Análisis comparativo cualitativo

En estadística , el análisis comparativo cualitativo ( ACQ ) es un análisis de datos basado en la teoría de conjuntos para examinar la relación entre condiciones y resultados. El ACQ describe la relación en términos de condiciones necesarias y condiciones suficientes . ^{[ 1 ]} La técnica fue desarrollada originalmente por Charles Ragin en 1987 ^{[ 2 ]} para estudiar conjuntos de datos que son demasiado pequeños para el análisis de regresión lineal , pero lo suficientemente grandes para el análisis de casos cruzados . ^{[ 3 ]}

En el caso de variables categóricas, el QCA comienza enumerando y contando todos los tipos de casos que ocurren, donde cada tipo de caso se define por su combinación única de valores de sus variables independientes y dependientes. Por ejemplo, si hubiera cuatro variables categóricas de interés, {A, B, C, D}, y A y B fueran dicotómicas (podrían tomar dos valores), C pudiera tomar cinco valores y D pudiera tomar tres, entonces habría 60 tipos posibles de observaciones determinadas por las posibles combinaciones de variables, no todas las cuales ocurrirían necesariamente en la vida real. Al contar el número de observaciones que existen para cada una de las 60 combinaciones únicas de variables, el QCA puede determinar qué inferencias o implicaciones descriptivas están respaldadas empíricamente por un conjunto de datos . Por lo tanto, la entrada del QCA es un conjunto de datos de cualquier tamaño, desde pequeño N hasta grande N, y la salida del QCA es un conjunto de inferencias o implicaciones descriptivas que los datos respaldan.

En el siguiente paso del QCA, se utiliza la lógica inferencial o álgebra booleana para simplificar o reducir el número de inferencias al conjunto mínimo de inferencias respaldadas por los datos. Este conjunto reducido de inferencias es denominado "implicaciones primarias" por los seguidores del QCA. Por ejemplo, si la presencia de las condiciones A y B siempre está asociada con la presencia de un valor particular de D, independientemente del valor observado de C, entonces el valor que tome C es irrelevante. Por lo tanto, las cinco inferencias que involucran A y B y cualquiera de los cinco valores de C pueden reemplazarse por la única inferencia descriptiva "(A y B) implica el valor particular de D".

Para establecer que los principales implicantes o inferencias descriptivas derivadas de los datos mediante el método QCA son causales, se requiere establecer la existencia de un mecanismo causal utilizando otro método, como el rastreo de procesos , la lógica formal, las variables intervinientes o el conocimiento multidisciplinario establecido. ^{[ 4 ]} El método se utiliza en ciencias sociales y se basa en la lógica binaria del álgebra booleana , y busca asegurar que se consideren todas las combinaciones posibles de variables que se pueden realizar en los casos bajo investigación.

La técnica de enumerar los tipos de casos según las posibles combinaciones de variables facilita la selección de casos al permitir a los investigadores conocer todos los tipos de casos posibles que deberían investigarse, como mínimo, si existen, para probar una hipótesis determinada o derivar nuevas inferencias a partir de un conjunto de datos existente. En situaciones donde las observaciones disponibles constituyen la totalidad de la población de casos, este método mitiga el problema de la N pequeña al permitir extraer inferencias evaluando y comparando el número de casos que presentan cada combinación de variables. El problema de la N pequeña surge cuando el número de unidades de análisis (por ejemplo, países) disponibles es inherentemente limitado. Por ejemplo: un estudio donde los países son la unidad de análisis está limitado porque solo hay un número limitado de países en el mundo (menos de 200), menos de lo necesario para algunas técnicas estadísticas (probabilísticas). Al maximizar el número de comparaciones que se pueden realizar entre los casos bajo investigación, es posible realizar inferencias causales, según Ragin. ^{[ 5 ]} Esta técnica permite identificar múltiples vías causales y efectos de interacción que podrían no ser detectables mediante análisis estadísticos, los cuales generalmente requieren que el conjunto de datos se ajuste a un único modelo. Por lo tanto, constituye el primer paso para identificar subconjuntos de un conjunto de datos que se ajusten a una vía causal específica, basándose en las combinaciones de covariables, antes de realizar análisis estadísticos cuantitativos que comprueben la conformidad con un modelo; y ayuda a los investigadores cualitativos a delimitar correctamente el alcance de los hallazgos alegados al tipo de observaciones que analizan.

Como esta es una técnica lógica (determinista) y no estadística (probabilística), con QCA de "conjunto nítido" ( csQCA ), la aplicación original de QCA, las variables solo pueden tener dos valores, lo cual es problemático ya que el investigador tiene que determinar los valores de cada variable. Por ejemplo: el PIB per cápita debe ser dividido por el investigador en dos categorías (por ejemplo, bajo = 0 y alto = 1). Pero como esta variable es esencialmente una variable continua, la división siempre será arbitraria. Un segundo problema relacionado es que la técnica no permite una evaluación del efecto de las fuerzas relativas de las variables independientes (ya que solo pueden tener dos valores). ^{[ 5 ]} Ragin y otros académicos como Lasse Cronqvist han intentado abordar estos problemas desarrollando nuevas herramientas que extienden QCA, como QCA multivalor ( mvQCA ) y QCA de conjunto difuso ( fsQCA ). Nota: QCA multivalor es simplemente QCA aplicada a observaciones que tienen variables categóricas con más de dos valores. El QCA de conjunto nítido puede considerarse un caso especial del QCA multivalor. ^{[ 6 ]}

Los metodólogos estadísticos han argumentado que los fuertes supuestos del QCA hacen que sus hallazgos sean frágiles y propensos al error de tipo I. Simon Hug argumenta que las hipótesis deterministas y las medidas libres de errores son extremadamente raras en las ciencias sociales y utiliza simulaciones de Monte Carlo para demostrar la fragilidad de los resultados del QCA si se viola alguno de los supuestos. ^{[ 7 ]} Chris Krogslund, Donghyun Danny Choi y Mathias Poertner demuestran además que los resultados del QCA son altamente sensibles a cambios paramétricos menores y a la susceptibilidad del modelo, y son vulnerables al error de tipo I. ^{[ 8 ]} Bear F. Braumoeller explora más a fondo la vulnerabilidad de la familia de técnicas QCA tanto al error de tipo I como a la inferencia múltiple. ^{[ 9 ]} Braumoeller también ofrece una prueba formal de la hipótesis nula y demuestra que incluso los hallazgos muy convincentes del QCA pueden ser el resultado del azar. ^{[ 10 ]}

El análisis cualitativo comparativo (QCA) puede realizarse de forma probabilística o determinista con observaciones de variables categóricas. Por ejemplo, la existencia de una inferencia o implicación descriptiva se sustenta deterministamente en la ausencia de casos que contradigan la inferencia; es decir, si un investigador afirma que la condición X implica la condición Y, entonces, deterministamente, no debe existir ningún caso que contradiga la condición X pero no la condición Y. Sin embargo, si el investigador desea afirmar que la condición X es un predictor probabilístico de la condición Y en otro conjunto de casos similares, entonces la proporción de casos que contradigan la inferencia, en relación con la proporción de casos que presentan esa misma combinación de condiciones, puede establecerse en un valor umbral, por ejemplo, del 80 % o superior. Para cada implicante principal que QCA genera mediante su proceso de reducción de inferencia lógica, se calcula y reporta la "cobertura" (porcentaje de observaciones que presentan dicha implicación o inferencia) y la "consistencia" (porcentaje de observaciones que se ajustan a esa combinación de variables con ese valor particular de la variable dependiente o resultado). Estos datos pueden utilizarse como indicadores de la solidez de dicha inferencia probabilística exploratoria. En procesos sociales complejos de la vida real, QCA permite identificar múltiples conjuntos de condiciones que se asocian consistentemente con un valor de salida específico, con el fin de explorar predictores causales.

El QCA de conjuntos difusos tiene como objetivo manejar variables, como el PIB per cápita, donde el número de categorías, valores decimales de unidades monetarias, se vuelve demasiado grande para usar mvQCA, o en casos donde es necesario reconocer la incertidumbre, la ambigüedad o el error de medición en la clasificación de un caso. ^{[ 11 ]}

El análisis cualitativo comparativo (QCA) se utiliza ahora en muchos más campos que la ciencia política, para la cual Ragin desarrolló inicialmente el método. ^{[ 12 ]} Hoy en día, el método se ha utilizado en:

• Negocios (por ejemplo, Romme 1995; Kask y Linton 2013; para una revisión, véase Misangyi et al. 2017 ^{[ 13 ]} ) ^{[ 14 ] [ 15 ]}
• Gestión de sistemas de información (por ejemplo, Lee et al. 2019; ^{[ 16 ]} para una revisión, véase Mattke et al. 2021 ^{[ 3 ]} )
• Gestión de proyectos (p. ej., Invernizzi et al. 2020) ^{[ 17 ]}
• Comportamiento humano (p. ej., Olya y Akhshik 2019) ^{[ 18 ]}
• Gestión de la innovación (p. ej., Sukhov et al. 2018; ^{[ 19 ]} Aşkun et al. 2021 ^{[ 20 ]} )
• Emprendimiento (por ejemplo, Linton y Kask 2017) ^{[ 21 ]}
• Educación (por ejemplo, Stevenson 2013) ^{[ 22 ]}
• Ciencias ambientales (por ejemplo, Basurto 2013) ^{[ 23 ]}
• Investigación en salud (por ejemplo, Blackman 2013) ^{[ 24 ]}
• Comercio minorista (por ejemplo, Johansson y Kask 2017) ^{[ 25 ]}
• Turismo (p. ej., Olya y Altinay 2015; Olya y Gavilyan, 2016; Olya y Mehran, 2017; ^{[ 26 ] [ 27 ] [ 28 ]} Çizel et al. 2021 ^{[ 29 ]} )
• Ciencias políticas (por ejemplo, Bara 2014; Binder 2015; Schneider y Maerz 2017) ^{[ 30 ] [ 31 ] [ 32 ]}

• Algoritmo de Quine-McCluskey
• CORA - Análisis de regularidad combinatoria
• Claudio Wagemann

• Duşa, Adrian (1 de octubre de 2008) [septiembre de 2007]. "Un enfoque matemático al problema de minimización booleana" . Quality & Quantity . 44 : 99–113 . doi : 10.1007/s11135-008-9183-x . S2CID 123042755. Número de artículo: 99 (2010). (22 páginas)
• Duşa, Adrian (2007). "Mejora de Quine-McCluskey" (PDF) . Universidad de Bucarest . Archivado (PDF) del original el 12 de mayo de 2020. Recuperado el 12 de mayo de 2020 .(16 páginas) (Nota: QCA , una implementación de código abierto basada en R utilizada en las ciencias sociales).
• Schneider, Q. Carlsten (2024), Investigación multimétodo basada en la teoría de conjuntos: una guía para combinar QCA y estudios de caso, Cambridge University Press . ISBN 978-1-009-30715-4

• COMPASSS (Métodos Comparativos para el Análisis Sistemático de Casos Cruzados) , un sitio web dedicado al análisis comparativo cualitativo.