Análisis comparativo cualitativo

En estadística , el análisis comparativo cualitativo ( QCA ) es un análisis de datos basado en la teoría de conjuntos para examinar la relación entre las condiciones y el resultado. El QCA 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 grandes para el análisis de casos cruzados . ^[3]

En el caso de las 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 podría tomar cinco valores y D podría 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 la cantidad 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 al QCA es un conjunto de datos de cualquier tamaño, desde N pequeño hasta N grande, 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 de Boole para simplificar o reducir el número de inferencias al conjunto mínimo de inferencias que respaldan los datos. Este conjunto reducido de inferencias se denomina "implicaciones principales" por los partidarios 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 toma C es irrelevante. Por lo tanto, las cinco inferencias que involucran a 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 implicantes principales o las inferencias descriptivas derivadas de los datos mediante el método QCA son causales, es necesario 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 las ciencias sociales y se basa en la lógica binaria del álgebra de Boole , e intenta garantizar 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 por combinaciones de variables potenciales ayuda a la selección de casos al hacer que los investigadores conozcan todos los tipos de casos posibles que se necesitarían investigar, como mínimo, si existen, para probar una determinada hipótesis o derivar nuevas inferencias de un conjunto de datos existente. En situaciones en las que las observaciones disponibles constituyen la población completa de casos, este método alivia el problema de N pequeño al permitir que se extraigan inferencias evaluando y comparando el número de casos que exhiben cada combinación de variables. El problema de N pequeño 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 en el sentido de que 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 hacer entre los casos bajo investigación, las inferencias causales son posibles según Ragin. ^[5] Esta técnica permite la identificación de múltiples vías causales y efectos de interacción que pueden no ser detectables mediante un análisis estadístico que normalmente requiere que el conjunto de datos se ajuste a un modelo. Por lo tanto, es el primer paso para identificar subconjuntos de un conjunto de datos que se ajusten a una vía causal particular en función de las combinaciones de covariables antes de los análisis estadísticos cuantitativos que prueban la conformidad con un modelo; y ayuda a los investigadores cualitativos a limitar correctamente el alcance de los hallazgos declarados al tipo de observaciones que analizan.

Como se trata de una técnica lógica (determinista) y no estadística (probabilista), con el QCA de "conjunto nítido" (csQCA), la aplicación original del QCA, las variables solo pueden tener dos valores, lo que es problemático ya que el investigador tiene que determinar los valores de cada variable. Por ejemplo: el investigador debe dividir el PIB per cápita 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 fortalezas relativas de las variables independientes (ya que solo pueden tener dos valores). ^[5] Ragin y otros académicos como Lasse Cronqvist, han tratado de abordar estos problemas mediante el desarrollo de nuevas herramientas que extienden el QCA, como el QCA de valores múltiples (mvQCA) y el QCA de conjuntos difusos (fsQCA). Nota: El QCA de valores múltiples es simplemente el QCA aplicado a las observaciones que tienen variables categóricas con más de dos valores. El QCA Crisp-Set puede considerarse un caso especial de QCA de múltiples valores. ^[6]

Los metodólogos estadísticos han argumentado que las fuertes suposiciones del QCA hacen que sus hallazgos sean frágiles y propensos al error de tipo I. Simon Hug sostiene que las hipótesis deterministas y las medidas libres de error 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 cualquiera de las suposiciones. ^[7] Chris Krogslund, Donghyun Danny Choi y Mathias Poertner demuestran además que los resultados del QCA son altamente sensibles a cambios menores paramétricos y de 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 del 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 cuantitativo cuantitativo se puede realizar de forma probabilística o determinista con observaciones de variables categóricas. Por ejemplo, la existencia de una inferencia o implicación descriptiva se sustenta de forma determinista por la ausencia de casos de contraejemplo a la inferencia; es decir, si un investigador afirma que la condición X implica la condición Y, entonces, de forma determinista, no debe existir ningún caso de contraejemplo que tenga la condición X, pero no la condición Y. Sin embargo, si el investigador quiere afirmar que la condición X es un "predictor" probabilístico de la condición Y, en otro conjunto similar de casos, entonces la proporción de casos de contraejemplo a una inferencia con respecto a la proporción de casos que tienen esa misma combinación de condiciones se puede establecer en un valor umbral de, por ejemplo, el 80% o superior. Para cada implicante principal que QCA produce a través de su proceso de reducción de inferencia lógica, se calculan y reportan la "cobertura" (porcentaje de todas las observaciones que exhiben esa implicación o inferencia) y la "consistencia" (el porcentaje de observaciones que se ajustan a esa combinación de variables que tienen ese valor particular de la variable dependiente o resultado), y se pueden usar como indicadores de la solidez de esa inferencia probabilística exploratoria. En procesos sociales complejos de la vida real, QCA permite la identificación de múltiples conjuntos de condiciones que están asociadas consistentemente con un valor de salida particular para explorar predictores causales.

El conjunto difuso QCA 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 incertidumbre, ambigüedad o error de medición en la clasificación de un caso. ^[11]

El QCA se ha utilizado ahora en muchos más campos que la ciencia política, para la que Ragin desarrolló por primera vez el método. ^[12] Hoy en día, el método se ha utilizado en:

• Negocios (por ejemplo, Romme 1995; Kask y Linton 2013; para una revisión, consulte Misangyi et al. 2017 ^[13] ) ^{[14] [15]}
• Gestión de sistemas de información (p. ej., Lee et al., 2019; ^[16] para una revisión, consulte 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 (p. ej. Linton y Kask 2017) ^[21]
• Educación (por ejemplo, Stevenson 2013) ^[22]
• Ciencias ambientales (p. ej. 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 combinacional

• Duşa, Adrian (1 de octubre de 2008) [septiembre de 2007]. "Un enfoque matemático para el problema de minimización booleana". Calidad y cantidad . 44 : 99–113. doi :10.1007/s11135-008-9183-x. S2CID  123042755. Número de artículo: 99 (2010).[1] (22 páginas)
• Duşa, Adrian (2007). "Enhancing Quine-McCluskey" (PDF) . Universidad de Bucarest . Archivado (PDF) desde el original el 2020-05-12 . Consultado el 2020-05-12 .(16 páginas) (NB. QCA, una implementación de código abierto basada en R utilizada en las ciencias sociales).

• COMPASSS (COMPArative Methods for Systematic cross-caSe analySis), un sitio web dedicado al análisis comparativo cualitativo