плодотворные дебютные идеи

Process tracing: выводы о причинно-следственных связях на основе качественных данных

Доказательство причинно-следственных связей в социальных науках у меня всегда ассоциировалось с количественными исследованиями. В опросном эксперименте половине респондентов показали речь политика и им этот политик понравился. Другой половине речь не показали - им политик не понравился. Вывод: речь позитивно влияет на оценку политика. Мы доказали это, изолировав переменную и проверив результат при ее отсутствии.

Однако недавно я познакомился с совершенно гениальным методом process tracing. Он позволяет делать выводы о причинно-следственных связей на основе качественных данных. То есть когда анализируется мало кейсов или всего один.

Суть подхода: последовательно описываем все события связанные с изучаемым явлением и выдвигаем гипотезы о их причинах. Потом собираем данные, чтобы проверить эти гипотезы и по результатам выстраиваем модель причино-следственных связей. Фишка process tracing во фреймворке, который он предлагает для систематизации собранных доказательств:

Straw-in-the-wind test (солома на ветру) - факты, слегка усиливающие или ослабляющие гипотезу, но недостаточные для доказательства или опровержения.

Hoop test (тест обруча) - при прохождении теста гипотеза не подтверждается, но при непрохождении - опровергается.

Smoking-gun test (дымящееся ружье) - факты, полностью доказывающие гипотезу, но при непрохождении не опровергающие ее.

Doubly decisive test (дважды решающий) - доказательства, подтверждающие гипотезу и опровергающие все альтернативные. Чаще всего это комбинация разных тестов, например, имея три конкурирующие гипотезы мы две из них опровергаем с помощью hoop test, а третью подтверждаем через straw-in-the-wind тест.

Для иллюстрации приведу не социологический, но политически важный пример. Допустим, у нас гипотеза: Лукашенко не направил белорусские войска против Украины, чтобы избежать внутриполитических рисков для своей власти.

Количественный подход здесь невозможен: мы не соберем данные 30 аналогичных ситуаций, отличающихся только одним аспектом, например, отношением населения к войне. Поэтому можно анализировать только наш кейс:

1) Факт: большинство белорусов, даже поддерживающих власть, против вступления в войну. Значит наша гипотеза проходит hoop test: нежелание белорусов воевать не доказывает мотивы Лукашенко, но является необходимым условием, если предположить, что он не хотел вызвать народное недовольство.

2) Факт: В прошлом Лукашенко неоднократно действовал ради защиты своей власти. Это не подтверждает гипотезу полностью, но придает ей вес - она проходит straw-in-the-wind тест.

На самом деле в этом примере недостаточно фактов, чтобы понять прошла ли гипотеза doubly decisive test. Это было бы возможно, например, при наличии протокола совета безопасности со словами Лукашенко: "Россия требует нашего вступления в войну, но мы откажемся потому что идеологические работники докладывают, что 80% солдат не будут выполнять такой приказ". Однако пример показывает как классифицируются факты в рамках фреймворка и что в целом возможно делать выводы о причинно-следственных связях без количественных данных.

Я позже приведу пример из прикладной социологии, ведь аналогичным образом можно анализировать, например, данные глубинных интервью, извлекая из них факты и систематически соотнося с наборами альтернативных гипотез.

www.group-telegram.com/ca/low_theory_raw.com/760

258 viewsedited  May 10 at 21:22

Process tracing: выводы о причинно-следственных связях на основе качественных данных

Доказательство причинно-следственных связей в социальных науках у меня всегда ассоциировалось с количественными исследованиями. В опросном эксперименте половине респондентов показали речь политика и им этот политик понравился. Другой половине речь не показали - им политик не понравился. Вывод: речь позитивно влияет на оценку политика. Мы доказали это, изолировав переменную и проверив результат при ее отсутствии.

Однако недавно я познакомился с совершенно гениальным методом process tracing. Он позволяет делать выводы о причинно-следственных связей на основе качественных данных. То есть когда анализируется мало кейсов или всего один.

Суть подхода: последовательно описываем все события связанные с изучаемым явлением и выдвигаем гипотезы о их причинах. Потом собираем данные, чтобы проверить эти гипотезы и по результатам выстраиваем модель причино-следственных связей. Фишка process tracing во фреймворке, который он предлагает для систематизации собранных доказательств:

Straw-in-the-wind test (солома на ветру) - факты, слегка усиливающие или ослабляющие гипотезу, но недостаточные для доказательства или опровержения.

Hoop test (тест обруча) - при прохождении теста гипотеза не подтверждается, но при непрохождении - опровергается.

Smoking-gun test (дымящееся ружье) - факты, полностью доказывающие гипотезу, но при непрохождении не опровергающие ее.

Doubly decisive test (дважды решающий) - доказательства, подтверждающие гипотезу и опровергающие все альтернативные. Чаще всего это комбинация разных тестов, например, имея три конкурирующие гипотезы мы две из них опровергаем с помощью hoop test, а третью подтверждаем через straw-in-the-wind тест.

Для иллюстрации приведу не социологический, но политически важный пример. Допустим, у нас гипотеза: Лукашенко не направил белорусские войска против Украины, чтобы избежать внутриполитических рисков для своей власти.

Количественный подход здесь невозможен: мы не соберем данные 30 аналогичных ситуаций, отличающихся только одним аспектом, например, отношением населения к войне. Поэтому можно анализировать только наш кейс:

1) Факт: большинство белорусов, даже поддерживающих власть, против вступления в войну. Значит наша гипотеза проходит hoop test: нежелание белорусов воевать не доказывает мотивы Лукашенко, но является необходимым условием, если предположить, что он не хотел вызвать народное недовольство.

2) Факт: В прошлом Лукашенко неоднократно действовал ради защиты своей власти. Это не подтверждает гипотезу полностью, но придает ей вес - она проходит straw-in-the-wind тест.

На самом деле в этом примере недостаточно фактов, чтобы понять прошла ли гипотеза doubly decisive test. Это было бы возможно, например, при наличии протокола совета безопасности со словами Лукашенко: "Россия требует нашего вступления в войну, но мы откажемся потому что идеологические работники докладывают, что 80% солдат не будут выполнять такой приказ". Однако пример показывает как классифицируются факты в рамках фреймворка и что в целом возможно делать выводы о причинно-следственных связях без количественных данных.

Я позже приведу пример из прикладной социологии, ведь аналогичным образом можно анализировать, например, данные глубинных интервью, извлекая из них факты и систематически соотнося с наборами альтернативных гипотез.

BY плодотворные дебютные идеи