Fundamental scientific methods

Languages

Français

Challenges to empirical inference in political science

Definition

• Inferring: drawing general conclusions from facts, observations and experimental data. Empirical inference is used to establish links and relationships between explanatory factors and to explain on the basis of concrete or empirical evidence.
• Causality: How to judge the cause-effect relationships, this is a central issue, especially in methodology.
• Empirical: drawing general conclusions from empirical evidence.

The three challenges

Multi-causality

• Almost everything has an impact: it is determined by a multiplicity of possible causes; e. g., political voting behaviour is not determined by one cause, there are several factors. One example is the level of education, but there are other contextual factors that come into play: gender, position in classrooms.
• Each phenomenon has several causes: it is difficult to defend a position that says that a given phenomenon has only one cause. When there are several factors, this complicates the task.

Context Conditionality

Linked to benchmarking; there is an institutional channel that allows citizens to participate, this helps explain why people participate in Switzerland, but not in other countries where there is no direct democracy. The causes of a phenomenon can vary from one context to another. The link between social class and voting shows that there is a conditionality of context and modifies the relationship between two factors that can be studied. There are variable effects across the context.

• The effect of almost everything depends on almost everything else.
• The effects of each cause tend to vary across contexts.

Endogeneity

Causes and effects influence each other; this is the biggest problem in empirical studies, especially those that follow the observational approach. For example: political interest influences participation (strong correlation between (independent) interest and (dependent) participation). The problem is that causality can be reversed:"what I want to explain can explain what is supposed to explain what I wanted to explain".

It is the difficulty of distinguishing between "what I want to explain" and the factor that explains this phenomenon. The cause becomes an effect and vice versa.

• Almost every cause almost everything else.
• Causes and effects influence each other.

Il est souvent difficile de dire dans quel sens va la causalité que l’on souhaite postuler.

The concept of cause

Article détaillé : L’inférence causale.

Determinant of causal relationship

The scientific approach in the social sciences seeks to determine causal relationships.

If C (cause), then E (effect)

That's not enough! The relationship between C and E can be worth sometimes or always.

Example - You need to be a little more specific. If we say that if there is a high level of education, we can say that there is a higher level of participation.

It is asserted that if there is C then there is E, there is no univocity of the relationship when the cause and effect relationship must be univocal.

"If C, then (and only then) always E"

In this case there are the four cause-effect relationship characteristics:

• Conditionality: effect provided there is cause.
• Succession: first the cause then the effect.
• Constantial: always "whenever the cause is present, the effect is also observed.
• Univocity: the link is unique.

Important elements are introduced to define what a cause is. still insufficient approach!

For example: if the level of education is high, then and only then is there always higher participation.

However, according to some, in the epistemology of science, there is a missing element in the epistemology of science, which is to say that there must be a genetic link, a link in the production of the causal effect.

"If C, then (and only then) E always produced by C"

TRUE. A given effect must not only be correlated with a cause, but the effect must be produced and generated by that cause. The distinction is more philosophical than substantial.

Definition of what a cause is

• E is generated by C, so it is not enough to observe a covariation between a cause and an effect, but it is also necessary, to speak of cause, that the effect is generated by the cause.
• The cause must produce the effect. (ex- if you have a high level of education, this generates participation in politics).

Basically, in the context of causal thinking, it belongs only to the theoretical level. When we talk about cause, we are at the purely theoretical and not empirical level. Therefore, it can never be said that empirically, a variation of C produces a variation of E.

Theoretical cause-effect relationships can never be established, only empirically.

If one observes empirically, on the basis of data, that a variation of C and regularly followed by a variation of E, one can say that there is empirical corroboration of a causal hypothesis. A distinction must be made between the theoretical level and the level of causality, which is the empirical level that can only be the one of getting closer by studying covariations.

If we observe empirically, on the basis of data, that a variation of C and regularly followed by a variation of E, we can say that there is an element of In other words, if we observe that a variation of C and regularly followed by a variation of E, there is an element of corroboration, but we still have to eliminate any other possible cause. Empirically, the task is to say that we want to find a covariation, but since there is multicausality, how can we make sure that this covariation really exists and say that we have empirical corroboration of the hypothesis of cause and effect?

Empirical corroboration of a causal relationship

If one observes empirically that a variation of X is regularly followed by a variation of Y while keeping constant all the other possible Xs (other causes and explanatory factors), one has a strong scientific corroboration of the hypothesis that X is the cause of Y.

In empirical research, one could never speak of cause and effect; it is important to keep in mind that the cause-and-effect relationship remains in the realm of theory, empirically one can only get closer under certain conditions, finding covariation by keeping the other factors constant.

1. covariation between dependent variable (it depends) and independent variable (cause, it does not depend on anything else): both must vary.
2. Causal direction: it is necessary to give a direction to causality, problem of endogeneity.
3. Logical impossibility: if we have a social class theory that influences political orientation, it is obvious that it is the class that determines. Causality cannot be reversed.

We must remember that in the social sciences, we want to go towards an idea of causal explanation. However, this can never be done, because on the epistemological level the idea of cause and effect lies at the theoretical level. At the empirical level, we can only speak of "variation", but under certain conditions we can corroborate, i. e. empirically verify a causal relationship.

Empirical corroboration of a causal relationship

There are three conditions that must be met in order to empirically verify a causal relationship.

Covariation between independent variable and dependent variable

• variation de la variable indépendante : c'est la cause ($X$) ex : éducation
• variation de la variable dépendante : dépend de $X$, 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

« Je n’arrive pas à dire si c'est la $X$ qui détermine la $Y$ 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.

Control of foreign variables

Empirically, one could say that the level of political participation varies according to several variables. This is the whole issue of controlling foreign variables. We can say that 90% of what we do in social science research is to make sure that we can control the effect of explanatory factors that do not interest us. Decisive element: control of the other variables.

• application of the rule "ceteris paribus": one can determine the cause-effect relationship knowing that the rest does not intervene, all other things being equal. There is a relationship between one phenomenon and another, all other things being equal, that is, we must ensure that all other factors can be said to be controlled or, in other words, made constant.
• depends on the logic of the research design: it is my way of controlling the role of other potential causes that depend on the design of the research model. Depends on the logic of the research design; drawing of observational research. How to get around this problem and different depending on the research model. The objective is to control the effect of other potential causes whose effect is to be shown.

Fallacious causal relationship

Definition

Relation causale fallacieuse (spirious) : c’est une relation causale apparente, mais inexistence, 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 ($X$ ; $Y$) qui ne découle pas d’un lien causal entre $X$ et $Y$, mais dépend du fait que $X$ et $Y$ sont influencés par une troisième variable $Z$. La variation de $Z$ produit la variation simultanée de $X$ et $Y$ sans qu'il y ait une relation causale entre le deux.

Il y a toujours le danger qu’une relation observée ne soit pas l’indice d’une relation causale.

On postule une relation de cause entre $X$ et $Y$, 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.

Example of a Fallacious Causal Relationship

Exemple 1

L’intention de vote est influencée par plusieurs facteurs (âge, genre, éducation, classe sociale, orientation politique de la famille, etc.).

On peut trouver un lien entre éducation ($X$) et vote ($Y$), mais finalement c'est la classe sociale ($Z$) 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.

Utilisation de la télévision de la part de deux candidats ($X$) à l’élection présidentielle pour communiquer leur programme.

On veut expliquer le vote ($Y$), 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 $X$ et $Y$. Peut-on faire confiance à la covariation entre $X$ et $Y$ ?

Les électeurs qui ont suivi la campagne en télévision ($X$) ont voté plus nombreux pour un des deux candidats ($Y$). On pourrait dire que l'exposition à la campagne produit le vote, mais il faut tenir en compte que : les électeurs plus âgés ($Z$) regardent plus souvent la télévision, donc l’âge influence le vote (vieux droite, jeunes gauche).

L’âge (Z) influence à la fois l’exposition à la campagne en télévision ($X$), les plus âgés restent à la maison et regardant la télé, et le vote pour un des deux candidats ($Y$).

Ainsi, la covariation entre $X$ et $Y$ n’est pas vérifiée, car la variable $Z$ influence les deux autres variables en même temps. Pour cela il faut introduire une variable de contrôle.

On va s'intéresser à des facteurs qui de manière plausible expliquent ce que nous voulons expliquer.

Example 2

For example, if we look at the number of refrigerators and the level of democracy, it is irrelevant to say that there is a link between the two. However, one could explain that a third variable, which would be the degree of urbanization, generates democracy according to certain theories and at the same time increases the number of refrigerators. Thus, covariation is not a cause-effect relationship, because there is a third variable that influences both and is a cause-effect relationship.

Example 3

Si la participation politique ($Y$) est expliquée par l’engagement associatif ($X$) 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 ($Z$) 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 $X$ et $Y$ parce qu’on n’a pas contrôlé l’effet d’une autre variable.

Deux manières pour contrôler empiriquement une affirmation causale

Dans le cas de problèmes liés aux relations causales fallacieuses (multicausalité et endogénéité), il y a deux manières de contrôler empiriquement l’affirmation causale.

Analyse de la covariation (donnée d’observation)

• contrôle : transformation des variables étrangères ($Z$) 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 $X$, 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 $X$ et $Y$, 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)

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.

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 $Z$ (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.

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.

Four basic scientific methods according to Arend Lipjhart

Three or even four methods can be mentioned:

1. Experimental method (differentiated from others)
2. Statistical method
3. Comparative method
4. Case Study

These are the three basic methods that make it possible to make a control of the variables also known as "additional explanatory factors". The aim is to test hypotheses and rule out some of them in competition with others.

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 $Z$ 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 ($Z$). 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.

Experimental method

Principes

• 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.

Two groups are separated so that the two groups are the same on all dimensions except for one, which is the one on which we want to test the effect. Choosing a person and assigning them randomly means that the two groups are similar. If treatment is then introduced in one of the two groups and a change is observed that is not in the control group, there may be a causal effect leading to cause and effect reflection. It can therefore be concluded that there is a causal effect in the introduced variable.

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.

Example

A psychosociologist wanted to test the effects of collective goals on interpersonal relationships. He wanted to see the extent to which, when a group of people are told that there is an objective, conflicting negative stereotypes disappear. It is an immediate experience in natural conditions. He allowed the children to interact with each other, and the children were made to cooperate with each other; the researcher tried to create a collective identity and divided the group into two randomly. He made them play football; we have seen the emergence of rivalries and even negative stereotypes against the other team. He then put the group back together and redefined a common goal that requires cooperation. Afterward he found that these conflicts, these negative stereotypes, these hostilities turned into true cooperation.

Méthode statistique

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.

Comparative method

All social science research is comparative in nature. We always compare implicitly or explicitly something. One may wonder about the objectives of the comparison. We have seen that the objectives of any scientific method try to establish general empirical proposals by controlling for all the other variables, but according to some, such as Tilly, there are four objectives for comparison, i. e. the comparison of observation units.

The goals of the comparison according to Charles Tilly are:

• 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.

There are different objectives of the comparison; to act on the selection of cases is to compare.

Comparison strategies to look for systematic variations (Przeworski and Teune) A distinction can be made between two comparison strategies, which are logical and methodological approaches to case selection. These are ways of dealing with the issue of causality when we have observational data. A distinction is made between two comparative research designs: analog (similar) and contrast (different). Each of the possibilities has its advantages and disadvantages.

• 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).

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.

Example - most different system design: we have three cases (1,2, n); one case can be individuals, countries, etc. We have a number of qualities for these cases. These are characteristics of different countries (unemployment, development), X is the independent variable and we want to explain Y. In this comparison logic, the cases are very different, but are similar only in one property. So this variable explains the factor, because it is the only common factor. In Table 2 there are positive and negative cases; these cases are perfectly similar on the highest possible number of attributes, properties and variables, but there is a crucial difference in what is supposed to explain what we want to explain. There is a factor that is not present. In one case there is Y in the other; the difference is attributed to the variable that is not in both cases. This method tries to get closer to the experimental approach, because it is done in such a way that the two groups are as close as possible (like a, b, c), but they differ from the independent variable, most similar system design. Professor Giugni prefers this way because it is closer to the ideal of experimentation. One example is to study students attending the course over two years and change the slides that are given. The final result (the average score) is then compared in both cases.

Example - most similar system design: I compare countries that look like each other (France and Switzerland), and I want to show that the French police repression is stronger, it's the only difference between two countries. Then we see that the radicalisation of social movements is stronger in France. The problem is that the "A" s, i. e. the factors that are similar between the two countries, are never equal, but only resemble each other (this problem is only encountered with the most similar research design method, that's why there are researchers who prefer the other approach, in which we only have to find the differences), we can only get closer to the ideal. In addition, we also find the problem of endogeneity, i. e. knowing which factor influences the other.

Case Study

It is a more qualitative method, different from the other three methods because they are more oriented towards quantitative-positive research. There are some distinctions made by Arend Lipihart, there is a kind of cleavage, a distinction between experimental data and observational data.

While the experimental method is based on the idea of many, the comparative method a number of cases that may vary, the case study is based on only one case. However, a case study may be considered that may extend over more than one case, as the border may be flexible.

The case study is only the study of one case, it has no comparison. A case can be many things like a party, a person or a country. We try to study a particular case in depth, but not as extensively as the other three methods that do not study cases so thoroughly.

In other words, the great advantage of the case study is that you can go much deeper into the knowledge of the case. A case study is by definition intensive while the quantitative study is extensive. One method is based on standardisations with the idea of generalising while the other is based on the in-depth interpretation of a specific case.

While the statistical method aims to generalize, the case study by definition does not allow generalization, the objective is another. There are different case studies and modalities for conducting a case study. There are 6 variations:

• 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