4.3. * Качественный сравнительный анализ

4.3.
* Качественный сравнительный анализ
Комплексная каузальность
Множественная каузальность
Булева алгебра
Первичная импликанта
Булева минимизация
Сущность метода
Качественный сравнительный анализ (qualitative comparative analysis) уже
неоднократно упоминался в настоящем учебнике. Данная процедура, предложенная Ч.
Рагиным, относится к комбинаторным методам (configurational comparative methods),
основанным на использовании средств математической логики и предназначенным для
анализа взаимосвязи условий на уровне конкретного случая. Относительная простота и
эффективность метода способствовали тому, что сфера его применения оказалась весьма
широкой: качественный сравнительный анализ (КСА) уже использовался для изучения
стилей административного управления в городах, анализа динамики убийств, проявлений
рабочего
сопротивления,
участия
женщин
в
политическом
процессе,
причин
злоупотребления наркотиками и алкоголем и много другого.
Со временем сложилась группа исследователей, которые целенаправленно
занимаются
разработкой,
применением
и
продвижением
КСА,
изучением
его
методологических оснований и методических особенностей (Ч.Рагин, Б.Риу, Ж.Де Мер,
А.Берг-Шлоссер, Л.Кронквист, Дж.Квист, К.Шнайдер, Б.Вис и др.). Более того, на
сегодняшний день существуют ассоциация ученых, практикующих метод и на регулярной
основе проводящие встречи и конференции (COMPASS).
Сторонники качественной стратегии сравнительного исследования постоянно
критикуют адептов переменных и корреляций за игнорирование разрыва между
результатами количественного исследования и спецификой конкретных случаев. Кроме
того, в вину последним вменяются абстрактность концепций, «оторванных» от событий и
процессов на уровне конкретных кейсов. Свою основную задачу практикующие КСА
исследователи видят именно в смягчении подобного разрыва и нахождение баланса между
описанием объектов во всем их многообразии и поиском формальных обобщений.
Отвечая на вопрос «Что такое КСА?», Ч. Рагин формулирует четыре суждения
[What is Qualitative Comparative Analysis (QCA)?].
1.
КСА
–
метод,
соединяющий
в
себе
количественный
и
качественный типы анализа.
Большинство аспектов КСА реализуется в методологии качественного анализа.
КСА учитывает разнообразие случаев и их неоднородность в отношении каузальных
условий и контекстов.В то же время, метод дает возможность определения паттернов,
общих для кейсов, что традиционно является прерогативой количественного анализа.
2.
КСА дает мощные инструменты для анализа множественной
каузальности.
КСА позволяет изучать "INUS" условия - недостаточные, но необходимые части
каузальных кластеров, которые сами по себе достаточны, но не являются необходимыми
(см. главу «Общие методики работы в каузальном исследовании»). Другими словами, с
помощью КСА можно работать с комплексной каузальностью, при которой различные
комбинации причинных факторов способны генерировать один и тот же результат.
КСА допускает, что в разных ситуациях к одному и тому же значению зависимой
переменной могут приводить разные значения независимых переменных, и в этом
допущении состоит одно из его основных теоретико-методологических отличий от
методов статистического анализа. Метод также облегчает проведение контрфактического
анализа.
3.
КСА хорошо подходит для исследований с малой и средней
генеральной совокупностью.
КСА можно с пользой применять в исследованиях с N малого и среднего размера
(например, 5-50 единиц). Этот диапазон «коварен» тем, что генеральная совокупность
слишком велика, чтобы исследовать все случаи, но слишком мала для применения
большинства статистических методов.
4.
КСА позволяет использовать элементы теории множеств в
социальных исследованиях.
КСА основан на анализе не корреляций, но множеств отношений. Важнейшие
причинно-следственные отношения необходимости и достаточности существуют при
определенных отношениях множеств:

при
отношениях
необходимости
результат
является
подмножеством причины (люди с высшим образованием [причина]
становятся социологами [следствие] – людей с высшим образованием
больше, чем социологов);

при
подмножеством
достаточности
результата
причинное
(исламские
условие
является
фундаменталисты
[причина]
совершают намаз [следствие] – исламисты обязательно совершают намаз,
но не только они);

при
наличии
“INUS”-условий
случаи
с
определенным
сочетанием каузальных условий образуют подмножество случаев с
результатом.
Теория множеств демонстрирует, что в большинстве случаев в социальном мире
отсутствует каузальная симметрия: если событие A вызывает событие B, это вовсе не
означает, что B может вызывать A; также как и присутствие / отсутствие одного фактора
(например, мира) редко может быть симметрично объяснено простым отсутствием /
наличием другого (например, демократией).
Словосочетание «КСА» используется в качестве общего термина, который
охватывает целую группу различных методик. Исторически первым был разработан метод
с использованием стандартных булевых множеств, поэтому на сегодняшний день ярлык
«КСА» более всего ассоциируется с данной методикой. Тем не менее, самими
исследователями, работающими с качественным сравнительным анализом, выделяется
четыре различных его вида [Rihoux & Ragin 2008]:
1.
Когда
речь
идет
об
исходной
«булевой»
версии
КСА
(дихотомизированные переменные кодируются как [0] или [1]), используется
термин КСАчм/“csQCA”(где “cs” означает «четкое множество» - crisp-set);
2.
Когда речь идет о работе с нечеткими множествами и их соотнесении
с таблицами истинности, используем слово КСАнм/“fsQCA”(где “'fs” означает
«нечеткое множество» - fuzzy set);
3.
Когда речь идет о работе с мультикатегориальными условиями,
используется КСАмз/ “mvQCA” (где “mv”означает
«многозначный» - multi-
valued);
4.
Наконец, существует разработанная Ч. Рагиным техника работы с
нечеткими множествами без обращения к таблицам истинности, которая обычно
называется просто «нечеткие множества» или “fuzzy sets”.
В данном пособии разговор будет вестись о наиболее простой и распространенной
методике КСА - работе с четкими множествами, - которую мы разберем на конкретном
примере. В отношении трех оставшихся видов нам придется ограничиться указанием
направления для самостоятельного поиска и изучения.
Качественный сравнительный анализ четких множеств
Основные понятия
Техника КСАчм, разработанная в конце 1980-х Ч. Рагиным и программистом
Криссом Драссом, является исторически первой и наиболее известной из разновидностей
КСА. В свое время исследования в области исторической социологии привели Рагина к
поиску средств для работы с комплексными множествами данных, которых не существует
в традиционной статистике. Для этих целей он приспособил разработанные в 1950-х годах
инженерами-электриками
множественной
алгоритмы
конъюнктурной
минимизации,
каузальностью
создав
[Ragin
метод
1987].
работы
с
Множественная
конъюнктурная каузальность является основным фокусом внимания КСА: причина
понимается здесь как ситуация одновременного присутствия нескольких каузальных
цепочек, условия в которых образуют комбинации и при этом (в отличие от
статистического понимания причинности) не являются независимыми друг от друга
[Хавенсон].
Для простоты восприятия в учебнике (как и в большинстве текстов, связанных с
КСА) термины «переменная» и «условие» в контексте данных техник используются как
синонимы. Однако не следует воспринимать их в статистическом смысле: КСА не
принимает несколько важнейших «традиционных» статистических аксиом, среди
которых:
1.
неизменная причинность (смысл КСА состоит не выработке
универсальной каузальной модели, но в выявлении специфических
каузальных отношений);
2.
аддитивность (понятие «множественных причин-сочетаний»
подразумевает, что переменные не оказывают отдельное и независимое
влияние на результат, но действуют в комбинации друг с другом)
3.
однородность
причинно-следственной
связи
(в
одной
комбинации условие может содействовать наступлению результата, а в
другой - препятствовать);
4.
каузальная симметрия (наличие и отсутствие результата
требует разных объяснений).
В основном ищутся именно сложные причины, представленные как сочетания
отдельных условий, так как они рассматриваются не отдельно друг от друга, а в составе
конфигураций (configurations).
Конфигурация – это заданная комбинация условий, связанная с заданным
результатом.
КСА
оперирует
не
числами,
а
множествами,
поэтому
привычная
нам
математическая система для нее не подходит. В основе механики КСАчм лежит булева
алгебра. Элементы множества, которые в ней изучаются, являются не числами, а
высказываниями.
Если
при
решении
стандартных
алгебраических
уравнений
определяется, какому числу равняется неизвестное X (ответ на вопрос «сколько?»),
созданная Джоном Булем алгебра ищет ответ на вопрос: «Верно ли то или иное
высказывание, обозначенное буквой X?».
Смысл и содержание высказывания для стандартной булевой алгебры не играют
никакой роли. Каждое высказывание может быть только истинным либо ложным. В
качестве
примера
можно
вспомнить
метание
жребия
при
помощи
монеты.
Рассматриваются только два состояния монеты — орел или решка. По договоренности
сторон орел это «ДА» [1], а решка – «НЕТ» [0]. Никакие другие промежуточные
положения в теории вероятностей не учитываются, хотя они и возможны: подброшенная
монета может упасть на ребро, докатиться по полу до ножки стула или стола и так и
остаться в вертикальном положении, а то и вообще провалиться в широкую щель в полу.
Не погружаясь в детали этой математической системы, рассмотрим некоторые
конвенции, на которых строится ее язык:
•
прописная буква представляет
значение [1] для данной
бинарной переменной.
Таким образом, [A] читается как: «условие присутствует».
•
строчная буква представляет значение [0] для данной
бинарной переменной.
Таким образом, [а] читается как: «условие отсутствует».
•
тире [-] представляет собой знак «не имеет значения» для
данной бинарной переменной, которая может как присутствовать [1], так и
отсутствовать [0]. Тире также может указывать на переменную, значение
которой для нас неизвестно (например, в силу отсутствия релевантности или
отсутствия данных).
Булева алгебра использует несколько основных операторов, главными из которых
являются следующие:
•
Логическое «И», записываемое как [*] (умножение). [A*B]
можно также записать в виде: [AB].
•
Логическое «ИЛИ», записываемое как [+] (дополнение)
•
Стрелка [→] используется для выражения связи условий и
следствия.
Формально каузальные связи записываются как логические выражения вида: [AB
→ Y] или [AB + Cd → Y], где A, B, C, D —условия, объединяемые в цепочки, а Y —
результат. Запись [AB+Cd→Y] иллюстрирует описанное выше свойство, когда к
следствию Y одновременно ведут как наличие факторов А и В, так и сочетание «наличие
условия С и отсутствие условия d».
На этом простом языке можно строить длинные и сложные выражения, а также
проводить целый комплекс операций. Одна из ключевых процедур, которая лежит в
основе КСАчм, называется булевой минимизацией. Минимизация - это сведение
сложных выражений к более краткому виду согласно формуле «если два булевых
выражения, отличающихся только одним условием, приводят к одному и тому же
значению результата, это условие может быть признано нерелевантным и для
простоты опущено из выражения» [Ragin 1987; 93]. Главная цель исследователя,
практикующего КСА — найти среди всех условий, описывающих интересующее
явление,
наиболее
простые
сочетания
этих
условий,
отражающие
общие
закономерности для данных.
Например, у нас есть две группы наблюдений, которые имеют одинаковое значение
результата [D] (D=1). Первая группа описывается сочетанием условий [ABC], а вторая —
[AbC]. Можно заметить, что эти логические выражения отличаются друг от друг только
тем, что в первом признак присутствует ([В]), а во втором отсутствует ([b]). Мы можем
сделать вывод, что признак В не важен для наличия D, так как при любом его значении (0
или 1), D принимает значение [1]. Следовательно, наше выражение может быть сокращено
до [АС].
Алгоритм проверяет все возможные пары сочетаний и останавливается, когда
дальнейшие сокращения невозможны. Найденное логическое выражение называется
первичной импликантой (prime implicant). В нашем примере первичная импликанта [АС].
Первичная импликанта покрывает несколько простейших булевых выражений. В
данном случае [АС] покрывает два выражения: [ABC] и [AbC]. Окончательное решение
ищется таким образом, чтобы наименьшее количество простых импликант покрывало все
исходные простейшие выражения. Одна или несколько (чаще несколько) несокращаемых
далее простых импликант оказывается минимальным решением (minimal formula),
которое является основным результатом работы КСАчм.
Итак, качественный сравнительный анализ четких множеств направлен на
выявление условий, которые, будучи связанными друг с другом, приводят к
интересующему исследователя результату. При этом вес условий для каждой связки
неодинаков: одни влияют больше, другие меньше. Хотя формально «условия» и
«результат» напоминают переменные в традиционном статистическом анализе, ни о какой
независимости условий речи не идет. Наоборот, предполагается, что на результат
оказывают влияние только многомерные комбинации факторов, которые к тому же могут
меняться со временем, как это происходит в большинстве эмпирических объектов
макросоциального мира.
Порядок выполнения анализа
Продемонстрируем по шагам основные этапы, которые совершаются при
проведении качественного сравнительного анализа четких множеств. Технически
процедура выглядит не очень сложной, однако здесь важно выполнять все необходимые
действия, не пропуская этапы, которые могут показаться необязательными.
1.
Определите результат (outcome), который вас интересует, и случаи,
которые иллюстрируют такой исход. Соберите как можно больше информации о
таких «положительных» случаях (дайте «насыщенное описание» случаев).
2.
На основе первого пункта идентифицируйте «негативные случаи», в
которых искомый результат гипотетически мог бы наблюдаться, однако этого не
происходит
(отклоняющиеся
случаи).
Вместе
«положительные»
и
«отрицательные» кейсы составляют релевантное анализу множество случаев.
В параграфе о выборе случаев (глава «Масштаб исследования») приводилось
несколько типов случаев, каждый из которых подходит для включения в анализ. Однако
наиболее эффективным и надежным окажется стратегия выбора, основанная на принципе
наиболее похожих систем. В качестве демонстрационного примера мы воспроизведем
исследование Д. Берг-Шлоссера и Ж. де Мер, связанного с укреплением или ослаблением
демократических институтов в период между Мировыми войнами. Автор задается
вопросом: «Почему одни демократические системы сохранились, а другие были
разрушены?» «Выживание» [1] или «разрушение» [0] демократии в данном случае
является дихотомизированным результатом.
Формируется выборка из 18 случаев - европейских стран (сходные фоновые
харакетристики) с различным итогом развития политической системы: Австрия [0],
Бельгия [1], Чехословакия [1], Эстония [0], Финляндия [1], Франция [0], Германия [0],
Греция [0], Ирландия [1], Италия [0], Нидерланды [1], Польша [0], Португалия [0],
Румыния [0], Испания [0], Швеция [1], Великобритания [1].
3.
На основании первого пункта, теоретической модели и практических
знаний, определите основные условия искомого результата. Постарайтесь мыслить
в модусе комплексной каузальности и просчитайте различные конфигурации
условий, которые могут порождать одинаковый результат.
В качестве теоретической базы Д. Берг-Шлоссер и Ж. де Мер выбрали наиболее
известное исследование общих социально-экономических предпосылок демократии
-
работа «Политический человек» (1960) С.М. Липсета. Его общая гипотеза звучит так:
«чем более процветает страна, тем выше вероятность, что в ней будет демократия»
(p.31). Липсет выделяет четыре переменных (в терминологии КСА - условий): высокий
уровень благосостояния (ВНП), индустриализация, образование
(грамотность)
и
урбанизация.
Находим данные по каждой выделенной переменной для всех 18 случаев. В данном
случае авторы пользовались историческими данными Европейского Консорциума
политических и социальных исследований
Для работы с данными с помощью КСА было разработано специальное
программное обеспечение – TOSMANA. Рассмотрим ввод данных. Процедура не
представляет сложности для всех, кто работал с электронными таблицами в Excel, SPSS и
других программах. Изначально перед нами находится пустой экран, на который
необходимо добавить нужные переменные. Для этого нажимаем вкладку Data – New
Variable (новая переменная).
Появляется экран выбора переменной. Присваиваете ей имя (все названия в
таблице должны быть написаны латиницей). В нашем случае работа ведется с четырьмя
переменными, значит, мы четыре раза нажимаем New Variable. После этого имеет смысл
создать еще один столбец, в котором мы перечислим названия случаев. Для этого создаем
еще одну переменную, однако присваиваем ей значение “Case Identification”: левая кнопка
мыши на названии переменной, Edit Variable – Conversion – Case ID.
Рисунок.1. Назначение идентификатора случаев.
Столбцы переменных можно для удобства менять местами (клик на названии
переменной – появляется меню – Edit Variable – Move variable).Теперь заполняем
таблицу согласно выбранным данным. Для этого просто вводим в строки найденные
данные. Новые строки появляются автоматически. В поле «Название переменной» вводим
названия случаев.
Процесс заполнения таблицы прост и удобен. Кроме того, мы можем
импортировать уже имеющийся у нас массив данных из .xml или .dat форматов (доступны
практически во всех программах статистической обработки информации).
Рисунок 2. Фрагмент массива данных, готового для анализа.
Данные по каждому условию могут иметь совершенно разные значения и
выражаться в несовместимых системах исчисления: в одном колонке могут находиться
доллары, в другой – число людей на квадратный метр, в третьей – процентный урожай
яблок. Это не должно нас смущать, поскольку мы занимаемся не арифметикой, но
качественным анализом: данные здесь являются результатом конвенционального выбора и
существуют исключительно для того, чтобы отличать одной качественное состояние от
другого. Поскольку программа не воспринимает математические знаки (проценты, дроби
и пр.), следует ограничиться записью натуральных и рациональных чисел в десятичной
форме. Помним, однако, что данные в пределах колонок должны быть совместимы друг с
другом, и желательно, чтобы они были из одного источника (или создавались с
использованием схожих методик примерно в один промежуток времени).
Значения введены, однако использовать теорию четких множеств пока нельзя.
Поскольку переменные в макросоциологических исследованиях зачастую являются
интервальными, их нельзя однозначно отнести к тому или иному качеству. Поэтому перед
началом работы их необходимо дихотомизировать согласно заданным исследователем
пороговым значениям. Пороговое значение представляет собой переходную точку: все,
что располагается до нее (не важно с какой стороны интервала), попадает в [0], а после – в
[1].
Избранные пороговые значения могут серьезно повлиять на конечный результат
анализа (а также являются одним из наиболее притягательных объектов критики), поэтому
определять их следует с большой осторожностью.
Рекомендации по установке порога дихотомизации:
 Лучше всего определять порог исходя из теоретических или
практических
знаний.
Для
этого
могут
подойти
как
теоретические
представления (например, взять за основу оптимальный уровень денежного
запаса по М. Фридману), так и юридически оформленные нормы (проходные
баллы, скоростной режим, ставка рефинансирования и пр.). В частности, если
нам нужно выставить пороговое значение переменной «электоральный успех
партии» для российской действительности, можно указать уровень в 5%,
поскольку эта величина является проходным барьером на выборах в
Государственную Думу.
 Если удовлетворительных теоретических оснований не найдено,
можно прибегнуть к механическому делению (например, кластеризовать
значения, разделить по медиане или просто выставить порог исходя из
примерно одинаковой концентрации случаев на каждом из двух получившихся
отрезков). В этом случае необходимо тщательно перепроверить правильность
полученного значения: вновь напомним, что КСА не является статистическим
методом и основан на логическом анализе случаев.
 Избегайте искусственных порогов. К примеру, если два случая с
очень близкими значениями попадают в разные отрезки, стоит задуматься о
пересмотре уровня. Пороговое значение должно быть правдоподобным.
 Избегайте создания несоразмерных групп. Если на одном из отрезков
у вас большое количество случаев, а на другом – значительно меньшее, велика
вероятность, что последние случаи окажутся связанными только с конкретным
условием. В большинстве случаев неравномерное деление приводит к
появлению множества индивидуализированных объяснений (каждый случай
получает собственную импликанту), в то время как целью КСА является выход
на межкейсовые обобщения.
 Не забудьте проверить правильность кодировки! Если ваше условие
определено как «чем меньше значение, тем лучше» (все что слева от порога,
попадает в [1]), не забудьте перекодировать данные.
 Тщательно задокументируйте способ выставления пороговых
значений. Чем «прозрачнее» окажется ваша техника, тем легче ее воспроизвести
– тем выше доверие к полученным вами результатам.
Удобство программы Tosmana заключается в том, что в нее встроен визуализатор
значений, который позволяет очень просто выставлять «пороги». Чтобы назначить порог
дихотомизации, необходимо щелкнуть мышкой на названии переменной и в выпадающем
меню выбрать “Edit Variable”. В появившемся меню выберите пункт Conversion и
установите значение “Use thresholds” (использовать пороговые значения), затем нажмите
кнопку “setter” - появится меню Theshold setter.
Здесь показано распределение данных. Каждый оранжевый квадрат представляет
случай, зеленые линии символизирует пороговое значение. Жирная красная линия – это
медиана. Для установки порога просто поместите курсор на зеленой линии (указатель
мыши изменится) и перемещайте мышь с зажатой левой кнопкой к желаемому значению.
Если все выбранные пороговые значения являются целыми числами, для удобства можно
выставить количество знаков после запятой (Decimals) на 0.
В данном случае пороговые значения выглядят следующим образом:
 Валовый национальный продукт на душу населения (GDP): [0] если меньше
600 долларов США, [1] если больше;
 Урбанизация (Urbanization) (проживание в городах с более чем 20000 населения):
[0] если меньше 50%, [1] если выше;
 Грамотность (Literacy): [0] если ниже 75%, [1] если выше;
 Индустриальная рабочая сила (Industrial Labour Force) (количество
людей, готовых работать в промышленности): [0] если меньше 30% населения,
[1] если выше.
Рисунок 3Ошибка! Текст указанного стиля в документе отсутствует..
Определение порога дихотомизации.
Чтобы назначить пороговое значение, необходимо щелкнуть мышкой на названии
переменной и в выпадающем меню выбрать “Edit Variable” (редактировать переменную).
В появившемся меню выберите пункт Conversion и установите значение “Use thresholds”
(использовать пороговые значения), затем нажмите кнопку “setter” - появится меню
Theshodsetter.
Таким образом, мы создаем дихотомизированную таблицу случаев. Посмотреть
результат можно, щелкнув на вкладке Configurations на главном рабочем экране (сейчас у
нас открыта вкладка Data).
Таким образом, мы можем создать дихотомизированную таблицу случаев:
Рисунок. 4. Дихотомизированная таблица для 18 случаев.
Сама по себе эта таблица уже показывает, что показатели некоторых стран (Нидерл
анды, Великобритания, Греция, Португалия, Испания, Румыния) полностью соответству
ют гипотезе Липсета. Но для остальных случаев ситуация оказывается менее однозначной
и требующей последующих действий.
Положения, которые нужно усвоить на этом этапе:
 Что такое результат и условия?
 Каким образом мы подбираем случаи для анализа?
 Что такое пороговое значение дихотомизации?
 Какие способы выставления порога существуют?
4.
Построение таблицы истинности
На следующем этапе анализа исследователю необходимо создать таблицу
истинности. Что она из себя представляет? С таблицами истинности обычно знакомятся
на занятиях по логике, когда изучают логические операции (конъюнкция, импликация и
пр.). Здесь ученый занимается тем же самым, однако строит таблицу самостоятельно.
«Истина» в данном случае означает присутствие заданного условия [1] в соответствии с
выставленным
порогом,
«ложь»
–
его
отсутствие
[0].
Логический
алгоритм
систематизирует случаи, которые демонстрируют идентичные значения условий, то есть
попадают в одно множество. В каждой строке таблицы будет теперь представлен уже не
единичный случай, но сумма всех «комбинаций с одинаковыми условиями и результатом»
или, в терминологии КСА, конфигураций.
Всего существует пять видов конфигураций:

Конфигурации с положительным [1] результатом;

Конфигурации с отрицательным [0] результатом;

Конфигурации с [-] («не имеет значения») результатом;

Конфигурации с противоречивым [C] результатом. Такая
конфигурация приводит к [0] результату для некоторых случаев, но к [1]
результату – для остальных. Это логическое противоречие, которое должно
быть разрешено перед дальнейшими этапами анализа.

Конфигурации с потенциально возможными сочетаниями
(logical remainders) [L] или [R]. Это логически возможные сочетания
условий, которые, однако, не встречаются в имеющейся базе данных
Как мы видим, в КСА должны учитываться все логически возможные комбинаций
условий, даже те, которые не нашли эмпирического подтверждения.
Вернемся к демонстрационному примеру и сгруппируем случаи согласно
принадлежности к той или иной конфигурации. Для этого нажмем вкладку Analysis –
Start (MV)QCA. Появляется новое меню. Здесь нам надо указать программе, что считать
Рисунок 5. Определение дескриптора, результата и условий.
условием, а что – результатом. Переменные (в нашем случае их три) мы переносим в окно
Conditions, а результат – в Outcome.
Нажимаем кнопку TruthTable. Появляется новое окошко с таблицей истинности.
Рисунок 6. Таблица истинности для 18 случаев.
Есть две отчетливые положительные конфигурации (Чехословакия, Ирландия), а та
кже одна отрицательная (Италия, Румыния, Португалия, Испания, Греция). Также мы выд
елили три противоречивых конфигурации (Швеция, Франция, Австрия, Финляндия, Венгр
ия, Польша, Эстония, Бельгия, Нидерланды, Великобритания, Германия). Значит, гипотеза
Липсета (в представленной здесь интерпретации) не работает для 11 из 18 случаев. Особен
но показательна третья конфигурация, в которой имеются все положительные условия, но
результаты Германии и Бельгии, Великобритании, Нидерландов противоречат друг другу.
Это и есть пример противоречивой конфигурации, которую необходимо разрешить.
Положения, которые надо усвоить на данном этапе:
 Из чего состоит таблица истинности?
 Что она показывает?
 Какие виды конфигураций существуют?
5.
Разрешение контрадикторных конфигураций.
В ходе выполнения КСА мы часто сталкиваемся с подобной ситуацией: существует
несколько случаев, которые идентичны по значениям переменных, однако различаются в
своем результате (в одних случаях следствие наступает, в других – не наблюдается).
Надо понимать, что наличие противоречивых конфигураций не свидетельствует о
том, что исследование потерпело фиаско. Наоборот, противоречия позволяют нам лучше
понять объект исследования: через поиск их разрешения мы получаем более глубокое
понимание случаев и пересматриваем нашу теоретическую перспективу. Для описания
такого способа действий можно позаимствовать из лексикона менеджеров сочетание
«итеративный подход» - КСА обеспечивает выполнение работ параллельно с
непрерывным анализом полученных результатов и корректировкой предыдущих этапов
работы. (В этом КСА следует логике качественной стратегии сравнения).
Перед нами стоит задача найти и разрешить все противоречия в конфигурациях
(или, по крайней мере, уменьшить их количество). Если этого сделать не удастся, случаи,
создающие противоречия, придется исключить из дальнейшего анализа (об этом далее).
Можно предложить восемь основных стратегий разрешения противоречивых
конфигураций:
 Самый простой: нужно добавить некоторые дополнительные условия
к нашей модели. Действительно, чем сложнее модель
(чем более
многочисленны условия), тем меньше вероятность появления противоречий,
потому как каждое добавленное условие представляет собой дополнительный
источник различий между случаями. Конечно, такая стратегия должна
внедряться очень осторожно и быть теоретически обоснованной. Желательно
добавлять условия по одному и проходить через последующие этапы, чтобы не
получить изначально слишком сложную модель.
 Убрать одно или несколько условий и заменить их другими
условиями.
 Повторно
проверить,
каким
образом
операционализированы
различные условия, включенные в модель. Например, может оказаться, что
источником противоречий между двумя случаями является пороговое значение
дихотомизации. Регулируя порог, иногда возможно разрешить противоречие.
Кроме того, противоречие может быть связано с проблемами качества
используемых данных, и в таком случае, можно попробовать пересмотреть их
или собрать дополнительные данные.
 Пересмотреть переменную «результат». Эта стратегия часто
упускается из виду, хотя зачастую проблема скрывается именно здесь.
Противоречия могут возникнуть, если результат был определен слишком
широко или многозначно.
 Пересмотреть в более «качественном» и насыщенном виде случаи,
участвующие в каждой конкретной противоречивой конфигурации. Что могло
быть упущено? Что может выделять эти случаи, чего пока нет в модели или
избранном способе операционализации?
 Проследить, все ли случаи принадлежат к одной и той же популяции.
Например, если речь идет о «пограничном» случае, создающем противоречие,
его следует исключить из анализа.
 Перекодировать
все
противоречивые
конфигурации
как
отрицательные [0]. Таким образом, противоречивые конфигурации трактуются
как «неясные», что позволяет обеспечить большую согласованность в
отношении случаев и результата (правда, ценой меньшей минимизации
конфигураций).
 Использовать частотный критерий. Рассмотрим противоречивую
конфигурацию, которая включает в себя девять случаев. Если, например,
положительный результат наблюдается в восьми случаях, а отрицательный только в одном, можно посчитать всю конфигурацию как положительную.
Заметим, однако, что применение вероятностных стратегий является весьма
спорным с точки зрения логического метода.
Если ни одна из этих стратегий (а также их сочетание) не приводит к
разрешению противоречивых конфигураций, некоторые случаи должны быть
исключены. В подобной ситуации исследователь оказывается перед вопросом: «В каком
направлении продолжать дальнейшее исследование?»
 Если перспектива сокращения количества случаев не вызывает у вас
возражений, можно продолжать КСАчм. Теперь нужно выбрать, что делать
дальше: исключить случаи, приводящие к противоречию (тогда в меню Start
Analysis
нажимаем
радиокнопку
exclude
напротив
contradictory
configurations), или же оставить их в таблице. Если вы оставите проблемные
случаи, программа перекодирует данные, а сами «случаи преткновения» можно
будет проанализировать позже с помощью кейс-стади. Важно понимать, что
выбор каждого из этих действий по-своему повлияет на конечный результат
(минимальное решение).
 Не исключено, что проблема заключается в ограничениях, которые
накладывает работа с дихотомизироваными переменными. Тогда будет
рациональнее завершить КСАчм и перейти к другим методикам качественного
сравнительного анализа.
 Если вы использовали КСА для проверки теории и не можете
справиться с противоречиями, возможно, следует просто свободно вздохнуть:
вы только что опровергли теорию.
После этого необходимо перекодировать таблицу истинности (mvQSA analysis →
Truth Table). Подобную процедуру, возможно, придется проводить не один раз, пока
исследователь не разберется с противоречивыми конфигурациями (или не поймет, что в
данном случае сделать с ними ничего не получится).
Для иллюстрирующего примера решено выбрать первую стратегию и добавить еще
одно условие – стабильность правительства (governmental stability).
Пороговое значение для нее выбрано следующее: [0] если за выбранный срок
сменилось 10 или более кабинетов правительства, [1] если меньше. Пересматриваем
исходную таблицу.
Рисунок Ошибка! Текст указанного стиля в документе отсутствует.7. Исходная таблица для пяти условий.
Создаем дихотомизированную таблицу
Рисунок 8. Дихотомизировання таблица для пяти условий.
Дихотомизированная таблица (вкладка Configurations) теперь выглядит вот так
Вновь формируем таблицу истинности (Analysis – Start (MV)QCA– добавляем новую
переменную в Conditions–Truth Table). Она получится насыщенней предыдущего
варианта, поскольку теперь вместо шести у нас десять конфигураций. Это позволяет
разрешить большинство противоречий. Например, сейчас мы можем «отделить» Австрию
с отрицательным значением переменной «стабильность правительства» от Швеции и
Франции (положительное значение)
Рисунок 9. Таблица истинности для 18 случаев.
Тем не менее, у нас все еще имеется противоречивая конфигурация, касающаяся
двух случаев: Эстонии [0] и Финляндии [1]. Даже с добавлением пятого условия эти
случаи демонстрируют одинаковые значения переменных, но расходятся в результатах.
Вспомним стратегии разрешения противоречивых конфигураций. Можно добавить
в модель еще одну переменную, но тогда мы еще сильнее усложним ее. Можно
предположить,
что
эти
случаи
заслуживают
особой
историко-социологической
интерпретации, и работу с ними следует отложить для дальнейших стадий анализа. А
можно поступить проще (в данном случае - не значит правильнее!) и пересмотреть способ
операционализации условий. Обратимся к пороговым значениям. Как мы видим, если
понизить пороговый уровень ВВП до $550, мы сможем не только разделить искомые
страны, но и переставить Чехословакию. Так и поступим (Edit Variable → use threshold).
CASEID
GNPCAP
URBANIZA
LITERACY
INDLAB
GOVSTAB
SURVIVAL
AUS
1
0
1
1
0
0
BEL
1
1
1
1
1
1
CZE
1
1
1
1
1
1
EST
0
0
1
0
1
0
FIN
1
0
1
0
1
1
FRA
1
0
1
1
1
1
GER
1
1
1
1
0
0
GRE
0
0
0
0
0
0
HUN
0
0
1
0
0
0
IRE
1
0
1
0
1
1
ITA
0
0
0
0
1
0
NET
1
1
1
1
1
1
POL
0
0
1
0
0
0
POR
0
0
0
0
0
0
ROM
0
0
0
0
1
0
SPA
0
0
0
0
0
0
SWE
1
0
1
1
1
1
UK
1
1
1
1
1
1
Рисунок.10. Дихотомизированная таблица после имзенения порога.
Таблица истинности будет выглядеть следующим образом
CASEID
GNPCAP
URBANIZA
LITERACY
INDLAB
GOVSTAB
SURVIVAL
AUS
1
0
1
1
0
0
1
1
1
1
1
1
EST
0
0
1
0
1
0
FRA, SWE
1
0
1
1
1
1
GER
1
1
1
1
0
0
0
0
0
0
0
0
HUN, POL
0
0
1
0
0
0
FIN, IRE
1
0
1
0
1
1
ITA, ROM
0
0
0
0
1
0
BEL,
CZE,
NET, UK
GRE,
POR,
SPA
Рисунок 11. Таблица истинности без противоречий.
Теперь Финляндия и Эстония находятся в различных конфигурациях: первая
«переместилась» к Ирландии, а вторая выделилась в отдельную конфигурацию.
Чехословакия находится в конфигурации «идеальных» случаев с сохранившейся
демократией (наряду с Бельгией, Нидерландами и Великобританией).
Положения, которые надо усвоить на этом этапе:
 Что такое противоречивая конфигурация?
 Какие
способы
разрешения
противоречивых
конфигураций
существуют?
 Что делать в том случае, когда ни одна из стратегий не принесла
результатов?
6.
Переходим к булевой минимизации
Кульминационный момент анализа – это сведение громоздких таблиц истинности к
емким формулам, раскрывающим причинно-следственную связь для изучаемых случаев и
результата.
Что такое булева минимизация, мы писали в начале параграфа. Перейдем сразу к
демонстрации процесса. В случае с демонстрационным примером для этой операции нам
понадобятся девять конфигураций: три конфигурации с положительным результатом (8
случаев) и шесть с отрицательным (10 случаев).
 Компьютерная программа распознает не случаи, а конфигурации,
поэтому количество случаев в каждой отдельной конфигурации не играет
особой роли. После процедуры, однако, мы можем сравнить каждый отдельный
случай с получившимся простым минимальным решением.
Программа автоматически проводит минимизацию, но только отдельно для
положительных и отрицательных конфигураций, поэтому процедуру придется проходить
дважды (не имеет значения в каком порядке). Проводить минимизацию обоих типов
конфигураций необходимо, поскольку, как уже упоминалось, в социальном мире редко
присутствует каузальная симметрия. Соответственно, простейшее минимальное решение
для положительного и отрицательного результатов – это в большинстве случаев далеко не
одно и то же (результат случается в результате действия одних условий и не случается в
силу действия других).
Чтобы минимизировать положительные конфигурации, следует зайти в уже
знакомое меню Analysis – Start (MV)QCA. Далее выбираем радиокнопку Outcome 1
(положительное значение результата), ставим в положение Explain (объяснить) и
нажимаем кнопку go внизу экрана. Получается следующее минимальное решение,
состоящее из двух простых импликант:
GNPCAP*LITERACY*INDLAB*GOVSTAB + GNPCAP*urbaniza*LITERACY*GOVSTAB
→ SURVIVAL
 высокий ВВП И высокая грамотность Ибольшое количество
индустриальной рабочей силы И стабильность правительства в стране
ИЛИ
 высокий
ВВП
И
высокая
грамотность
Истабильность
правительства И низкий уровень урбанизации в стране
ПРИВОДЯТ К сохранению демократии.
Первая импликанта простейшего решения относится к шести странам: Бельгии,
Чехословакии, Нидерландам, Великобритании, Франции и Швеции. Вторая импликанта
применяется к четырем странам: Финляндии, Ирландии, а также вновь к Франции и
Швеции. Последние две страны, подчиняясь обоим условиям, создают конкуренцию
объяснений. Мы разберемся с ними чуть позже, на этапе финальной интерпретации.
Это так называемое «дескриптивное решение», которое только регистрирует то,
что подтверждается эмпирически. Кроме того, эта формула все еще сложна (каждая
импликанта в ней включает четыре из пяти модельных переменных). Тем не менее, мы
уже можем видеть, что уровень урбанизации, например, не сыграл особой роли в
демократическом развитии Бельгии, Чехословакии, Нидерландов и Великобритании.
Кроме того, очевидно, что три условия (ВВП, высокая грамотность и стабильность
правительства) являются постоянными.
Следующий шаг
конфигураций.(Analysis
- проведение аналогичной процедуры для отрицательных
–
Start
(MV)QCA-Outcome
0
(отрицательное
значение
результата)Explain– go). На этот раз решение будет выглядеть следующим образом:
gnpcap*urbanize*indlab + GNPCAP*LITERACY*INDLAB*govstab → survival
Это минимальное решение также получилось слишком сложным. Первая
импликанта относится к Эстонии, Греции, Португалии, Испании, Венгрии, Польше,
Италии, Румынии – всего восемь случаев, когда в стране с низким ВВП, низким уровнем
урбанизации
и
малым
количеством
индустриальной
рабочей
силы
демократия
трансформировалась в другой строй. Второй член соответствует Австрии и Германии. В
данном случае два условия никак не связаны между собой, и сократить решение нельзя.
Положения, которые надо усвоить на этом этапе:

Что такое булева минимизация?

Что такое дескриптивное решение? Каковы его познавательные
возможности?
7.
Вводим потенциально возможные сочетания
Сократить полученные формулы можно с помощью обращения к ненаблюдаемым
случаям. Напомним, что речь идет о логически возможных сочетаниях условий, которые
не встречаются в имеющейся у нас базе случаев. Это означает, что подобная комбинация
условийгипотетически возможна, однако мы (или те исследователи, у которых
заимствовались
данные)
обнаружить
ее
не
смогли.
Потенциальные
сочетания
используются для того, чтобы, по крайней мере, логически, встроить имеющиеся у нас
конфигурации в более широкое множество и убрать INUS-условия, сократив, таким
образом, конечное решение.
Сколько всего возможно конфигураций? Чтобы это узнать, можно провести
простейшие вычисления по формуле:
|k|=2n
где |k| - общее число возможных конфигураций, а n – количество условий для
анализа.
 Вспомните сущность проблемы малой генеральной совокупности (см.
параграф 3.2. первой части). Каким образом КСАчм помогает решить ее?
В демонстрационном примере у нас пять переменных, а значит и тридцать две
потенциально возможных конфигурации (25=32). При этом только девять конфигураций
соответствуют наблюдаемым случаям (см. табл.). Остальные двадцать три потенциально
возможных сочетания составляют пул возможных случаев, который может быть
использован для упрощения решения булевой минимизации.
 Здесь необходимо вернуться к ситуации, при которой имеются
противоречивые конфигурации. Напомним, в этом случае перед вами стоит
выбор: исключить некоторые случаи из анализа или оставить их. Если вы
удалите эти случаи, программа займет освободившееся место потенциально
возможными сочетаниями, что увеличит вероятность получения более
короткого минимального решения. В обратном случае, их наличие несколько
уменьшит пул возможных сочетаний. Однако второй вариант (хотя и приведет
к менее изящному решению) все же выглядит предпочтительнее, ибо, в отличие
от ситуации использования потенциально возможных сочетаний, хотя бы имеет
под собой эмпирическое основание.
Снова проведем процедуру минимизации положительных конфигураций, на этот
раз позволив программе включить потенциально возможные значения (Analysis – Start
(MV)QCA-Outcome 1-Explain– ставим радиокнопку Remainders в положение Explain–
go). Компьютер автоматически приписывает возможным сочетаниям значение [1] или [0]
и отбрасывает сочетания, которые противоречат друг другу или эмпирическим
результатам.
 Перед
включением
потенциально
возможных
сочетаний
в
минимизацию мы должны провести мысленный эксперимент, задавшись
вопросом: «Если бы подобная комбинация условий существовала, могла бы она
привести к интересующему нас результату?».
Аргументы для включения потенциально возможного сочетания в процедуры
минимизации могут быть такими:
 Потенциально
возможное
сочетание
схоже
с
эмпирически
достоверным сочетанием практически по всем пунктам за исключением одного.
 Различия,
которые
демонстрирует
возможные
сочетания,
не
относятся к множеству необходимых условий.
Наличие потенциально возможных сочетаний в КСА называется термином
«ограниченное разнообразие» и представляет собой повсеместно распространенное
явление. Компьютер автоматически выбирает некоторые возможные значения, добавляет
их к кластеру наблюдаемых случаев и делает «упрощающие предположения» (чтобы
просмотреть). Теперь минимальное решение будет выглядеть следующим образом:
GNPCAP*GOVSTAB → SURVIVAL
Получилась совсем простое решение, которое можно прочитать так: «Во всех
странах наличие высокого уровня ВВП, а также стабильность правительства
привели к сохранению демократии». В эту формулу укладываются случаи Бельгии,
Чехословакии, Нидерландов, Великобритании, Финляндии, Ирландии, Франции, Швеции.
Для отрицательных конфигураций (Analysis – Start (MV)QCA-Outcome0-ExplainRemainders -Explain–go) получаем следующую формулу:
gnpcap + govstab → survival
В восьми странах (Эстония, Греция, Португалия, Венгрия, Польша, Италия,
Румыния, Испания) низкий уровень ВВП объясняет упадок демократии, а в семи странах
(Австрия, Германия, Греция, Португалия, Испания, Венгрия, Польша) – политическая
нестабильность. У решения для отрицательного результата существуют два условия,
которые одновременно подходят для пяти случаев. В подобных случаях исследователь
впоследствии должен самостоятельно выбрать, какое из условий наиболее релевантно.
Еще раз обратим внимание на то, как проявляется каузальная асимметрия в
макросоциальных процессах. Низкий уровень ВВП на душу населения выступает
основным фактором краха демократических институтов, но из этого нельзя делать вывод,
что наличие высокого уровня доходов автоматически убережет политический режим от
падения. «Малый объем ВВП» достаточен, но не необходим – его может «заменить»
политическая нестабильность - для «исчезновения демократии»; высокий ВВП необходим,
но не достаточен для сохранения демократии - нужно также стабильное, редко меняющее
курс правительство.
Использование потенциально возможных сочетаний является одной из наиболее
остро критикуемых особенностей КСАчм. Не слишком ли опрометчиво строить
предположения о не представленных в исследовательском опыте случаях? Ч. Рагин и Б.
Риу отвечают, что это вполне возможно, если такие предположения относительно
правдоподобны. Кроме того, они не являются неотъемлемым элементом КСА - от них
можно вовсе отказаться в ходе анализа, хотя это и сделает полученное минимальное
решение более «тяжеловесным» и менее изящным.
Положения, которые надо усвоить на этом этапе:

Что представляют собой потенциально возможные сочетания и
упрощающие предположения?

Зачем мы прибегаем к их использованию?
8.
Интерпретируем полученные результаты
Техническая реализация КСАчм не является для исследователя самоцелью, и на
последнем шаге исследователь должен провести интерпретацию минимальных решений.
При этом упор может делаться как на теорию, так и на случаи (в зависимости от целей
исследования).
Очевидно, ученому придется вернуться «назад к случаям» с готовым минимальным
решением. Уже упоминалось, что КСА представляет собой итеративный процесс
постоянного уточнения случаев и переменных. Мы начинаем с высокой сложности
данных, которые пытаемся свести к нескольким обобщениям. На этапе интерпретации
встает уже другая задача – необходимо «вписать» полученные результаты в общий
теоретический контекст.
Таким образом, финальный этап анализа опять связан со сложностью, которую на
этот раз пытается повысить сам исследователь. Наглядно данный процесс можно
Возрастание
сложности
Максимальная
сложность
представить следующим образом:
Максимальная простота
1. Выбор случаев
2. Процесс анализа
3. Интерпретация
Рисунок Ошибка! Текст указанного стиля в документе отсутствует.12. Логическая структура КСА.

Например,
в
случае
с
проведенным
анализом
выживания
демократических институтов можно задаться вопросами: «Какие процессы
скрываются за выявленным фактом, что высокий ВВП в сочетании со
стабильностью правительства привел к сохранению демократии в Бельгии,
Чехословакии, Нидерландах, Великобритании? Что отличает эти страны от других,
покрываемых минимальным решением (Франция, Швеция)? Почему в одних
странах наибольшую роль сыграл объем ВВП (Эстония, Италия, Румыния), а в
других – политический фактор (Греция, Португалия, Испания)? Насколько похожи
случаи Германии и Австрии?»
Множество новых вопросов появляется уже после завершения «компьютерной»
части КСАчм, на уровне обращения к отдельным случаям, и в этом проявляются наиболее
сильные стороны качественного подхода. Таким образом, полученные минимальные
решения позволяют исследователю задавать «фокусированные» вопросы об элементах и
механизмах искомого результата с возможностью изучения как внутри-, так и межкейсовых паттернов.
Следует обратить внимание: до тех пор, пока отдельные условия не будут четко
выделены (например, условие окажется безусловно необходимым или необходимым и
достаточным) важно воздерживаться от интерпретации связи между особыми условиями
и результатом. На этапе интерпретации не следует упускать из виду тот факт, что главные
достоинства минимальных решений КСАчм находятся именно в комбинациях и
«пересечениях» условий. Отметим, наконец, что эти правила интерпретации действуют
также в отношении КСАнм.
В завершение разговора о качественном сравнительном анализе четких множеств
упомянем некоторые возможные цели его применения. Как техника КСАчм
может
использовать для достижения по крайней мере пяти различных целей [Rihoux].
 Прежде всего, самое простое использование - обобщение данных, т.е.
синтетическое описание случаев через создание таблиц истинности, а также в
качестве инструмента для построения типологии;
 Далее, КСАчм может быть использован для проверки когерентности
данных: выявление противоречий позволяет вернуться и узнать больше об
отдельных случаях;
 Третий способ использования данной техники – это проверка
существующих теорий и предположений с целью
подтверждения или
опровержения этих самых теорий (КСАчм признается наиболее полезным
инструментом для тестирования теории из всех техник КСА);
 Четвертый способ состоит в тестировании новых идей или
предположений, сформулированных исследователем и еще не включенных в
существующую теорию;
 Наконец, КСАчм позволяет разрабатывать новые гипотезы и теории:
любое простейшее выражение в конечном счете может быть интерпретировано,
например, через сравнение с уже рассмотренными случаями – что ведет
исследователя к формулировке новых сегментов теории.
КСАчм является достаточно «прозрачной» техникой, ибо позволяет исследователю
делать выбор исходя из собственных соображений (ведь выбирает всегда исследователь, а
не компьютер), но одновременно принуждает к обоснованию этого выбора с
теоретической и/или эмпирической точки зрения. На нескольких этапах анализа
исследователь сталкивается с выбором, например, использовать ли упрощающие
предположения ради достижения максимального уровня экономии. Если подобный выбор
будет сделан, некоторые случаи, которые существуют логически, но не наблюдаются в
эмпирической реальности, будут включены в булеву минимизацию. В то же самое время,
исследователь может отказаться от потенциально возможных сочетаний, отдавая
предпочтение детализированному сбору данных.
Технические проблемы КСАчм
Реализация качественного сравнительного анализа четких множеств во многих
случаях сталкивается с затруднениями. Мы уже видели, что при попытке тестирования
гипотез приходится учитывать противоречивые конфигурации, разрешение которых
требует изменения теоретической модели. Наиболее распространенной практикой в таком
случае становится включение некоторых дополнительных объясняющих условий. Однако
подобная деятельность не может считаться полностью удовлетворительной, так как
заставляет отклоняться от тестирования изначальной модели в сторону формирования и
проверки другой исследовательской конструкции. Кроме того, КСАчм угрожает уже
упомянутая проблема использования потенциально возможных сочетаний, которые
делают решения более емкими и простыми. Однако их научность может быть поставлена
под сомнения, если предполагается, что социология следует канонам эмпирической науки
и не вторгается в область «возможных миров». Если мы отказываемся от использования
потенциально возможных сочетаний, результат может оказаться лишь громоздким
описанием, познавательная ценность которого не столь велика.
В действительности, многие ограничения КСАчм связаны, в первую очередь, с
дихотомическим характером данных, которыми он оперирует. Это ограничение упрощает
работу, однако неизбежно ведет к потере информации и, возможно, к ошибкам.
Использование дихотомизированных переменных приводит к ситуациям, когда несколько
случаев с довольно сильно различающимися показателями принимают одинаковое булево
значение, и наоборот. Разумеется, это может быть связано с некорректным выбором
пороговых значений для интервальных переменных, однако зачастую сама структура
данных не позволяет сделать необходимый выбор. Поиск возможностей преодоления
ограничений КСАчм привел исследователей к созданию новой техники – качественного
сравнительного анализа множественных значений, о которой речь пойдет далее.
Памятка: Этапы качественного сравнительного анализа четких множеств
Определить
1.
интересующий
исследователя
результат
вида
«Y
наступает или не наступает».
Определить популяцию случаев. Выбрать разнообразные случаи, в
2.
которых результат наблюдается или не наблюдается.
3.
Выбрать условия X, которые вы будете тестировать
4.
Найти данные по отобранным условиям и сформировать таблицу
первичных данных
Установить пороговые значения дихотомизации для условий и
5.
перекодировать таблицу
6.
Сформировать таблицу истинности
7.
Выполнить процедуру минимизации без включения потенциально
возможных сочетаний:

для положительных конфигураций;

для отрицательных конфигураций.
Добавить
8.
потенциально
возможные
сочетания
исходя
из
правдоподобности их существования
Провести повторную процедуру минимизации, добавив выбранные
9.
потенциально возможные сочетания:

для положительных конфигураций;

для отрицательных конфигураций.
10.
Интрпретировать полученное минимально решение.
Качественный сравнительный анализ множественных значений. Отличия
от КСАчм
Качественный сравнительный анализ множественных значений (КСАмз) является
расширенной версией КСАчм и следует его основным принципам: оперирует с
множествами и предлагает минимальное решение, покрывающее все исследуемые случаи.
Главное отличие состоит в том, что КСАчм работает только с дихотомизированными
переменными, в то время как КСАмз допускает переменные с множественным значением.
Статус КСАмз можно лучше понять при знакомстве с разработанной в XX веке
многозначной логикой. Основная идея последней заключается в том, что многие
высказывания могут являться одновременно частично верными, а отчасти ложными.

Подумайте о суждении «Василий высокий». Если рост
Василия составляет 175 см, мы вполне можем сказать, что он «не
низок», но, вероятно, мы не сможем столь же уверенно заявить, что
«он высок». Так является ли Василий элементом множества
«высокие люди» или нет? Многозначная логика представляет собой
альтернативу классической бинарной логике (где элементы либо
являются членами данного множества, либо нет), путем включения
условий, которые предлагают выбор из более чем двух категорий. В
данном случае усилиями многозначной логики Василий может быть
включен, например, в множество «неопределенно высоких».
Поскольку дихотомизированная переменная также является многозначной (она
может принимать два значения), в данном случае речь пойдет о более общей технике по
сравнению с уже пройденной [Cronquist, 2003]. По существу, между ними только два
принципиальных различия: система обозначений и способ минимизации.
Под «многозначностью», как ясно из изложенного, понимается свойство,
позволяющее переменной принимать более двух значений. Запись таких переменных
требует введения новых форм языкового оформления. Каждая конфигурация состоит как
минимум из одного выражения X{S}, где
 X – условие;
 S – набор возможных значений X
Значения для таких условий можно представить различными способами. Для
мультикатегориальных условий, в основе которых лежат номинальные данные, каждое
значение представляет определенную категорию. Для условия «регион», например, можно
использовать шкалу со значениями: Африка [0], Европа [1], Северная Америка [2] и т.д.
Тогда Германию можно представить как РЕГИОН{1}, а Мозамбик – РЕГИОН{0}. Хотя
случай может иметь только одно значение для каждого условия, КСАмз показывает
контрастные значения условий (это делается для облегчения интерпретации простых
импликант и минимальных решений). К примеру, I=РЕГИОН{0,1} (также может быть
записана как РЕГИОН0,1) показывает, что простая импликанта I представляет все случаи
со значением [0] или [1] для условия «регион» (все случаи Африки и Европы).
 Шкала значений в КСАмз всегда должна начинаться с [0], за которым
идут натуральные числа [1], [2] и т.д.
Минимизация в КСАмз выглядит так: несколько начальных выражений заменяются
простейшим, если всем им, включая простейшее выражение, соответствует один и тот же
результат. Другими словами, общее правило минимизации, сформулированное Ч.
Рагиным, может быть изменено для КСАмз следующим образом:

«если
n
многозначных
выражений
(с0I,..,ca-1I),
отличающихся только одним условием, приводят к одному и тому же
значению
результата,
это
условие
может
быть
признано
нерелевантным и опущено из выражения для создания более простого
сочетания I».
Представим множество данных с дихотомическим условием A, трехзначным
условием B и результатом C. Все возможные комбинации этих условий присутствуют в
таблице истинности, и результат C наблюдаем в конфигурациях:
A0B0 + A0B1+A0B2 → C
Согласно правилу, условие может быть сокращено, только если все значения (в
нашем случае - три) другого условия встречаются с ним в сочетании, каждый раз
провоцируя один и тот же результат. В данном случае результат C присутствует во всех
случаях с A0, а это значит, что условие B целиком является избыточным, и выражение
может быть сокращено до A0.
Из этого следует, что для конфигурации A0B0 + A0B1 → C нельзя сделать вывод A0
→ C (хотя у исследователя может быть такой соблазн). Несмотря на то, что результат
имеет место и для B0, и для B1, мы не имеем право опускать условие B, так как ничего не
знаем о возможном исходе A0B2.
Проблема ограниченного разнообразия, характерная для КСАчм, не исчезает и при
использовании данной техники: лишь небольшое подмножество логически возможных
конфигураций находит эмпирическое подтверждение.
Так, если у нас есть набор данных с четырьмя условиями, два из которых
дихотомические, а оставшиеся – трехзначные, количество возможных конфигураций будет
равно 2*2*3*3=36. Поэтому число потенциально возможных сочетаний, которые могут
быть включены для упрощения минимального решения, как правило, также велико.
Как и в случае с КСАчм, интервальные данные следует трансформировать в
номинальные величины с помощью пороговых значений, однако при работе с
многозначными условиями можно создать неограниченное количество порогов, уменьшив
тем самым потерю данных. Как и в случае с КСАчм, единых правил здесь не существует.
Рекомендации по созданию пороговых значений для предыдущей техники подходят и в
случае КСАмз. Кроме того, следует принять во внимание еще два соображения,
основанных на опыте исследователей:
 В большинстве случаев следует ограничиться тремя или четырьмя
значениями для одного условия.
 Не следует увлекаться созданием многозначных условий, лучше
отдать предпочтение «классическим» дихотомизированным переменным. К
делению на большее число отрезков следует прибегать как к вынужденной мере.
Обзор других техник и недостатков КСА
Существует
еще
несколько
техник
КСА,
которые
также
используются
последователями данного метода. Реакцией на недостатки, ограничения и критику КСАчм
явилась разработка качественного сравнительного анализа нечетких множеств, сначала в
форме предложенной Ч.Рагиным техники [Ragin 2000], затем расширенная до
полноценного
метода
КСАнм.
Нечеткими
являются
множества,
в
котором
характеристическая функция (функция, которая определяет принадлежность элемента
множеству) может принимать любые значения внутри интервала [0;1]. В отличие от четких
множеств, элементы последних не ограничивается только параметрами «существование» и
«не-существование», но демонстрирует градацию признака. КСАнм позволяет не только
проверить, существует демократия или нет, но также проанализировать градации: в какой
степени она присутствует в каждом случае (может выясниться, что демократия существует
на 0,3; 0,5 и т.д.). В этом отношении КСАнм можно рассматривать как развитие идей,
заложенных в КСАмз (исторически все было наоборот: анализ множественных значений
возник позже как попытка найти серединный путь между простотой КСАчм и
изощренностью КСАнм).
С точки зрения математического аппарата, КСАнм основывается уже не на булевой
алгебре, но на алгебре нечетких множеств. Она значительно сложнее в освоении и работе
и требует серьезных познаний в области математической логики. Аналитические
процедуры при анализе нескольких множеств гораздо менее интуитивны и не поддаются
столь четкой систематизации, как в пройденных нами процедурах. Этим, в частности,
объясняется тот факт, что даже при наличии возможности использования КСАнм ученые
обыкновенно прибегают к другим техникам.
С какими проблемами сталкивается КСА как метод? Некоторые из них уже были
упомянуты, другие нетрудно понять, если вы освоили механику анализа.
Среди основных «упреков», которые критики адресуют в адрес разновидностей
КСА, можно отметить следующие [Goldthorpe, Amenta and Poulsen]
1.
Необходимость дихотомизировать данные влечет за собой потерю
информации.
2.
Чувствительность к выбору случаев (выбор случаев, которых обычно
немного, во многом определяет результат исследования и приводит к неуместным
обобщениям).
3.
Сложность выбора условий и большое их количество приводит к
неверной интерпретации данных.
4.
Применение «упрощающих определений» отрывает анализ от
эмпирической почвы, тем самым снижая общую валидность заключений.
5.
«Проблема черного ящика» не исчезает: КСА не объясняет, каким
образом причинно-следственная комбинация определяет результат.
6.
КСА не учитывает временные характеристики и не способен
«хронологически артикулировать» условия в минимальное решение.
7.
Как и другие качественные методы, КСА только фиксирует наличие
связи предполагаемых условий и результата, но не показывает, в действительности
ли эта связь является каузальной.
Качественный сравнительный анализ и регрессионный анализ
В заключение скажем несколько слов о сходствах и различиях КСА и
регрессионного анализа. Качественный сравнительный анализ не оправдывает свое
название в привычном большинству социологов смысле: он в гораздо меньшей степени,
нежели традиционные качественные методы, связан с глубокой интерпретацией
насыщенных описаний. Как пишет в совместной с Гриффином работе сам Ч. Рагин,
технически КСА гораздо ближе к регрессионному анализу: оба применяются в
соответствии с не зависимыми от ученого правилами, оба рассматривают случаи как
«дискретные множественные проявления более общих феноменов» [Ragin and Griggin; 54].
Кроме того, процедура собственно анализа (создание таблиц истинности), как в
количественных методах, происходит без непосредственного участия, то есть независимо
от исследователя. Это гарантирует определенный уровень объективности, которым так
гордятся адепты количественных методов.
Однако логика регрессионного анализа соотносится с линейной алгеброй (а точнее,
теорией матриц), в то время как КСА определяется через теорию множеств, которая
позволяет формализовать сравнительный анализ, предостерегая исследователя от
нелогичных умозаключений. Основной элемент КСА – таблица истинности, - своей
формой напоминает «классические» наборы данных, используемые статистическими
методами. Но важно понимать, что строки в этой таблицы представляют собой не
наблюдения, а логические комбинации каузальных условий. В ходе разрешения
противоречивых конфигураций исследователь дополняет и модифицирует собственную
классификационную схему, сохраняя при этом целостность каждого случая.
Качественный сравнительный анализ, как и регрессионный анализ, может работать
с умеренно крупной выборкой (в примере была представлена работа с 51 случаем). Для
регрессионного здания 50 наблюдений при 5 переменных является минимально
возможной выборкой, для КСА же это «потолок» случаев (Ч.Рагин пишет, что в данном
наборе все еще можно работать с каждым случаем как целостным набором атрибутов). Тем
не менее, качественный сравнительный анализ гораздо более эффективен при работе с
небольшим количеством случаев.
Последнее различие состоит в подходе к отбору случаев: для КСА это «от следствия
к причинам», для регрессионного анализа – «от причины к следствиям».
И КСА, и регрессионный анализ имеют несомненные преимущества, но вместе с
тем подвергаются критике. (Критику регрессионного анализа см. в главе «Масштаб
исследования»). Выбор того или другого метода определяется исследовательским
вопросом, характером данных, наконец, установками самого ученого. В этом отношении
наш совет будет следующим: осознавать предпосылки собственного исследования и
понимать, с какой реальностью придется работать. Как писал Ч.Р. Миллс, «Владеть
методом» – значит мыслить самостоятельно, значит быть человеком дела,
осознающим возможности и границы своего предприятия. «Быть во власти метода» значит… не стремиться узнать, как в действительности устроен мир. Вне понимания
инструмента всякий результат будет плачевным. Вне понимания того, зачем он
используется, всякий метод оказывается бесполезен». [Mills; 1201-121]
Список литературы:
Обязательная:
1.
Configurational Comparative Methods: QCA And Related Techniques.
Rihoux, B. and C.Ragin. Applied Social Research Methods Series vol. 51. Sage, 2009.
Дополнительная:
1.
Claudius Wagemann, Carsten Q. Schneider Standards of Good Practice in
Qualitative Comparative Analysis (QCA) and Fuzzy-Sets.
2.
Charles Ragin. Fuzzy-Set Social Science. Charles C. Ragin. Chicago:
University of ChicagoPress, 2000.
Для самопроверки:
1.
Клавдий Вагеманн и Карстен Шнайдер [Wageman and Schneider]
предлагают следующие «заповеди» для исследователей, работающих с качественным
сравнительным анализом. Объясните каждую из них с точки зрения содержания и
важности.

Не следует применять КСА механически. Анализ всегда должен быть
привязан к случаям, с которыми вы работаете.

Понимание исследуемых случаев является общим требованием,
которое должно соблюдаться до, во время и после проведения аналитической
процедуры.

Насколько это возможно, следует открывать первичные данные
(например, публиковать их в отчете). Таблицы истинности также следует делать
достоянием общественности.

Результатом вашего анализа являются минимальные решения.

Следует ясно и детализировано обосновать выбор случаев.

Выбор,
концептуализация
условий
и
результата
должны
осуществляться на основе теоретических и эмпирических знаний.

Количество условий должно быть умеренным.

Процедура
дихотомизации
значений
должна
быть
подробно
проанализирована и описана.

Противоречивые
конфигурации
должны
быть
разрешены
до
проведения минимизации.

Необходимые
и
достаточные
условия
должны
быть
проанализированы отдельно друг от друга.

Анализ достаточных условий должен быть произведен в два этапа: с
включением упрощающих предположений и без них. Оба результата должны быть
отражены в отчете.

Включение потенциально возможных сочетаний должно быть
понятным стороннему наблюдателю.

Работа с контрадикторными конфигурациями также должна быть
понятной и логичной.

Необходимо создавать решения, объясняющие как наличие, так и
отсутствие результата. Их поиски следует проводить отдельно друг от друга.

Если исследователь находит одни условия более важными для
результата, чем другие, его выбор должен быть обоснован.

Полученное минимальное решение должно быть вновь соотнесено с
исследуемыми случаями.

Сам по себе минимальное решение еще не раскрывает причинно-
следственные связи условий и результат