sempre una maggiore partecipazione.

Tuttavia, secondo alcuni, nell'epistemologia della scienza, manca l'elemento che consiste nel dire che ci deve essere un legame genetico, un legame nella produzione dell'effetto dovuto alla causa.

"Se C, allora (e solo allora) E sempre prodotto da C".

VERO: Un dato effetto non solo deve essere correlato ad una causa, ma l'effetto deve essere prodotto e generato da quella causa. La distinzione è più filosofica che sostanziale.

Definizione di cosa sia una causa

• $E$ è generato da $C$, quindi non basta osservare una covarianza tra una causa ed un effetto, ma è necessario, per parlare di causa, che l'effetto sia generato dalla causa.
• La causa deve produrre l'effetto. (ad esempio, se si ha un alto livello di istruzione, questo genera la partecipazione alla politica).

Fondamentalmente, nel contesto del pensiero causale, appartiene solo al livello teorico. Quando parliamo di causa, siamo su un piano puramente teorico e non empirico. Pertanto, non si può mai dire che empiricamente, una variazione di $C$ produce una variazione di $E$.

Non possiamo mai riuscire a stabilire relazioni di causa-effetto a livello teorico, possiamo farlo solo a livello empirico.

Se osserviamo empiricamente, sulla base dei dati, che una variazione di $C$ e regolarmente seguita da una variazione di $E$,

possiamo dire che c'è un elemento di conferma empirica di un'ipotesi causale. Occorre distinguere tra il livello teorico e il livello causale, che è il livello empirico che può essere affrontato solo attraverso lo studio delle covariazioni.

In altre parole, se osserviamo che una variazione di $C$ e regolarmente seguita da una variazione di$E$, c'è un elemento di corroborazione, ma ogni altra possibile causa deve ancora essere eliminata. Empiricamente, il compito è quello di dire che vogliamo trovare una covariata, ma poiché c'è la multicausalità, come possiamo assicurarci che questa covariata esista realmente e affermare che abbiamo un elemento di corroborazione empirica dell'assunzione del rapporto di causa-effetto?

Corrosione empirica di una relazione causale

Se osserviamo empiricamente che una variazione di $X$ è regolarmente seguita da una variazione di $Y$ mantenendo costanti tutti gli altri. $X$ (altre cause e fattori esplicativi) esiste un forte elemento di corroborazione scientifica dell'ipotesi che $X$ o la causa di $Y$.

Nella ricerca empirica non potremmo mai parlare di causa ed effetto; dobbiamo tenere presente che il rapporto di causa-effetto rimane nell'ambito della teoria, empiricamente possiamo avvicinarci solo in certe condizioni, trovando la covarianza e mantenendo costanti gli altri fattori.

1. covarianza tra variabili dipendenti (dipende) e indipendenti (causa, non dipende da nient'altro): entrambe devono variare.
2. direzione causale: è necessario dare una direzione alla causalità, il problema dell'endogeneità.
3. Impossibilità logica: se si ha una teoria della classe sociale che influenza l'orientamento politico, è ovvio che è la classe che determina. La causalità non può essere invertita.

Va ricordato che nelle scienze sociali vogliamo muoverci verso un'idea di spiegazione causale. Tuttavia, questo non può mai essere fatto, perché sul piano epistemologico l'idea di causa ed effetto è a livello teorico. A livello empirico, possiamo parlare solo di "variazione", ma in certe condizioni possiamo confermare, cioè verificare empiricamente una relazione causale.

Corrosione empirica di una relazione causale

Ci sono tre condizioni da soddisfare per verificare empiricamente una relazione causale.

Covariazione tra variabili indipendenti e dipendenti

• variazione della variabile indipendente: questa è la causa ($X$) ex: istruzione
• variazione della variabile dipendente: dipende da $X$, è l'effetto; per esempio, la partecipazione - quello che si suppone che tu debba spiegare deve variare! Anche la variabile indipendente!

Al massimo, la relazione causale teorica può essere corroborata empiricamente.

Direzione causale

"Non posso dire se questo e $X$ che determina l'attributo $Y$ o il contrario". Ci sono tre modi per determinare la direzione causale e per avvicinarsi all'ideale teorico per definire una relazione causa-effetto.

• manipolazione della variabile indipendente: analisi sperimentale, questi sono diversi metodi scientifici fondamentali.
• successione temporale: ci sono alcune variabili che logicamente precedono altre variabili. Ad esempio, la socializzazione primaria precede (influenza) il comportamento di voto di una persona che ha 30 anni. (in questo caso il problema dell'endogeneità è risolto). In alcuni casi ci sono successioni ovvie. A livello empirico questo è importante per determinare una direzione verso la causalità.
• impossibilità logica: la classe sociale non determina l'orientamento politico. Ci sono alcuni fattori che non possono dipendere da altri fattori. Ci sono impossibilità logiche che rendono possibile stabilire il rapporto di causa-effetto.

Controllo di variabili esterne

Dal punto di vista empirico, si potrebbe dire che il livello di partecipazione politica varia a seconda di diverse variabili. Questo è lo scopo del controllo delle variabili esterne. Si può dire che il 90 per cento di ciò che facciamo nella ricerca nel campo delle scienze sociali è garantire che possiamo controllare l'effetto di fattori esplicativi che non ci interessano. Elemento determinante: controllo delle altre variabili.

• applicazione della regola "ceteris paribus": il rapporto di causa-effetto può essere determinato sapendo che il resto non è coinvolto, a parità di tutte le altre cose. C'è una relazione tra un dato fenomeno e un altro fenomeno, a parità di tutte le altre cose, cioè dobbiamo fare in modo che tutti gli altri fattori si possano dire controllati o, in altre parole, resi costanti.
• dipende dalla logica del design della ricerca: è il mio modo di controllare il ruolo di altre potenziali cause che dipendono dal design del modello di ricerca. Dipende dalla logica del design di ricerca; design di ricerca osservazionale. Il modo di aggirare questo problema è diverso a seconda del modello di ricerca. L'obiettivo è quello di controllare l'effetto di altre cause potenziali di cui vogliamo mostrare l'effetto.

Falsa relazione causale

Definizione

Falsa relazione causale (spiriosa): è una relazione causale apparente, ma inesistente, pensavamo di aver trovato una relazione causale, ma alla fine non c'erano relazioni causali, ma solo una covariata. È una covariata tra due variabili ($X$ ; $Y$) che non risulta da un nesso causale tra $X$ e $Y$, ma dipende dal fatto che $X$ e $Y$ sono influenzati da una terza variabile $Z$. La variazione di $Z$ produce la variazione simultanea di $X$ e $Y$ senza che ci sia una relazione causale tra i due.

C'è sempre il pericolo che una relazione osservata possa non essere indicativa di una relazione causale.

Assumiamo una relazione causale tra $X$ e $Y$, ma non e' vero. Il rapporto tra X e Y è fuorviante. C'è una sola covariata, le variabili di controllo devono essere introdotte.

Esempio di relazione causale ingannevole

Esempio 1

L'intenzione di voto è influenzata da diversi fattori (età, sesso, istruzione, classe sociale, orientamento politico della famiglia, ecc.

Possiamo trovare un collegamento tra l'istruzione ($X$) e votare (Échec de l’analyse (MathML avec SVG ou PNG en secours (recommandé pour les navigateurs modernes et les outils d’accessibilité) : réponse non valide(« Math extension cannot connect to Restbase. ») du serveur « https://en.wikipedia.org/api/rest_v1/ » :): {\displaystyle Y} ), ma alla fine è la classe sociale (Échec de l’analyse (MathML avec SVG ou PNG en secours (recommandé pour les navigateurs modernes et les outils d’accessibilité) : réponse non valide(« Math extension cannot connect to Restbase. ») du serveur « https://en.wikipedia.org/api/rest_v1/ » :): {\displaystyle Z} ) che li determina entrambi. Pertanto, le variabili di controllo devono essere introdotte! Altrimenti può essere solo una covariata senza nesso causale.

Uso della televisione da parte di due candidati (Échec de l’analyse (MathML avec SVG ou PNG en secours (recommandé pour les navigateurs modernes et les outils d’accessibilité) : réponse non valide(« Math extension cannot connect to Restbase. ») du serveur « https://en.wikipedia.org/api/rest_v1/ » :): {\displaystyle X} )

nelle elezioni presidenziali per comunicare il loro programma.

Vogliamo spiegare il voto (Échec de l’analyse (MathML avec SVG ou PNG en secours (recommandé pour les navigateurs modernes et les outils d’accessibilité) : réponse non valide(« Math extension cannot connect to Restbase. ») du serveur « https://en.wikipedia.org/api/rest_v1/ » :): {\displaystyle Y} ), ma il voto è influenzato da diversi fattori che giocano un ruolo come l'istruzione, ma è la classe sociale che genera multicausalità. L'idea è di vedere l'effetto dell'esposizione alla campagna televisiva sugli elettori. Quindi c'è una relazione molto forte tra Échec de l’analyse (MathML avec SVG ou PNG en secours (recommandé pour les navigateurs modernes et les outils d’accessibilité) : réponse non valide(« Math extension cannot connect to Restbase. ») du serveur « https://en.wikipedia.org/api/rest_v1/ » :): {\displaystyle X} et Échec de l’analyse (MathML avec SVG ou PNG en secours (recommandé pour les navigateurs modernes et les outils d’accessibilité) : réponse non valide(« Math extension cannot connect to Restbase. ») du serveur « https://en.wikipedia.org/api/rest_v1/ » :): {\displaystyle Y} . Possiamo fidarci della covarianza tra Échec de l’analyse (MathML avec SVG ou PNG en secours (recommandé pour les navigateurs modernes et les outils d’accessibilité) : réponse non valide(« Math extension cannot connect to Restbase. ») du serveur « https://en.wikipedia.org/api/rest_v1/ » :): {\displaystyle X} e Échec de l’analyse (MathML avec SVG ou PNG en secours (recommandé pour les navigateurs modernes et les outils d’accessibilité) : réponse non valide(« Math extension cannot connect to Restbase. ») du serveur « https://en.wikipedia.org/api/rest_v1/ » :): {\displaystyle Y}  ?

Gli elettori che hanno seguito la campagna in televisione (Échec de l’analyse (MathML avec SVG ou PNG en secours (recommandé pour les navigateurs modernes et les outils d’accessibilité) : réponse non valide(« Math extension cannot connect to Restbase. ») du serveur « https://en.wikipedia.org/api/rest_v1/ » :): {\displaystyle X} ) ha votato in numero maggiore per uno dei due candidati (Échec de l’analyse (MathML avec SVG ou PNG en secours (recommandé pour les navigateurs modernes et les outils d’accessibilité) : réponse non valide(« Math extension cannot connect to Restbase. ») du serveur « https://en.wikipedia.org/api/rest_v1/ » :): {\displaystyle Y} ). Si potrebbe dire che l'esposizione alla campagna produce il voto, ma si dovrebbe tener conto di quanto segue: elettori più anziani (Échec de l’analyse (MathML avec SVG ou PNG en secours (recommandé pour les navigateurs modernes et les outils d’accessibilité) : réponse non valide(« Math extension cannot connect to Restbase. ») du serveur « https://en.wikipedia.org/api/rest_v1/ » :): {\displaystyle Z} ) guardare la televisione più spesso, quindi l'età influenza il voto (vecchio a destra, giovane a sinistra).

L'età (Z) influenza sia l'esposizione alla campagna in televisione (Échec de l’analyse (MathML avec SVG ou PNG en secours (recommandé pour les navigateurs modernes et les outils d’accessibilité) : réponse non valide(« Math extension cannot connect to Restbase. ») du serveur « https://en.wikipedia.org/api/rest_v1/ » :): {\displaystyle X} ), i più anziani rimangono a casa, guardano la TV e votano per uno dei due candidati (Échec de l’analyse (MathML avec SVG ou PNG en secours (recommandé pour les navigateurs modernes et les outils d’accessibilité) : réponse non valide(« Math extension cannot connect to Restbase. ») du serveur « https://en.wikipedia.org/api/rest_v1/ » :): {\displaystyle Y} ).

Così, la covarianza tra Échec de l’analyse (MathML avec SVG ou PNG en secours (recommandé pour les navigateurs modernes et les outils d’accessibilité) : réponse non valide(« Math extension cannot connect to Restbase. ») du serveur « https://en.wikipedia.org/api/rest_v1/ » :): {\displaystyle X} e Échec de l’analyse (MathML avec SVG ou PNG en secours (recommandé pour les navigateurs modernes et les outils d’accessibilité) : réponse non valide(« Math extension cannot connect to Restbase. ») du serveur « https://en.wikipedia.org/api/rest_v1/ » :): {\displaystyle Y} non è verificata, perché la variabile Échec de l’analyse (MathML avec SVG ou PNG en secours (recommandé pour les navigateurs modernes et les outils d’accessibilité) : réponse non valide(« Math extension cannot connect to Restbase. ») du serveur « https://en.wikipedia.org/api/rest_v1/ » :): {\displaystyle Z}

influenza le altre due variabili contemporaneamente. A tal fine è necessario introdurre una variabile di controllo.

Esamineremo i fattori che spiegano in modo plausibile ciò che vogliamo spiegare.

Esempio 2

Ad esempio, se siamo interessati al numero di frigoriferi e al livello di democrazia, affermare un legame tra i due è irrilevante. Tuttavia, si potrebbe spiegare che una terza variabile, che sarebbe il grado di urbanizzazione, genera democrazia secondo certe teorie e allo stesso tempo aumenta il numero di frigoriferi. Quindi la covariata non è una relazione di causa-effetto, perché c'è una terza variabile che influenza sia l'una che l'altra ed è una relazione di causa-effetto.

Esempio 3

Se la partecipazione politica (Échec de l’analyse (MathML avec SVG ou PNG en secours (recommandé pour les navigateurs modernes et les outils d’accessibilité) : réponse non valide(« Math extension cannot connect to Restbase. ») du serveur « https://en.wikipedia.org/api/rest_v1/ » :): {\displaystyle Y} ) si spiega con l'impegno associativo (Échec de l’analyse (MathML avec SVG ou PNG en secours (recommandé pour les navigateurs modernes et les outils d’accessibilité) : réponse non valide(« Math extension cannot connect to Restbase. ») du serveur « https://en.wikipedia.org/api/rest_v1/ » :): {\displaystyle X} ) si potrebbe pensare che questo rapporto sia reso fallace dal fatto che esiste un'altra variabile che influenza sia la partecipazione che l'impegno associativo. Questa variabile (Échec de l’analyse (MathML avec SVG ou PNG en secours (recommandé pour les navigateurs modernes et les outils d’accessibilité) : réponse non valide(« Math extension cannot connect to Restbase. ») du serveur « https://en.wikipedia.org/api/rest_v1/ » :): {\displaystyle Z} ) potrebbe essere la partecipazione politica. Anche in questo caso, c'è una relazione fuorviante; sarebbe un errore concludere dalla semplice osservazione di questa relazione che esiste una relazione causale traÉchec de l’analyse (MathML avec SVG ou PNG en secours (recommandé pour les navigateurs modernes et les outils d’accessibilité) : réponse non valide(« Math extension cannot connect to Restbase. ») du serveur « https://en.wikipedia.org/api/rest_v1/ » :): {\displaystyle X} y Échec de l’analyse (MathML avec SVG ou PNG en secours (recommandé pour les navigateurs modernes et les outils d’accessibilité) : réponse non valide(« Math extension cannot connect to Restbase. ») du serveur « https://en.wikipedia.org/api/rest_v1/ » :): {\displaystyle Y} perché l'effetto di un'altra variabile non è stato controllato.

Due modi per controllare empiricamente un'affermazione causale

Nel caso di problemi legati a relazioni causali fuorvianti (multicausalità ed endogeneità), ci sono due modi per controllare empiricamente l'affermazione causale.

Analisi della covarianza (dati di osservazione)

• controllo: trasformazione di variabili esterne (Échec de l’analyse (MathML avec SVG ou PNG en secours (recommandé pour les navigateurs modernes et les outils d’accessibilité) : réponse non valide(« Math extension cannot connect to Restbase. ») du serveur « https://en.wikipedia.org/api/rest_v1/ » :): {\displaystyle Z} ) in costanti, quindi non ha effetti, perché non c'è covarianza, non cambia. Dobbiamo prendere in considerazione le possibilità di relazioni ingannevoli (ad esempio, guardiamo tra tutti coloro che frequentano l'università nella classe sociale più alta, e poi analizziamo il loro voto; quindi la classe non avrà un ruolo nell'analisi). Questo controllo può essere fatto manualmente.
• depurazione: controllo statistico. Facciamo un modello statistico, introduciamo che la variabile Échec de l’analyse (MathML avec SVG ou PNG en secours (recommandé pour les navigateurs modernes et les outils d’accessibilité) : réponse non valide(« Math extension cannot connect to Restbase. ») du serveur « https://en.wikipedia.org/api/rest_v1/ » :): {\displaystyle X} , ci interessa, introduciamo variabili con una forte relazione, poi introduciamo le altre variabili di controllo, e se troviamo ancora un effetto tra Échec de l’analyse (MathML avec SVG ou PNG en secours (recommandé pour les navigateurs modernes et les outils d’accessibilité) : réponse non valide(« Math extension cannot connect to Restbase. ») du serveur « https://en.wikipedia.org/api/rest_v1/ » :): {\displaystyle X} e Échec de l’analyse (MathML avec SVG ou PNG en secours (recommandé pour les navigateurs modernes et les outils d’accessibilité) : réponse non valide(« Math extension cannot connect to Restbase. ») du serveur « https://en.wikipedia.org/api/rest_v1/ » :): {\displaystyle Y} , significa che il rapporto non era fuorviante. Questo viene fatto da un computer che calcola le relazioni tra tutte le variabili e considera anche tutte le relazioni di co-variazione. Alla fine determina se c'è una falsa correlazione o meno. Il controllo statistico è un modo di controllare le variabili e permette di verificare empiricamente la relazione causa-effetto.

Esperimento (dati sperimentali)

E' l'implementazione di un metodo sperimentale. Nell'analisi della covarianza agiamo una volta che abbiamo i dati, cioè manipoliamo i dati a priori dal disegno di ricerca, mentre nel metodo sperimentale agiamo prima (come produciamo i dati?). Il metodo sperimentale è utilizzato per evitare una relazione fuorviante, un campione è diviso in due gruppi e gli individui sono selezionati in modo casuale. Secondo la legge dei grandi numeri, si può dimostrare che i due gruppi sono simili, quindi l'unica differenza sarà la variabile indipendente.

Conclusione: è una riflessione sulla causalità; è stato detto che la questione della causalità rimane a livello teorico, possiamo solo cercare di avvicinarci a questo ideale. Bisogna cercare una correlazione, ma bisogna escludere ipotesi (contro variabili), se non lo si fa si può cadere in una relazione causale fuorviante.

Covariazione: può essere vicino a una relazione causale, ma è l'effetto di un Échec de l’analyse (MathML avec SVG ou PNG en secours (recommandé pour les navigateurs modernes et les outils d’accessibilité) : réponse non valide(« Math extension cannot connect to Restbase. ») du serveur « https://en.wikipedia.org/api/rest_v1/ » :): {\displaystyle Z}

(variabile non osservata) che influenza ciò che vogliamo spiegare (dipendente) e ciò che spiegherebbe ciò che vogliamo spiegare (indipendente). Una variabile influenza le altre due variabili contemporaneamente, vi è anche la possibilità di un'interazione tra variabili esplicative.

Come controllare le variabili per evitare di cadere in una relazione ingannevole? Ci sono due modi:

• analisi di covarianza: osserviamo (dati osservazionali) dopo averli avuti.
  • controllo: faremo costante una variabile straniera, quando abbiamo un rapporto presunto tra due variabili che viene reso fallace, perché c'è una terza variabile, prendiamo una parte degli individui che corrisponde alla seconda variabile, ad esempio, prendiamo persone della stessa età, per il rapporto comportamentale tra esposizione televisiva e voto. Così abbiamo controllato questo valore, l'abbiamo reso costante.
• depurazione: è un controllo statistico. Depurazione per tutte le variabili.
  • analisi sperimentale: abbiamo messo a punto un disegno di ricerca che evita l'esistenza di variabili Z che potrebbero influenzare la nostra analisi.

Quattro metodi scientifici fondamentali secondo Arend Lipjhart

Si possono menzionare tre o addirittura quattro metodi:

1. Metodo sperimentale (si differenzia dagli altri)
2. Metodo statistico
3. Metodo comparativo
4. Caso di studio

Questi sono i tre metodi fondamentali che permettono di controllare le variabili note anche come "fattori esplicativi aggiuntivi". L'obiettivo è quello di verificare le ipotesi ed escluderne alcune in concorrenza con altre.

I primi tre metodi, infine, hanno tutti l'obiettivo principale di ricercare rapporti di causa-effetto e di eliminare il rumore prodotto da Échec de l’analyse (MathML avec SVG ou PNG en secours (recommandé pour les navigateurs modernes et les outils d’accessibilité) : réponse non valide(« Math extension cannot connect to Restbase. ») du serveur « https://en.wikipedia.org/api/rest_v1/ » :): {\displaystyle Z} che potrebbero produrre un rapporto fuorviante, hanno lo stesso scopo, ma lo perseguono in modo diverso. I tre stabiliscono proposizioni empiriche generali sotto il controllo di tutte le altre variabili (Échec de l’analyse (MathML avec SVG ou PNG en secours (recommandé pour les navigateurs modernes et les outils d’accessibilité) : réponse non valide(« Math extension cannot connect to Restbase. ») du serveur « https://en.wikipedia.org/api/rest_v1/ » :): {\displaystyle Z} ). Vogliono avvicinarsi al rapporto teorico causa-effetto tra un fenomeno osservato e le cause potenziali, ci sono diversi gradi di successo, abbiamo visto che il metodo sperimentale e quello più vicino ad esso, sui diversi fattori esplicativi. L'idea è di arrivare ad una conferma empirica delle affermazioni causali.

Metodo sperimentale

Principi

• Assegnazione casuale: selezionati a caso, tutti gli individui hanno le stesse probabilità di essere nel gruppo di controllo sperimentale o soggetto (nei gruppi di controllo sperimentale e non sperimentale). Questa idea è nata dal principio della legge dei grandi numeri: la variabile casuale dovrebbe escludere qualsiasi altra spiegazione.
• Manipolazione della variabile indipendente (trattamento), come sono uguali i gruppi? Il ricercatore, ad un certo punto, introduce un input in uno dei due gruppi.

Separiamo due gruppi in modo che i due gruppi siano gli stessi su tutte le dimensioni tranne che su una che è quella su cui vogliamo testare l'effetto. La selezione di una persona e l'assegnazione casuale rende i due gruppi simili. Se, successivamente, viene introdotto un trattamento in uno dei due gruppi e si osserva un cambiamento che non è nel gruppo di controllo, ci può essere un effetto causale che va in una riflessione di causa ed effetto. Si può pertanto concludere che la variabile introdotta ha un effetto causale.

Tipi di esperimenti

• In laboratorio (laboratory experiment): si tratta di esperimenti eseguiti in laboratorio e poi gli individui vengono divisi in gruppi ai quali vengono applicati stimoli per arrivare ad un riscontro di effetto o non effetto. Tuttavia, gli individui vengono prelevati dalle loro condizioni naturali che possono portare a risultati che sono legati all'artificialità delle condizioni sperimentali.
• Esperimento sul campo (field experiment): contesto naturale, possono essere coinvolti altri fattori. Si tratta di esperimenti che sono stati applicati nelle scienze politiche. I principi rimangono gli stessi con una distribuzione casuale dei soggetti in due gruppi; la variabile indipendente viene manipolata e poi si determina se c'è stato un effetto del trattamento sul gruppo sperimentale e non sul gruppo di controllo. In questo modo è possibile evitare di criticare l'artificialità degli esperimenti di laboratorio.
• Disegno quasi-sperimentale (quasi-experiment): questo disegno tiene presente che il ricercatore manipola la variabile indipendente, ma non ci sono allocazioni casuali di soggetti ad un gruppo sperimentale e ad un gruppo di controllo. Se lo facciamo, è perché non possiamo distribuirci a caso in due gruppi, siamo costretti a prendere i gruppi effettivamente esistenti. In altre parole, il ricercatore controlla il trattamento, ma non può assegnare i soggetti in modo casuale. A volte, quando siamo sul campo, è difficile fare le cose in modo diverso. Di solito questo è il metodo che usiamo, perché c'è un fattore che non possiamo controllare.

Esempio

Uno psicosociologo ha voluto testare gli effetti degli obiettivi collettivi sulle relazioni interpersonali. Voleva vedere fino a che punto, quando a un gruppo di persone viene detto che c'è un obiettivo, stereotipi negativi in conflitto scompaiono. È un'esperienza immediata in condizioni naturali. Ha lasciato che i bambini interagissero tra loro, i bambini collaborano tra loro; il ricercatore ha cercato di creare un'identità collettiva e ha diviso il gruppo in due in modo casuale. Li ha fatti giocare a calcio; abbiamo visto emergere rivalità e persino stereotipi negativi nei confronti dell'altra squadra. Poi ha rimesso insieme il gruppo e ha ridefinito un obiettivo comune che richiede cooperazione. In seguito, ha notato che questi conflitti, gli stereotipi negativi e le ostilità si sono trasformati in una vera e propria cooperazione.

Metodo statistico

Non possiamo fare un disegno di ricerca che a priori ci permette di verificare se ci sono relazioni di correlazione, ma dobbiamo farlo dopo il fatto.

• manipolazione concettuale (matematica) di dati empiricamente osservati: abbiamo dati osservazionali o cerchiamo di controllare per controllo statistico, con correlazioni parziali. Si distingue tra dati sperimentali e osservazionali.
• correlazioni parziali: correlazione tra due variabili una volta lasciata l'analisi, cioè il controllo dell'effetto di altre variabili che potrebbero influenzare ciò che si vuole spiegare. In altre parole, significa fare le altre Z come se fossero costanti a seguito di un processo di depurazione. E' una logica di controllo delle variabili: controlliamo le variabili che possono influenzare ciò che vorremmo spiegare. Nell'esempio sul voto, dovrebbe essere preso in considerazione tutto ciò che potrebbe spiegare il voto, soprattutto se si può presumere che questo fattore esterno possa influenzare sia il voto che la variabile indipendente (esposizione mediatica). In questo modo possiamo sapere se ci stiamo avvicinando a un effetto causale. Tradotto con www.DeepL.com/Translator

L'importante è andare oltre la semplice analisi bivariata; è necessario passare ad un'analisi multivariata dove altre variabili sono introdotte nel modello esplicativo.

Metodo comparativo

Tutta la ricerca nel campo delle scienze sociali è per sua natura comparativa. Confrontiamo sempre qualcosa in modo implicito o esplicito. Ci si può chiedere quali siano gli obiettivi del confronto. Abbiamo visto che gli obiettivi di qualsiasi metodo scientifico cercano di stabilire proposizioni empiriche generali controllando tutte le altre variabili, ma secondo alcune, come Tilly, ci sono quattro obiettivi per il confronto, cioè il confronto delle unità di osservazione.

Gli obiettivi del confronto secondo Charles Tilly sono:

• Individualizzazione (individualizing): l'obiettivo è quello di evidenziare ed evidenziare le caratteristiche di una data unità di analisi su un certo fenomeno; l'idea è quella di trovare confronti, di dare specificità ad un dato caso di esempio; negli studi di politica comparativa, il caso è il paese, i paesi sono confrontati; l'obiettivo è, ad esempio, di mostrare alcune caratteristiche del sistema politico svizzero rispetto ad altri paesi. La democrazia diretta determina i valori politici; la democrazia diretta svizzera può essere confrontata con paesi che non ne dispongono. Possiamo analizzare l'impatto di questa caratteristica sulle persone. Caratterizzare, individualizzare, personalizzare, rendere più specifiche le caratteristiche di un paese rispetto ad un altro.
• Generalizzare (generalizing) : non confrontiamo per individualizzare, ma per generalizzare, includiamo il maggior numero di casi, stabiliamo proposte empiriche generali. Per alcuni, la generalizzazione è uno dei due obiettivi principali del metodo comparativo. Studiamo i comportamenti che confrontiamo, vogliamo vedere se le configurazioni e gli effetti che troviamo in un contesto si trovano in un altro contesto.
• Ricerca di variazioni sistematiche (variation finding): l'obiettivo è quello di cercare variazioni sistematiche e testare una teoria scartando le teorie concorrenti da quella che si vuole evidenziare. Secondo Tilly, questo è il modo migliore per fare un confronto. Cerchiamo di testare un'ipotesi causale, quindi escludiamo ipotesi rivali.
• Globalizzazione (encompassing): l'obiettivo è quello di globalizzare (approccio sistemico) che comprende tutti i paesi del mondo, o tutte le possibili unità di confronto. L'idea è che se si rimuove una di queste unità di confronto, l'intero sistema cambia. Per il professor Giugni, questo non è un approccio comparativo, perché non c'è confronto.

Ci sono diversi obiettivi del confronto; agire sulla selezione dei casi è comparare.

Strategie di confronto per cercare variazioni sistematiche (Przeworski e Teune) Si può fare una distinzione tra due strategie di confronto, sono logiche e modi di procedere metodologicamente nella scelta dei casi. Questi sono modi per affrontare la questione della causalità quando sono disponibili dati osservazionali. Viene fatta una distinzione tra due progetti di ricerca comparativa, vale a dire il confronto per caso analogico (simile) e per contro caso (diverso). Ciascuna delle opzioni presenta vantaggi e svantaggi.

• Confronto tra casi contrastanti (la maggior parte dei sistemi di progettazione diversi): scegliamo casi che sono i più diversi possibili
• Confronto tra casi analoghi (progettazione di sistemi più simili): ha lo scopo di controllare tutte le variabili tranne quella che si vuole analizzare (esempio Francia - Svizzera).

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 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.

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.

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

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.

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 :

• 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.
• 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.
• 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.
• 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.

Annexes

• 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