Pagina 1 van 159

Kwalitatieve analyse: samenvatting Les 1: inferentie via kwalitatief onderzoekVROEGER KOMEN NAAR HET EXAMEN (half uur)

Examenopdracht in papieren versie meenemen! (niet in bakje, enkel online 9 januari om 17 UUR)

Mondeling examen 2 vragen kiezen, 1 uur voorbereiding

Thuisexamen: opdracht geven om een analyse over te doen, op zoek gaan naar UC analyse en dan toetsen aan normen en stabiliteit

Overzicht

Inleiding Concepten in kwalitatief onderzoek (3) Negatieve case selectie Case selectie

Voorlopige inhoud

Inleiding: Inferentie via kwalitatief onderzoek – King, Keohane, Verba 1994o Doel: veralgemenen, we hebben geen zin om kwalitatief onderzoek te begraven in

een of 2 cases en hier een theorie over op te bouwen (dit is niet veralgemenend, maar theorie ontwikkelend)

Kwalitatief onderzoek hier bijna hetzelfde doen als bij kwantitatief we willen iets vertellen over een groter geheel ik wil bijvoorbeeld iets zeggen over Vlaams onderwijs

o Boek: er komen ook vragen uit het boek!!! Delen over statistiek mag je overslaan!

Concepten in kwalitatief onderzoeko Bv. Wat is een democratie?

Case selectie in kwalitatief onderzoeko Zo heterogeen mogelijk selecteren op OV is de best mogelijk manier om cases te

selecteren Hoe komen we dit te weten? Wat cruciale variabelen zijn? er zijn niet veel

onderwerpen waar geen onderzoek rond gedaan is Bv. het internet als een vb van een nieuw internet dit is het enige

onderwerp dat nieuw is in de carrière van de prof o Een belangrijke variabele vergeten leidt tot vertekening!

Bv. laat ons opdelen naar man en vrouw -> verschillende modellen nodig voor verklaren in mannen en vrouwen

Analyse van meervoudige ‘causaliteit’ QCAo In statistiek nooit hoe komen die verbanden tot stand dit kunnen wij met dit vaak

wel

Pagina 2 van 159

Maar selectie van cases wel cruciaal dan om ons resultaat dan te bekomen o Causaliteit: kunnen we niet bewijzen in kwalitatief onderzoek

Als A dan B onmogelijk Wat we wel kunnen doen: beschrijvende inferentie: gegeven wat we

theoretisch weten, observaties -> denken wij dat dit het mechanisme is dat bepaalde zaken veroorzaakt (we zeggen niet er is een causaliteit MAAR we beschrijven: dit is het algemeen proces dat we denken dat naar voor gaat komen kunnen we niet bewijzen met kwalitatieve maar we kunnen wel voorspellingen doen) rijker inzicht in cases

Wel een deel correlationele informatie voor een deel beschrijvende analyse)

Bv. protocollen van diepte-interviews aan kwalitatieve sociologen geven analyseer dit en vertel ons wat het resultaat is elk had een eigen interpretatie voor een deel kan je deze verschillen verklaren en zijn ze ook aanvaardbaar (iemand die vanuit Marxistisch paradigma vertrekt zal andere analyse dan conflictgericht paradigma vertrekt paradigma verschillen) MAAR OOK PERSONEN DIE TOT HETZELFDE PARADGIMA BEHOORDE HADDEN ANDERE CONCLUSIES

o Kunnen we dit dan nog wel gebruiken? reproductie is blijkbaar niet nodig, dezelfde input leidt tot andere output dus we hebben hier modellen voor nodig QCA (idee: beperkt aantal cruciale kenmerken van case selecteren nadat je hele studie gedaan hebt)

We hebben scholen gestudeerd wat maakt dat etnische minderheden mee kunnen op de ene school en de andere niet een school waar een actief omgegaan wordt met het bestrijden van racisme haalt betere resultaten (wordt erkend en men vind niet dat etnische minderheden zich moeten assimileren)

(Process tracing)

Zonder methodiek geen onderzoek

Method without substance may be sterile, but substance without method is only fortuitously substantial” (Key, V.O. Jr., 1958 APSA Presidential Address)

Welke methode?

Idee van analytische inductie: we gaan inferentie doen in kwalitatief onderzoek

Pagina 3 van 159

de onderzoeksvraag gaat stellen welke onderzoekseenheden, welke methode en welke analysemethode die je gebruikt

voorbeeld: 4 onderzoekseenheden

Open interviews Grounted theory: zonder vooropgestelde theorie welke types kunnen we maken?

focusgroepen per type van hulpverlening interesse in praktijk van OCMW (en verschil met discours) wat is formeel wat is niet formeel? QCA: analyse inductie: we proberen een typologie te maken van welke soorten HV we krijgen

kranten: scannen op woorden zoals vluchtelingen, migranten dan in tool van krantenartikelen opnemen

meeste technieken middle rage theorieën (behalve Grouned theory)

Wat verstaan KKV onder goed/ wetenschappelijk onderzoek (Boek: hoofdstuk 1):

Zowel kwantitatief als kwalitatief Doel is inferentie: krachten om te veralgemenen over de directe date heen, naar iets breder

dat niet direct geobserveerd is. Domein inferentie beperkt in tijd en ruimte of zeer breed (alle mensen)

Procedures zijn publiek: expliciete, vastgelegde en publieke methodes om data te genereren en te analyseren, zodat betrouwbaarheid en validiteit kan nagegaan worden. Replicatiemogelijkheid

De conclusies zijn onzeker. Er moet een redelijke schatting van de onzekerheid van het onderzoek.

De inhoud is de methode. De inhoud van wetenschap is primair de methode en de regels (omdat we hiermee zowat alles kunnen bestuderen)

Goede wetenschap is een sociale onderneming. Onderzoekers maken fouten, collega’s zijn er om dit op te merken door replicatie, door wetenschappelijke discussie

Basisregels goed kwalitatief onderzoek

Noodzakelijke ‘middle range’ theorie / hypothesen Dataverzamelingsmethode ifv de onderzoeksvraag Steekproef is zo weloverwogen mogelijk en systematisch Een valide en betrouwbare codering Het volgen van een strikte analysetechniek Onderzoeksresultaten afgeleid uit analyse

6 basisregels

Noodzakelijke theorie/ hypothesen

Het vertrekken van Tabla rasa is flauwe kul we hebben verwachtingen over het onderzoek waar we mee bezig zijn en we willen hier dan ook theorieën over als voorstudie!!

Welomlijnde theorie als voorstudieo Om te kijken wat relevant is en wat niet als we gaan onderzoeken er is zoveel

informatie mogelijk, dus onze theorie bepaalt wat we als relevent beschouwen

Pagina 4 van 159

Ondubbelzinnige en testbare hypothesen o Hypothesen van het kan goed gaan of slecht gaan, het kan vriezen zijn geen

hypothesen, hypothesen moeten duidelijk en verwerpbaar zijn (indien dit niet is, dan geen goede hypothese)

geen ‘no-risk framework’o Veel hypothesen en theorieën no risk: als je het over het falen hebt van scholen in

Antwerpen waar 25 procent van jongeren zonder diploma op arbeidsmarkt komt dan zeggen die van Antwerpen nog al vaak: dat komt omdat wij de moeilijkste populatie zijn want we hebben de meeste etnische minderheden, we hebben alle problemen die de andere niet hebben

Maar dat is flauwe kul! Want in alle scholen dat is eigenlijk een soort van oplossingsfenomeen dat nergens op trekt = een no risk framework: je kan er alles mee bewijzen: we doen het slechter op Frans want we hebben een slechtere populatie

Geen risk frame work zou zijn: er is een probleem in Antwerpen van de opleiding van de leerkrachten maar als je dit naar voor brengt dan krijg je direct de zaal tegen, jij beschuldigd de leerkracht maar dat is niet zo, we vinden bijvoorbeeld gwn dat ze niet voldoende middelen krijgen

Dataverzamelingsmethode ifv de onderzoeksvraag

Als je een onderzoeksvraag stelt dan ook afvragen is dit wel een vraag voor kwalitatief onderzoek?

o Bv. Hoeveel procent dat? is kwantitatief! o Als we interesse hebben in kinderen die succesvol zijn of mislukken dan

selecteren we kinderen op succes en mislukken MAAR HOEVEEL ER MISLUKKEN EN SUCCESSEN kunnen we niet zeggen met kwalitatief onderzoek

Dataverzamelingsmethode afgeleid uit onderzoeksvraago Welk soort materiaal willen we verzamelen? Hoeveel weten we er van af? En hoe

divers denken we dat de populatie is? Interne geldigheid: data zijn afspiegeling van werkelijkheid die we onderzoeken

o Omwille van het feit van dat we in de diepte kunnen gaan, veel observaties van hetzelfde gegeven maken dat we gedetailleerd beeld kunnen krijgen van wat er gebeurt (over tijd of ruimte heen)

o We moeten die maximaal maken! o Externe geldigheid heeft te maken met case-selectie maar niet met het

verzamelen van data informatie op zich Observeerbare consequenties van onze theorie

o bv. Zorgkwaliteit basisonderwijs hoog => minder B-attesten / lln voelen zich beter / hoger klasgemiddelde op toetsen

het gevolg moet zichtbaar zijn! Selectie: scholen waar hoog en lage zorgkwaliteit wordt aangeboden

o indien onze theorie correct is, moeten we dit en dat zien en mogen we niet dit zien

Steekproef: zo weloverwogen mogelijk & systematisch

niet selecteren op afhankelijke variabele! 1) beperkte spreiding op onafhankelijke var.

o Leidt tot verkeerd inschatten van verband

Pagina 5 van 159

2) Confounding van onafhankelijke varo Welke leerlingen in de lagere school hebben een goede taalontwikkeling we

nemen als case een paar kinderen die goede taalontwikkeling hebben en een paar die geen goede taalontwikkeling hebben selecteren op AV we gaan niet kunnen zeggen welke variabelen de oorzaak zijn (hoge opleiding – lage opleiding / wit zijn / zwart zijn)

o Cluster van OV die samen gaan en niet meer naar gewicht van elke AV inschatten o De hele range nemen op AV is absolute noodzaak!o Uw middengroep is weg en dat mag je dus niet doen! Want hoge scores gaan ook

hoge scores zijn op onderwijs, thuis nederlands spreken,… als je de hele range neemt kan je ze wel via multiple regressie uit elkaar halen

vb van in het boek: Waarom niet selecteren op AV? Jaarlijks inkomen van mensen die accounting hebben gestudeerd & het aantal cursussen dat die mensen als specialisatie gevolgd hebben

- zwarte lijn = regressielijn, puntjes = observaties

- als we het geheel nemen: 1 cursus bijdoen stijgt van 72000 naar 82000 regressiecoefficënt: een bijkomende cursus zorgt voor 10.000 extra meer verdienen

- na 4 jaar heb je investement terug gewonnen (want 40.000 per cursus)

Wat als we enkel geïnteresseerd zijn in diegene die meer dan 10 000 verdienen? regressielijn is dan stippenlijn: per cursus dat men gevolgd heeft, heeft men

een inkomen bijkomend van 5000 (ipv 10 000) hier dan 8 jaar werken om investement terug te winnen hoe komt dat die lijn verkeerd is? Omdat we niet de volledige basis genomen hebben (de breedte van de AV), maar slechts een beperkt gedeelde in lineaire relaties: is selecteren op AV is verdoemd om vertekening te veroorzaken! het verminderen van het effect dan het in werkelijk is! DUS NIET SELECTEREN OP DE AV

als je geen lineair verband zou hebben dan zou dat hier tot uiting zijn gekomen! wanneer we stukjes eruit nemen verbinden we 2 stukjes en zeggen we dat moet zo een lijn zijn dus het uiterste nemen is ook geen oplossing tenzij je zeker bent dat het een lineair verband is

o (mensen die veel verdienen en weinig verdienen hebben gemeenschappelijke kenmerken op andere variabelen)

HOE GAAN WE DAN OP OV SELECTEREN? want hierop selecteren heb je geen probleem: bv alleen stuk 0-3: onze regressiecoëffienit zou dan nog exact hetzelfde geweest zijn, we meoten niet alles hebben van onze OV, we gaan een deel homogoniseren op OV om er voor te zorgen dat we zicht krijgen op problematiek

o we hebben OV die invloed hebben op AV en daarin gaan we selecteren en daar willen we een brede variantie in hebben

Pagina 6 van 159

o bv enkel scholen in Antwerpen onderzoeken MAAR bv type school we gaan proberen dit wel breed te doen (ASO-TSO-BSO de hele rang hebben en daar willen we variatie in)

o je kan spelen met je OV o we willen dat systematisch doen!

ZO SYSTEMATISCH MOGELIJK (OV)o Goed geplande selectie; geen ongeplande selectie!

We willen geen elite vertekening vertekening in functie van de toegankelijke respondent bv. onderzoek naar student vrije tijd ik ga studenten in Leuven interviewen op café en mensen daar aanspreken makkelijke toegankelijk maar je hebt wel al gekozen voor de student op café

Het vertekenen van elite! = snel toegankelijke respondenten Gebeurt regelmatig! Bv. Random walk: in rijke gemeente wie VB stemde en waarom? de rijke

buurten nemen en daar starten op dit punt en dan huis per huis om de zoveel huizen aanbellen systematische trekking van mensen (gebeurde s’avonds en in het weekend ook werkende mensen beschikbaar zijn)

Bv. onderzoek naar reden voor stemgedrag aan stemhokjes om de 25e respondent gaan we interviewen

o Aandacht voor non-respons Diegene die we konden interviewen noteerden we de mensen die niet

wouden mee doen: wilt u dan wel zeggen voor welke partij stemde? mensen die voor Vlaams Blok stemde wouden niet uitleggen waarom non respons analyse is belangrijk want er zijn dan wel evenveel mensen die voor Vlaams blok stemde

Zijn er mensen die systematische weigeren? 20% respondentie is veel! In kwalitatief onderzoek

Want liggen niet vast + vaak onderwerpen die gevoelig zijn want we willen onderzoek erna doen

Bv. onderzoek naar vrouwen die pijn hebben bij seks selectie door link via website mensen die meededen vonden het onderwerp interessant maar hadden zelf geen pijn dus daar ben ik dan niets mee dus kijken naar wie er komt en wie er niet komt meedoen is heel belangrijk!

Zo weloverwogen mogelijk o Je kan niet 3 relaties zoeken bij 2 mensen

Je moet meerdere cases hebben Beperk onderzoeksvragen, want hoe meer onderzoeksvragen je hebt hoe

meer cases je gaat moeten selecteren o Bewust geselecteerde caseso Op basis van criteria ifv de onderzoeksvraago Hoe meer criteria, hoe meer caseso Sneeuwbalsteekproef ≠ onoverwogen (gemakkelijkheidsoplossing)

Je vraag aan iemand die een bepaald kenmerk heeft: ken u nog iemand die hetzelfde kenmerk heeft?

Pagina 7 van 159

Geen overwogen manier van werken, soms is het niet anders mogelijk maar dat is heel uitzonderlijk!

Valide en betrouwbare codering

A PRIORI CODEBOEK (i.t.t. codeboek opstellen tijdens analyse) Waarom?

o Meer overdachto Goede structuuro Systematischer

U kunt dat aan verschillende mensen geven om te coderen o Minder omslachtig

Je moet niet van 0 alles beginnen te doen o A posteriori toevoegingen mogelijk

U kunt altijd categorieën toevoegen! INTERCODERINGSBETROUWBAARHEID

o Noodzakelijk Klopt dat? Geven ze dezelfde codes indien we laten coderen door

verschillende mensen? en als er verschillende codes zijn, kijken naar wat klopt dat?

Als je met 2 mensen codeert afzonderlijk beoordelen en kijken in welke mate het overeenkomt grotere betrouwbaarheid!

“het is niet een lezing van de data van mij alleen, maar ook gecodeerd door een 2e codeur)

o Kappa (Cohen)

Voorbeeld Codeerschema

hoofdcategorieën a priori

Pagina 8 van 159

Volgen strikte analysetechniek

Analyseprocedure expliciteren

Pagina 9 van 159

o Is niet zeggen ik heb een inferentiële methode toegepast maar we willen dat je duidelijk weet hoe je het gedaan hebt traditie aangeven (duidelijk en concreter zijn beschrijving van een analyse)

o Binnen kwalitatief onderzoek kunnen we niet gewoon zeggen we hebben kwalitatief geanalyseerd

o Verplicht ons om duidelijk te maken aan de lezer: hoe heb ik het hier gedaan? (bv axiale verdeling en op welke axcen en waarom?)

Twee grote tradities: o Interpretatieve methodeno Inferentiële methoden

Interpretatieve methoden

Prototype: Grounded Theoryo Informatie laten opborrelen o Nadien proberen een analyse te maken om tot een nieuwe theorie te komen (prof

gelooft hier weinig in want je blijft altijd bij 1 case of 2 maar deze theorie wordt nooit bewezen)

o het levert niet genoeg op (kritiek hierop) Accent op inductie Analyse = codering Sterkte = innovatieve theorieën (?) Zwakte = betrouwbaarheid

Inferentiële methoden

Prototype: (op Analytische Inductie gebaseerd) QCA Accent op spel van inductie / deductie Analyse = systematisch

o Is niet noodzakelijk systematisch maar kan systematisch gemaakt worden Sterkte = objectief, systematisch & betrouwbaar

o Als 2 onderzoekers het onafhankelijk van elkaar gaan analyseren dan ga je een hogere objectiviteit of betrouwbaarheid hebben

Zwakte = beperkt aantal onafh. variabelen (worden a priori beschouwd als ‘gekend’ zonder veel aanpassingsmogelijkheid)

o We zijn altijd beperkt in hoe breed we in het onderzoek kunnen gaan want we willen diep gaan

o Het is diepte tegen breedte o Dat betekent ook dat beperkte aantal variabelen de goede moeten zijn en op

voorhand bekend moeten zijn Probleem: als we maar een beperkt aantal hebben en een belangrijke

variabele vergeten is dan heel gevaarlijk want resultaat kan daardoor vertekend zijn!

Merken we dit in de loop van het onderzoek dan kan je terug naar vroegere cases gaan en dan is er geen probleem, maar als je die mogelijkheid niet hebt dan is dit wel een heel groot probleem!

Limitering in kwalitatief ook in kwantitatief maar daar heb je een teveel aan variabelen in enquêtes om zoveel mogelijk zaken te bevragen maar ook

Pagina 10 van 159

hier kan het probleem van vergeten te meten optreden en waar men dan niet kan terug gaan naar de cases!

Analytische inductie (Znaniecki)

Klassieker: The method of sociolog (1934)

Cuisine scientifique (voorbereiding)

1) Essentiële onderscheiden van bijkomstige 2) Classificatie (samengestelde gehelen) opstellen (tot welke verschillende systemen behoren

de bestudeerde) o Dat we onze cases kunnen classificeren volgens bepaalde kenmerken o Het kan zijn dat je een theoretisch type niet vind in uw case op basis van de

gegevens die je wel hebt zou je in een invulling moeten kunnen doen schatting maken van wat er zou zijn voor de cases die we niet geobserveerd hebben

3) Lacunes opvullen door schattingen (soort van matching idee) o Soort van kwalitatieve schatting maken van wat het dan zou zijn o Is dat natte vingerwerk? Niet als u een volledig beeld hebt van andere cases dan

kan je zeggen moest ik die case vinden dan verwacht ik dat die zo zal zijn o We gaan er vanuit dat die case bestaat maar we hebben die niet geobserveerd o Lacunes invullen door schattingen o Je kan zeggen dat het een soort van missing probleem is -> op bepaalde variabelen

hebben we missings in stat: de regressiewaarde nemen: we hebben tussen 10000 en 3000 geen cases dus nemen de regressiewaarde hiervan we pakken dan die waarde op de OV hier dit idee theoretisch toepassen

o Sociale verbeelding nodig! u kent die hele wereld goed, wat is uw verwachting daar dan aan?

o Er liggen types die geclassificeerd kunnen worden en dat bestaat in zijn volledigheid dus dat gaan we dan zelf invullen

The method of typical cases

= case die de essentie van de situatie moet weergeven Een case die heel veel voorkomt en heel informatief is

o Bv. kinderen van hoge sociale klasse daar gaat hoge taalontwikkeling zijn en we nemen er ook van de lage klasse want we verwachte lage we nemen hier de kinderen uit waarvan we denken die veel informatie opleveren (bv. hoog opgeleide ouders, betrokkenheid bij hoge klasse & lage klasse: arm, migranten) informatierijke cases selecteren die typisch zijn voor die groep

o We hebben onze classificatie gemaakt en gaan op zoek naar typische cases binnen classificatie

Niet enkel vergelijken van cases, wel essentie van typisch cases achterhalen o Wat is de essentie van het kind dat een lage taalontwikkeling heeft? Wat kenmerkt

dat kind? Hoe komt die daar toe? o Als we dat gedaan hebben dan is het belangrijk om negatieve cases te seleceren!

Belang van de negative case

Pagina 11 van 159

Cases waarvan we een bepaalde uitkomst verwachten maar die is er niet bv; kind met hoge geschoolde ouders, geen financiële zorgen en toch heeft het kind geen goede taalontwikkeling (terwijl we dit wel zouden verwachten op basis van de kenmerken)

Negatieve cases zijn leerrijk Helpen ons typical cases ontdekken zij weerleggen of verfijnen de theorie want er zijn

onderzoeken (want indien… dan gaat de theorie niet meer op) We zoeken niet de gemiddelde case, wel de uitzondering!

o Theorie opbouw! (kwantitatieve analyse) stuurt theorie verder

Zoeken naar noodzakelijke condities

Idee: er is 1 dominante OV die de oorzaak is van de AV er zijn wetten in de sociologie Principe van structurele afhankelijkheid

o Dominante OV veroorzaakt AV o Welke combinatie van OV veroorzaakt AV? o Gelooft dat dit universeel is niet alleen in VL maar in de hele wereld

Principe van causaliteito Meer dan descriptief onderzoek o Deterministische visie op causaliteit

= het is een noodzakelijke conditie, als die conditie er is dan meot die uitkomst er zijn = deterministische

o Een causale wet kan nooit 100 procent bewezen worden Maar toch wel grotendeels volgens hem Nog steeds het geloof: als we de werkelijkheid goed kennen dan gaan we

ook op causale relaties uitkomen

Resultaat: theorie is universeel, precies en beperkt

Theorie is universeel o Universals worden ontdekt: precieze OV veroorzaken in bepaalde combinaties AV

Theorie is precieso Het gaat om een beperkt aantal variabelen (liefst 1, als het echt moet 3) o Enkel de essentiële verbanden worden weerhouden

Theorie is beperkt o In die zin dat het functioneert in een bepaalde context als we zeggen dat het gaat

om taalontwikkeling tot 7 jaar in 1e leerjaar dan gaat het niet om taalontwikkeling in het middelbaar

o Beperkt aantal OV’s in een wel omschreven context We selecteren binnen elk van types een beperkt aan cases die we typisch noemen (ze hebben

een gemiddelde waarde op AV en OV) we gaan de negatieve cases selecteren hierna (voor deze case hadden we aan andere verwachting) maar wij geloven niet meer in 1 wet, maar er zijn verschillende manieren om tot dezelfde uitkomst te komen en niet teveel variabelen naar voor proberen te brengen

Is de gemiddelde case wel een goede strategie om case selectie te doen? Wij gaan zeggen dat dat niet zo is, we willen op de OV variatie hebben zodanig we kunnen kijken voor elk AV die we bestuderen wat is de invloed ervan? (als dit… dan is de kans groot dat = problebastisch)

Pagina 12 van 159

Les 2: concepten en kwalitatieve data analyse Gary Goertz (Univ of Arizona)

Social Science Concepts. A User’s Guide. Princeton University Press, 2006 Te bestuderen hoofdstukken:

o Hfst 1: Introductiono Hfst 2: Structuring and Theorizing Conceptso Hfst 3: Concept Intention and Extensiono Hfst 7: Negative Case Selection: The possibility Principle

Een interpretatie en vrije aanwending

Content

definitie van concept definieert de breedwijdte van de cases

de manier waarop je theorie ontwikkelt stelt dat bepaalde case wel of niet in uw populatie liggen (bv. schoolgebouw selecteren of scholengemeenschap)

strategie vinden om in populatie selectie van cases te selecteren

concept bepaalt zo mee al onze uitkomst (nemen we die breed dan veel cases, anders

weinig)

belangrijke voorstudie bij kwalitatief onderzoek -> je moet uw terrein al goed kennen voor je aan kwalitatief onderzoek begint

Introductie

Concepten centraal deel van onze theorieën o Kwalitatieve onderzoekers: concepten niet-mathematisch en betrekking hebbende

op substantiële zaken

Pagina 13 van 159

We gaan concepten proberen zo te maken dat ze een brug slaan tussen concept en een bepaald fenomeen

In kwantitatief onderzoek door indicatoren en mate van betrouwbaarheid Een goed concept is wat belangrijk is in het gedrag van het object Wat zijn centrale attributen waar een concept naar definieert?

o Kwantitatief: concepten focus op schaalbaarheid, indicators, betrouwbaarheido Brug slaan tussen substantieel geldige concepten en goede numerieke

meetinstrumenteno Een goed concept onderscheidt wat belangrijk is in het gedrag van het object. De

centrale attributen waar een definitie naar refereert zijn deze die relevant zijn voor hypothesen, verklaringen en causale mechanismen

o De semantische benadering: definitie van een woord = een analyse van het concept te voorzien (nominalistisch).

Nominalistisch: neem de grote van Dale en wat staat er voor een bepaald concept dat willen we niet want als we nomanilistisch gaan werken gaat het eigenlijk over wie heeft de macht om een concept te definiëren

Dan discussie over wat is nu eigenlijk een bepaald concept? We willen een realistische benadering hebben wat bestaat er aan sociale

verzekerheidssystemen? o Diegenen die puur op semantische zaken focussen, zijn zeer gevoelig om definities

als arbitrair te zien. Indien het concept niet sterk gerelateerd is met de empirische analyse van een fenomeen dan is er niets waarin men het concept kan verankeren en alles wordt een zaak van wie de definitiemacht heeft (cf. Postmodernisme)

o Realistische benadering : maakt onderscheid tussen ‘essentiële’ en ‘oppervlakkige’ eigenschappen van een object.

o => concepten zijn theorieën over ontologie: zij zijn theorieën over de fundamentele opbouwende elementen van een fenomeen. Het verwijst naar de centrale karakteristieken van een fenomeen en zijn interrelatie eigenschappen (bv. Welvaartstaat)

o => een causale, ontologische en realistische kijk op concepten. Het is ontologisch omdat het zijn focus heeft op wat fenomeen constitueert.

o Het is causaal omdat het ontologische kenmerken identificeert die een centrale rol spelen in causale hypothesen; het is realistisch omdat het een empirische analyse van het fenomeen veronderstelt.

o Een pure semantische definities van concepten, woorden en hun definities is nooit adequaat op zichzelf.

De structuur van een concept is cruciaal. o Meeste concepten zijn multidimensionaal en multilevel: drie lagen concepten

(1) de basic level: verwijst naar de theoretische proposities (bv. corporatisme, welvaartstaat, ...) substantieven met aangehechte adjectieven (Collier & Levitsky, ’97): bv. parlementaire democratie

(2) secundaire laag: het geeft de opbouwende dimensies van het basisniveau De secundaire dimensies vormen veel van de ontologische analyse

van het concept. Zijn centraal in verschillende soorten van causale mechanismen.

(3) Indicator / data niveau: het operationalisatie niveau. Moet specifiek genoeg zijn zodat er gegevens kunnen verzameld worden, die ons toelaten te

Pagina 14 van 159

categoriseren (typologiseren) of een specifiek fenomeen, individu of gebeurtenis onder het concept valt.

de dissectie van een concept verteld ons (1) hoeveel niveaus er zijn; (2) hoe veel dimensies elk niveau heeft en (3) wat de substantiële inhoud van elk van de dimensies op elk van de niveaus is.

The Basis Level

basisniveau van een concept verwijst naar de theoretische

proposities

welke dimensies zijn er aanwezig in dat concept?

Bv welvaarstaat: ziekteverzekering + ouderdomsverzekering + inkomensgarantie

‘ = ‘ sociale zekerheid veroorzaakt niet een ziekteverzekering maar

ziekteverzekering is SZ

niveau van indicatoren: we kunnen dit meten

Bv werkloosheidsuitkering: indicatoren: tijd dat je niet meer werkende bent / voldoende lange periode /…

Pagina 15 van 159

Vervolg introductie

Twee verschillende structurerende principes om multilevel en multidimensionale concepten te bouwen:

o (1) De noodzakelijke en voldoende voorwaarden (Aristoteles) Definiëren van een concept is aangeven welke condities noodzakelijk zijn en

voldoende opdat iets in een bepaalde categorie zou passen. Elk van de noodzakelijke condities is een secundaire orde dimensie De structuur die de tweede orde dimensies samenhoudt is het basisniveau

van de noodzakelijke en voldoende voorwaarden.o (2) De familiegelijkenis structuur van een concept

Alles wat men nodig heeft om onderdeel van een familie te zijn is voldoende gelijkenis met een gedeelte van de secondaire orde dimensies

De kwalitatieve literatuur in verband met concepten kan best samengevat worden met formele verzameling theorie of logica

o AND (EN) bepaalt de noodzakelijke en voldoende voorwaarden logica structuuro OR (OF) bepaalt de familiegelijkenis structuur

Substitueerbaarheid:o Noodzakelijke condities verdragen geen substitueerbaarheido Familiegelijkenis laat toe dat de afwezigheid van één karakteristiek gesubstitueerd

wordt door de aanwezigheid van een andere (bv. Welvaartstaat: werkloosheid, pensioen, algemene ziekteverzekering,... Maar geen van allen MOET aanwezig zijn om over een welvaartstaat te spreken).

Conceptual stretching (conceptueel uitrekken)o Komt voor wanneer we concepten verwaterd worden zodat het kan toegepast

worden op bijkomend gevallen (cases)o Filosofisch is dit het contrast tussen extensie en intentie.o Sartori (1970) basisprincipe: als intentie zakt, neemt extensie toe: als concepten

meer permissief worden door minder attributen te eisen, dan vallen er meer cases onder.

Ideaaltype: extensie is nul (extreem einde van het conceptcontinuüm) Theorie, dat is concepten, moet methodologie drijven: we moeten eerst klaarheid scheppen

wat de inhoud en de structuur is van onze concepten en dat kunnen we beginnen te denken hoe we het valide kunnen operationaliseren.

o (1) hoe indicatoren combineren om een tweede orde dimensie te vormeno (2) hoe de tweede orde dimensies combineren om het basisniveau van het concept

te krijgen. De theoretische en substantiële context waarbinnen theorieën over meten zijn ontworpen.

o Factor analytische benadering centraal (Lazarsfeld, Blalock) 1° er is een causale relatie tussen de basis, het secundair niveau en het

indicatorniveau (ziekte-symptoom model: de ziekte veroorzaakt de symptomen en niet andersom!). Indicatoren mogen geen andere oorzaak hebben dan de latente niet-meetbare variabele

o - Ontologische – niet-causale – kijk op concepten 1° basis en secundair niveau dimensies zijn geen oorzaken maar constitueren

het concept/fenomenen (bv. Democratie veroorzaakt niet vrije verkiezingen!)

Pagina 16 van 159

2° In essentie is het een functionalistische kijk op fenomenen. Het secundaire niveau is echt een theorie over de samenhangende delen van het concept

3° Op indicator niveau kan er functionele equivalentie zijn, d.i. verschillende fenomenen bestaan die voldoen voor het secundaire niveau. Functionele equivalentie betekent dat het optreden van attribuut A het optreden van attribuut B kan vervangen. DUS: een secundair niveau kan aanwezig zijn met WEINIG of GEEN CORRELATIE tussen de indicatoren

De impact van concepten op case-selectie en causale inferentieo Figuur 1 (Goertz, 2006:20) hoe concepten en case- selectie interageren.

Centraal in kwalitatief onderzoek: selectie van positieve cases. De onderzoek(st)er wil de positieve cases verklaren. De keuze van positieve case(s) is cruciaal ( cfr. Lijphardt: Nederland). Passen deze centrale positieve cases goed bij het concept? Grijze zone?

Zoals reeds gezien: conceptstructuur heeft een grote impact op de inclusiviteit van een concept in termen van dekkingsgraad (coverage) en extensie. Van grijze naar pos of neg zone?

Elk selectiecriterium (bv. variatie in concept) dat correleert met de afhankelijke variabele veroorzaakt zeer waarschijnlijk selectie-effecten (bv. relatie democratie en economische groei)

o Hoe wordt concept gebruikt om negatieve cases te selecteren. Definitie of positief concept is gewoonlijk duidelijk, negatief concept is veelal zeer vaag (cfr. Skocpol (1979) sociale revolutie)

o Het significant probleem betreft de natuur van het « non » concept die de negatieve cases definiëren en die nodig zijn om hypothesen en theorieën te testen.

o Oplossing: het ‘possibility principle’ dat negatieve cases onderscheid van irrelevante cases. D.i. we gebruiken de theorie van de positieve cases om te bepalen voor welk van de negatieve cases de positieve uitkomst « mogelijke was »

Hypothetische test: Stepping-stone theory

Pagina 17 van 159

Vervolg introductie

Mogelijkheidsprincipe aanwenden om:o Gehele populatie te definiëreno Om enkel de negatieve cases te bepaleno Het elimineren van irrelevante cases onafhankelijk van het bepalen van de positieve

of negatieve cases Onderzoeksketen:

o Concepten => case selectie => causale inferentie Let op de ‘downstream’ impact van concepten!

Les 3: structureren en theoretiseren van concepten (2) Structuur en theorie

Concepten: ontologisch, realistisch en causaal Kernattribuut concept: theorie m.b.t. zijn ontologie Conceptontwikkeling: = beslissen over wat belangrijk is voor een eenheid De ontologische theorie van een object, gebeurtenis, fenomeen focust idealerwijze op de

‘ziekte’ en enkel in tweede orde op de ‘symptomen’ Belang ontologische definitie: we kennen ‘causale kracht’ toe aan de secundair niveau

dimensies die een concept vormen. (verwijst naar de intrinsieke natuur van concept) Ontologische theorie focus op concepts interne structuur en zijn consituterende delen, maar

ook hoe het interact met zijn omgeving. Default optie: noodzakelijke en voldoende conditiestructuur <= => familiegelijkenisstructuur

of de prototypische klassificatie (bv. spelen) Familiegelijkenis en prototype duiden erop dat categorieën voortgebracht door concepten

niet noodzakelijk een duidelijk grens hebben. De grijze zone. Dichotomie en noodzakelijk en voldoende voorwaarde gaan veel samen (alles of niets). Dichotomie als een speciaal geval van een continue dimensie

Het basis niveau

Pagina 18 van 159

3 verbonden issues: (1) de negatieve pool, (2) de substantieve inhoud van het continuum tussen de twee polen en (3) de continuïteit die bestaat of niet (dichotoom of continu) tussen de polen.

(1) de negatieve poolo Basis niveau is meest discussie gevoeligo Wat is tegengestelde van ‘oorlog’? Vrede? Niet-oorlog?o Wat is de negatieve pool van het concept ‘corporatisme’ (pluralisme?)o Lijphart’s democratie: Westminster (meerderheids)model en consensus model met

daartussen een continuüm (op basis van 8 secundaire niveau dimensies) o Operationalisering van de negatieve pool als nul op alle secundaire orde dimensie

karakteristieken. Bv. Non-social revolutie is daar als alle positieve attributen van een sociale revolutie ontbreken

Algemeen gesproken: de negatieve pool is geregeld de negatie van de positieve pool. Het heeft dus geen afzonderlijke theorie.

Steeds nuttig af te vragen wat de negatieve pool is van een bepaald concept! (2) is er een substantieve opvulling van het continum tussen beide polen?

o Moet duidelijk gemaakt worden. Theoretiseer de grijze zone. (3) is deze opvulling continue of niet (discreet)

o Hebben we het over de « mate waarin ». Zie bv. Mate van democratie?o Continue concepten hebben het voordeel van direct het grijze zone aan te pakken.

Wat zijn de border cases? Wanneer is iets niet meer aanwezig?o Dichotomiseren geeft geregeld aanleiding tot meetfouten.o De feitelijke distributie over het continuum zou bij de opbouw van het concept geen

rol mogen spelen

De prototypes

Secundaire orde dimensies refereren haast altijd naar het positieve concept. Voor elke secundaire dimensie zal de vraag zich stellen naar zijn negatieve pool Zowel positieve als negatieve polen moeten zinvol zijn Familiegelijkenis structuur

o m out of n structuur. Fenomeen doet zich voor indien een zekere threshold (m) overschreden wordt. Geformuleerd in de noodzakelijk en voldoende voorwaarde structuur: alleen wanneer ‘m van de n karaterisitieken aanwezig zijn’

In de noodzakelijke en voldoende voorwaarde structuur is het essentieel dat zowel de noodzakelijke dimensies aangegeven worden als (minimaal) voldoende voorwaard(en).

Dus o Niet enkel de dimensies van een concept oplijsteno Wees duidelijk over de noodzakelijke condities, en maak duidelijk of die er zijno Geef de voldoende voorwaarden aan (ook voor het familiegelijkenis prototype)o Dwing de lezer niet om te structuur van het concept te raden aan de hand van

discussies van voorbeelden of van meetmodellen

De wiskunde van concept- structuren

X vet hoofdletter voor basis concept, romeinse letters voor secundaire dimensies en italic letters voor indicator/data niveau

Pagina 19 van 159

o De noodzakelijke en voldoende voorwaardestructuur is matematisch gemodelleerd door AND of door de doorsnede in de verzamelingenleer (dichotome structuur)

o De familiegelijkenis structuur is mathematisch gemodelleerd door OR of door de unie van de verzamelingen leer (dichotome structuur)

Conceptstructuur

De ene structuur is niet beter dan de andere, het punt is dat ze verschillend zijn. De keuze van conceptstructuur – en dus impliciet van z’n kwantitatieve en kwalitatieve

meetinstrumenten – moet gestuurd zijn door de ontologie van het betreffende fenomeen

Substitueerbaarheid tussen conceptstructuren

Tussen de twee standaard conceptstructuren ligt een continuum: het substitueerbaarheidscontinuum

Beide conceptstructuren moeten gedefinieerd worden in termen van ‘voldoende voorwaarden’

Cruciaal verschil tussen beide conceptstructuren is dat de éne noodzakelijke voorwaarden kent en de andere niet.

Per definities zijn noodzakelijke voorwaarden niet substitueerbaar. Noodzakelijke en voldoende voorwaarden concept: ‘als en alleen als n karaterisitieken’. Familiegelijkenis concept: ‘als m van de n karakteristieken’ Substitueerbaarheid is het essentieële verschil tussen beiden. Indien in twijfel welk van beide

structuren stel vraag over substitueerbaarheid.

Opvallendeheid en essentie: het wegen van dimensies

? Vraag naar relatief belang van de verschillende dimensies? Noodzakelijke voorwaarden steeds belangrijker dan de substitueerbare voorwaarden (per

definitie)

Pagina 20 van 159

Desondanks binnen beide conceptstructuren kan men het individuele gewicht van dimensie laten variëren.

Dient gebaseerd zijn op (ontologische) theorie ivm object. Lijkt aannemelijk dat voor de meeste fenomenen sommige tweede orde dimensies

belangrijker zijn dan andere. Sommige essentieel, andere enkel faciliterend. Het weegschema moet gemotiveerd worden!

Een dichotome variabele kan niet gewogen worden (wat tegen hen pleit) => dichotome variabelen leidt tot ongewogen dimensies

Drie niveaus concepten

Theoretische relaties tussen niveaus: ontologisch, causaal en subsitutie

Kolom 1: de theoretische relaties tussen en binnen niveau’s van concepten De AND en OR kolom tonen hoe de theoretische relaties interageren met formeel,

mathematische principes Causaliteit in concepten: meestal spelen hypothesen over causale effecten een rol 3 mogelijkheden: (1) concept veroorzaakt indicatoren, (2) indicatoren veroorzaken concept

en (3) een niet-causale relatie Statistische vertaling van causaliteit in model: (1) latente variabel model, (2) principale

component model

Pagina 21 van 159

Afhankelijke variabele: basis regel, enkele een niet-causale relatie kan bestaan tussen de niveaus van de afhankelijke var

Relevantie voor kwalitatief onderzoek: zijn de concepten al dan niet direct observeerbaar? Zijn de indicaties (1) ‘gevolg van het fenomeen’ of (2) ‘aanwijzingen dat het fenomeen aanwezig is’

Bv. ‘ontmoedigd lerarenkorps’

Ontologie en concepten

Pagina 22 van 159

Definitie in termen van ontologische eigenschappen Secundair niveau dimensies bepalen wat het fenomeen is; de relatie met basis niveau is er

een van identiteit Sterk verband tussen semantische benadering van concepten en de ontologische benadering Voorbeelden Hicks (1999): 1930 welvaartstaat Skocpol (1979) Sociale revolutie

3 out of 4 to exist

Necesarry and sufficient: all must be present to exist

Vragen boek:

Onderscheid maken tussen systematisch en random effect als je het random effect kan weglaten: wat je dan in AV observeert is het causale effect (als op de OV van waarde 1 naar waarde 2 gaat, het effect dat we dan zien op de AV = het causale effect) in random effect kan je in een keer wat meer hebben, dat is niet het werkelijke causale effect!

P77: incubitie: als je als verkozenen deelneemt aan een verkiezing (bv zittende burgemeester die hier mee aan deelt neemt is het voorbeeld van incubitie: allerlei manifestaties (lint gaan doorknippen, spreken) van hij of zij is de burgemeester en de vervanger hiervan heeft geen voorbereiding want die is niet zes jaar kunnen gaan spreken enzovoort,…

Pagina 23 van 159

Indicator/data niveau relatie (3 niveaus)

Concepttheorie omzetten naar empirische praktijko = doel o We gaan proberen te voorkomen om :

Wat is het basisconcept: secundair niveau en het indicator niveau wat we niet wensen dat er hier een causaal verband zou zijn: als deze voorwaarden waar zijn dan observeren we dit

Beste is om meestal indicatoren als niet-causaal deel van conceptstructuur te zien Veelal is er een substitueerbaarheid op indicator niveau

o Familiegelijkenis niveau als er 1 of 2 indicatoren aanwezig zijn is dit voldoende om een indicator van secundair niveau te hebben het kan zijn dat we daar een verplichte noodzakelijke voorwaarde opzetten maar we proberen dit zoveel mogelijk te vermijden

o Binnen een SL is het mogelijk om op verschillende wijzen tot dezelfde uitkomst te komen

Uitgangspunt is dat binnen een samenleving het gewoonlijk mogelijk is om op verschillende wijzen tot dezelfde uitkomst te komen. Termen hiervoor: substitueerbaarheid of ‘equifinality’ (i.c. er zijn meerdere paden naar een zelfde doel)

o Om een faire verzieking te hebben verschillende manieren van organiseren / welfare staat kan op verschillende manieren georganiseerd worden

o We gaan concepten kunnen hebben die makkelijke functionele equivalentie hebben (de welvaarsstaat van de UK kunnen we eigenlijk wel vergelijken met EU terwijl deze toch verschillend zijn opgebouwd, het zijn types van welvaart proberen om functionele equivalentie te waarborgen)

= functionele equivalentie in vergelijkend onderzoek (zie figuur 2.5 - welfare state) = natuurlijke wijze van insluiten van historische en culturele diversiteit in groter theoretisch

kadero Bv. tafelmanieren evolueren doorheen de tijd als we daar een off structuur van

maken, dan kunnen we makkelijk zeggen dit zijn tafelmanier in 1900 , in 1990,… o Waarom is iets verboden? wordt in 2020 niet als onbeleefd beschouwd, in jaren

60 wel Tweede niveau en het basis niveau benadrukken de gemeenschappelijkheid over diverse

contexten heeno Wat er vergeleken moet worden is niet indicator niveau maar wel aanwezigheid van

secundaire niveau want dat is wat we willen vergelijken!o Als het aanwezig is, is dit aan de hand van een van de concepten die aanwezig is op

secundair niveau dit maakt het makkelijker om kwalitatief onderzoek te doen (niet zoals in kwantitatief onderzoek waar alle relaties, effecten identiek gelijk moeten zijn) bij kwalitatief makkelijker om te vergelijken doorheen de tijd, tussen culturen omdat we rekening houden met diversiteit op basis van indicatoren OF dit is aanwezig, OF dit, of dit,…

=> drieniveau conceptstructuur is een compromis tussen theoretische algemeenheid op secundair en basisniveau (we hebben bv concept autoriteit verschillende dimensies willen we vergelijken maar hoe dit tot uiting komt lokaal kunnen vergelijken door te spelen met die indicatoren (cross-sectioneel onderzoek mogelijk) , terwijl historische en cross-nationale

Vragen boek:

Onderscheid maken tussen systematisch en random effect als je het random effect kan weglaten: wat je dan in AV observeert is het causale effect (als op de OV van waarde 1 naar waarde 2 gaat, het effect dat we dan zien op de AV = het causale effect) in random effect kan je in een keer wat meer hebben, dat is niet het werkelijke causale effect!

P77: incubitie: als je als verkozenen deelneemt aan een verkiezing (bv zittende burgemeester die hier mee aan deelt neemt is het voorbeeld van incubitie: allerlei manifestaties (lint gaan doorknippen, spreken) van hij of zij is de burgemeester en de vervanger hiervan heeft geen voorbereiding want die is niet zes jaar kunnen gaan spreken enzovoort,…

Pagina 24 van 159

gevoeligheid van het indicatorniveau een solide basis kan vormen voor de theoretische superstructuur

o Veralgemening zit op basisniveau en secundaire niveau o Het unieke dat doorheen de tijd en culturen verschilt zit op indicatorniveau! o Voorbeeld: beleefdheid (basisniveau) is voldoen aan de standaarden van het land

(secundair) in VL: betekent dit niet spuwen op straat (indicator) in China spuwen ze wel op straat maar dat klopt want is daar wel beleefd (dus indicatoren uniek, maar secundair niveau blijft hetzelfde)

We kunnen typische zaken van beleefdheid vergelijken tussen Vlaanderen en China

Secundair niveau construeert wat de essentie is van basisniveau Op indicatorniveau kunnen we gaan spelen, we kunnen dat

cultuurafhankelijk maken/ tijdsafhankelijk (de moderne tijd is verschillend van de prehistorie)

o Bv. onderzoek naar huisvestiging in Vlaanderen: hoe leven mensen en wat zijn minimale condities van goede woningen? groep etnische minderheden Marokkanen hebben andere eisen dan groep van de witte bevolking (bv. het idee van het kind moet 1 kamer hebben om te leven = typisch blank idee)

We meten hetzelfde, maar we zijn ons bewust van cultuurverschillen WE WILLEN FUNCTIONELE EQUIVALENTIE EN GEEN STRIKTE!!! (kunnen we waar maken door te spelen met die indicatoren)

Je kan dan bv zeggen ik vind dat er 2 van de 6 indicatoren aanwezig moeten zijn om te voldoen aan secundair niveau! Maar je kan ook zeggen 4 van de 6, of noodzakelijke indicatoren plaatsen (deze moet tenminste aanwezig zijn) deze moet er zijn OF mag er zijn

Ook belangrijk als je groepen met elkaar wilt vergelijken de manier waarop men leeft en doet met kwalitatief onderzoek kan je daar makkelijk in gaan calculeren (wat is een goede opvoeding verschillende ideeën tussen arbeidsklasse en middenklasse maar we kunnen die functioneel equivalent maken met elkaar: bv men moet respectvol zijn naar ouders toe: maar invulling hiervan kan wel verschillend zijn voor de beide groepen)

o Dit mag in kwantitatief onderzoek niet!!! Want zij zouden zeggen is niet vergelijkbaar want niet identiek!

Causale hypothesen ingebed in concepten

Gegeven dat we causale hypothesen niet zouden kunnen vermijden wanneer we concepten bouwen moeten we ze expliciteren.

Eigenlijk betekent dit dat we hypothesen in het concept inbouwen (is niet steeds gewenst) Denk hard na vooraleer je dit doet. Het maakt het testen van die hypothesen zeer moeilijk Vermijd hypothesen (door indicatoren op te nemen) die geen onderdeel zijn van factoren op

het tweede niveau.o We willen dat die gelijkenis er is, essentiële gelijkenis (ook op indicator niveau, niet

de oorzaken!) Wees vooral waakzaam bij de afhankelijke variabele concepten. Potentiële oorzaken van

fenomeen moeten uit het concept gehouden worden!

Voorbeeld causaal verband: indicator 2e niveau

Pagina 25 van 159

Voorbeeld van wat we niet willen! Mensen die zeggen: instorten van staat dat wordt veroorzaakt door ofwel: dominante klasse neemt de macht over / agrarische achteruitgang / internationale druk DIT VEROORZAAKT de in eenvalling

o Om dit te gaan vergelijken tussen landen is moeilijk want je hebt er al een causaal verband in gestoken, we willen eigenlijk af van die causale landen we willen de kenmerken hebben, niet de oorzaken!!!

o Want je hebt hier al een heel deel hypothesen ingestoken!!

Les 4: Concept intentie en extensie Intentie: hoe beperkt dat iets is

Extensie: hoe breed dat iets kan zijn

De ladder van algemeenheid en concept extensie

Klassiek werk over concepten o Sartori, Giovani, (1970) Concept misformation in comparative politics, in American

Political Science Review 64: 1033 – 1053 Lanceert het idee van de ladder van algemeenheid: (generality (Collier) of abstraction

(Sartori) Idee: om het even welk concept kan je dit formuleren zodat er weinig cases zijn die er nog onder vallen of dat je het concept zo breed kan stellen dat het ongelofelijk veel cases bevat!

o Gaat over hoe breder het concept is, hoe meer cases je kan hebben en visa versao Concepten worden uitgetrokken om meer cases eronder te kunnen vatten

toevoeging en versmalling gebeurt door adjectief toe te voegen aan een concept (bv. democratie parlementaire democratie: het is een vorm van democratie waar parlement de macht heeft / president democratie: macht voor president we voegen concepten toe om te verbreden om te versmallen!)

Idee: het ideaaltypen van Weber bestaat niet, zo een beschrijving van een concept (democratie) is zo breed en gedetailleerd dat je het kan zien als een

Pagina 26 van 159

ideaaltype er zal geen enkel geen land meer zijn die er aan voldoet , daarom ideaaltype!

o Betreft hoe de extensie (d.i. de empirische dekking (coverage)) van een concept varieert met z’n intentie (d.i. het concept zelf)

o Het loslaten van concepten resulteert in “conceptueel uitrekken” (conceptual stretching) waarbij het concept toepasbaar wordt op meer gevallen, maar potentieel kan gerekt worden voorbij de herkenbaarheid.

o Deze toevoegingen of versmallingen gebeuren merendeels via het toevoegen van ‘adjectieven’ = is wat gebeurd wanneer men de intentie veranderd door het aantal secondair niveau dimensies te wijzigen

o Ideaaltypes = zero extensie, i.c. zijn er geen echte voorbeelden van ideaaltypes Waarom? In kader van vergelijkend onderzoek op kwalitatief niveau -> als we alles strikt

formuleren, kunnen we weinig landen vergelijken door te verbreden kunnen we meer vergelijken

o Motivatie is methodologisch probleem van gedetailleerde concepten. Kunnen toepasbaar zijn op één of enkele case maar ‘reizen’ slecht wanneer toegepast op andere culturen, landen, tijdsperiodes.

o ‘stretching’ kan dan een oplossing zijn (zonder ‘overstretching’)o Eigenlijk niets anders dan het verband tussen extensie en intentie van een

conceptdefinitieo Intentie definieert de extensieo Als men het aantal secondaire niveau attributen laat stijgen en als het gaat om een

noodzakelijke en voldoende voorwaarde structuurconcept, dan is er een inverse relatie tussen intentie en extensie

o We willen vergelijken we gaan proberen concepten breder te strechten om dat mogelijk te maken en om niet in een land te blijven zitten

o Je kan ook overstrechting gaan doen!!! zoveel zaken weg laten, dat eigenlijk alles er onder komt te vallen

Bv. als je zegt: ik ga op secundair niveau zeer weinig elementen opnemen, dan ga je veel cases kunnen hebben

Noodzakelijke en voldoende voorwaarde structuurconcept: concept: 2 dimensies: het is een noodzakelijke voorwaarde structuur (beide dimensies moeten aanwezig zijn voordat we van het concept kunnen spreken bv. welvaarstaat: pensioen en werkloosheidsuitkering ook toevoegen van ziekteuitkering: dan zullen we minder landen hebben die onder welvaartsstaat vallen, dan nog werkongevallen toevoegen, dan gaan we er nog minder hebben ALS WE DE VOORWAARDELIJK EN VOLDOENDE voorwaardestructuur hebben: mijn extensie laten zaken en intentie laten stijgen

Als ik dit niet doe bv welvaart: werkloosheid OF pensioen OF ziekte OF arbeidsongeval uitbreiden! extensie verbreden en intentie verlagen afhankelijk van welke structuur je toevoegt bevat het verbreden of versmallen

o Dus “conceptual stretching’ betekent het elimineren van noodzakelijke condities! Het concept wordt meer algemeen gelijktijdig dekt het meer.

Pagina 27 van 159

o Als we de familiegelijkenisstructuur voor een concept gebruiken wordt deze relatie omgekeerd: extensie vergroot met intentie – het toevoegen met OF laat de dekkingsgraad toenemen

o Het toevoegen van attributen mits conditie AND maakt dat extensie daalt.

Lader van algemeenheid: voorbeeld

Verschillende tradities: landbouw als die op de grond werk (werken met gewassen op platteland) iedereen die ook maar iets doet van het kweken van groenten en fruit: antropologen zeggen: pas over landbouw spreken wanneer die ook in drop woont die bepaalde tradities hebben (niet in stad) niet enkel werken op de grond is voldoende

Dan gaan we van heel hoog aantal landbouwers naar een lager aantal landbouwers (Weber is smalste definitie) je kan dus heel breed of heel smal gaan

o We gaan dit bewust gebruiken: we gaan het over landbouwers hebben dan zeggen wel elementen essentieel zijn om van landbouwers te kunnen spreken we gaan spelen met die groot of klein te makken KIEZEN WE DAN VOOR DE “EN STRUCTUUR” OF DE “OF STRUCTUUR”

Concepten en adjectieven

Klassieke operatie: toevoegen van secundaire orde niveau dimensie door toevoegen van adjectief

Adjectieven kunnen ook het aantal secundaire orde niveau dimensie beperken. In klassiek noodzakelijke voorwaarden structuur is toevoegen adjectief een beperking van de

extensie Probleem van niet-gefixeerde basisniveau van concepten: adjectief zorgt voor definitie Dus concepten+/adjectieven

o Concepten-/adjectieven Figuur 3.1 ‘diminished subtypes’ hoe meer verwijderen attributen, hoe minder democratisch

Table 3.2

Pagina 28 van 159

Definitie van evoluties onstabiel concept omdat wetenschappers het een wel evolutie noemen en het andere niet

o Wanneer er geweld aanwezig is en wanneer ons gewoon volk erbij betrokken is dan spreken we van een opstand (want er is geen verandering in regering aanwezig/ politieke structuur/ geen verandering in stratificatie) er zijn weinig voorwaarden aan gekoppeld

Extentie: laag want we hebben maar 2 kenmerken dus daardoor groot aantal cases die eronder vallen

Politieke revolutie: er moet geweld, mensen betrokken, verandering in regering, kleine verschillen = politieke revolutie

Bv. eenheidswet jaren 60: liet toe dat buitenlands kapitaal in België investeren bv Amerika hier bedrijven opzetten en winst gaat terug naar Amerika vakbonden wouden dit niet, stakingen, geweld de regering is gevallen / geweld / betrokkenheid / wet initiatief afgevoerd dus politieke revolutie in dit land (want voldaan aan deze kenmerken)

o de vereiste van major structural change en stratificatie toevoegen dan krijg je weinig cases: MAAR 3 Fr revolutie, Russische revolutie, Chinese revolutie

het toenemen van aantal voorwaarden (intentie vergroot) maar smalle extensie (het toevoegen kan dus verkleinen)

Figure 3.2 Concepts:

Pagina 29 van 159

begrip democratie als alle attributen aanwezig zijn noemen we dit gewoon een democratie

o als de burgerlijke vrijheden er niet zijn, dan wordt dat in literatuur een illiberale democratie genoemd: er zijn verkiezingen maar de mensen zijn niet vrij om zich te organiseren zoals ze zich willen

toevoeging: er is ook geen vrijheid van op te komen van politieke partijen = illeberale gecontroleerde democratie

door het woord gecontroleerd toe te voegen zijn er geen vrije verkiezen

als alle attributen afwezig zijn dan spreken van autoritair regime maar niets weerhoud autoritair regime om verkiezingen te

organiseren, indien ze dit doen dan is het wel nog steeds een electoraal regime (naar boven toe maken we opeens het heel breed, veel cases/ naar beneden toe gaan we minder cases hebben)

Figure 3.1 Diminished subtypes and the ladder of generality

Pagina 30 van 159

Ideaaltypes

In termen van 3-niveau concepten is een ideaaltype een case die een ‘1’ voor elke subdimensie heeft (succeszijde) of een ‘0’ voor elke subdimensie heeft (mislukkingzijde).

Bij conceptbouw zich afvragen of er een werkelijk maximum of een werkelijk minimum bestaat in de realiteit

? Levert het denken in ideaaltypes nog voordelen op gegeven de conceptstructuren die wij hanteren?

Vervolg les 4: Negatieve case selectie: het mogelijkheidsprincipe Inhoud

Een eigenzinnige lezing van hoofdstuk 7, Gary Goertz (2006)

De ravenparadox

De paradox start met de hypothese ‘dat alle raven zwart zijn’. De positieve cases die de hypothese ondersteunen zijn zwarte dingen die raaf zijn en raven zijn zwart.

De paradox komt van het logische feit dat alle niet-zwarte, niet-raven de hypothese ondersteunen.

Intuïtief begrijpen we dat het weinig zin heeft om de meeste niet-zwarte, niet-raven aan te wenden om de hypothese te ondersteunen.

Hoe de negatieve cases bepalen?

Pagina 31 van 159

Het mogelijkheden principe voorziet een expliciete, rigoureuze en theoretisch bepaalde handleiding om negatieve cases te kiezen.

hypothese: alle raven zijn zwarto positieve cases: alle raven die zwart zijn o komt van het logische feit: dat alle niet-zwarte niet- raven ook de hypothese

ondersteunen alle zaken die niet zwart zijn en niet raaf zijn irrelevant o de zwarte raven en de niet-zware raven ondersteunen de hypothese dat alle

raven (als we CHI kwadraat bereken dan bepalen deze of er een positief verband is of niet)

o probleem: we moeten een principes zien te vinden om het onderscheid te makken tussen irrelevante cases en negatieve cases = het mogelijkheidsprincipe

Een typologie van case selectie

Grensgebied probleem tussen negatieve cases en irrelevante cases

De negatief- irrelevant grens

Hoe informatieve negatieve cases onderscheiden van irrelevante (negatieve cases) – deze laatste zouden niet in de analyse mogen betrokken worden.

Voornamelijk negatieve cases die sterk op de positieve case lijken – zeker wat betreft cruciale hypothetische causale factoren - worden heel bruikbaar geacht.

welke zijn de interessante niet niet cases die cases die het meest gelijken op de wel wel cases (zwart en raaf raaf is een vogel dus we gaan ons beperken tot de vogelachtige we gaan negatieve cases selecteren niet geen raaf zijn en niet zwart zijn maar wel relevant zijn want trekken op de zwart en raaf)

irrelevante cases moeten we wegkrijgen!

Positieve- irrelevante grens

Irrelevante cases zijn volgens het mogelijkheidsprincipe, cases waarbij een positieve uitkomst onmogelijk is

Pagina 32 van 159

Het ‘onmogelijke’ kan voorkomen in onderzoeksontwerpen waar de onderzoekers populaties bepalen zonder hun waarde op de afhankelijke variabele in overweging te nemen ( is verschillend van erop te selecteren !)

cases waarbij positieve uitkomst onmogelijk is een case die in positive cases + (zie tekening) ligt: een mens kan nooit raaf zijn en zwart zijn dus is irrelevante case

o een andere vogel: bv. kraai is wel relevant want zou een positieve case kunnen zijn o kraai is ook niet relevant want eigenlijk willen we het bij de raven houden, we willen

op zoek gaan naar de raaf die niet zwart is Alles wat niet vogel is gooien we eruit tot welke soort behoort de raaf? Tot vogelachtige -

> dus alle vogelachtige wel nog betrekken (dus ook de kraai) maar de kraai is niet raaf maar wel zwart

Het onmogelijke kan voorkomen o Waarom krijgen we hier geregeld irrelevante cases? Omdat wanneer we cases

selecteren kijken we niet wat de afhankelijk variabele zijn want we selecteren op basis van OV we moeten kijken of die cases een mogelijk zinvolle score op ons AV hebben is die score die die score heeft op AV is die zinvol ja of nee?

Indien blijkt dat er geen mogelijkheid geweest zou zijn om een positieve case te zijn moeten we die wegdoen want dan irrelevant!!

We gaan proberen past te leggen wat is de grens tussen negatieve cases en irrelevantie

Scope boundary o Scope condities definiëren irrelevante cases als deze waar causale processen niet

homogeen zijn. Bv. Skocpol: sociale revoluties in niet-koloniale staten en sociale revoluties in

koloniale staten Deze laatsten (sociale revoluties in koloniale staten) zijn irrelevant om

theorieën te testen over sociale revoluties in niet-koloniale staten!o Populatie afbakenen waarmee we gaan werken o Bv Boekenbeurs veronderstel dat je daar naar toe gaat en interview: Was het een

goede beurs of een slechte beurs? Dan zal dit afhankelijk zijn van wel soort literatuur die je verkiest als er

hier weinig boeken van zijn zal je zeggen niet goed, anders wel goed de kwaliteit van de literatuur die je verkiest zal uw antwoord bepaald

Stel dat je geen lezer bent van literatuur, maar een verkoper (uitgeverij) dan ga je terug naar die boekenbeurs en zelfde vraag gesteld dan zal dit afhankelijk zijn van hoeveel je verkocht hebt op de boekenbeurs causale processen om te komen tot goede of slechte beurs zal afhankelijk zijn van welk soort bezoeker je bent (koper – verkoper) causale processen factoren zijn niet homogeen

Afbakenen door te zeggen: ik wil enkel de kopers we moeten homogene causale processen hebben, als we dit niet hebben dan moeten we die cases niet hebben

o Bv onderzoek naar sociale revoluties alle condionale revoluties behoren hier dan niet toe want daar zitten andere causale factoren in dan bij sociale revoluties!

Irrelevante cases: selectie vertekening via te veel negatieve cases

Hypothetisch voorbeeld : Stepping-Stone Theory

Pagina 33 van 159

Zie ppt Concepten in kwalitatief onderzoek (1) Zonder toepassing van het mogelijkheidsprincipe zal in de volledige populatie over het

algemeen teveel irrelevante cases aanwezig zijn.

Possibility principe: basis regel

Definities: Kies als negatieve cases diegenen die ‘1’ als mogelijke uitkomst gehad zouden hebben

o Negatieve cases: niet kenmerk op AV maar ze zouden het gehad kunnen hebben o Er was de mogelijkheid van de overgang van Soft naar Hard drugs mensen die

nooit toegang gehad hadden tot hard drugs zijn irrelevant want ze konden het niet Exclusieregel

o Exclusieregel: cases zijn irrelevant indien ze een waarde op een variabele bezitten waarvan geweten is dat ze de uitkomst variabele onmogelijk maken. (kennis van eliminatie variabelen noodzakelijk !)

o Exclusieregel gaat inclusieregel voorafo De exclusieregel kan niet gebruikt worden voor variabelen die we willen testen!; de

inclusieregel moet dan gebruikt worden!o Bv. raven een mensachtig wezen heeft een kenmerk zijnde dat hij geen vogel is

wat maakt dat het onmogelijk is dat hij een witte vogel kan zijn o Bv. school; etnische minderheden al dan niet succesvol studeren scholen waar er

geen etnische minderheden zijn, zijn irrelevant want die zouden nooit een positief resultaat gekregen kunnen hebben want er zijn geen etnische minderheden

o Dus je hebt een deel terreinkennis nodig, en theorie om te kunnen zeggen welke variabele zijn noodzakelijk leiden dit tot onmogelijke cases?

Inclusieregelo Inclusieregel: Cases zijn relevant indien er minimaal één onafhankelijke causaal

relevante variabele is die positief gerelateerd met de uitkomstvariabeleo Als we een variabele kunnen verzinnen die maakt dat een case een positieve

uitkomst gehad zou hebben dan is die case relevant hij is negatief maar hij zou positief kunnen zijn

We beginnen met exclusie regel en dan pas inclusie o Het aantal negatieve cases zal cruciaal zijn in het bekomen van ons resultaat want

zij bepalen mee wat de relatie is!o Eerst: welke case zouden nooit positief kunnen zijn? Tweede: er is een variabele

aanwezig die er toe zou kunnen leiden dat er een positieve case mogelijk is De niet- niet case sterk investeren in kwalitatief onderzoek! De meest interessante cases zijn: positieve cases en de negatieve cases op

een van de twee variabelen Het mogelijkheidsprincipe is een toepasbaarheid om dit te doen maar vereist

dat je terrein op voorhand verkent!!!! Keuze hiervan zullen op een significante wijze de onderzoekresultaten bepalen!

Pagina 34 van 159

Les 5: case selectie (hoofdstuk 5: p185 tot p207)Uitgangspunt: met conceptdefinitie bepalen we scope (welke cases in aanmerking komen in onderzoek opgenomen te worden. Feit dat we veel cases uit/insluiten betekend dat we duidelijk bepaalde resultaten gaan bepalen.)

3 vragen

Aan de hand van literatuur:

• Swanborn: overzich wat wordt er gebruikt in kwalitatief onderzoek om aan caseselectie te doen (voor- en nadelen)

o (1) hoe gaan we praktisch te werk bij vinden van cases?

o (2) hoeveel cases moeten we kiezen?

o (3) Wanneer geselecteerd wordt, op welke criteria selecteren we dan?

Hoe praktisch te werk voor vinden cases?

• Meest voor de hand liggende Groslijst of kader. Bv. Scholen, leerlingen, bedrijven, gemeenten, …(opsomming van hele populatie vb alle scholen in Vlaanderen, alle gemeenten van bepaalde grootte,..)

o zijn variabelen waarop men wil selecteren opgenomen in de groslijst

o probleem: moeten we kunnen aanvullen met variabelen!

Vb alle scholen met gemengde etnische populatie. Deze lijsten vindt je niet zomaar. Je moet proberen om lijsten van SES-leerlingen opvragen en naar criteria thuistaal gaan kijken om dit af te leiden.

Merk op: als thuistaal niet aangegeven is: problemen

Vb Antwerpse Joden spreken thuis geen NL, maar is geen SES

Indirect kan dit leiden tot opnemen van bepaalde scholen, terwijl deze niet in de list zouden moeten zitten.

o Lijst alleen relevant als we de gewenste variabelen hieraan kunnen linken.

• In de praktijk vaak ‘reputatie’steekproef:

o Geen steekproeven in de letterlijke zin, maar je gaat naar inrichtende machten (GO!, Stedelijk onderwijs) en vraagt aan experten van overkoepelende organen welke scholen in aanmerking komen voor uw zaak

Probleem: veel experten sturen u naar scholen die zij interessant vinden/die zij voorbeeldscholen vinden.

Maar wij willen niet de uitblinkers, maar een overzicht van alle scholen, dus dit zorgt voor een vertekend beeld

Pagina 35 van 159

Belangen die ze moeten verdedigen, kleuren het beeld.

o experts, sleutelfiguren, autoriteiten ‘in het veld’ om een lijst op te stellen (let op: belangen!)

o cfr. Sneeuwbal steekproeven: probleem: eerste ingang bepaald de rest van de zaken die je opneemt, en de variatie wordt beperkt door feit dat mensen gelijkaardige mensen kennen.

Kan je oplossen door verschillende ingangen te °, op verschillende vlakken (economisch,..)

Bij een illegale Armeen, ga je in de Armeense gemeenschap blijven

• Oproepen in media

o Zelfselectie =/ overwogen caseselectie

o Je geeft selectie van de cases uit handen, je selecteerd zelf niet meer. (gebeurd ook wanneer je experten vraagt

o Kan tot grote problemen komen

Vb onderzoek bij vrouwen met pijn bij de seks: werd opgeroepen om mannen te interviewen als hun vrouw dat probleem had. Ook eens vragen aan die hun vragen! De meeste vrouwen hadden niet werkelijk het probleem zoals beschreven in protocol van het onderzoek.

Vb lezers van standaard vragen om enquête in te vullen over het lezen van de standaard. Je gaat geen overwogen selectie hebben van de cases.

Groslijst niets op aan te merken, maar vaak moeilijk samen te stellen, zeker als je heel concrete variabelen gaat toepassen

Hoeveel cases?

• Hoe meer cases, hoe meer info. = regel

o Maar kwalitatief diepgaand onderzoek is (tijds)intensief

• 2 beter dan 1, 3 beter dan 2, …

• Aantal te onderzoeken karakteristieken (onbekenden). Hoe meer onbekenden, hoe meer cases.

o Afhankelijk van het aantal probleemstelling dat u wil gaan beantwoorden

• Kosten baten analyse van bijkomende cases – saturatie bijkomende informatie

o Als er nog werkelijk marginaal nut is om cases toe te voegen

Y: informatie en X: aantal cases.

• Wanneer de curve de x-as raakt is er geen bijkomende waarde van een case. Is dit vb bij 8, dan ga je toch nog een 9e toevoegen om te kijken of dit toeval was: zo weten of additionele case waardevol is

Pagina 36 van 159

Pagina 37 van 159

Hoe selecteren?

Algemeen

• Zorg voor zorgvuldige afbakening van het domein van de probleemstelling

o Bv. Gaat het over bedrijven, over productie-eenheden binnen bedrijven, binnen bepaalde sectoren …

• Omlijning van plaats en tijd: over welk gebied willen we onderzoek voeren?

o Plaats: land, stad, wijk, straat, ….

Hoe homogener: hoe zekerder u kan zijn van de relaties die u gaat vinden

Kan je wel niet gemakkelijk vergelijken, vb Leuven heeft grootst aantal universitair geschoolden per capita tegenover een andere stad in BE/VL. Je gaat anders moeten selecteren als u dit wil doen

o Voor alle cases zelfde tijdstip? Zelfde tijdsperiode? Gelijkaardige tijdsperiodes (bv. Bij herstructering van bedrijf)

(in beperkte periode waarin er geen cruciale veranderingen gebeuren die de relaties die u onderzoekt kan wijzigen)

Geen selectie

• Beperkt domein: alle cases

o Veelvuldig bij beleidsonderzoek

o Vb proefproject bij scholen en later veralgemenen.

o Merk op: de selectie van de scholen gebeurd door de beleidsorganen zelf! Dus in dit geval vroeg men wie wou meedoen en de eerste 6 mochten dit doen: de meest gemotiveerde directies, dus kan zijn dat de resultaten te optimistisch zal zijn, maar je hebt niets anders dus moet je het hiermee doen.

• Schaarse cases: moeten ze überhaupt kunnen vinden

o Gebrek aan medewerking

o bv. Bij evaluatieonderzoek van vernieuwingen (bv. in onderwijs), weinig cases of moeten lang wachten op uitkomsten vb dwerggroei: men ging alle kinderen (waarvan de ouders toestemming gaven) onderzoeken. Je hebt al een kleine steekproef, dus je gaat niet extra selecteren.

o Patiënten met zeldzame syndroom vb ondervoeding in Vlaanderen

Soms zijn de cases zo schaars dat je ze echt moet gaan zoeken.

Vb onderzoek druggebruik in dancings (vroeger): toen was gebruik zeldzaam en wou deze mensen identificeren (regelmatig naar wc) & overtuigen mee te werken aan onderzoek. (wantrouwen politie) Onderzoeker kan niet meer selecteren, want te weinig toestemming

Pagina 38 van 159

Één case

• De ‘onthullende’ case

o Wanneer onderzoeker bij unieke uitzondering toegang heeft tot een bepaalde groep, situatie of persoon, waar men anders nooit in zou komen of bij zou raken.

• De ‘crucial case-study’

o Wanneer een theorie zodanig gepreciseerd is dat concurrerende voorspelling kunnen worden afgeleid onder gespecifieerde condities, en die condities in een bepaald geval gerealiseerd zijn. Theorie kan getest worden en verworpen worden met één case.

o Bv. Cubaanse raketten crisis (Allison); Koenen, meisje van geboorte tot 13 jaar in volstrekte afzondering => testen van concurrerende taalontwikkelingstheorieën van Chomsky en Lenneberg

Random selectie

• Enkel wanneer er een groot aantal cases kan onderzocht worden! Vb toevalswandeling

• Financiële constraints!

• In meest voorkomende geval 5 tot 50 cases weinig zinvol (leidt toch niet tot bruikbare parameterschattingen)

• Wel zinvol om selectievertekening tegen te gaan (bv. Random selectie plaats – (quota) selectie cases op andere criteria

Pragmatische gronden

• ‘Convenience sample’

• Pragmatische oplossing voor kiezen van cases die aan bepaald objectief criterium voldoen.

o Criteria meestal: taal, afstand, tijd en geld

• Veronderstellen dat de cases behoorlijk homogeen zijn, zodat de precieze keuze er niet veel toe doet.

Pagina 39 van 159

Hoe wel selecteren: Inhoudelijke gronden

• Opstellen van een trekkingsplan op basis van relevant geachte variabelen.

o Bepaald onderzoeksprobleem: welke variabelen zijn hier relevant?

• ‘dimensional sampling’

• Veronderstelt een probleemstelling gekoppeld aan een theorie.

• Veronderstelt voorkennis over de cases!

o Geen kwalitatief onderzoek zonder voorstudie die cases gaat bestuderen.

o Als ze geen informatie willen geven wel noteren waarom, maar als je wel een respondent hebt en die heeft niet veel informatie, dan niet interessant

o Opzoek naar informatierijke cases

• Indien niet aanwezig: voorstudie!

• Informatierijke cases gezocht!

Inhoudelijke gronden

Homogeen op onafhaneklijke variabelen

• Selectie op één of meer onafhankelijke variabelen, veronderstelt ‘oorzaken’ in ruime zin: contextuele kenmerken, achtergrondvariabelen en condities

• Als theorie nieuw is of nog weinig getoetst:

o Beperk variantie tussen cases: kijken of gemeenschappelijk model te formuleren valt op redelijk homogene verzameling cases

o ‘Literal replication’

o Frequent voorkomende cases

o Sterk afnemend ‘marginaal nut’ van bijkomende cases

• Proberen Maximaliseren van variantie op onafhankelijke variabelen

o Reikwijdte van model of gevoeligheid voor variëren van parameters onderzoeken

o Opstellen typologie of kruistabel van enkele onafhankelijke variabelen en informatierijke case binnen elk type of elke cel onderzoeken

o Replicatie op andere plaatsen (landen, gemeenten), andere tijden (hoog vs laagconjunctuur), andere contexten

o ‘Theoretical replication’

Pagina 40 van 159

• Cases selecteren (minimaal drie!) ifv van situering op onafhankelijke variabele: verloop van invloed van variabele nagaan

o Waarom min 3: wanneer we 2 variabelen hebben, is het enige idee dat je ka hebben dat er een lineair verband is, maar is niet perse zo! In kwalitatief : kijken of lineair verband wel waar is.

o Soms is 3 cases niet simpel

o Als je weet dat verband lineair is, dan moet je geen drie nemen

• Onafhankelijke variabelen moeten relevant zijn voor onderzoeksprobleem

Selectie op afhankelijke variabelen (niet aan te raden volgens de prof, al gebeurd het veel in de literatuur)

• Minimaliseren van variantie op afhankelijke variabele.

o ‘succes stories’ ‘best practices’ : slecht design

o Treden dezelfde condities op bij de minder succesvolle cases? = controle groep ontbreekt

Vb na eerste leerjaar: na schooljaar bij 10% beste/slechtste in Vlaanderen: is dat wel altijd zo? Bij kinderen kan er heel grote variatie op die testen zitten. (slacht geslapen,..) --> mogelijkheid op regressieeffect. Kinderen hebben een bepaald gemiddelde en afhankelijk van goede/slechte dag een marge rond dat gemiddelde (verschil tussen score en gemiddelde is de fout)

Kinderen heel gevoelig door thuissituatie dus resultaat ook beïnvloed door ouderkenmerken = confounding van variabelen die je niet uit elkaar kan houden!

De namen succes en faal is dan eerder een random succes

Vb training piloten reactieniveau: Met training kan je mensen ook opleiden, maar iedereen valt terug op een basisniveau. (je kan tijdelijk proberen te beteren, en op heel goede dag uitzonderlijke score, maar is geen goede indicatie! (regressie naar het gemiddelde)

• Maximaliseren van de variantie op afhankelijke variable

o ‘succes stories’ ó ‘mislukkingen’

Vb ouders die 's avonds voorlezen en niet, hoge en lage SES

Selecteren op weloverwogen manier

Blijkt uit onderzoek dat voorlezen wel invloed heeft op het voorlezen van kinderen, en niet de SES van de ouders, maar omdat SES vaak samenhangt, zien we dat we die niet uit elkaar kunnen trekken in de AV

Pagina 41 van 159

o Problemen:

(1) regressie effect

(2) ‘confounding’ van onafhankelijke variabelen (constructie van contrastgroepen die contrasteren op een aantal oorzaken tegelijk; kunnen niet uit elkaar gehaald worden)

o Af te raden! Beter maak contrasten op basis van de belangrijkste onafhankelijke variabelen

Selectie op fasen in het ontwikkelingsproces

• Onderzoek naar innovatieprocessen:

Als we structuur van instelling willen aanpassen om de werking te verbeteren, is dit vaak LT.

Vb eindtermen onderwijs: sommige scholen beginnen aan de proefprojecten (deze staan dus voor op de scholen die er later mee beginnen). 6 jaar wachten op alle resultaten is veel te lang, dus opzoek gaan naar cases die al langere tijd iets ingevoerd hebben tegenover de andere cases. Gaan proberen in deze cases verschillende periodes af te bakenen. Na drie jaar in alle scholen kunnen we hen vergelijken met de scholen uit de proefperiode na drie jaar (ga ervanuit dat ze een homogeen proces uitgaan)

= homogeniseringshypotese uitvoeren

o Wat remt bepaalde innovaties af; wat stimuleert hen

o Innovatie meestal proces van jaren – onderzoek slechts beperkte tijd

o Selectie van cases (cohortes) die in verschillende fasen verkeren om zo een zicht te krijgen over het gehele proces

o Veronderstelt dat de verschillende generaties van cases vergelijkbaar zijn

o Mooi in theorie, maar prof nog nooit een gezien in kwalitatief onderzoek.

Vb 6 jaar SO onderzoeken: start enquete in 1e en 3e, volgend jaar naar 2e en 4e en erna ..

Op 3 jaar tijd 6 jaar onderzoeken, vragen bij de effectiviteit van onderzoek

Case contaminatie

• Def: de onderlinge verwevenheid van cases die voor een toereikende theoretische generalisatie onafhankelijk van elkaar zouden dienen te zijn. (als we ons daar niet van bewust zijn)

o Bv. Afdelingen van een departement

o Winkels van een keten

o Ondernemingen van een multinationals

• Geografische of temporele case-contaminatie => beïnvloedingsproblemen & ‘schijnbare causaliteit’

Pagina 42 van 159

• Cfr. Goldthrope’s Galton problem: (cultural) diffusion among societies

• De afhankelijkheid van de cases moet gemodelleerd worden (verrekend in de analyse)

• Nood aan meer cases als ze niet onafhankelijk zijn van elkaar.

Types volgens Gerring

• Shorthand:

o Y = the outcome (de uitkomst)

o X1 = the cause of theoretical interest. (causale variabele waar we iets over willen vertellen

o X2 = the control variable or vector of controls. (vector: meerdere variabele voorstellende van alle controle variabele (bv. leeftijd, geslacht,…)

o X1 /Y = the causal relationship between X1 and Y (causale relatie tussen X1 en Y)

Case study Dataset with Two Cases

1 case met heel veel observaties, de 2e case met dezelfde observaties we hebben weinig cases met heel veel observaties (case-study) we gaan van een bepaalde case (bv school) heel veel observaties hebben wat gaat maken dat we weinig aantal cases gaan hebben (beperkte hoeveelheid) bij idee van pure case-study: 3 case studies ongeveer

Cross-Case Cross-sectional Dataset w/ 40 Cases

Cross-case dataset: een kwantitatieve dataset waar we heel veel cases hebben maar slecht beperkt aantal observaties

• Population = 1; Sample = 1; Cases = 2; Observations (N) = 40; Variables = 3

•

Pagina 43 van 159

• 1. Typical

Hij beoordeelt niet of die goed of slecht zijn

o Definition: Cases (1+) are typical examples of some cross-case relationship

• Typische case wordt gezien als representatief voor breder aantal van cases als je typische case selecteert, dan zeg je dat die case het begrijpen van een bepaalde fenomeen mogelijk maakt (vertegenwoordig meerdere cases) bv. de typische Vlaamse school selecteren, dat is nu typisch Vlaams en representeert de Vlaamsen scholen

• (maar lijkt weinig mogelijk om een typische case naar voor te brengen)

• Wat is dan typisch? De mediaan of de modus van een bepaald iets (een typische school qua samenstelling etniciteit: die het gemiddelde van Vlaanderen behaald maar gemiddelde beïnvloedt door uiterste dus waar ben je dan mee bezig?)

• Een typische case moet ook er voor zorgen dat het mogelijke causale effect ook typisch is

• Is dat wel zo? Als je een school selecteert met gemiddelde samenstelling en je wilt welbevinden onderzoeken dan zou deze case representatief staan voor alle scholen in Vlaanderen

• Maar gaan we dus weinig gebruiken want (1) we moeten selecteren op welke variabele cruciaal is (2) moet representativiteit (3) en die representativiteit ook in causaal effect

o Uses: Hypothesis-testing.

o Representativeness: The typical case should be representative (proof; make plausible)

• Population = 1; Sample = 1; Cases = 40; Observations (N) = 40; Variables = 3

•

Pagina 44 van 159

• 2. Diverse (raadt de prof aan)

o Definition: Cases (2+) illuminate the full range of variation on X1, Y, or X1/Y.

• Het proberen van een max variantie naast de verschillende dimensies te generaliseren

• Diverse cases op de OV King: selectie op AV is slecht (als je deze selecteert op OV dan krijg je de beste selectie die je kan hebben voor kwalitatief onderzoek)

• Divers wil niet zegt extreem! divers wilt zeggen dat er variatie is (het gaat over respondenten en ik ben van oordeel dat er een verschil is tussen mannen en vrouwen dus cases op mannen en vrouwen selecteren / leeftijd belangrijk => dan diversheid in leeftijd aanbrengen (20-40-60) geen extreme maar variatie

• Tabel maken waarbij variabelen/ dimensies die van belang zijn (bv leeftijd en geslacht)

Laag SES M V20-4041-6060+

Hoge SESJe moet niet noodzakelijk uit elk cel iemand hebben, maar er moet wel variantie zijn

OF WERKELIJKE TYPOLOGIE MAKEN VAN CASES welke sociologische typologie kan ik naar voorbrengen? En dan uit elke typologie 1 case nemen (alternatief voor opstellen van tabel)

Bv. typologie van lagere scholen in Vlaanderen typologie: wie is de inrichtende macht? Katholiek – Rooms -andere en dan kan je nog een tweede var erbij nemen (de manier waarom welke methode die men gebruikt om lezen bij te brengen) dan nemen we aan dat die kruising van de typologieën als we uit elke cel 1 case nemen dan hebben we hier een typische case uit genomen (we gaan ervan uit dat die case min of meer homogeen is)

Als het gaat over typologieën dan moet je homogene groepen hebben kunnen vastleggen bv. kinderen onderdelen in ADHD’ers en niet-ADHD’ers dan heb je een typologie en ga je er vanuit dat de ADHD’rs een homogene groep bij niet-ADHD’ers is dit moeilijker behalve als je zegt ze zijn homogeen omdat ze het niet hebben

o Uses: Hypothesis-generating or hypothesis-testing.

o Representativeness: Diverse cases are likely to be representative in the minimal sense of representing the full variation of the population (though they might not mirror the distribution of that variation in the population).

Pagina 45 van 159

• 3. Extreme

o Definition: Cases (1+) exemplify extreme or unusual values on X1 or Y relative to some univariate distribution.

• Extreme waarde op (AV )of OV (laat ons de AV opzij schuiven omdat we hier geen selectie op willen doen)

• Dan bepalen wat is extreem? Heel ver weg van het centrum, van het gemiddelde als we een continue var zouden hebben

• Wat we denken extreem te zijn moet niet noodzakelijk extreem zijn bv scores van IQ-test in 6e leerjaar; hier extreme scores uithalen: hoog en laag dan zou het kunnen zijn dat als je de 2e keer die test afneemt dan zouden die mss niet zo extreem zijn als je dacht dat ze zouden zijn (hadden bv een goede dag,…)

• In veel gevallen gebruikt men dit voor ideaal-types we hebben de extreme cases genomen verkeerde def van ideaal type: het is niet dat iets uitgesproken veel meer is dan iets anders dat het ook een ideaal type is (zie Weber)

o Uses: Hypothesis-generating (open-ended probe of X1 or Y).

o Representativeness: purely exploratory

• Probleem met representativiteit want je selecteert net extreme cases maar je kan wel gaan kijken wat het gebruiken voor eventuele hypothese te genereren waarom? Het idee is dat die dan duidelijker zullen zijn (maar hoeft niet zo te zijn) het is niet dat iemand een hoge score heeft dat die causale relaties dan ook duidelijker zullen zijn

• In veel gevallen puur exploratief gebruikt (nagaan of er mogelijker wijze verbanden bestaan met AV en op welke manier)

• Weinig waarde als strategie om cases te selecteren!

• 4. Deviant

o Definition: Cases (1+) deviate from some cross-case relationship = outlier!

• Het is het tegenovergestelde van de typische case, het is een typische case die een eigenaardig resultaat boekt, het is afwijkend

• We hadden verwacht dat het zo zou zijn maar het is eigenlijk een analogie

• Vaak ten aanzien van 1 variabele bekekenen MAAR IS HIJ DAN WEL ZO DEVIANT?

o Uses: Hypothesis-generating (to develop new explanations for Y).

o Representativeness: by definition not

• Omdat het afwijkend is, is het niet representatief iedereen die deze kanker had is doodgedaan en deze persoon is niet doodgegaan, dus ik ga die bestuderen want die is afwijkend

Pagina 46 van 159

• Bv Afrikaanse landen iedereen besmet met AIDS maar gingen toch niet dood wat hebben deze vrouwen dat andere niet hebben? Wat maakt dat zij gespaard bleven?

• 5. Influential

o Definition: Cases (1+) with influential configurations of the independent variables. “The influential case is a case that doubt upon a theory, and for that reason warrants close inspection” p. 14

• Wordt gebruikt om de assumpties achter causale relatie te bestuderen

• Een case die ervoor zorgt dat we twijfel beginnen te hebben over een theorie die we denken waar te zijn => en dan proberen te gaan kijken: wat is hier aan de hand?

• Het is een manier van zeggen: we hadden verwacht dat dit de uitkomst zou zijn (normaal hadden we geweten dat de uitkomst in deze omstandigheden dat zou zijn en we zien het niet in deze zin deviante case maar we selecteren deze omdat we zeggen hij is zo speciaal dat we dat causaal verband niet zien)

• Er is een causaal model en dat model zien we niet terugkomen in deze case, dat speelt er blijkbaar niet (gaat meer naar het causaal element erin)

• Het model van causaal geldt voor alle cases vandaar is die influential belangrijk is omdat we het model hebben aanvaardt maar deze brengt twijfel, klopt dit wel? (King: het is niet dat we een case vinden waarbij causaal effect verschillend is, dat we theorie weggooien maar dit kan dan wel gebruikt worden om te kunnen zeggen onder deze condities gaat het model niet op)

• Bv. Studie: indien een organisatie zich ontstaat, in eerste instantie kan die organisatie wel democratisch zijn maar op termijn wordt deze bureaucratie volgens Michels is dit niet te vermijden studie stelt vast dat Die eigenlijk functioneren als een sterke vakbond en dat er bij verkiezing regelmatig andere mensen aan de macht komen en dus de theorie niet klopt hoe verklaren ze dit? Hoog opleidingsniveau van typograven (het gaat om een specifieke vakbond hebben hoge opleiding, hebben de meeste niet) theorie gaat op behalve voor vakbonden waar alle leden een hoge opleiding hebben (= influential case studie)

• Bv. studie van Arendt gaat kijken naar stabiliteit van regering in proportionele systemen aangetoond aan de Case van NL: NL was groot proportioneel systeem en toch is de nederlandse regering niet onstabiel door gebruik te maken van 1 influential case

• Kunne ook outliners zijn (ook daar overlapping met deviante cases)

o = type deviant case

• Komt hier dichtbij

Pagina 47 van 159

o Uses: begins with aim of confirming a general model

o Representativeness: The chosen case(s) are, by definition, unusual

• 6. Crucial

o Definition: Cases (1+) are most- or least-likely to exhibit a given outcome.

• 2 soorten: (1) leaslikely : we hadden verwacht dat de uitkomst er niet zou zijn op alle variabele behalve op 1 en hij is er wel

• (2) most likely of alle dimensies, behalve op 1 dimensie waarin men geïnterneerd is voorspellen dat een bepaalde uitkomst krijgt maar toch heeft die het toch niet (alle var voorspellen een bepaalde uitkomst, behalve 1 var)

o Uses: Hypothesis-testing (confirmatory or dis-confirmatory).

o Representativeness: Theory oriented

• 7. Pathway (niet kennen)

o Definition: Uitklaren gevonden causale relatie in survey-onderzoek

o Drop p21 – 26 uit tekst

• 8. Most-similar

o Definition: Cases (2+) are similar on specified variables other than X1 and/or Y.

o Het gaat over minimal 2 cases want het is een vergelijking: die gelijk zijn in alle kenmerken behalve op 1 variabele

1.Hypothesis-generating:

(X2 vector is overal gelijk: er is 1 variabele (X1) die mogelijk verschillend is bv Vlaanderen en Nederland: lid van EU, spreken NL, democratie, geen vervalsing van verkiezingen, populistische partijen zijn 2 similiair cases maar in NL wordt regering snel gevormd in Vlaanderen duurt dit zeer lang (merk op dat idee van 2 soort gelijke cases zijn niet on interessant maar de opsomming van datgene waarin ze gelijk zijn is limitatief)

Most similair en different: J.S MILL => context van fysica: daar kan je een element veranderen (bv de zwaartekracht) en we zien wat het effect is op de AV: in een experimenteel design is dit mogelijk maar in sociaal wetenschappelijk eigenlijk niet = probleem

2. Hypothesis-testing (causal mechanisms):

Pagina 48 van 159

o Uses: Hypothesis-generating or hypothesis-testing.

o Representativeness: prone to problems of non-representativeness, except if typical cases

• 9. Most-different

o Definition: Cases (2+) are different on specified variables other than X1 & Y.

o X2 zijn allemaal verschillend en toch hebben we dezelfde uitkomst: dat komt omdat er een var is die toch gelijkend is die de uitkomst veroorzaakt (bv. België en China zijn de meest 2 verschillende landen die er zijn maar er zijn wel aspecten die ook gelijkend zullen zijn het heeft maar zin om iets met elkaar te vergelijken als iets in dezelfde homogene populatie zit)

o We hebben geen variatie op onze AV hebben we nodig om een werkelijk verschil te kunnen zien (kan wel in experiment, niet in sociaal wetenschappelijk onderzoek)

o Uses: Hypothesis-generating or hypothesis-testing (eliminating deterministic causes).

o But: given lack of variation in X1 and Y causal interpretation problematic; impossible to

o Eliminate rival hypothesis (see X2a ... X2d)

o Representativeness: ????

Pagina 49 van 159

Les 6: QCAInhoud

• Inleiding

• Starten met QCA (de QCA-logica voor dichotome condities en uitkomst)

• Basic Boleaanse wiskunde

• QCA voorbeeld analyse

• Speciale zaken

QCA- Qualitative Comparative analysis

gaat niet over de analyses van 1 of 2 of 3 cases het gaat over small n (soms 50-tal: kwalitatief diepgaand maar niet zo diepgaand als case studies, we zijn niet bezig op stat analyse: niemandland tussen case studie en stat analyse: je hebt 10 scholen bestudeerd en je wilt die met elkaar gaan analyseren)

Inleiding

Ontwikkeld door Charles Ragin (1987) Wil kwalitatieve analyse meer systematisch maken: verhoging geldigheid en

betrouwbaarheid van analyse (repliceren van analyse wordt mogelijk)o Want betrouwbaarheid was relatief laag omdat de metingen over cases heen weinig

hetzelfde waren en als ze dat toch waren (hoge betrouwbaarheid) dan was de analyse heel willekeurig

o Hing er van af wie de auteur was welke analyse je zou doen

Pagina 50 van 159

Doel: analyse van zogenaamde Small-N onderzoek (gewoonlijk een beperkt aantal 5 – 15 tot 50)

Vergelijkend (case)onderzoek naar macro en meso sociologische en politicologische fenomenen

Focus is op patronen van similariteit binnen een categorie van cases met dezelfde uitkomsto Op patronen van gelijkenis binnen categorie van cases: uit populatie deel selecteren:

binnen informatierijke case: types van familie selecteren die cases behoren tot die familie want die bekomen tot die uitkomst op die cases

Software: QCA – fsQCA – Tosmana (Tool for small-N analysis) Versie 1.255o QCA en fsQCA: poging om te proberen een deel van de beperkingen van QCA te

overbruggen Voorwaarden:

o De cases moeten op een zinvolle manier behoren tot een empirische gedefinieerde category (van fenomenen) (tot een bepaalde categorie)

Alle cases behoren tot zelfde populatie en dat willen we bestuderen Uitgangspunt is dat de cases een bepaald aantal karakteristieke

hebben (oorzaken) en dat er een bepaalde uitkomst is ze moten tot een populatie behoren waar homogene causaliteit te bekomen: om uitkomst te bekomen verschillende mogelijkheden maar cases moeten op zinvolle manier te vergelijken zijn (bv. welvaarstaten vergelijken => weinig zinvol om Afrika mee te nemen in vergelijking)

o QCA poogt te bepalen hoe de verschillend configuraties van karakteristieken (oorzaken) verschillende uitkomsten produceert over een waaier van gevallen opgenomen in de studie

Elke case die je gaat bestuderen heb je een bepaalde oorzaak en een bepaalde uitkomst nodig er zijn een aantal condities die we bij alle cases geobserveerd hebben

o Doel: Een configuratie is een specifieke combinatie (hoe dat verschillende variabelen met elkaar combineren en verschillende uitkomsten produceren over de gevallen opgenomen in de studie) van karakteristieken die een aantal cases gemeenschappelijk hebben

Krakatstiek A is aanwezig, B afwezig en dit leidt tot uitkomst Z C, D en E is ook afwezig en leidt ook tot uitkomst Z leiden beide tot Z

o Wat gaan we doen? Complexe patronen van gelijkenissen en verschillen zijn mogelijk De mogelijkheid van ‘equifinality’ is expliciet ingebouwd in de techniek : verschillende

configuraties van karakteristieken (oorzaken) kunnen leiden tot dezelfde uitkomst (een bergtop kan je langs verschillende wegen bereiken) (OR-functie)

o Er is een case die een uitkomst heeft: Hoe is men tot die uitkomst gekomen? Welke karakstieken om tot die uitkomst te komen? er zijn meerdere wegen die tot dezelfde uitkomst kunnen leiden! (bv welvaarstaat ontstaat door verschillende mogelijkheden)

o er gaan een aantal van die manieren zijn, en landen gaan een van die manieren nemen = equifinality: als je een berg beklimt kan die via verschillende wegen maar je gaat wel boven geraken (een weg kan makkelijker zijn dan de andere)

Principe van multiple conjunctural causation (behelst ook voorgaande in Ragin’s opvatting) maar duidt ook op: uitkomst wordt gerealiseerd door een combinatie van condities (AND-functie)

Pagina 51 van 159

o Het kan zijn dat 1 kenmerk leidt tot bepaalde uitkomst, maar over algemeen gaan we verschillende condities hebben die gaan samenwerken om tot een bepaalde uitkomst te komen

Doelstelling is om een spaarzaam verklaringsmodel te selectereno Hoe eenvoudiger ons model om tot uitkomst te komen, hoe beter onze

verklaringsgrond zal zijn o Eenvoud boven complexiteit!

Sterkte van casestudies te combineren met formele benadering van de variabelen gerichte benadering (zie tabel)

2 zaken om onderzoek te doen: casegericht of variabele gericht: Hollistisch in de zin van we behouden de case als geheel en wordt bestudeerd in zijn context / analytisch; opdelen in variabelen (relaties tussen variabelen zoeken)

DUS casegericht lokale gemeenschap via diepteinterviews en particpatie maar we gaan proberen om de betrouwbaarheid van de analyses te versterken door een deel te gaan werken zoals in die analytische benadering (we starten links, en we gaan analyse rechts en dan terug naar links,… zolang tot we een oplossing krijgen): we starten in kwalitatieve analyse van cases, voor elke cases gaan we de juiste condities moeten weten, zelfde uitkomst weten => bestuderen en analyseren terug naar cases gaan terug variabele aanpassen terug analyse: tot we tevreden zijn!

Selecteren van causale condities (karakteristieken) van cases vereist grondige kennis van de (populatie van) cases

o Voor je aan QCA begint moet hebben: (2): weten welke kenmerken binnen cases je wilt bestuderen

Pagina 52 van 159

Bv. studie naar ontstaan van groene bewegingen in W-EU eerst populatie van cases definiëren (bv. heel de EU) en dan heb ik ze alle 27 nodig? Welke wel en welke niet?

Of kijken naar populitische partijen in W-eu landen en wanneer deze ontstaan zijn (onder welke condities): welke landen selecteren we en welke kenmerken hebben we nodig van die landen om dat de kunnen analyseren?

Ook weloverwogen theorie nodig: om een bepaalde uitkomst te hebben, denken we dat dit condities zijn om tot uitkomst te komen

We willen niet allen, als het gaat over ontstaan pop partijen niet alleen iets zeggen over ontstaan maar ook over het feit dat iets niet ontstaan is! (waarom ontstaat het niet in een land?) zowel de aanwezigheid van een uitkomst als een afwezigheid van een uitkomst

o Dus theorie moet iets over negatieve en positieve kant van concept zeggen!

Caseselectie via een weloverwogen selectie van cases die geïnformeerd en gemotiveerd moet zijn. Die moet toelaten om de individuele cases te overstijgen en een zekere mate van (beschrijvende) inferentie mogelijk te maken.

o Doelbewust selecteren dus geen ad random elke case die we selecteren: motiveren en elke case die we hebben opgenomen moeten we dus ook kunnen uitleggen (je kan dus niet zeggen: dit is een uitzondering)

Binnen QCA is elke case belangrijk: er zijn geen uitzonderingen of afwijkende cases of uitbijters.

o Want we hebben ze geselecteerd omdat ze tot de populatie behoren, case heeft kenmerken die we zeker gaan meenemen en de uitkomst ook dus we moeten het hiermee doen, dus kunnenz e niet meer verwijderen

QCA wil elke case ‘uitleggen’ en doet dit op een deterministische wijze. De aanwezigheid of afwezigheid van een kenmerk moet leiden tot één bepaalde uitkomst. QCA is dus niet probabilistisch!

o Als een var A een var B veroorzaakt => wanneer A aanwezig, dan B aanwezig DUS DAN MOET DIT voor alle cases zo zijn!! (we kunnen niet zeggen dat dit maar geldt voor 80 procent van de kansen)

o Is dus deterministisch en niet problaliteit! o Moet leiden tot een bepaalde uitkomst!!!o Nadeel: het meot altijd zo zijn

Een causale conditie kan belangrijk zijn in zowel zijn aanwezigheid als zijn afwezigheid, maar bijdragen op tegengestelde wijze.

o Afwezigheid of aanwezigheid van uitkomst zeggen maar ook van de condities zijn de afwezigheid als de aanwezigheid belangrijk

o Bv/ om welvaarstaat te zijn: bepaald niveau van eco ontwikkeling (euro per capita): dat is een noodzakelijke voorwaarde die drempel overschrijden betekend dat daar een welvaarsstaat uit kan komen / onder die drempel blijven betekent dat er geen welvaarsstaat kan uitkomen!

QCA aanvaard geen elkaar tegensprekende cases. Als oorzaak A leidt tot uitkomst B in case X dan moet het dat ook doen in alle andere cases waar A aanwezig is.

Pagina 53 van 159

o Als we zeggen dat er bij de analyse van de welvaartstaat: om welvaarsstaat te hebben heb je 20 jaar eco groei nodig 5 landen die hier aan voldoen en dan zien we in die periode ontstaat welvaarstaat; als we dan een land vinden die 20 jaar eco groei heeft en geen welvaarsstaat heeft dan kan dit niet want gaat in tegen de regel we gaan geen cases hebben die elkaar tegensproken

o Geen uitzonderingen! We kunnen het niet toelaten dat 1 case de andere tegenspreekt (want determinisme

QCA kan irrelevante ‘oorzaken’ eliminereno Als je in QCA een bepaalde variabele opgenomen hebt en die blijkt niet relevant

te zijn om uitkomst te bekomen dan kan die opzij gezet worden QCA kan gebruikt worden om :

o Exploreren en synthetiseren van data Als we een populatie van cases hebben dan hebben we al veel

informatie over deze cases: bv onderzoek naar scholen in Vlaanderen: pak informatie over elke school die aanwezig is zonder dat je daar naar toe moet gaan (veel stat gegevens) je kan zeggen dat je deze zaken kan gebruiken om deontologie te maken (nog geen diepte!!) via QCA om deze scholen te ordenen!

QCA niet alleen gebruikt worden om 10 Cases die je in diepte bestudeerd hebt te analyseren, maar ook groot aantal cases waar je condities van hebt typologie van maken om vervolgens cases uit te selecteren

o Opstellen en verder verfijnen van theorieëno Formuleren van hypotheseno Testen van hypothesen

Ik heb een theorie over hoe iets tot stand is gekomen onderzoeken of dit wel zo is

Verschillende varianten zijn uitgewerkt:o QCA - dichotome versie ‘0’ niet waar/afwezig ‘1’ waar/aanwezig (notatie

conventie: A = kenmerk is aanwezig; a = kenmerk is afwezig) Hoofdletter A : kenmerk van a is aanwezig

o MVQCA – Multi-value QCA polytome karakter van de condities (oorzaken, karakteristieken) wordt enigszins toegelaten (sommige condities kunnen bijvoorbeeld drie categorieën hebben). Uitkomst blijft echter dichotoom

Ipv dichotomie, gaan we afwezig, beetje afwezig, helemaal afwezig selecteren

Is ontwikkeld geworden maar ook snel terug gebracht omdat dit ertoe leidde dat je veel contradicties tegen kwam maar we willen dit niet! DUS MVQCA nu in ongebruik

o fsQCA - Fuzzy set QCA. Voor elk van de condities wordt aangegeven in welke mate het aanwezig is in de cases ( met metrische variabele is dat de indeling gebeurt op basis van theoretische relevantie).

Het is niet duidelijk of het standpunt dat je inneemt verschilt van persoon tot persoon: bv ouderen van de persoon: leeftijd van 3 jaar dan definieer je iemand van 20 als oud, als je 19 bent zal je 65 definiëren als oud,… als je leeftijd opschuift, ga je ook altijd datgene wat je oud noemt mee opschuiven ouderdom is een fuzzy set: afhankelijk van welke positie je inneemt ga je zeggen die behoort wel tot oud en die niet

Pagina 54 van 159

Er zijn cases die voor een bepaalde hoeveelheid bij iets behoren bv; 80 jaar is oud een persoon van 80 jaar en ouder die zit ALTIJD in de categorie oud / persoon van 45 jaar: is afhankelijk van welke positie je inneemt (hoe oud je zelf bent; tiener of volwassen of baby)

Bv. 20-35 jaar: de ene vind die oud, de andere niet alleen peuters niet dus we kunnen dit beschouwen als jonger, maar we kunnen zeggen dat die voor 25% voor de categorie van de ouderen behoort

Idee van fuzzyset: je gaat zeggen over de condities over hoeveel die erbij zit maar is geen metrische var (het is niet zo dat die mensen van 40 jaar dubbel zo oud zijn dan 20 jaar in groep van 60 zijn meer ouder)

Alle software is freeware. Surf naar www.compasss.org en volg de links Boeken:

o De Meur G., Rihoux, B., L’analyse quali-quantitative comparée (AQQC-QCA), Academia Bruylant, Louvain-la-Neuve, 2002 (in Frans)

o Ragin C., Fuzzy-set Social Science, University of Chicago Press, (2000)o Hesters, D., Devillé, A., Swyngedouw, M. Qualitative Comparative Analysis, CeSO,

K.U.Leuven, 2007

Starten met CQA

1) Selectie van caseso Cases moeten vergelijkbaar zijn en uit één homogene populatie afkomstig zijn.o Process tracing kan hier van hulp zijn (zie hfst 10, Process Tracing and Historical

Explanation pp. 205 – 224 ; Tekst John Gerring (2006)) 2) Probleemstelling en initiële theorie

o Probleemstelling om uitkomst variabele te bepalen Uit die probleemstelling moet een uitkomst variabele te bepalen zijn:

wat is de uitkomst die je gaat komen? o Initiële theorie om potentiële condities (onafhankelijke variabelen te bepalen)

Niets handiger dan een theorie je moet een theorie ontwikkeld hebben

Elk van de condities en uitkomstenvariabele wordt gedichtomiseerd: vanaf hier is het kenmerk aanwezig, hieronder afwezig

3) Dichotomisering van conditieso Tentatieve indeling die gemotiveerd moet worden

Bv. mensen geïnterviewd over houding tov mensen onwettig verblijf: daarvan zeggen we zijn ze positief of negatief: gevraagd in diepte-interview: hoe sta je hier over? Sommige mensen zeiden; ik sta positief en als je de rest van interview hoort dan zijn ze eigenlijk negatief: wat moet ik nu het meeste laten wegen? Wat die persoon zegt Of wat ik interpreteer? je moet ze wel dichotomiseren

o Bewaar je oorspronkelijke meetwaarden van je condities, kan later nuttig blijken Je hebt diepte interviews gedaan, gesprekken => daar leidt je condities

uit, zorg dat je oorspronkelijk materiaal bijhoudt en hier niet in bewerkt o Hoeveel? Aantal cases en aantal condities hangen samen (vuistregel)

Pagina 55 van 159

Alle combinaties van condities worden geanalyseerd dus 2N logische combinaties bij N condities (24= 16 / 210 = 1024) elke conditie heeft 2 categorieën dus als we N condities hebben dan 2^n logische combinaties 1 variabel: aanwezig of afwezig 2e variabele: aanwezig of afwezig 3e variabele ‘’ bij 10 condities, hebben we 1024 mogelijkheden het wordt steeds groter en groter

15 cases: (max) 4 à 5 condities 15 – 35 cases (max) 5 à 650 + cases (max) 7 à 8

(wanneer we maar 5 cases hebben om 4 condities te bestuderen: dan komen we uit dat elk van die cases een uniek verhaal is en dat willen we niet! we willen patronen herkennen dus substantieel aantal cases nodig in functies van aantal condities) Anders is het geval dat we eindigen met ‘geïndividualiseerde’ uitleg voor elke case

o QCA is gebaseerd op boleaanse algebra De algebra van 3 elementen: doorsnede, unie en complement

A of B moet aanwezig zijn, dan wilt dat zeggen: A + B (+ = of teken) = de UNIE (middelste plaatje hieronder) voorbeeld als A gelijk is aan 1 (aanwezig), of B is gelijk aan 1, dan zal de uitkomst Z gelijk zijn aan 1 (= typisch vb van resultaat van QCA)

(hoe dan deterministisch? Als A = 1 dan moet Z altijd gelijk zijn aan 1 we mogen dus geen case vinden waar A of B = 1, en Z dan 0 zou zijn)

A en B A. B = DE DOORSNEDE

Pagina 56 van 159

UPPERCASE: het is aanwezig / LOWERCASE: kleine letter: afwezig dus als ik noteer dat a = Z (de afwezigheid van a leidt tot aanwezigheid van Z)

Abc (A = 1 en b = 0 en c = 0) = configuratie om tot een bepaalde uitkomst te komen

de afwezigheid van a en de aanwezigheid van B en afwezigheid van c en d => leidt bijvoorbeeld tot Z is aanwezig OF (E.F.g) = leidt tot dezelfde uitkomst: dus 2 confiraties mogelijk om tot uitkomst te komen

verschillende confiraties kunnen leiden tot zelfde uitkomst: dus gaan altijd situaties van OF (+) zijn: om tot Z aanwezig te komen = a. B.c. d (= 1 confiratie) OF(+) (E.F.g.) OF (+) (E)

Doorsnede, Unie en Complement

we hebben verzameling A en B: de doorsnede A en B = beide aanwezig = doorsnede van de verzamelingen A en B

A of B: als A aanwezig is, of B aanwezig is, of beide aanwezig = Unie

-> Niet A is dat gebied waar A negatief is

Basis operaties Booleaanse algebra

Pagina 57 van 159

vereenvoudigen

waarom hebben we dit nodig? Om eenvoudige bewerkingen te doen: zie VB hierboven: vereenvoudigen van de zaak (computer gaat dit doen maar sommige software loopt het niet tot het eindige) ( je moet kunnen zien dat B een irrelevante variabele is)

Ruwe data tabel

Data-set: 4 cases die we geïnterviewd hebben en we hebben 2 condities bevraagd en een uitkomst: we gaan ruwe dataset omzetten tot waarheidstabel

Pagina 58 van 159

Waarheidstabel

Wanneer conditie A 1 is en B 1 is dan is de uitkomst A Anita

We zijn deterministisch bezig: dus als A en B 0 zijn dan moet de uitkomst hetzelfde zijn (en dat is het bovenstaande niet) dus dat is een contradictie, dat mag niet we gaan dit moeten oplossen: hoe kunnen we dit doen? Teruggaan naar diepte-interviews en kijken waarom we aan Maria op conditie 0 en bij Pieter ook 0 gegeven hebben hebben we hier een fout gemaakt (bv. wettig verblijf de eerste coderen was steeds op de vraag: hoe staat u tegen over die mensen? die vraag gebruikende

Pagina 59 van 159

kwamen we op een deel contradicties in analyse en dan terug beluisteren en dan: deze persoon is niet positief als we al de rest horen, dus we buigen dit om naar negatief door interviews te beluisteren kunnen we een deel contradicties wegwerken: sociale wenselijke bias in antwoorden)

3e rij: niemand hier = Remainder: configuratie die theoretisch mogelijk is, kunnen we bedenken maar die niet aanwezig is = logische case (synoniem voor Remainder: dat was er niet.) de mensen die het een logische case noemen: dat was er niet in de case die we geobserveerd hebben maar dat zou er kunnen geweest zijn (bv. onderzoek naar waarom mensen in jaren 80 Groen en Vlaams Belang stemde: vaststelling: mensen die in het ene jaar groen stemde en bij verkiezing op VB hoe kan dit? Dat mensen van het een naar het ander gingen? => we beschouwen dit als een logische case, er zijn mensen die proteststem uitbrengen (stemmen niet voor iets, maar tegen alles) / andere zeggen dat het een fout is in de rapportering van deze mensen, in de werkelijkheid doet zich dit niet voor, is een remainder volgens deze mensen (het is duidelijk dat een man geen eierstokkanker kan hebben, maar er kunnen wel mannen borstkanker hebben, het is weinig voorkomend is steekproef maar is wel een logische case)

Vendiagram: 1 dimensie

-> we hebben een Variabele: C genoemd: alle cases die 1 op variabele C hebben zitten in geel vlak / alle cases die 0 hebben op C zitten in de witte kant

Vendiagram: 2 dimensies

Pagina 60 van 159

we brengen een 2e dimensie in: R pijltje naar beneden: alles in blauw heeft 1 op R en alles wat daarboven zit heeft 0 op R / maar we hebben ook C: iedereen die rechtsonder zit: R = 1 en C = 1 / geel stukje: C = 1 maar R = 0

Vendiagram: 3 dimensies

C = 1, R = 1 en E = 1 R = 0, C = 0 en E = 1

de verzameling E ingevoerd, en pijltje naar binnen; alles wat in dit vlak vindt, heeft E aanwezig, alles wat er rond valt is E 0

Pagina 61 van 159

een case die 1, 1, 1 heeft valt in dit vlak

vlak 0, 1, 1

0,0,0

Vendiagram

0100 => roze vlak

Groen: uitkomst variabelen 1: maar de condities zijn 1110 (L is afwezig hier)

Wit = remainder of logische case: in theorie zouden die kunnen bestaan maar we hebben ze niet in onze cases geselecteerd

Groen met rode strepen: dimensies die een contratodorische cases bevatten: soms 0 en soms 1 met dezelfde configuraties van condities (maar die zijn heir niet)

Grijs vlak = missing values (die zouden we niet mogen hebben!)

QCA: analyseert de 0’en en de 1’en afzonderlijk van elkaar!!! we doen niet de 1’en en de 0’en; we gaan eerst kijken wat leidt tot positieve uitkomst van onze analyses? En nu cases doen die 0 hebben?

MERK op: de uitkomsten van de analyses van de 1en is niet het COMPLEMENT Van de analyses van de 0’en (het is niet symmetrisch) we gaan 2 analyses moeten doen voordat we kunnen zeggen dat er een causaal verband is!

Meervoudige analyses zijn vereist

QCA analyseert afzonderlijk de cases met uitkomst 1 en afzonderlijk de cases met uitkomst 0 Om causale uitspraken te kunnen doen zijn beide analyses noodzakelijk (Swyngedouw, RIPC,

2003)o A = B (als aanwezigheid van A de aanwezigheid van B veroorzaakt) o MAAR OOK ALS a = b ( de afwezigheid van a veroorzaakt de afwezigheid van b)

Pagina 62 van 159

o pas als beide oke zijn, dan causale relatie (anders kunnen we niet zeggen dat dit causaal is, als bijvoorbeeld afwezigheid van a niet samenhangt met de afwezigheid van b)

o Je kan weinig causale afspraken doen binnen QCA, we gaan beschrijvende uitspraken wss doen

Afzonderlijke analyseso Alle geobserveerde cases met 1 als uitkomsto Alle geobserveerde cases met 0 als uitkomsto Alle geobserveerde en logische cases met 1 als uitkomst (alle groene analyseren en

we gaan die cases (witte) die nuttig kunnen zijn om een eenvoudige analyse te kunnen maken als we in dit wit vlak iets hadden geobserveerd was dit een 1 geweest): we gaan witte vlakken gebruiken als logische casen en we laten computer bepalen of we dat een 1 of 0 geven als uitkomst: als de computer dat als 1 geeft dan zal dit een veel eenvoudiger iets opleveren)

Als we een eenvoudige uitkomst krijgen door aan deze vlakken 0 geven, dan zal de computer dit ook doen

Maar we mogen het niet 1 keer als een 1 beschouwen en de volgende keer als een 0 dat mag wel niet! Een logische case kan maar een keer gebruikt worden: in de analyse van de 1’en OF in de analyses van de 0’en

o Alle geobserveerde en logische cases met 0 als uitkomst Interpretatie van uitkomst analyse van cases met 1 kan ronduit fout zijn indien niet

gecontroleerd voor case met 0 Sociale fenomenen zijn niet noodzakelijk symmetrisch (Het berekenen van het complement

van de uitkomst met 1 via Morgan’s wet impliceert de aanvaarding van symmetrieo Je moet de 2 analyseren want meestal niet het complement, sociale fenomenen zijn

meestal niet symmetrisch!!!

Minimale formule

QCA gebruikt zogenaamde booleaanse minimalisaties om tot een zo spaarzaam mogelijk model voor een uitkomst te komen, die toch meervoudige causaliteit toelaten.

o Op het einde toch nog controleren of je niet nog een stapje verder kan Basisregel: wanneer twee booleaanse uitdrukkingen enkel verschillen op de waarde van één

conditie en ze toch dezelfde uitkomst vertonen, dan is die conditie die de twee uitdrukkingen doet verschillen irrelevant.

AB + Ab = Z => A = Z (kenmerk B of b overbodig)o We gaan zeggen dat dit samen gaat, maar geen causale relatie het samengaan

wilt niet zeggen het veroorzaken (zelfde als in correlatie: berekenen tussen 2 kenmerken is ook geen bewijs van causaliteit)

Het wisselspel tussen cases en de analyse; de contradicties

Verschillende cases met eenzelfde combinatie van condities die verschillende uitkomst hebben = contradictie

Komt tot uiting bij maken van truth table Betekenis van contradictie

o Uitkomst of één of meerdere condities niet correct geconstrueerd (dichotomiseringsprobleem) (of meetfout)

o Relevante (extra) conditie is over het hoofd gezien

Pagina 63 van 159

Contradictie moet opgelost worden: Hoe?o Teruggaan naar de theorie en de data: hercodering condities en uitkomst,

toevoeging of wijziging te analyseren condities Terug gaan naar kwalitatieve gegevens in veel analyses kom je

contradicties tegen: de eerste keer gecodeerd en invullen in ruwe frequentietabel en computer maakt waarheidstabel contradicties : dus dan terug gaan naar data: hoe komt het dat case 10 en case 5 de schijnbaar zelfde configuratie hebben? kan zijn doordat er een cruciale variabele vergeten is (bv zelfde uitkomst maar niet meer dezelfde configuratie)

o [weglaten van case: let op hebben case zelf gekozen wegens inforijk; geen toevallige trekking] Niet echt een oplossing!)

Enkel indien je een geldige reden hebt maar is bijna nooit te verantwoorden want je hebt die cases zelf geselecteerd

o [toekennen van meest voorkomende uitkomst om contradictie op te lossen – zelfde kritiek als boven] Niet echt een oplossing

Terug gaan naar interviews/ data data op andere manier lezen: niet alleen kijken naar gedeelte, maar naar het geheel

In oplossen van de contradicties ligt de kern van de QCA-analyse: o het intensieve, iteratieve proces van back and forth bewegen tussen de ruwe data

van de cases, de theorie en de truth table het ene oplossen kan ervoor zorgen dat je een andere contradictie maakt

dus integratief spel tussen terug gaan naar data naar waarheidstabel enzovoort

o = de evenwichtsoefening tussen de holistische en analytische benadering van QCA o Het oplossen van één bestaande contradictie, kan natuurlijk een andere creëren

Vereenvoudigingregel en venndiagram voorstelling

CrE

Pagina 64 van 159

Hoe eenvoudiger onze beschrijving, hoe groter de oppervlakte!

We gaan logische cases gebruiken om grotere oppervlaktes te bekomen vereenvoudigen van de analyses: eerst analyse van alle 1en en dan analyse van alle logische cases die vereenvoudiging voor die oppervlaktes naar voor brengen

Uitdrukking crE is spaarzamer dan crlE + crLE crE wordt aangegeven in venndiagram via de sterren Spaarzaamheid vertaald zich in venndiagram door aaneensluitende deelverzamelingen

(grotere verzamelingen) Minimalisatie gebeurt door software. Niet blind varen!

Remainders, logische cases, theoratische cases gebruiken?

Tot nu toe uitgegaan van alleen geobserveerde cases te gebruiken (de witte oppervlakken in venndiagram gaven wel aan welke remainders bestaan, maar er werd geen gebruik van gemaakt.

o In meeste gevallen ben je niet zeker dat het niet voorkomt en zou je nog kunnen argumenteren: zelfs komt het niet voor, het had kunnen voorkomen want we kunnen ons zo’n situaties inbeelden

o ALS HET HAD KUNNEN VOORKOMEN => we kunnen ze gebruiken Remainders, logische cases, theoretische cases = synoniemen Waarom remainders bestaan:

o Kleine universum van cases, meer logische combinaties dan er cases zijno Kleine steekproef

We hebben 4 of 5 dimensies maar maar 4 cases dus dan hebben we een hele hoop remainders nodig kunnen die of kunnen die niet?

We moeten niet altijd alles cases van de remainders gebruiker: indien deze onmogelijk kan bestaan (dat is onze man die geen baarmoederhalskanker kan hebben), die gaan we eruit halen als we de 1en analyseren, gaan we die case toevoegen aan onze dataset met code 0 dus dan zal deze nooit meer gebruikt kunnen worden voor de analyse van 1 MAAR moet je wel veranderen als je de analyses van de 0 gaat doen (geeft de tegenovergestelde code aan de cases die je wilt filteren) altijd kijken of dit te verdedigen is?

o Beperkte diversiteit in de werkelijkheid (meer cases verzamelen zou niet tot grotere dekking leiden)

Logische cases zouden kunnen ingezet worden om tot nog spaarzamere modellen te komen en de theorieopbouw te helpen.

Verlaten van zuiver descriptieve – binnentreden in theoretische generalisatie (?) of pure Science fiction (?)

Wanneer we de witte vlakken in de analyse betrekken met de werkelijke cases, hebben we groter oppervlakte en kunnen we dus spaarzamere conclusies maken.

Hierbij wijzen we een bepaalde hypothetische uitkomst toe aan een combinatie van condities.

De vereenvoudigingsassumpties zorgen vervolgens voor spaarzamere modelbeschrijvingen.

Pagina 65 van 159

Tosmana test welke logische case toegevoegd het resultaat het meest spaarzaam maakt. Deze zijn niet noodzakelijk theoretisch zinvol. Dus niet op automatische piloot vliegen.

Nakijken welke zijn toegevoegd. Tosmana laat ook toe slechts een bepaald aantal logische cases te selecteren - die

theoretisch en/of empirisch zinvol zijn. (Dit doe je via een truckje door de logische cases die je niet wil opnemen in je data op te nemen en de uitkomst nul te geven indien je de uitkomst 1 modelleert; omgekeerd indien je de uitkomst 0 modelleert)

Let op voor Contradictorische vereenvoudigende assumpties.

Contradictorische vereenvoudigende assumpties

Dit zijn dezelfde logische case gebruiken om je model te vereenvoudigen wanneer je 1 modelleert dan wanneer je 0 modelleert.

Deze contradictie in de logische case moet weggewerkt worden. Opsporen via gebruik van de ‘intersections’ optie in de Boolean Calculator van Tosmana Indien doel is empirische data te verkennen en eenvoudig te synthetiseren zullen we geen

logische cases gebruiken. In een poging om theoretische veralgemeningen te doen op een spaarzame manier zal deze

weg afgetast moeten worden. Selectie van finaal model met of zonder gebruik van logische cases is geen mathematische

vraag, maar een theoretisch geïnformeerde kwestie

Finaal model en causaliteit

Meestal is er meer dan 1 model binnen QCA dat aanvaardbare is klasse van aanvaardbare modellen

Meestal levert een analyse verschillende minimale aanvaardbare modellen op.o Rapporteer zeo Maak een theoretisch gemotiveerde keuze en verdedig deze. dit is de beste, niet

alleen de eenvoudigste maar ook de beste uit de theorieën die naar voor komen

Pagina 66 van 159

Symmetrische causaliteit (Swyngedouw 2004)o Model van analyse van uitkomst 1 vertelt niets over model van analyse van uitkomst

0o De verklaring van de afwezigheid en de verklaring van de aanwezigheid is niet steeds

(en meestal niet) mooi symmetrisch.o Daarenboven wordt niet noodzakelijk het gehele logische domein (universum) in de

verklaring van beide uitkomsten betrokkeno Opdat een karakteristiek (onafhankelijk kenmerk) een causale invloed zou hebben

moet hij symmetrisch van invloed zijn op zowel de 1 als op de 0.

Causaliteit

Bv.: men kan moeilijk stellen dat de aanwezigheid van ‘langdurige economische groei (G)’ leidt tot een ‘welvaartstaat’ (W=1) als het tegendeel ‘geen langdurige economische groei (g)’ geen invloed heeft of ‘geen welvaartstaat’ (w=0).

Formeel, om over causaliteit te spreken als en slechts als moet er symmetrie zijn: G=W en g=w

Missing values

Wat te doen als een karakteristiek of een uitkomst een missing value heeft. Rule N° 1: do not produce missing value. Maar als je secundaire data analyseert kun je er

misschien niets aan veranderen. Uitkomst is missing

o Gebruik theorie (of andere empirische bronnen) om een uitkomst te voorspelleno Test wat er gebeurt als je de uitkomst op 1 zet en wat er gebeurt als je de uitkomst

op 0 zeto Volg wat de redenering van de logische cases (deze case is tussen de logische cases

en de volledige cases)o [laat case weg; maar je hebt ze zelf doelbewust voor gemotiveerde redenen gekozen,

dus zeer problematisch] Een condities zijn missing (en je kan niet terug naar de data!)

o Gebruik theorie (of andere empirische bronnen) om de conditie te voorspelleno Analyseer de data met beide mogelijke inputs en zie welk het meest spaarzame

model opleverto Veroorzaakt een van de twee ‘ingeputte’ waarden een contradictie (hoe zou die

kunnen weggewerkt worden?)o [laat case weg; maar je hebt ze zelf doelbewust voor gemotiveerde redenen gekozen,

dus zeer problematisch] Meerdere condities missing (en je kan niet terug naar de data!)

o Case wordt zeer problematisch om aangewend te worden in analyse

Interpretatie minimale formule

Formuleer de conclusies in termen van ‘het samengaan van’, niet in termen van oorzaken en gevolgen.

noodzakelijke voorwaarde is een conditie die aanwezig is telkens de uitkomst aanwezig is.o Voldoende voorwaarden zijn niet noodzakelijk ook noodzakelijke voorwaarden! (zie

voorbeeld)

Pagina 67 van 159

voldoende voorwaarde is een conditie of een configuratie van condities (causaal pad) die op zichzelf voldoende is om de uitkomst te laten verschijnen.

Voldoende voorwaarden zijn niet noodzakelijk ook noodzakelijke voorwaarden. Door factorisering van de minimale formule, kan men duidelijk de noodzakelijke conditie(s)

abstraheren.

Factoriseren of afzonderen

voorbeeld: IER + iEAr = E(IR + iAr) = Y.o E is noodzakelijke voorwaarde voor Yo IER = voldoende voorwaarde voor Y o iEAr = voldoende voorwaarde voor Yo de configuratie is de voldoende voorwaarde maar kan niet zonder E

discussie

Spanningo spanningsveld tussen aandacht voor de complexiteit van de werkelijkheid en de

wens tot generalisering, tussen een holistische en een analytische benadering Sterktes

o Booleaanse algebra => resultaten van case studie onderzoek te formaliseren + streven naar een spaarzame verklaring

o gaat uit van causale complexiteit (equifinality – multiple causation)o dialoog tussen theorie en empirie via de dichotomisering van de data, het

wegwerken van de contradicties en het inbrengen van de logische cases Zwaktes

o deterministisch wereldbeeld (veronderstelt: meetinstrumenten die perfect betrouwbaar en valide zijn + alle relevante data (cases) en datakenmerken (condities) beschikbaar)

Zwaktes (vervolg)o Case gevoelig (niet robuust of onstabiel)

Case bijvoegen of weglaten kan totaal andere resultaten opleveren! o Alle cruciale condities dienen opgenomen te zijno Aantal op te nemen condities beperkt

We kunnen er maar 4 of 5 opnemen als we toch in de diepte willen gaan o Temporaliteit kan (tot nu toe) niet gemoduleerd wordeno Dichotomisering van de data is een te sterke reductie van sociale realiteit

Voorbeeld

Ragin’s replicatie van Rokkan: onstaan van de natiestaten De impact van de communistische Russische Revolutie op arbeiderspartijen in West-

Europese landen 1903 splitste de Russische Sociaal Democratische Arbeiderspartij (RSDAP) in twee vleugels:

de Mensjewieken en de Bolsjewieken 1917: oktober revolutie Leidt in sommige West-Europese landen tot een splitsing in de arbeiderspartijen (sociaal-

democraten en communisten) en in andere landen geen invloed hoe komt dit? Waarom in bepaalde landen wel en in andere niet?

Pagina 68 van 159

Rokkans theorie: oorsprong en aard van de bestaande breuklijnen in de staatsinrichting bepalend waren voor de reacties van de arbeiderspartijen van de West-Europese landen op de Russische Revolutie.

o Heeft te maken met de bestaande breuklijnen; gaat ervoor zorgen dat sommige splitsen en andere niet

Voorbeeld 2

Welke condities? Kwalitatief is gedetailleerd Wat is de dominante kerk in een land? (nationale kerk of Rooms-katholiek) / mogen de Rooms katholiek onderwijs organiseren? / is een land al industrieel geworden of niet?

uitkomst plitsing

Voorbeeld 3

Pagina 69 van 159

België: nationale kerk is rooms katholiek / onderwijs mag / landlords niet, industrieel geworden / .. voor alle landen verzameld: de codes die Regan heeft toegepast, eerlijk

Voorbeeld 4

16 mogelijk combinaties met de 4 variabelen die we hebben we hebben 10 combinaties die voorkomen

geen contradicties in deze data set!

Voorbeeld 5

Pagina 70 van 159

We voegen eigenhandig een deel remainders toe, zodanig dat als we willen die ook op 0 en 1 kunnen zetten als we die willen uitschakelen, maar nu op remainder laten staan

Voorbeeld 6

Aanduiden wat de uitkomstvariabelen zijn, wat is 0 en 1 en de andere variabelen (QCA 3 niet kennen)

Cases zijn hierop geplot!

Pagina 71 van 159

Zonder de logische cases = simplifing assumptions

Ofwel is er geen roomskatholieke particpatie in onderwijs en is er geen landlord en is er geen vroege staatshervorming 1e manier om tot splitsing te komen (geldt voor Noorwergen, Finland, Ijsland en Italië)

2e manier: rooms katho dominant, niet aan onderwijs, staathervorming vroeg Spanje en Frankrijk die op deze manier naar splitsing van de arbeidspartijen gaan

3e manier: Rooms mag tot onderwijs en geen industrieland, adel heeft het voor het zeggen MAAR geen vroege staatsvorming Duitsland splitsing

ZIJN ALLEEN DE 1’en!!

Voorbeeld 8

Pagina 72 van 159

- Minimale formule voor uitkomst 1, inclusie van remainders: we gaan de witte gebieden gebruiken ga er vanuit dat ze 1 zijn op voorwaarde dat ze een vereenvoudiging in onze oplossing veroorzaken! (andere notitie hier);

nationale kerk is niet aanwezig, niet onderwijs splitsing: Spanje, Frankrijk en Italië (vergelijkend met voorgaande dia: die was duidelijk moeilijker, hier vereenvoudigen) OF er is een nationale kerk, maar geen vroege staatsvorming (Noorwegen, Finland, Ijsland ) we hebben hier simplifing assumptions ingevoerd:

Voorbeeld 9

Pagina 73 van 159

Voorbeeld 10: analyse

Het stuk dat eerst leeg was gaan we hier als remainder gebruiken (Simpliy assum) vergoten van oppervlakte en dus eenvoudiger formules

Voorbeeld 11: analyse

Zelfde conclusie als Rokkan Alleen wordt duidelijk welke simplying assumptions eigenlijk gebruikt zijn

o aan de logische cases 0010, 1010 en 1100 telkens de uitkomst 1 toegekend o Door gebruikmaking van logische cases hebben we conditie L niet meer nodig in onze

verklaring

Voorbeeld 12: analyse

Pagina 74 van 159

3 simplifying assumpations het zijn de andere die ze gaan gebruiken? Zie 1111/ 0111/ 0101 (niet dezelfde als bij de 1’en) => waarom? Om te vereenvoudigen (er zijn geen contradicties want remainders worden niet 1 keer gezien als 1 of als 0)

Pagina 75 van 159

De analyse leidt tot een causale interpretatie van de resultaten het zijn inderdaad die breuklijnen die dat veroorzaken (een van de weinige theorieën die dit kan, meetstal geen causaliteit)

Conclusie

Een opmerkelijke conclusie die we bovendien kunnen trekken, is dat de 1 en 0 uitkomst perfect symmetrisch zijn. De verklaring voor het splitsen van de arbeiderspartijen is de inverse van de verklaring voor het niet splitsen. analyse kan als causaal geïnterpreteerd worden (Swyngedouw, 2004)

Bovendien worden ook alle logische cases gebruikt in de minimalisaties. Met de twee minimale formules voor splitsen en niet splitsen, overspannen we dus het hele universum. Dit is een sterke indicatie dat de meest pertinente condities effectief geselecteerd zijn

Les QCA-toepassing

Pagina 76 van 159

Herhaling Theorie QCA

Probeert de sterktes van beide methoden te combineren En door formeler met de data om te gaan Soms hebben onderzoekers de verleiding om statistische taal te praten QCA heeft een

apart jargon Kan voor verschillende dingen gebruikt worden bv. testen van hypothesen (dus niet altijd

zoals in SPSS regressieanalyse fzo), kan ook gebruikt worden in eerder stadion van het onderzoek

The Enactment of National Health Insurance Gebaseerd op Blake, C. H. & Adolino, J. R. (2001). The Enactment of National Health Insurance: A Boolean Analysis of Twenty Advanced Industrial Countries. Journal of Health Politics, Policy & Law, 26(4), 679-708.

In veel landen een nationale door staat georganiseerde ziektestel, met uitzondering van VS: hoe komt dat?

The Enactment of National Health Insurance (NHI) “Why have attempts to foster national health insurance failed in the United States when they have succeeded in almost all other industrial democracies?”

o Dichotome AV variabelen o Het gaat over landen dus een grote N (steekproef) kan je nooit bereiken o Vaak expliciet zeggen waarom gebruik maken van QCA en wat de voordelen zijn van

dat onderzoek

Afwezigheid NHI in USA

Verklaringen uit de literatuur o Culturele verklaringen: Individualisme o Economische verklaringen: Convergentie o Institutionele verklaringen: Amerikaans politiek systeemo Politieke verklaringen: Afwezigheid linkse partijeno Dus vaak al wat geweten, is geen exploratieve methode, er zijn dus al wel wat

verwachtingen aan welke condities voldaan moeten zijn voor verzekeringstelsel

Pagina 77 van 159

Beargumenteerde case selectie

Tijdsperiode: 1945-1994 Advanced industrial economies

o Zodat ze convergentie idee al wat kunnen uitsluiten Democracies N = 20 (want alles cases zijn van belang, geen outliners die we kunnen vergeten zoals in stat) Want we gaan cases selecteren omwille van een bepaalde reden dus kunnen we niet zomaar

weglaten

Hypothesen

1; The lack of an Anglo-American heritage improves the political feasibility of NHI. 2. The presence of a unitary state improves the political feasibility of NHI. 3. The presence of a dominant executive improves the political feasibility of NHI. 4. The presence of a relevant leftist party improves the political feasibility of NHI. 5. The presence of a corporatist pattern of interest group activity improves the political

feasibility of NHo In VS veel belangengroepen die in conditie staan met elkaar (pluralistisch) in

belgië minder belangengroepen die makkelijker macht kunnen uitoefenen hangen samen met condities

Codering

Uitkomst H: National Health Insurance policyo ook belangrijk hoe deze geoperationaliseerd worden moeten op theorie

gebaseerd zijn Condities (letters omdat dit gemakkelijker is om met QCA te werken: grote letter =

aanwezigheid / kleine = afwezigheid o S : society with a cultural tradition amenable to government activity in this area o U: unitary governmental system o E: dominant executive o L: leftist party capable of holding the post of chief executive o C: corporatist form of interest group politics

Pagina 78 van 159

Dataset

Per land 0’en en 1’en voor alle condities: configuratie is een configuratie voor alle 0 en 1en op verschillende condities

Noorwegen en Zweden zelfde condities dus daar kunnen we een cluster van maken

In QCA belangrijk om transparant te zijn dus veel van die onderzoeken communiceren ook ruwe dataset (zodat effect opnieuw berekend kan worden door andere onderzoekers)

2 landen die 0 scoren op H Zwitserland en VS in principe in QCA handiger om meer defferentiatie te hebben

Tomsana

Tabel versimpelen

Start QCA

Pagina 79 van 159

3 manieren om dataset in te lezen: File: data import: excel bestand selecteren nieuwe naam geven en dan op oke (alle condities zijn al dichotoom maar is niet altijd zo, soms ook coderen)

Data en Data for QCA zijn hetzelffde maar indien nog niet ingevoerd: dan nog data kleding doen en staan er hier vraagtekens (bv nog niet 0 en 1 gecodeerd)

csQCA/mv QCA: start:

selecteren wat uitkomst en condities zijn (als je eentje wilt weglaten die dan niet toevoegen bij conditions)

We kunnen aanwezigheid of afwezigheid zoeken van een uitkomst: stel je wilt verklaren waarom jongens betere punten halen dan meisjes verklaringen: het tegenovergesteld: het feit dat uw verklaringen niet aanwezig zijn maar bij CQA gaan we hier niet vanuit, want verschillende paden mogelijk dus 2 analyses uitvoeren voor zowel afwezigheid als aanwezigheid

Dus outcome 1 explain selecteren (want niet interesse in verklaringen waarom niet ziekteverzekering aanwezig)

Pagina 80 van 159

Visualize: Venndiagram

Ook al drukken op visualize:

Ruwe tabel: sommige landen hebben zelfde condities en die

kunnen we groeperen met QCA (vereenvoudigend voorstellen) visueel dit doen: voerkant is verdeeld door lijnen, en lijnen zijn condities (conditie 1 = S: pijl naar rechts met 1: alle landen die 1 scoren op condities S bevinden zich aan rechterkant van de lijn en omgekeerd voor 0), 2e conditie alle landen die 1 scoren op die conditie bevinden zich aan onderkant van die lijn, die 0 scoren erboven en als je die twee combineert: alle landen die liggen in dit kwadraat scoren 1 of beide condities

(C = contradicities: in dat vlak scoren zowel landen 0 als 1)

(R = leeg) 2 mogelijkheden: hier rekening mee houden en hier dus geen uitspraken over doen OF je kan ook aan QCA zeggen: ik wil assumpties maken over die witte vakken: grote veronderstellingen maken ook over cases die we niet zien (zoals bij Stat, want daar heb je ook niet alles geobserveerd) hier heb je veel witte vakken (logische cases): dan ben je wel als onderzoeker een beetje aan het uitgaan van dingen die je niet zeker weet (dus is een afweging waar je als onderzoeker transparant over moet zijn en keuzes maken) = REMAINDERS/ include for reduction of Exclude

Pagina 81 van 159

Contradiction: ga er maar vanuit dat ze de uitkomst hebben die ik analyseer dus dan explain aanduiden

(in dit artikel: Zwitserland: enige reden dat die niet zoals Duitsland ziekteverzekering hebben is omdat dit altijd werd tegengehouden door referendum kunnen dan extra variabelen toevoegen: referendum ja of nee: dan zou Z 1 hebben en D 0 hierop)

full analysis: Tekst Only bij output Mode (HTML niet) :

Pagina 82 van 159

Noorwegen en zweden zelfde combinatie

C bij H want contradictie

Truth tabel: manieren om data voor te stellen (ruwe tabel ook: somt alle cases onder elkaar: hoe ze scoren op alle condities en uitkomst truth lijkt hierop maar die zet in de rijen met dezelfde combinaties samen) verschil kennen

Buliaanse wiskunde: geeft weer hoe we data kunnen voorstellen: letters groot of klein en daar clusters van te maken (* = en / + = OF) er zijn 4 situaties waarin de aanwezigheid van onze uitkomst (ziekteverzekering) mogelijk gemaakt worden;; die bestaan altijd uit een combinatie van condities:

Soms kan je deze nog zelf vereenvoudigen is hier in het artikel gebeurd!

(contradicties: Zwitserland krijgt hier een 1, wordt dus mee in de analyse, terwijl we eigenlijk alleen naar de 1 kijken, dus Zwitserland negeren we even dat dit een 0 heeft / andere optie: om hele groep te negeren en te laten vallen maar dan heb je de cases niet om te analyseren dus geen echte oplossing hier, kiezen hiervoor om Zwitserland mee te pakken en te verklaren aan de hand van referendum dus goede reden om deze toch mee nee te nemen)

Het aantal condities die je opneemt heeft gevolgen voor uw analyse

Start QCA

Pagina 83 van 159

Pagina 84 van 159

Pagina 85 van 159

Women’s representation in Parliament Gebaseerd op Krook, M. L. (2010). Women's Representation in Parliament: A Qualitative Comparative Analysis. Political Studies, 58(5), 886-908.

Women’s Representation in Parliament

“Growing contradictions between quantitative and qualitative findings – and, more generally, between research and the ‘real world’ - suggest the need to reexamine what might explain differing levels of female political representation.” (Krook, 2010, p.886)

Waarom QCA?

“QCA may offer an opportunity to make sense of the conflicting findings of large-n and small-n research, by exploring the possibilities that the causal effects of one variable may depend on the presence or absence of other factors (causal combination), at the same time that different groups of conditions may produce similar outcomes (equifinality).” (Krook, 2010, p.892)

o Doorheen de jaren steeds meer uitzonderingen ook tegenspraak tussen kwan en kwal onderzoek en de conclusies hielden niet meer stand dus op zoek gegaan naar andere verklaringen

Pagina 86 van 159

o Krook: voordeel niet een bepaalde weg leidt naar een uitkomst, maar verschillende mogelijkheden (en formele manier)

Bestaande theorieën

Verklaringen uit de literatuur: o Electoraal systeem o Gender quota’so Status van vrouwen o Vrouwenbewegingen o Linkse partijen

Meer vrouwen als er competitie is tussen oude links en nieuwe links

Conclusies houden stand aanvankelijk, maar hoe meer landen er onderzocht werden hoe meer twijfels dus hier meer landen onderzoeken

Beargumenteerde case selectie

2 populaties: Westerse landen & Sub-Saharisch Afrikaanse landen N1= 22 N2= 26

Codering

Uitkomst WNP: o % Women in parliament

Condities o PR : Electoral systemo QU: Quotas o WS: Women’s status o WM: Women’s movemento L: Left party strengtho gebaseerd op theorie, altijd aangegeven waarom deze condities gekozen

Raw data table

Pagina 87 van 159

Alle cases hebben eigen scores op de verschillende condities (staan nog niet mooi als 1 en 0 dus nu moeten we dit eerst opkuisen)

30 % = goede vertegenwoordiging van vrouwen (leggen ook uit waarom dit % is in de literatuur)

Condities hercoderen:

Ook uitroeptekens nu want geen 0 en 1 hier (er staan andere getallen)

Data: redcode vari: nieuwe naam geven; OK: welke waarde hercoderen naar andere waarden: Yes covert to 1, nee 0

Pagina 88 van 159

Dus deze dan gebruiken voor analyse straks

OF VIA EDIT variabele: alle landen die 30 procent of meer scoren 1 en andere O : uses thresholds Setter: (toont aan waar je de grens kan leggen):

Dus 30 is idd de grens (dus we voeren 29,99 in want we willen diegene die 30 scoren ook een 1 geven!!!)

Pagina 89 van 159

Hoe de rest hercoderen? Quatas: 1 = yes, 0 = 0 / vrouwenbewegevn: autonoom = 1 en andere 0 / PR: PR = 1, mixed = 0 / welaarsstaaten: socdem = 1 en andere 0 / sterke partijen: 7 of meer dan sterk aanwezig, minder dan 7 niet sterk aanwezig

Pagina 90 van 159

Dichotomiseren

Dataset

QCA met Tosmana

Opdrachten: o Venndiagram en interpretatie o Truth table o Booleaanse vergelijking: met & zonder logical remainders (4 want 0 en 1 uitkomst

telkens apart en een keer met en zonder logical remainders) o Interpretatie: In welke scenario’s meer dan 30% vrouwen in nationaal parlement? In

welke scenario’s minder dan 30% vrouwen in nationaal parlement?

Oefening: eerst hercoderen

Pagina 91 van 159

(ook voor 0 dit doen, ook exclude remainders en include telkens doen)

VOOR 1 met remainders:

= venndiagram (!!!! Tresscore: getal moet met een komma (en geen punt) !!!)

Pagina 92 van 159

Venndiagram: gaat er vaak anders uitzien dat op de slide: waarom? De volgorde waarin je de condities doorgeeft aan het programme, is de volgorde die ze gebruiken om de lijnen te trekken

Dan full analysis voor Truth table:

Visualize: Venndiagram

Pagina 93 van 159

Truth table

Booleaanse vergelijkingen

Pagina 94 van 159

Als je logical remainders bij elkaar zet vergelijking gaat over minder condities, is eenvoudiger om te interpreteren (maar daarom niet korter)

4 uitkomsten want voor 0: zonder logical remainder en met logical remainder en voor 1 hetzelfde

In 4e analyse krijgen we plots meerdere vergelijkingen: waarom? Kijken naar venndiagram; logical remainders zijn witte vakken, die hebben we niet geobserveerd maar we laten Tosmana daar assumpties daarover maken (want wil vakken clusteren bij elkaar), wit vak gaan we aannemen dat

Pagina 95 van 159

dat groen zou zijn, vergelijking hierdoor vereenvoudigd maar hiervoor maken me een assumptie (namelijk de groene kleur) deze assumpties kan je opvragen door analyse: Compute Simplfing assumptions aanduiden: ik wil Tosmanan laten rapporteren welke assumpties die heeft gemaakt (als er meerdere vakken zijn zijn meerdere assumpties mogelijk dus dit gebeurt in de laatste vergelijking: probeert vergelijking te maken door assumpties maar er is geen exacte uitkomst die beste resultaat geeft, maar op 3 mogelijke manieren een uitkomst mogelijk afhankelijk van welke witte vakken Tosman gebruikt)

-> eerste is altijd hetzelfde, dat laatste is altijd Luxemburg dat er onderstaat (maar 1 land en Tosmanen kan niet aangeven wat de beste manier is waarom er in Luxemburg weinig vrouwen in parlement zitten)

Conclusie

Belang “Women’s status” social democratic welfare states geen uitspraak over causaliteit

Beperkte rol quota’s Luxemburg Diversiteit verklaringen

Les toepassingen QCATruth table en raw table moet bijgevoegd zijn (staat bij kompass: Excel)

Opdracht kritische reflectie over onderzoek Blackman (2008)

Can smoking cessation services be better targeted to tackle health inequalities? Blackman (2008)

Uitgangspunt: verband tussen socio-economische status en roken

o Vooral mensen van lagere socio economische achtergrond vaker roken en meer moeite hebben om te stoppen

Data: Household survey in Middlesbrough

N= 2882 personen

o Samenstoppen in groepen met combinaties van condities

Uitkomst: Prevalentie van roken

Condities:

o Werkloosheid

o Leefbaarheid van de buurt

o Nabuurschap

o Netto weekinkomen

o Opleiding

o Analyse van 19 combinaties van condities

Pagina 96 van 159

Standards of good practice in QCA - Schneider & Wagemann (2010)

Opmerkingen i.v.m.:

o Selectie van cases

Niet echt besproken waarom

Teveel? Nee want clusters dus mogen er meer dan 50 zijn!

o Condities

De manier waarop je condities operationaliseert moet beslist worden op basis van theorie! (want nog steeds kwalitatief onderzoek) je moet al theoretische kennis hebben dus zeggen op basis hiervan: ik heb op basis van deze theorie geoperationaliseerd

o Operationalisering

o Uitkomst

Geen booleaans vergelijking!

Geen negatieve case-selectie besproken!

Analyse van QCA moet altijd in combinatie met andere data-analyse methoden!

o Logical remainders

Wordt niet vermeld! (zijn die in de analyse opgenomen of niet? Bepaalt de conclusie mee dus moet sowieso vermeld worden!)

o Resultaten

Geen raw table en ook geen echte truth table! (iets hiertussen in)

Geen vendiagram

Er wordt gewerkt met kruisjes en niet met 0’en en 1eentjes (tussenoplossing om toch maar categorisch te werken terwijl het over kwalitatieve data gaat!)

Met de natte vinger van de tabel want het is ook niet duidelijk of er een software gebruikt wordt, geen booleaanse vergelijking dus hoe hebben ze conclusies dan genomen?

Resultaten worden Additief besproken aparte configuraties lijken een extra effect te hebben (regressievergelijking: elke factor voegt meerwaarde toe MAAR BIJ QCA GAAT HET NIET OM APARTE MAAR OM DE COMBINATIE VAN CONDITIES want kwalitatief!!!!)

O en 1 worden niet apart geanalyseerd

Zou het niet beter kwantitatief onderzoek doen? Want in artikel lijkt het alsof ze met kwantitatieve gegevens werken zou regressie- analyse niet beter zijn om dit te onderzoeken? Is het wel een geschikte methode? (want

Pagina 97 van 159

je wilt iets zeggen over aparte condities en het effect hiervan op de uitkomst = logistische regressie)

In artikels wordt vaak duidelijk aangegeven waarom CQA gebruiken want is vaak geen logische keuze dus moet vaak goed beargumenteerd worden! (hier heb je dit gevoel niet, lijkt niet echt bij te dragen aan het onderzoek)

o Terminologie en rapportering

Veel statistisch taalgebruik (indicatoren ipv condities) gebeurt vaak!

o Interpretatie

o Geschiktheid QCA voor onderzoeksvraag

Belangrijke principes van QCA

o QCA should be used for its original aims

o QCA should be applied together with other data analysis techniques in a research project

o Familiarity with cases is a requirement before, during, and after the analytical moment of a QCA

o There should always be an explicit and detailed justification for the (non-) selection of cases

o The number of conditions should be kept at a moderate level

o The conditions and outcome should be selected and conceptualized on the basis of adequate prior theoretical knowledge as well as empirical insights gained throughout the research process

o The calibration of set membership scores should be discussed in detail

o The appropriate QCA terminology should be followed

o The treatment of contradictory rows in the logical minimization process should be transparent

o The treatment of logical remainders should be transparent

o The outcome and the negotition of the outcome should always be dealt with in two seperate analyses

o Different presentational forms of QCA results should be used in order to depict both the case- and variable-orientes aspects of QCA

o QCA should always be related back to the cases, not be applied in a mechanical way

Pagina 98 van 159

o Individual conditions of a configural and equifinal solution term should not be (over)interpreted

o The researcher should always provide explicit justifications when one (or more) of the paths towards an outcome is deemed more important than others

o Solutions formula alone should not be taken as demonstrating an underlying causal relationship between conditions and an outcome

o The raw data matrix should be published

o The truth table should be reported

o Every QCA must contain the solution formula

Opdracht heranalyseren onderzoek Blackman (2008)

Truth table (Toledo) opnieuw analyseren met Tosmana

o Case ID = combination number o Uitkomst dichotomiseren

Hoe stabiel zijn de resultaten van Blackman?

Kom je tot dezelfde conclusies?

Wanneer is QCA de geschikte techniek?

Is QCA geschikt voor het beantwoorden van deze onderzoeksvragen? (want vorig artikel niet geschikt)

Oefening a.d.h.v. Poll Everywhere

o Logische volgorde: is niet analysemethode en dan onderzoeksvraag (maar dus andersom: onderzoeksvraag en dan analyse kiezen)

Onderzoeksvragen/thema’s beoordelen met QCA is geschikt/QCA is niet geschikt

Overleg met medestudent

Discussie

PollEv.com/joliengalle713 (niet zwart wit- welke analyse voor welke onderwerpen te gebruiken)

Is QCA geschikt en waarom wel/niet?

Waarom hebben sommige olie-exporterende landen te maken met burgeroorlogen en anderen niet?

o JA want je bent op zoek naar de combinatie van condities in heel veel landen die olie exporteren zijn burgeroorlogen en dat leek vaak de enige conditie zijn voor burgeroorlogen maar dit onderzoek uitgebreid die meerdere condities samenneemt (olie-exporterend wordt gebruikt om selectie te maken) want enkel en alleen olie exporteren is niet voldoende voor het hebben van een burgeroorlog

Met welke motieven trekken geradicaliseerde jonge moslims naar Syrië?

Pagina 99 van 159

o Grounded theory beter want het gaat om motieven (+ is persoonlijker en dus niet in condities te laten vatten)

o Maar het zou wel kunnen dat er condities zijn in literatuur maar dat is hier dus niet de meest logische keuze (want als we geen idee hebben van literatuur is QCA sowieso niet de goede methode!)

Worden stakingen in bedrijven verklaard door organisatorische mogelijkheden of solidariteit tussen werknemers? Of door een combinatie van beide factoren?

o Niet geschikt: effecten van variabelen op staking lijkt eerder kwantitatief maar zijn condities makkelijk kwantitatief te meten?

o Geschikt? Duidelijke omschreven condities die te vergelijken vallen meer onderscheid dus noodzakelijke en voldoende conditie werd onderzocht met QCA in de realiteit!

Ze zijn er in geslaagd om te operationaliseren van solidariteit en organisatorische mogelijkheden (maar dat is in elk kwalitatief onderzoek moeilijk)

Het gaat om de argumenten op de examen!

Worden de lagere wiskundescores van meisjes (t.o.v. jongens) in het PISA-onderzoek veroorzaakt door hun minder competitieve houding?

o Beter statistische regressie: want PISA_onderzoek (is kwantitatief)/ Lager en minder / AV en OV (focus op een variabele die er voor zorgt dat iets anders toeneemt) / veroorzaken (want ze gaan op zoek naar causaal verband!!!)

Wat zouden de redenen zijn om CQA te gebruiken? Verschillende paden leiden tot dezelfde uitkomst / voldoende theorie

Wanneer QCA gebruiken?

Principe van equifinaliteit (meerdere paden kunnen tot dezelfde uitkomst leiden)

Verwacht dat uitkomst bepaald wordt door combinatie van condities

Voldoende theoretische kennis

Voldoende kennis over cases

o Cases zijn geen anonieme respondenten dus leunt dichter aan bij kwalitatief onderzoek en dan de volgende stap zetten: welke condities zijn aanwezig (start altijd vanuit de kennis)

Sterktes en zwaktes van QCA

Pagina 100 van 159

Formalisering opzichte van kwantitatieve onderzoek

- we kunnen niet alle condities opnemen (in kwan onderzoek meer variabelen opnemen)

- case gevoelig (laat zwitserland weg en andere uitkomsten)

- Deterministisch wereldbeeld: operationalisering heel belangrijk! indien andere dan andere uitkomst

- Cruciale condities gekend belang van theoretische kennis!

Conclusies QCA

QCA kan gebruikt worden om verschillende doeleinden (en niet enkel op hypothesen te testen kan ook gebruikt worden in voorgaande stappen)

o Synthetiseren van data

o Opstellen en verder verfijnen van theorieën

o Formuleren van hypothesen

o Testen van bestaande hypothesen en theorieën

Methode kiezen o.b.v. onderzoeksvraag

Vrij nieuwe methode rekening houden met good practices

Les 12: herhalingslesVraag 1: P188: wanneer het gaat over de endogeniteitisprobleem is wanneer de AV de OVV onterecht beïnvloedt, normaal: OV die de AV beïnvloedt (bv lidmaatschappij jeugdbeweging invloed op de trust in de SL klopt niet: wie lid wordt van jeugdbeweging is iemand die al een bepaalde vertrouwen heeft want als je geen vertrouwen hebt dan ga je geen lid worden endogeniteitsprobleem als we de relatie van OV op AV schatten dan vinden we geen of zwak verband (voorbeeld in boek: verkiezingen in US en incubacy (iemand die al lid is van het congres, al verkozen is deze heeft meer kans om verkozen te worden dan de uitdager van de persoon (iemand die al burgemeester is, is bekend en daardoor meer stemmen en dus meer kans om te winnen) in VS debat of dit effect wel bestaat voor congresleden (is het zo dat mensen die al lid zijn van het congres makkelijker verkozen worden JA komt doordat ze veel aan dienstverlening doen in hun gemeente als men dat probeert te testen vind men geen debat tussen het verkozenn geraken en clientisme => er is mogelijk wel een verband door het enodgeniteitsprobleem (diegene die veel clientisme doen zijn diegene die

Pagina 101 van 159

denken dat ze niet verkozen worden dus gaan daarom veel dienstverlening doen dus dan wel een incubay effect maar wordt tegeniet gedaan door diegene die schrik hebben om verkozen te raken hoe schatten? Via procedure: incubacy effect uit elkaar halen door werkelijk effect af te zonderen en dan zouden ze daar wel een effect op vinden)

Voorbeeld met trust en lidmaatschappij: meer sociale trust maar die trust kan evengoed andersom lopen en dan zeggen dat mensen thuis gesocialiseerd zijn in het vertrouwen in anderen en sociale organisaties, dan trust opnemen in familale en individuele trust: als dat waar is model schatten hoeveelheid trust in de familie op de individuen trust, we controleren en kijken of dit al dan niet nog een effect heeft

Kwalitatief onderzoek belang;; wees bewust dat er een probleem van endogeniteit kan zijn zou het mogelijk kunnen zijn dat het verband ook andersom is? Dat er oorzaken zijn die bij de respondenten maken dat de AV de OV beïnvloedt? (bv. leestesten in lagere school: onzekerheid over lezen heeft effect op kwaliteit van het lezen het is niet alleen weten hoe lezen moet, maar ook de onzekerheid (maar vaardigheid en onzekerheid correleert wel met elkaar) endogeniteit probleem zorgt er schijnbaar voor dat er geen verband meer is

Vraag 2: in welke mate voetnoten kennen? controlerende variabelen voetnoot is bijvoorbeeld belangrijk!

Voorbeeld: verband tussen leerresultaten en etnische minderheden waarvoor moeten we controleren?

Geen stukken van formele statistiek

Pagina 102 van 159

Samenvatting van het boek: Designing Social Inquiry 1. Chapter 1: The sience in Social science

1.1. Introduction Boek over onderzoek in de sociale wetenschappen Doel: ontwikkelen van onderzoek dat valide inferenties voorbrengt in sociale en

politieke wereld Gaat over onderzoeksdesign

o Hoe vragen stellen o Hoe wetenschappelijk onderzoek vormgeven o om zo valide descriptieve en causale inferenties te maken!! o Focus op: essentiële logica onderliggend aan SWO

1.1.1.Two styles of Research, One logic of Inference Hoofddoel: 2 hoofdtradities: kwalitatief en kwantitatief onderzoek verbinden door

eenzelfde veld te gebruiken o 2 tradities zin verschillend, maar deze verschillen vooral in stijl en techniek

onderliggend wel zelfde logica! Stijlen van kwalitatief en kwantitatief onderzoek zijn verschillend!

o Kwantitatief onderzoek Gebruik van nummers en statische methoden Gebaseerd op numerieke metingen van aspecten van fenomenen Om algemene beschrijvingen te vinden / causale hypothesen te

testen Zoekt metingen en analysen die eenvoudig repliceerbaar zijn voor

andere onderzoeken o Kwalitatief onderzoek

Breed bereik van benaderingen (geen numerieke metingen!) Focus op 1 of klein aantal cases Vaak interviews/ diepte-analyse Halen veel informatie uit studies (ondanks klein aantal cases) Instantie vaak belangrijk op zich (bv. verkiezing, verandering in een

natie,…) Soms wordt event gekozen als vb van particulier type event Soms regiostudies: focus op geschiedenis en cultuur van particulier

deel van de wereld o Debat over

case studies vs statistische studies, area studies vs vergelijkende, ‘wetenschappelijke’ studies (kwan) vs ‘historische’ (kwal). Kwan-syst-veralgemende vs kwal-humanistische-discursieve

o Doel boek Aantonen dat verschillen tussen kwalitatief en kwantitatief slecht

verschillen qua stijlen zijn methodologisch en inhoudelijk onbelangrijk!

Pagina 103 van 159

Goed onderzoek resultaat zelfde onderliggende logische gevolgtrekking

Meeste onderzoek past niet in 1 categorie beste onderzoek combineert (bv. Cooercie cooperation en making democray work)

o Geen betoog voor superioriteit kwantitatief onderzoek non-statisch onderzoek zal meer betrouwbare resultaten genereren als onderzoekers aandacht besteden aan de regels van wetenschappelijke inferentie

o Kennis van de buitenwereld is mogelijk MAAR kennis is altijd onzeker Niet zo dat er een perfect experiment moet zijn of dat we alle

relevante data moeten verzamelen vooraleer we valide sociale wetenschappelijke inferenties kunnen maken: beperkte informatie is vaak een noodzakelijk kenmerk van sociaal onderzoek.

Zekerheid is onbereikbaar, wat niet wil zeggen dat we de betrouwbaarheid, validiteit, zekerheid en eerlijkheid van onze conclusies a.d.h.v. aandacht besteden aan de wetenschappelijke regels niet kunnen verhogen.

Het sociaal onderzoek waar wij naar streven maakt descriptieve en causale inferenties over de wereld.

1.1.2.Defining Social Research in the social sciences Wetenschappelijk onderzoek definitie is ideaal: kan kwalitatief of kwantitatief

van aard zijn Ontwerp bevat wel steeds 4 kenmerken

o (1) Het doel is inferentie: beschrijvende of verklarende inferentie o (2) De procedures zijn publiek: als methode en logica van een onderzoeker

zijn/haar observaties impliciet blijven, dan kan men niet beoordelen of het valide is wat men gedaan heeft. Alle methoden hebben beperkingen, voordeel aan expliciet zijn is dat de beperkingen begrepen kunnen worden en misschien aan tegemoet gekomen kan worden.

o (3) De conclusies zijn onzeker: inferentie is een proces dat niet perfect is. Onzekerheid is een centraal aspect van alle onderzoek en van alle kennis over de wereld. Inferenties zonder onzekerheid zijn niet wetenschappelijk zoals we het omschreven.

o (4) De inhoud is de methode: regels van inferentie waarvan de validiteit afhangt. De inhoud van de inferentie zijn allereerst de methoden en regels.

o deze 4 regels: wetenschap is een sociale onderneming Het sociale karakter van wetenschap kan bevrijdend zijn

aangezien ons werk niet voorbij de kritiek moet kunne gaan om een interessante bijdragen te kunnen leveren!!!

Ons werk geeft expliciet bedenken weer en maakt gebruik van publieke methode dus zal een bijdrage kunnen leveren!

1.1.3. Science and complexity Sociale wetenschap = poging om sociale situaties die complex zijn te begrijpen

o MAAR wat we zien als complex = niet inherent aan het fenomeen: wereld valt niet zomaar te verdelen in eenvoudige en complexe reeksen van gebeurtenissen

o Ervaren complexiteit afhankelijk van in hoeverre we de realiteit kunnen vereenvoudigen hangt af van of de uitkomsten en de verklaren variabelen kunnen specifiëren op samenhangende wijze

Pagina 104 van 159

Complexiteit hangt af van de status van onze theorie Wetenschappelijke methoden zijn even waardevol voor complexe als

voor eenvoudige gebeurtenissen Complexiteit zorgt er niet voor dat het minder wetenschappelijk is

o Unieke, grote gebeurtenissen gebruiken door Zoeken naar generalisaties = member of class of events Contrafeitelijke analyses: mental construction of a course of events

which is altered through modifications in one or more conditions: Bv.: opnieuw laten gebeuren maar met 1 ding verschil, bv.:

wat als de dinosaurussen niet verdwenen waren? Gevolgen? Wetenschappelijke generalisaties zijn bruikbaar voor het

bestuderen van ongewoonlijke gebeurtenissen die niet in een grote klasse van gebeurtenissen te plaatsen zijn.

Een hypothese wordt niet als redelijk zeker beschouwd tot het empirisch geëvalueerd is en een aantal testen doorstaan heeft.

o Zelfs ogenblijkelijk unieke gebeurtenissen kunnen wetenschappelijk bestudeerd worden.

*! verbeteren theorie ( door verhelderen concepten en specifiëren van variabelen: meer implicaties worden zichtbaar en testen causale theorieën van unieke gebeurtenissen wordt mogelijk)

*verbeteren data (zodat we meer implicaties observeren kunnen) *verbeteren gebruik data (meer implicaties uit de bestaande data

kunnen halen) o Of we nu veel fenomenen of enkele bestuderen: studie zal verbeterd worden

als we data verzamelen op zoveel mogelijk observeerbare implicaties van onze theorie.

1.2. Major Components of Research Design SWO = proces van inzicht en ontdekking in een omgeving van goed gevestigde

structuur van wetenschappelijk onderzoek o Geen blauwdruk maar flexibiliteit !:

over de oude manieren van kijken naar de wereld nieuwe vragen stellen herzien van onderzoeksdesign meer data van een andere soort verzamelen dan oorspronkelijk het

plan was MAAR wel expliciet en consistent met de regels van inferentie!!

o Dynamisch proces van onderzoek binnen stabiele structuur van regels! Vaak start onderzoek: design, verzamelen data en conclusie trekken

MAAR soepel proces niet altijd het beste om het in deze volgorde te volgen

Connectie tussen theorie en date niet steeds direct gevonden! o Soms betere data verzamel methodes toepassen om een theorie beter te

kunnen evalueren o Soms date gebruiken die ze reeds hebben o Andere theoretische vraag stellen o …

Pagina 105 van 159

Indien mogelijk onderzoeksdesign verbeteren (data heeft manier van disciplineren soms goed design niet meer oke als eerste data verzameld wordt)

Voor analytische doelen: alle onderzoeksdesign onderverdelen in 4 componenten: o (1) onderzoeksvraag o (2) theorie o (3) data o (4) gebruik van data

niet onafhankelijk van elkaar gebruiken (en niet noodzakelijk in deze volgorde) -> compromissen maken als onderzoeker aangezien je als onderzoeker geen ongelimiteerd tijd en bronnen hebt!

1.2.1. Improving Research Questions Wat te doen als we het object van het onderzoek geïdentificeerd hebben? Onderzoeksvragen wat zijn manieren om onderzoek vorm te geven valide

verklaringen van sociale en politieke fenomenen Waar vinden onderzoeksvragen hun oorsprong? Onderzoek start vaak vanuit iemand die deel uitmaakt van de groep Onderwerpen kunnen ook beïnvloedt worden door persoonlijke neigingen/

waarden Wetenschappelijke methoden en inferentie regels zullen zorgen voor meer

krachtige onderzoeksdesigns! Er zijn manieren om de waarschijnlijke waarde van een onderzoekonderneming

voor de wetenschappelijke gemeenschap vast te stellen; o (1) een onderzoekproject moet een vraag stellen die belangrijk is in de echte

wereld 2) een onderzoekproject moet een specifieke bijdrage leveren aan een identificeerbare wetenschappelijke literatuur.

Alle hypothesen moeten empirisch geëvalueerd worden alvorens ze een bijdrage aan kennis kunnen leveren.

Een onderzoekproject plaatsen binnen het kader van bestaande sociaal wetenschappelijke literatuur; 1) kies een hypothese die belangrijk wordt gezien maar waar nog geen complete systematische studie van te vinden is. Als we bewijs vinden voor of tegen de hypothese, zullen we een bijdrage leveren.

o (2) kies een geaccepteerde hypothese waarvan we denken dat deze vals is of onvoldoende bewijs voor geleverd. En dan tonen dat het inderdaad vals is of dat een andere theorie correct is.

o (3) probeer een controversie in de literatuur op te lossen of verder bewijs te vinden voor 1 kant van de controversie. Mogelijk kan je aantonen dat de controverse fout was van in het begin.

o (4) ontwikkel onderzoek om onbeantwoorde assumpties te verhelderen of te evalueren.

o (5) belangrijk onderwerp waar men overheen gekeken heeft en bijdrage leveren door systematische studie over dit topic

o (6) theorieën of bewijs, ontworpen voor een specifiek onderwerp, misschien in andere literatuur om een probleem op te lossen.

Onderzoekontwerp moet voldoen aan 2 criteria! o (1) real-world topico (2) moet iets bijdragen

Pagina 106 van 159

1.2.2. Improving theory Social theory :

o Gemotiveerde en precieze speculatie over antwoord op onderzoeksvraag o Samen met statement die handelt over waarom het voorgestelde antwoord

correct is o Theorie moet consistent zijn met voorgaand bewijs! want anders is het

een oxymoren! Ontwikkeling theorie = vaak eerste stap van onderzoek

o MAAR DIT MOET NIET o Algemene manieren om bruikbaarheid van een theorie te evalueren en

verbeteren (1) Kies theorie die fout kan zijn: geen theorie die zo breed is dat die

altijd juist is! (2) moet falsifieerbaar zijn theorie kiezen die in staat is om

zoveel mogelijk implicaties te tonen meer testen van theorie! (3) bij ontwikkelen van theorie zo concreet mogelijk blijven!

Parsimony = simpele theorieën hebben een hogere status assumptie over de wereld, namelijk dat ze simpel is

Probleem: wat te doen als we onder data collectie en analyse volbracht hebben en verder willen met verbeteren theorie!

o (1) als onder voorspelling conditioneel is op verschillende variabelen en we willen 1 van deze condities laten vallen

Basisregel: theorie na verzamelen na data we kunnen de theorie minder restrictief maken maar dit doen zonder nieuwe date verzamelen mag niet!

o (2) soms: onderzoekers na confrontatie met data inspiratie over hoe theorie construeren

1.2.3. Improving data quality Data = systematisch verzamelde elementen van informatie over de wereld

o Kunnen kwalitatief of kwantitatief! o Soms gebruikt om theorie te evalueren maar soms ook verzamelen van data

zonder te weten in welke uitkomsten men interesse heeft! regels om kwaliteit van data te verhogen niet onafhankelijk te zien als de

regels op de theorie te verhogen o (1) opnemen en rapporteren van het proces waarin de data verkregen zijn

Anders onmogelijk om te controleren of er biases aanwezig zijn! Enkel zo valide descriptieve of causale inferenties mogelijk Kwantitatief: recording data = precieze methoden om precieze

vragen te weten Kwalitatief: rapporten precieze regels waarom we voor klein aantal

cases kozen o (2) verzamel data op zoveel mogelijke observeerbare implicaties:

Om theorie beter te kunnen evalueren! Zoveel mogelijk date in zoveel mogelijke verschillende contexten

verzamelen Elke toegevoegde implicatie biedt een nieuwe context waarin we

waarheidsgetrouwheid kunnen evalueren

Pagina 107 van 159

We kunnen meer observaties van dezelfde afhankelijke variabele verzamelen of afhankelijke variabelen toevoegen!

Beperkte tijd en bronnen zullen dataverzameling beperken o (3) maximaliseer de validiteit van onze metingen

Validiteit = meten wat we denken te meten Dit door data te hechten! geen ongeobserveerde of onmeetbare

concepten in de weg laten staan! o (4) verzeker dat dataverzamelmethoden betrouwbaar zin!

Betrouwbaarheid: als je dezelfde procedure toepast op dezelfde wijze, zal je altijd dezelfde meting bekomen

o (5) alle data en analyses moeten repliceerbaar zijn (mogelijk door gedetailleerde rapporteren)

1.2.4. Improving the use of existing data Data problemen oplossen door verzamelen van nieuwe en betere data kan je bestaande

data verbeteren maar niet altijd mogelijk! o (1) data gebruiken om inferenties te genereren die unbiased zijn (gemiddeld correct)

Selection bias kiezen van observaties op een manier dat systematisch de populatie vervormt (bv. enkel observaties kiezen die hypothese steunen )

o (2) Efficiëntie: efficiënt gebruik van data impliceert maximaliseren van de informatie gebruikt voor descriptieve of causale inferentie! maximaliseren van efficiëntie alle data gebruiken en alle relevantie informatie in de data gebruiken om de inferenties te verbeteren

1.3. Themes of this volume Besluiten van het hoofdstuk door het duiden op 4 belangrijke thema’s in ontwikkelingen

onderzoeksdesign1.3.1. Using Observable implications to connect theory and data

Elke theorie moet implicaties bevatten over de observaties die we verwachten te vinden als de theorie correct is = observable implications

o Deze moeten onze data verzameling leiden en onderscheid helpen maken tussen relevante en irrelevante feiten

Theorie heeft effect op dataverzameling en data ordent theoretische verbeelding !! theorie en empirisch onderzoek moeten sterk verbonden zijn. Elke theorie die echt werk

voor ons doet heeft implicaties voor empirische onderzoeken, geen empirisch onderzoek kan succesvol zijn zonder theorie om de keuzes en vragen te leiden.

Theorie en dataverzameling zijn beiden essentiële aspecten van het proces waarin we zoeken om te beslissen of een theorie juist of vals gezien moet worden.

o Bij elke theorie vragen: what are its observable implications? o Bij elk empirisch onderzoek vragen: are the observations relevant to the implications

of our theorie, and, if so, what do they enable us to infer about the correctness of the theory?

1.3.2. Maximizing leverage Zoveel mogelijk uitleggen met zoweinig mogelijk!

o (1) verhogen van aantal observable implications van onder hypothesen en confirmatie zoeken van deze implicaties

verbeteren theorie opdat deze meer observable implications bevat Verbeteren data opdat meer van deze observable implicaties echt

geobserveerd worden en gebruikt om de theorie te evalueren

Pagina 108 van 159

Verbeteren gebruik data opdat meer van deze implicaties afgeleid worden uit bestaande data!

o Ecological fallacy: onjuist gebruik van samenhangende data om inferenties te maken! 1.3.3. Reporting Uncertainty

Alle kennis en alle inferenties in kwantitatief en kwalitatief onderzoek is onzeker!! o Beide tradities foutengevoelig maar BRONNEN van fouten kunnen verschillen o Alle goede sociale wetenschappers rapporteren schattingen van hun onzekerheden! o Steeds rapporteren van graad van onzekerheid!

1.3.4.Thinking like a social scientist: Skepticism and rival hypotheses Onzekerheid van causale inferenties betekent dat goede sociaal onderzoekers ze niet zomaar

aannemen. Echt causaal verband? Accuraatheid data? Als ze accuraat zijn, wat kan nog het effect veroorzaken? Hebben we te

maken met onopzettelijke omkering van oorzaak en effect? o !! issue of causal inference: skeptisch en bezorgdheid voor alternatieve verklaringen

die misschien overkeken zijn. Causale inferentie: proces waarbij elke conclusie een gelegenheid vormt voor verder onderzoek om het te verfijnen en te testen.

o Door succesvolle benaderingen proberen we dichter en dichter te komen bij accurate causale inferentie.

2. Chapter 2: Descriptive inference Social science research beschrijven en verklaren beide zijn essentieel

o Causale verklaringen hebben goede beschrijvingen nodigo MAAR beschrijving weinig waard indien niet gelinkt aan een causale relatie! o Interactieve relatie tussen beschrijven en verklaren!! o Beide gebaseerd op regels van wetenschappelijke inferentie!

Verschillende fundamentele aspecten van wetenschappelijke beschrijving o (1) impliceert inferentieo (2) onderscheid maken tussen wat systematisch is en wat niet-systematisch is.

Beschrijving centrale rol in verklaren! Niet beschrijven versus verklaren dat onderscheid maakt tussen wetenschappelijk en niet

wetenschappelijk onderzoek o Het gaat erom of er systematische inferentie toegepast is via valide procedures!!

Inferentie = doel van al het goed wetenschappelijk onderzoek Nu onderscheid tussen beschrijvende inferentie en beschrijving 2.1. General knowledge and Particular facts Wereld die SW’ers bestuderen bestaat uit particulieren

o Bv. individuele stemmers, specifieke steden, stammen,… Goed wetenschappelijk onderzoek wil voorbij deze particulieren naar meer algemene

kennis! o Generalisatie elimineert niet het belang van het particuliere!o Doel van particuliere naar algemene: meer te weten komen over beiden! o We leren bijna altijd meer over een specifieke case door meer algemene conclusies

te bestuderen (bv. Willen weten waarom minister van Brazilië ontslag nam, zal het ons helpen om te leren over waarom andere ministers hier ontslag namen)

Sommige SW onderzoek wil iets zeggen over een klasse van gebeurtenissen zonder iets over het particuliere

Pagina 109 van 159

o = injuction (of Przeworski and Teune) = wel de eis dat deze studies de verschillende gebeurtenissen die in algemene analyses worden opgenomen die accuraat zijn mogen niet genegeerd worden!

o Bv. Fr revolutie: waarom en hoe kwam dit tot stand? Ondenkbaar zonder eigennamen!

2.1.1. Interpretation and inference Interpretivists: zoeken accurate samenvattingen van historische details!

o Willen gebeurtenissen in een context plaatsen waarin de betekenis van de acties verklaarbaar worden

o Ferejohn: we willen SW theorieën om causale verklaringen van gebeurtenissen te voorzien en om rekening te geven aan de redenen voor of betekenissen van sociale actie

o Dus niet enkel weten waarom een actor een daad stelt MAAR ook redenen voor de daad

Interpretivisten verstehen! begrijpen van betekenis van actie en interacties vanuit het perspectief van de leden

o Willen de redenen van intentionele actie verklaren in relatie met de hele set va concepten en praktijken waar het ingebed is

Op zoek naar standaarden voor evaluatie o Meest duidelijke standaarden: coherentie en omvang o !! dat ze reeds veel leren over de cultuur voor ze onderzoeksvragen formuleren! o Sommige: schuiven rol van interpretatie nog verder als geheel van ander

paradigma van onderzoek van de SW In onze visie: wetenschap en interpretatief onderzoek geen fundamentele verschillende

pogingen voor uiteenlopende doelen! o Beiden rusten op voorbereiden van voorzichtige beschrijvingen! waarmee men

een diep begrip va de wereld ontwikkeld, goede vragen stellen, formuleren van falisifieerbare hypothesen op basis van meer algemene theorie en verzamelen van bewijs nodig om hypothese te evalueren

o Verschil wetenschap: set procedures om antwoorden te vinden op beschrijvende en verklarende vragen

o Eens hypothese opgesteld nood aan valide wetenschappelijke inferentie om juistheid te demosteren

Doel onderzoek: gevoelens en betekenissen met geen observeerbare gevolgen: klein deel van interpretivisten

SW die enkel focussen op open, observeerbare gedragingen missen veel! 2.1.2. Uniqueness, Complexity and simplification

Sommige sociale onderzoekers positie weerleggen dat algemene kennis noodzakelijk of nuttig als basis voor begrijpen van particuliere gebeurtenis

o Hun positie: gebeurtenissen die ze bestuderen zijn uniek ze hebben gelijk want slechts 1 Franse revolutie maar onder vder te gaan verklaren beperkt tot die unieke gebeurtenissen (niet waarom revoluties gebeurde, maar waarom de Franse revolutie gebeurde) geloven dat de mogelijkheid tot verklaren van het specifieke gaan verliezen als ze poging doen om algemene te behandelen!

Uniciteit = misleidende term o Alle fenomenen zijn op één of andere manier uniek!

Pagina 110 van 159

o Elk aspect van sociale realiteit = complex en op 1 of andere manier verbonden met voorgaande natuurlijke en sociologische gebeurtenissen!

Inherente uniekheid o = deel van de menselijke conditie o Ook unieke gebeurtenissen kunnen wetenschappelijk bestudeerd worden! door

aandacht te geven aan de observeerbare implicaties van de theorie die ontwikkeld werd

o MAAR probleem van complexiteit kunnen de belangrijke factoren van sociale realiteit geabstraheerd worden van een massa van feiten?

o Act of simplification: gevaar oversimplificatie weglaten van significante aspecten van de situatie

Geen enkele beschrijving komt tegenmoet aan de realiteit van de wereld! Dus geen andere keuze van vereenvoudigenç Systematische simplificatie = cruciale stap naar bruikbare kennis!

Sociaal wetenschappelij onderzoek moet zowel algemeen als specifiek zijn o Timeless and timebound! o Ondersteunen elkaar wederzijds beste manier om particuliere gebeurtenis te

begrijpen kan door methoden van wetenschappelijke inferentie te gebruiken of door systematische patronen in vergelijkbare overeenkomstige gebeurtenissen te zoeken

2.1.3. Comparative Case studies Politieke wetenschappers = systematisch beschrijven van belangrijke politieke

gebeurtenissen o Beschrijvingen => zo precies en systematisch mogelijk o Indien we kwantiatieve metingen vinden dan deze gebruiken!

MAAR kwantitatief leidt niet noodzakelijk tot accuraatheid bv. vinden van kwantitatieven indexen die niet overeenkomen met de concepten die we beweren te meten meetproblemen en problemen voor causale inferentie!

Dus ook niet kwantitatieve methoden nodig! Case studies = essentieel!

o Zorgen voor inzichtvolle beschrijvingen van complexe gebeurtenissen o Beschrijving soms noodzakelijk als verklarende mogelijkheden zwak zijn en goede

beschrijving afhankelijk is van goede verklaring o Goede beschrijving = beter dan een slechte verklaring! o Ontwikkeling van goede causale hypothesen is complementair voor een goede

beschrijving voordeel van diepte casestudy Compartive case studies:

o Kunnen valide causale hypothesen opleveren (indien juist procedure!) o Soms blijft beschrijven belangrijk omdat het universeel niet toepasbaar is! o Vergelijkende casestudy moet meer systematisch zijn voor beschrijving/ verklaring

Bv George: methode van gestructureerde, gefocuste vergelijking nood aan systematisch verzameling van dezelfde informatie, dezelfde variabelen (doorheen voorzichtig geselecteerde eenheden)

Nood aan theoretische leiding, vragen van verklarende vragen om systematische beschrijvingen te bereiken als causale inferentie

Congruence procedure (Mckeow): Hier gaat de onderzoeker definiëren en standaardiseren de vereiste gegevens van de casestudies door het

Pagina 111 van 159

formuleren van theoretische relevante algemene vragen om het onderzoek van elke case te leiden.

! gecontroleerde vergelijking van een procedure van systematische data verzameling volgen

2.2. Inference; The Scientific purpose of data collection Inferentie: gebruiken van feiten die we kennen om iets te leren over feiten die we niet

kennen o Feiten die we niet kennen zijn onderwerpen van onderzoeksvragen,

onderzoektheorie en hypothese o feiten die we kennen ==> vormen data of observaties (kwan of kwal)

Scientific simplification: o = de productieve keuze van een theorie om te evalueren o De theorie leidt ons dan naar de selectie van die feiten die implicaties van een

theorie zijn o (1) selection of facts: meer observaties van de implicaties van een theorie zullen

enkel helpen in het evalueren van een theorie o (2) we moeten geen gehele theorie hebben voor we data verzamelen

Theorie en data interageren!o (3) gemeenschappelijk tussen kwan en kwal onderzoek nadruk op verzamelen van

feiten als observeerbare implicaties van een hypothese Kwal onderzoek lever een groot aantal van observeerbare implicaties voor

de theorie geëvalueerd word (als mijn beslissing juist is van waarom het uitkwam, wat kan ik nog verwachten te observeren in de echte wereld?)

Bij opstellen van nieuwe theorie altijd alle implicaties die er kunnen zijn van de theorie oplijsten = operationele leidraad (data systematiseren)

Onze data is ofwel een implicatie van de theorie ofwel irrelevant 2.3. Formal model of qualitative research Model = simplificatie en benadering van een aspect van de wereld

o Nooit letterlijk waar of vals goede modellen: hebben enkele juiste kenmerken van de realiteit die ze representeren

o We kunnen een model niet evalueren zonder te weten welke kenmerken van het onderwerp we bestuderen willen.

o Beperkte en onbeperkte modellen Beperkt model: helder, spaarzaam, abstract maar minder realistisch Onbeperkt model: gedetailleerd, contextueel, meer realistisch maar ook

minder helder en moeilijker te schatten met nauwkeurigheid welk model = afhankelijk van het doel en de complexiteit van probleem

o Verbale modellen en algebraïsche modellen. Algebraïsche modellen gebruikt nu in de discussie om de verbale modellen

te bestuderen en te verbeteren. Algebraïsche modellen: logica van inferentie geldt voor zowel kwantitatiefals

kwalitatief onderzoek. 2.4. A formal model of data collection 2 doelen van sociaal wetenschappelijk onderzoek: beschrijvende en causale inferentie

o Ontwikkelen model voor dataverzameling en om data samen te vatten Model = simpel MAAR goed om problemen rond inferentie op te storen

Pagina 112 van 159

o Data verzameling verslag uitbrengen van hoe data bekomen (elke stukje informatie dat we verzamelen moet bijdragen tot het specifiëren van observeerbare implicaties van onze theorie)

o Modelleren van data met variabelen, eenheden en observaties Bv. inkomen 4 personen: Variabele is Y / eenheden: de individuele

personen / observaties: waarden van de variabelen voor elke eenheid o Case studie

= veel variabelen gemeten over veer verschillende typen van eenheden (gebruikt vaak beperkt aantal cases maar het totale aantal van observaties is immens)

Onderscheid tussen aantal cases en aantal observaties! observaties belangrijk om te bepalen hoeveel de studie bijdraagt aan een theoretische vraag

(n = aantal observaties) 2.5. Historische details samenvatten

Eerste stap in elk analyse samenvatting maken van alle data o Nog niet trekken van conclusies, maar beschrijven van een groot deel van de

data (want we kunnen niet alles wat we weten over gebeurtenissen gebruiken) o Hierbij wordt statistiek gebruikt een uitdrukking van de gegevens in een

verkorte vorm (bv het gemiddelde) Regels van het samenvatten van historische informatie

o (1) samenvattingen moeten gericht zijn op de uitkomsten die we willen beschrijven of verklaren

o (2) een samenvatting moet de informatie vereenvoudigen 2.6. Beschrijvende inferenties

Decreptieve inferentie = proces van het begrijpen van ongeobserveerde fenomenen op basis van een aantal observaties

o Doel: onderscheid maken tussen systematische en niet systematische componenten

Systematische voorspelbaar (bv. inkomen) Niet-systematisch niet voorspelbaar (bv aanslag)

o Proberen te begrijpen in welke mate de waarnemingen typische fenomenen weerspiegelen

o 2 vormen van variantie (1) probalistsich perspectief: men kan hier spreken van een

waarschijnlijke wereld. Niets kan voorspeld worden omdat er teveel niet-systematische componenten zijn.

(2) Deterministisch perspectief: men kan hier spreken van een vastgestelde wereld. De hele wereld is voorspelbaar. Alleen het deel van de willekeurige variabelen heeft geen verklaring.

produceren verschillen in inferenties in velden van onderzoek King; deze twee perspectieven moeten als een waarneembare

equivalent gezien worden Komt voor indiende de ongekende variabele in perspectief twee

de interpretatie worden van de willekeurige variatie in perspectief één

Pagina 113 van 159

o Om een beeld te vormen van de willekeurige variabelen waar de observaties van zijn afgeleid, is het nodig om een groot aantal gegevens te verzamelen.

uitgangspunt alle observaties het resultaat zijn van niet-systematische krachten.

De taak van de onderzoeker is om bewijs voor te leggen van het feit dat bepaalde processen het resultaat zijn van systematische krachten.

Daarvoor moet men hypothesen testen in verschillende contexten.

Want alleen herhaalde onderzoeken in verschillende contexten biedt de mogelijkheid om systematisch patronen te ontdekken of juist willekeur te ondervinden.

Niet systematische factoren zijn wisselvallig (transitory!) o King: King, Keohane en Verba stellen dat: ‘Indien we

geen inspanning zouden doen om de systematische aspecten van een onderwerp te ontdekken, dan zijn de lessen van het verleden een maat voor niets geweest, en zullen we niets leren over welke aspecten van het onderwerp eventueel persistent zijn of relevant zijn voor toekomstige studies

2.7. Criteria om beschrijvende inferenties te beoordelen 3 criteria om methoden voor het maken van inferenties te beoordelen:

(on)vertekening, efficiëntie en consistentie Eenvoudige manier van inferentie: parameters worden geschat, daarbij ook de

verwachte waarde van een willekeurige var voor descriptieve inferentie 2.7.1. Onvertekende inferentie

Indien methode voor inferentie meerdere malen toegepast schattingen kunnen ver uiteen lopen

Indien doorheen grote aantal toepassingen gemiddeld het goede antwoord krijgen = onvertekend

o Maar zegt niets over de matte waarin het afwijkt van het gemiddelde o Onvertekende schatting: indien de variantie van de ene reproductie naar de

volgende niet-systematisch is! o Verteking: indien een systematische fout in de meting de schatting neigt

meer naar het ene uiterste dan naar het andere VERMIJDEN! Niet alleen data, maar ook theorie speelt rol!

o Onderscheid tussen statistische (schatter) en substantieve (gekozen systeem) vertekening

o Sociale onderzoek groot deel afhankelijk van belangrijke bron van vertekening respondenten (mensen die de ruwe informatie geven systematisch lagere of hogere schattingen (bv overheidsambtenaren zullen effect van beleid onderschatten om zo meer subsidies te krijgen)

2.7.2. Efficiëntie = manier om onderscheid te kunnen maken tussen onvertekende schatters

o = relatief concept dat gemeten wordt door de variantie van de schatter => hoe kleiner deze is, hoe efficiënter de schatter (hoe meer observaties, hoe beter)

3. Hoofdstuk 3: causaliteit en causale inferentie

Pagina 114 van 159

King onderscheid tussen beschrijvende en causale inferentie o Analyse onmogelijk zonder causale inferentie! o MAAR causale is onmogelijk zonder goede descriptieve inferentie (en visa

versa) o DUS causale inferenties leggen waar nodig MAAR daarbij ook informatie

geven aan lezer over onzekerheid! 3.1. Definitie van causaliteit

Causaliteit = theoretisch concept dat niet afhangt van de data dat gebruikt werd om er over te leren

3.1.1. De definitie AV = outcome variabele OV = verklarende variabele

o Wordt onderverdeeld in Key Causal Variabeles die meestal een of twee waarden aanneemt namelijk treatment group and control groep

Causale effect: het verschil tussen de systematische component van de waarnemingen wanneer de OV een bepaalde waarde aanneemt en de systematische component van vergelijkbare waarnemingen wanneer de OV een andere waarde aanneemt

King: causaliteit: een van de systematische elementen van toevalsvar

3.2. Alternatieve definities van causaliteitEr zijn ook andere theorieën die betrekking hebben op causaliteit maar deze staan niet in strijd met de definitie hierboven beschreven

3.2.1. Causale mechanisme Causaliteit = set van causale mechanismen is dat tussen de oorzaak en het effect

bestaat o Causale mechanisme = optelsom van meerdere kleine mechanismen o We kunnen causaal effect definiëren zonder alle causale mechanismen

verbaden te begrijpen MAAR we kunnen causale mechanismen niet identificeren zonder concept van causaal effect definiëren

3.2.2.Meervoudige causaliteit = causale verbanden met vele verklarende variabelen, maar weinig waarnemingen Probleem van pluraliteit van oorzaken of equifinality! Een bepaalde uitkomst kan veroorzaakt zijn door een combinatie van verschillende

OV 3.2.3. Symmetrische en asymmetrische causaliteit

Indien een verklarende X toe- of afneemt brengt een verandering teweeg op de te verklaren variabele Y

o Causaal verband: symmetrisch is als de toe-of afname bij X op een evenredige manier toe-of afneemt indien dit niet zo zou zijn spreekt met over een asymmetrisch verband

3.3. Aannames die nodig zijn om causale effecten te bepalen Indien men het fundamentele probleem van causale inferentie en ook het probleem van het scheiden van systematische en niet-systematische componenten wil vermijden moet men met de volgende factoren goed rekening houden: (1) de eenheid van de homogeniteit (2) conditionele afhankelijkheid

3.3.1. Eenheid homogeniteit

Pagina 115 van 159

= de verwachte waarden van de AV van elke eenheid is dezelfde wanneer de verklarende variabele een bepaalde waarde aanneemt

Eenheid = de ruimte waarbinnen het experiment zich voordoet hier bevinden zich alle variabelen die invloed kunnen hebben op de te verklarende variabele

Binnen dit grensgebied: alle var kunnen zo bepaald worden en zo kan men het onderzoek standaardiseren

Indien meerdere experimenten in dezelfde ruimte de mate van afwijking/vertekening bepalen en minimaliseren (doordat dezelfde variabelen een invloed hebben)

Mate van heteogeniteit in de eenheden van analyse kunnen ons helpen om te de mate van onzekerheid schatten (of vertekening bij onze inferenties)

3.3.2. Conditionele onafhankelijkheid

= de aanname dat waarden zijn toegewezen aan verklarende variabelen onafhankelijk van de waarden die de afhankelijke variabele aanneemt

Dan wordt er gesproken van assigning values ipv de verklarende variabelen om zo het proces te beschrijven waardoor de variabele een bepaalde waarde hebben verkregen

Hoe verzekeren? Analyse van grotere groepen (n) Random selectie helpt bij het maken van causale inferentie want dan voldaan

aan 3 voorwaarden van conditionele onafhankelijkheid o (1) het proces van het toebedelen van waarden aan verklarende variabelen

is onafhankelijk van de afhankelijke variabele o (2) de selectie bias is afwezig o (3) de omitted variabele bias is afwezig

indien aan deze voldaan, door random selectie kunnen we fundamentele probleem van inferentie vermijden (MAAR random selectie en toebedeling is niet vereist om aan de assumptie van conditionele onafhankelijk te voldoen!)

3.4. Criteria om causale inferenties te beoordelen 3.5. Regels om causale theorieën te construeren

3.5.1. Regel 1: Construeer weerlegbare theorieën Er moet een mogelijkheid zijn om theorieën als fout aan te duiden want een

theorie die niet fout kan zijn is geen theorie Een theorie moet dus weerlegbaar zijn! = noodzakelijk om perspectief op

onzekerheid te hebben Popper: de vertificatie van een theorie is irrelevant. Het is namelijk onmogelijk om

alle observeerbare implicaties van een theorie te testen. Het falsifiëren van een theorie is de sleutel tot de wetenschap

o Een theorie die al jaren heerst kan in de toekomst nog steeds weerlegt worden!

o Een theorie is dus nooit 100% juist! King: asymmetrie tussen vertificatie en falsificatie (Popper) onderscheid belangrijk

bij formuleren van theorie maar niet voor de evaluatie ervan ! Hoeveel van de wereld kunne we eigenlijk met die theorie verklaren? dus

onderzoekers moeten aanduiding geven van de grenzen waarbinnen hun theorie geldig is! (want geen enkele theorie is universeel)

Pagina 116 van 159

Een theorie formuleren zodat deze mogelijk verklaard met zo weinig mogelijk = maximizing leverage

3.5.2. Regel 2: maar theorieën die intern consistent zijn Interne inconsistentie = als twee of meer delen van een theorie hypothesen

veronderstellen die elkaar tegenspreken Een theorie die intern inconsistent is is falsifieerbaar maar wel ONJUIST Hoe consistent maken? formal modelling: aan de hand van wiskundige modellen

wordt een theorie getest op interne conflicten o Stemt formeel model wel overeen met werkelijkheid? o Maar mathematisch model is wel steeds maar een abstractie van de

werkelijkheid! 3.5.3.Regel 3 : selecteer afhankelijke variabelen nauwkeuring

Bij selectie van afhankelijke variabelen 3 soorten fouten die vaak voorkomen o (1) afhankelijke variabelen die niet afhankelijk zijn

AV zijn niet afhankelijk! gevolg: kunnen veranderingen veroorzaken in de OV

De AV mag niet de oorzaak zijn van veranderingen in de OV o (2) waarnemingen die geselecteerd zijn op basis van de AV

De AV mag niet constant zijn o (3) een AV kiezen die de variatie die je wenst te verklaren niet weergeeft

AV kiezen die niet de variatie weergeeft die men wilt beschrijven! dus AV kiezen die de varianties weergeven die men wil beschrijven! (geen vertekening!)

3.5.4. Regel 4: Wees concreet Zoveel mogelijk zaken selecteren die goed observeerbaar zijn! geen abstracte

begrippen (bv cultuur) Spelen een rol bij formuleren van een theorie MAAR hinderpaal bij empirische

evaluatie van de theorie en hypothesen omdat ze niet meetbaar zijn! Dus kiezen van geldige (observeerbare en meetbare) indicatoren van een abstract

concept! Hoe? Meten van subvariabelen die iets kunnen zeggen over het groter geheel

o Bv. tellen van aantal moskeeën om iets te zeggen over aantal moslims in ons land!

o Wel voorzichtig zijn want risico op vertekening! 3.5.5. Maak theorieën voor veel gevallen toepasbaar!

Maak theorieën zo omsluitend mogelijk theorieën moeten zo breed mogelijk gedefinieerd worden (maximzing leverage) maar moeten wel falsifieerbaar en concreet blijven

Pas wanneer bewezen wordt dat een theorie niet in een bepaalde situatie geldig is dan pas grenzen van theorie inperken

4. Hoofdstuk 4: bepalen wat te observeren H1: standaarden wetenschappelijke inferentie passen bij kwalitatief en kwantitatief

onderzoek H2: descriptieve inferentie H3: causaliteit en causale inferentie

o specifieke praktische problemen van kwalitatief onderzoek in kaart brengen! o Focus op hoe cases of observaties selecteren ! want slechte selectie kan poging

om valide causale inferenties te maken vervalsen!

Pagina 117 van 159

H5: grote bronnen van bias en ineffectiviteit die vermijden moeten worden, of toch begrepen zodat we onze schattingen kunnen aanpassen.

H6: Ontwikkelen ideeën om het aantal observaties beschikbaar voor ons te verhogen, vaak reeds beschikbaar in de variabelen die we reeds hebben.

Conditional independence: o = voorwaardelijke onafhankelijkheid: observaties worden gekozen en waarden

worden toegekend aan de OV, onafhankelijk van de waarden ingenomen door de AD o Indien verklarende var wordt gekozen adhv regels die correleren met de AV of als de

AV de verklarende variabele veroorzaakt dan wordt dit geschonden! Randomness

o Vaak in kwantitatief onderzoek bij grote n om onafhankelijkheid van condities te verzekeren

o Maar serieuze beperkingen in small-n onderzoek dan gebruik maken van intentional selection: zo condities bereiken voor valide causale inferentie

Unit homogenity assumption o 2 units hebben dezelfde waarde van verklarende var dan zal de verwachte waarde

van AV dezelfde zijn! o Strikte versie: exact hetzelfde o Minder strikt: assumptie van constant effect: vergelijkbare variantie in de waarden

dan de OV leidt tot dezelfde causale effecten in de units Observations

o Meer precies gedefinieerd dan case o Gebruikt om inferenties te maken op welk level van de analyse dan ook (! Dat

onderzoekers beginnen met denken over observaties ip cases)4.1. Onbepaalde onderzoeksdesigns Onderzoeksdesing

o = plan dat toont hoe we verwachten onze bewijzen te gaan gebruiken om consequenties te trekken

o Inderderminate (onbepaald) niets kan geleerd worden over de causale hypothesen

Kwalitatief: moeilijk vast te stellen weliswaar hebben kwalitatieve onderzoekers vaker genoeg info om iets te doen waardoor onderzoek betekenisvol wordt

Kwantitatief: probleem vaak duidelijk bv. programma berekend geen gemiddeldes

Bv. onderzoeken validiteit hypothesen: o Onderzoek moet zo ontwikkeld zijn dat we voldoende invloed hebben om

onderscheid te maken tussen verschillende mogelijke uitkomsten die relevant zijn! 2 situaties waarin onderzoeksdesing onbepaald is! (hier is deze invloed dus

niet) (1) meer inferenties maken dan implicaties geobserveerd (2) 2 of meer verklarende variabelen in ons design die perfect

gecorreleerd zijn met elkaar = multi-collineariteit 4.1.1.Meer inferenties dan observaties

Onderzoeksdesign onbepaald meer inferenties dan implicaties geobserveerd Inferentie = feiten die we kennen gebruiken om iets te weten over feiten waar we niets van

weten

Pagina 118 van 159

o Één feit kan geen onafhankelijke informatie leveren over meer dan één ander feit! Een observatie een inferentie en in de praktijk vaak meer dan 1 observatie nodig om

goede inferenties te maken! Probleem niet inherent aan kwalitatief onderzoek MAAR enkel in onderzoek dat niet goed

geconceptualiseerd of georganiseerd is in veel observeerbare implicaties van een theorie Oplossing

o Refocus de studie op de effecten van de particulieren verklarende var o Nieuwe set van observaties toevoegen op een ander niveau van analyse

p.121: formal analysis of the problem of more inferences than observations o Bv.: inferenties maken over twee parameters in een verklarend model met twee

verklarende variabelen en één afhankelijke variabele. Maar we hebben slechts één observatie om de schatting te maken. Probleem is dat deze vergelijking geen unieke oplossing heeft. Maar verschillende waarden op de parameters kunnen heel verschillende dingen aanwijzen. Niets in het probleem kan ons helpen om onderscheid te maken tussen de oplossingen omdat ze allemaal even consistent zijn met onze observatie.

4.1.2. Multicollineariteit = elke situatie waar we perfect één var kunnen voorspellen adhv een of meer van de

resterende verklarende variabelen (geen lineaire assumptie!) Bv p 122 De twee var zijn perfect gecorreleerd en kunnen niet van elkaar onderscheiden worden! causale inferenties kunnen heel onzeker blijven door problemen zoals ontoereikende

aantallen van observaties of collineariteit over onze causale variabelen. Om vertrouwen in schattingen te verhogen

o Maximize leverage: altijd zoveel implicaties als mogelijk observeren. I.p.v. blijven gedetailleerde informatie over 1 case zoeken: verzamelen

informatie van vergelijkbare cases. Ook wijze van eenheden definiëren wordt beïnvloedt door dreiging niet-

determinatie, bv. probleem als enkel heel zeldzame cases deel uitmaken van de studie.

o Ook maximize leverage door het aantal van verklarende variabelen voor de welke we causale inferenties willen maken, te beperken.

Hier voorzichtig zijn, omitted variabelen mijden! Succesful project: legt veel uit aan de hand van weinig. Doel: 1 verklarende variabele om vele

obs op afhankelijke variabelen te verklaren. o p.123 a formal analysis of multicollinearity

Multicollineariteit geeft ons dezelfde problemen als toen we meer parameters dan units hadden;

o geen enkele schattingsmethode kan ons unieke schattingen maken van de parameters.

4.2. De limieten van random selectie Random selection van observaties elimineert automatisch selection bias in large-n studies. De beste experimenten combineren meestal

o random selectie van observaties eo random toewijzingen van waarden van de verklarende variabelen met een groot

nummer van observaties ( of experimentele proeven. Experiment: 2 voordelen:

Pagina 119 van 159

o controle over observatie selectie o toekennen van waarden van de verklarende variabelen aan de units.

Kwalitatief onderzoek random selectie is mogelijk niet uitvoerbaar omdat universum van cases niet duidelijk gespecifieerd is!

o Indien het uitvoerbaar is, is het niet altijd goed Missen van belangrijke cases die niet gekozen worden bij random selectie Random selectie kan bij klein aantal cases erger zijn dan andere vormen van

selectie selection bias! (vaak bij kleine onderzoeken grote bias!) 4.3. Selectie bias Welke cases/ observaties selecteren voor het onderzoek?

o Kwalitatief onderzoek beslissing welke observaties cruciaal zijn voor de uitkomst van het onderzoek en de mate waarin het gedetermineerde en betrouwbare resultaten kan leveren

o Random selectie niet gepast voor small-n onderzoek! Maar het verbannen van random selectie leidt tot vele bronnen van bias

4.3.1. Selectie op de AV o Random selectie bij grote n negeren relatie tussen selectie criteria en andere

variabelen in onze analyse indien we geen randomisatie gebruiken (nadenken over hoe criteria samenhangen met elk var!)

o Observatie selecteren die een gemeenschappelijke, onzekere uitkomst hebben selectie op basis van AV en risico van selectie bias!

Onderzoekers: selecteren observaties met gemeenschappelijke uitkomt selectie op AV en dus selectiebias!

Onderzoeksdesign: laat variatie op de AV toe maar variatie is afgeknot! observaties worden beperkt (minder dan de volledige variatie die er in de echte wereld is)

Gaat causale effecten dicht bij 0 brengen dan ze werkelijk zijn verzwakt de causale effecten

o Kwalitatief onderzoek: selection bias = het echte causale effect is groter dan de kwalitatieve onderzoeker gelooft

o Extreme selectie bias: geen variantie op de AV eenvoudig om mee om te gaan (NIET DOEN want hieruit leren we geen causale effecten halen!)

o Kunnen we, met selection bias, nog steeds bruikbare informatie afleiden? Ja

o Onderschatten causale effect bij selectie op afhankelijke variabele. Wat te doen?

Weten dat het meer was.4.3.1.1. Voorbeelden van onderzoeker geïntroduceerde selectie bias o Probleem is gewoon in kwalitatief onderzoek o Kan voorkomen uit een procedure die onschadelijk lijkt door selecteren van cases

obv beschikbare data o Consequenties van onvermijdelijke selectie bias in kwalitatief onderzoek:

Probleem selection bias komt vaak naar voren in vergelijkende studies: reizen naar particuliere plaatsen om het onderwerp te bestuderen.

Ze zijn beperkt in hun keuze tot wat ze opnemen in hun studie en wat niet. Bv afwijzing tot studie kan samenhangen met de afhankelijke variabele (bv autoriteiten in landen, enkel landen bestudeert die haar toegang verleende).

Pagina 120 van 159

!! data niet te bereiken: bewust zijn hiervan en ook verbeelding gebruiken in verkrijgen van alternatieve informatie.

o Als selection bias onvermijdelijk is: ! probleem analyseren, alsook richting en grootheid (indien mogelijk) van de bias en alzo onze oorspronkelijke schattingen in de juiste richting sturen.

Selectie bias is zo een inheems probleem dat het niet slecht is om nog voorbeelden te bekijken.

Bv.: Porter: interesse in concurrentievoordeel voor hedendaagse industrieën en firma’s.

Ontwikkelde grootschalig onderzoek met tien teams om het object te bestuderen. Om de teams te kiezen koos hij voor degenen die al succesvol zijn of toch die een mogelijkheid tonen tot verbetering. Hij koos om te selecteren op zijn afhankelijke variabele, waardoor hij zijn afhankelijke variabele bijna constant maakte. Biased effects!

o Wat Porter deed komt overeen met Mill ’s methode van overeenkomst: goed om wat meer over het onderwerp te weten komen, bv. wat hebben de nations gemeenschappelijk? Maar niet ok om een individueel causaal effect te meten.

Erger is de denkfout in de methode: zonder controlegroep kan P. niets bewijzen over de hypothese, dat het effect aan de verklarende variabelen lag.

Een sprekend voorbeeld van selection bias is gevonden in de literatuur die handelt over afschrikking: gebruik van dreigingen om de tegenstanders in een bepaalde manier te laten bewegen.

4.3.1.2. Voorbeelden van selectie bias geintroduceerd door de wereld o Helpt een telling van observaties in plaats van een steekproef ons om selectie bias

te voorkomen? We denken van wel want geen selectie aanwezig MAAR niet altijd zo!

soms zit selectie bias in object zelf dat we bestuderen! kan dezelfde consequentie creëren als wanneer we zelf de bias veroorzaken

Dit probleem van bias waar de selectie van cases gecorreleerd is met de afhankelijke variabele is één van de meest algemene moeilijkheden waarmee onderzoekers geconfronteerd worden die historische gegevens als bron van hun bewijs gebruiken en deze onderzoekers= bijna iedereen van ons.

Reden is dat processen van geschiedenis op verschillende wijze selecteren dat wat overblijft om te observeren, dit volgens regels die niet steeds helder zijn. Hoewel het essentieel is om het proces waardoor de data geproduceerd werden te ontdekken.

bv: zowel hout als steen vroeger gebruikt om beelden te maken maar steen bleef langer dus onderwaardering van de beelden van het hout.

Voorzichtige onderzoeker moet altijd de mogelijke selectie bias die in het beschikbare bewijs aanwezig is, evalueren.

o Ander voorbeeld: sociale wetenschappers beginnen vaak met een eindpunt dat ze willen verklaren.

Bv. de vreemde organisationele configuraties van moderne staten. Op bepaald punt: grote verscheidenheid van organisatorische

eenheden en op een ander moment waren opeens bijna alle belangrijke eenheden nationale staten.

Pagina 121 van 159

Meeste onderzoekers doen retroperspectief onderzoek: selecteren van klein aantal staten die nu nog bestaan om te vergelijken terwijl beter zou zijn om te starten met eenheden die er vroeger waren en dan de latere organisatievormen verklaren in een gelimiteerd aantal variabelen.

Wat ze nu doen: selecteren op bepaalde waarde op de afhankelijke variabele, namelijk: overleving van jaar 1900.

Daarom: prospectieve formulatie van de onderzoekproblemen. Stel dat ze het toch zoals bovenstaande doen: ! dat ze rekening houden met

de selectie bias, dat ze weten dat het een onder- of overschatting zal zijn.4.3.2.Selectie op een verklarende variabele

Selecteren van observaties voor opname in een studie op basis van categorieën van de belangrijkste verklarende variabele veroorzaakt geen inferentieproblemen.

o Want onze selectieprocedure predetermineerd niet de uitkomst van onze studie, want we hebben de graad van mogelijke variabiliteit van de afhankelijke variabele niet beperkt

Bij beperken van bereik van verklarende variabele beperken we de generaliseerbaarheid van onze conclusie

o Of de zekerheid van onze conclusie o MAAR DUS GEEN BIAS o Bij selectie van cases op basis van waarden van deze variabele voor die var

controleren in onze case selectie o BIAS niet actief ook niet wanneer verklarende var correleert met de AV aangezien

we al gecontroleerd hebben voor verklarende var o DUS mogelijk om bias te vermijden terwijl we selecteren op een var die gecorreleerd

is met AV zolang we controleren voor die var in de analyse o Dus we kunnen bias vermijden door het selecteren van cases gebaseerd op de

belangrijkste causale variabele maar we kunnen ook hetzelfde doel bereiken door selecteren volgens de categorieën van een controle variabele

(zolang deze oorzakelijk prior is dan de belangrijkste causale variabele, zoals alle controle variabelen zouden moeten zijn).

Selectie bias treedt op als we selecteren op de afhankelijke variabele, nadat we de verklarende variabelen in rekening gebracht hebben.

o Experimenten selecteren bijna altijd op de verklarende variabele. Eenheden worden gecreëerd als we de verklarende variabelen manipuleren en kijken wat er gebeurd met de afhankelijke variabele.

o Bias ook vermijden door te selecteren op een verklarende variabele die irrelevant voor onze studie is (en dus ook geen effect op de afhankelijke variabele).

Dit kan nuttig zijn bij een tweede analyse van bestaande data. 4.3.3. Andere types van de selectie bias

Bovenstaande alle selectie bias als de eenheden gekozen werden volgens een regel gecorreleerd met de afhankelijke of met de afhankelijke nadat de verklarende variabelen in rekening werden gebracht.

o Met dit type van selectie effect: geschatte causale effecten zijn altijd onderschat. o Ander type van bias dat overwaardering van een causaal effect veroorzaakt. Bv.

Causaal effect van een variabele varieert over de observaties heen. 4.4. Intentionele selectie van observaties

Pagina 122 van 159

In politiek wetenschappelijk onderzoek: typisch geen controle over de waarden van onze verklarende variabelen.

o zijn toegekend door natuur of geschiedenis eerder dan door ons.o De grote invloed die we kunnen uitoefenen op dit niveau van onderzoekdesign is in

selectie van cases en observaties. Selectie op intentionele wijze, consistent met onze ondz doelen en strategieën. Intentional selection of observations:

o we weten op voorhand de waarden van op zijn minst sommige relevante variabelen, en dat random selectie van observaties uitgesloten wordt.

o We lopen het minste kans om voor de gek gehouden te worden als cases geselecteerd worden op basis van categorieën op de verklarende variabelen.

o Het onderzoek zelf, bestaat uit onderzoeken van de waarden van de afhankelijke variabele. Hoewel het vaak zo is dat we ten dele bewijs hebben over de waarden van veel van onze variabelen, zelfs voor selectie van observaties.

Dit kan gevaarlijk zijn, aangezien we onbedoeld en onbewust selectie bias kunnen introduceren, mogelijks in het voordeel van onze prior hypothese.

Verschillende methoden van intentionele selectie van observaties:4.4.1. Selecteren van observaties op de verklarende variabele

o Beste intentionele ontwerp selecteert observaties om variatie in de verklarende var te verzekeren zonder rekening te houden met de waarden van de AV!

Enkel tijdens het onderzoek ontdekken we waarden van de afhankelijke variabelen en maken dan onze initiële causale inferentie door het onderzoeken van de verschillen in de verdeling van uitkomsten op de afhankelijke variabelen voor bepaalde waarden van de onafhankelijke variabelen.

Purist advice: altijd op verklarende variabelen selecteren, nooit op afhankelijke : vaak onrealistisch voor kwalitatief onderzoek.

4.4.2.Selecteren van een range van waarden op de AV o Alternatief voor selecteren van observaties op verklarende variabele is selecteren

van observaties over een reeks van waarden van de afhankele variabele. o Onderzoek begint vaak op deze wijze:

we zien sommige fascinerende variatie in gedrag dat we willen uitleggen retroperspectief onderzoek (case-control studie):

hier gaan we observaties selecteren die hoog en laag scoren op de afhankelijke variabele.

Nutteloos voor descriptieve inferenties over afhankelijke variabele. Ook leidt dit niet tot valide causale inferenties omdat er afwezigheid

is van systematisch descriptieve data en ook is er een stijging tot andere problemen door mogelijke nonlineariteiten of verschillende causale effecten.

Wel goed is retroperspectief onderzoek om ons iets te leren over de empirische plausibiliteit van een causale inferentie (hoge en lage waarden op afhankelijke hangen samen met hoge en lage waarden op mogelijke verklarende variabelen).

!! als design valide causale inferenties wilt genereren, dan is het cruciaal om observaties te selecteren zonder te kijken naar de waarden van de verklarende variabelen.

Pagina 123 van 159

We mogen niet zoeken naar die variabelen die (niet) in onze priori theorie passen.

De observaties moeten zo representatief mogelijk zijn voor de populatie van observaties voor de welke we willen generaliseren.

4.4.3. Selecteren van observaties op basis van de verklarende en AV variabelen o = gevaarlijk, gemakkelijk bias perongeluk! o Meest gevaarlijk zijn de onderzoeken waar de verklarende en afhankelijke variabalen

geselecteerd worden die op zo een wijze variëren dat die consistent is met de hypothese die de onderzoeker wil testen.

Bv.: willen testen of het waar is dat autoritaire regels leiden tot hogere economische groei; en dan enkel selecteren dat de autoritaire met hoge groei er enkel inzitten. Beter om ook te kijken waar er een democratisch regime heerst.

o Soms wel goed dat waarden afhankelijke EN onafhankelijke variabele in rekening brengt:

Bv.: verdeling van waarden afhankelijke variabele is scheef zodat de meeste observaties een waarde van die variabele aannemen. Als we observaties selecteren o.b.v. variatie in de verklarende variabele en we staan toe dat de waarden van de afhankelijke variabele mogen vallen waar ze willen, dan blijven we over met geen variatie meer in de afhankelijke variabele.

Als de waarden van de afhankelijke variabele dezelfde zijn ongeacht de waarden van de verklarende variabelen hebben we een duidelijke case van nuleffect.

De enige situatie waar dit waardevol is, is als we geloven dat het echte causale effect heel klein is, maar niet nul.

Bv. in klein n- onderzoek: moeilijk onderscheid te maken tussen nul effect of klein maar geen nul effect. Dan het aantal observaties verhogen.

Ook bv. kleine n: observaties selecteren op extreme waarden op de verklarende variabelen: beter om klein causaal effect te zien.

o Eerst selecteren op basis van variatie in de verklarende variabele, maar ook zorgen dat een aantal observaties de zeldzame waarde van de afhankelijke variabele in zich hebben. Belangrijk wel om niet op voorhand de waarde van de verklarende variabele met de welke de afhankelijke variabele geassocieerd is, te predetermineren.

o Belangrijk dat we ons ervan bewust zijn van de mogelijkheid van bias, en dus van de beperkte waarde van onze inferenties. We kunnen dus in deze zeldzame cases selecteren op de waarden van de verklarende variabele of de afhankelijke variabele maar niet op ze beiden tegelijk.

o Procedure moet uitgevoerd worden op zo een manier dat het onafhankelijk was van onze kennis van de observaties in termen van de verklarende variabele.

o Constant effect (= minder strikte versie van eenheid homogeniteit): Causal effect is identical in states with different levels of his key explanatory

factors. Als de selectie op zowel de verklarende/onafhankelijke als de afhankelijke

variabelen gebeurt, dan is het onderzoekdesign niet-gedetermineerd en geeft het ons geen informatie over de causale hypothese.

De hypothese kan niet geëvalueerd worden met observaties geselecteerd op een manier die in het voordeel van de hypothese is.

Pagina 124 van 159

o Heeft de studie dan enige waarde? Niet echt als je enkel wil evalueren. 4.4.4. Selecteren van observties zodat de key causale variabele constant is

o Soms wordt design zo ontworpen dat verklarende variabele die basis van selectie vormt, constant is. Niet ok.

Causaal effect van verklarende variabele die niet varieert kan niet vastgesteld worden. Bv.: design dat het effect wil tonen van een constant kenmerk van de omgeving is niet echt productief.

Toch niet als het op zichzelf staat. Maar meeste onderzoek is deel van een literatuur of onderzoekstraditie en sommige nuttige prior informatie is goed om te weten.

o Volgorde van onderzoeksprojecten kunnen problemen van valide inferentie overkomen als het originele onderzoek de variatie in de verklarende variabele miste. Voorbeeld Laitin.

4.4.5. Selecteren van observaties zodat de AV constant is o We kunnen ook niets leren over een causaal effect van een studie die observaties

selecteert zodat de afhankelijke variabele niet varieert. o Bv studie: wat als nucleaire wapens wel ontploft waren

4.4.6. Concluderende opmerkingen o We hebben gekeken naar hoe we observaties moeten selecteren om een

gedetermineerd onderzoeksdesign te bekomen, waarin bias geminimaliseerd wordt als resultaat van het selectieproces.

o We willen studie die selecteert o.b.v. verklarende variabelen gesuggereerd door onze theorie en de afhankelijke variabele laat variëren.

o Gebruiken van onderzoekdesigns die geobserveerde waarden van de afhankelijke variabele in rekening brengen.

5. Hoofdstuk 5: begrijpen wat we moeten vermijden H4: gedetermineerd onderzoekdesign: observatie selectie procedures maken valide

inferenties mogelijk. H5: hoe we bronnen van inefficiency en bias kunnen begrijpen en hen kunnen beperken tot

handelbare proporties. Dan kijken hoe we het onderzoek kunnen controleren op zo een manier dat we op efficiënte wijze kunnen omgaan met deze problemen.

o Inferentie: schatting van een particulier punt met een interval eromheen. Breedte interval= schatting van onze onzekerheid.

o Niet-gebiased: het interval centreren rond de juiste schatting o Efficiëntie: vernauwen van een gepast gecentreerd interval o Deze definities van bias en efficiëntie verschillen niet van kwal of kwan onderzoek.

4 bronnen van bias en inefficiency: o (1) meetproblemen: bias en minder efficiënt o (2) omitted verklarende variabele: bias o (3) inversieprobleem: controleren voor irrelevante variabelen die de efficiëntie

beperken o (4) endogeneity (endogeniteit)

5.1. Meet error Na het selecteren van observaties waarden van de variabelen meten Alle observaties en metingen in sociaal onderzoek imprecies: direct geconfronteerd met

kwesties van meetproblemen!

Pagina 125 van 159

Betrouwbaarheid: verschillende metingen van dezelfde fenomenen leiden tot dezelfde resultaten

Validiteit: metingen reflecteren wat de onderzoeker wilt meten Nominale, ordinale, interval metingen

o Nominaal: geen ordeningen, ,groeperen van observaties in categorieën o Ordinaal: orde in de variabelen o Interval: continue variabelen

Verschillen in kwan en kwalitatief onderzoek: o Hoe metingen gepresenteerd worden, niet de theoretische status van meting o ! dat onderzoekers de onzekerheid van hun metingen moeten schatten o Kwan: standaardfouten bij numerieke metingen o kwal: onzekerheidsschattingen in de vorm van voorzichtig geformuleerde

beoordelingen over hun observaties o verschil zit in stijl van representatie en in essentie dezelfde ideeën

kwan en kwal metingen zijn op een andere manier ook gelijk categorieën van observaties zijn artefacten ontwikkeld bij de onderzoeker en niet gegeven in de natuur het zijn intellectuele constructen!

Een universeel juist antwoord bestaat niet! alle metingen zijn afhankelijk van het probleem dat de onderzoeker zoekt te begrijpen

Hoe dichter het categoriaal schema is bij de onderzoeker zijn origineel theoretische en empirische ideeën, hoe beter (dus categoirale schema’s zijn artefacten van de onderzoeker zijn doelen!)

Zelfs de categorisatie schema’s voor metingen: nominaal, ordinaal en interval, zijn afhankelijk van de theoretische doelen van waarvoor een meting gebruikt werd.

De meting gebruiken die het meest gepast is voor onze theoretische doelen. Problemen in metingen ontstaan meestal als we meten zonder expliciete referentie naar één

of andere theoretische structuur. Vermijden van grouperror: niet zomaar opzij leggen van observaties.

o Bv.: leeftijd: verdelen in jong, gemiddeld, oud: soms ok maar niet als je iemand zijn leeftijd wil weten.

o We kunnen ook: toeschrijven van continue, interval-level numerieke waarden aan natuurlijke discrete waarden: meting fout!

o De keuze tussen nominale , ordinale of interval categorieën is er één van een afweging tussen beschrijvende rijkheid en vereenvoudigen van vergelijking.

o Elke categorie heeft voordelen en beperkingen: de onderzoeker zijn doelen moeten de keuze die gemaakt wordt determineren.

o Volgende secties: analyse van gevolgen van meetfouten voor kwalitatief onderzoek en zullen we conclusies maken die verrassend kunnen zijn.

o Systematische meetfouten: bv consistent overwaarderen van bepaalde eenheden zorgt voor bias en

omdat de bias niet verdwijnt met meer foutgeladen observaties, leidt het tot inconsistentie.

Niet-systematische meetfouten: gevolgen minder duidelijk. Beschrijven het in twee delen: in de afhankelijke en in de verklarende variabele. Error in afhankelijke variabele: veroorzaakt inefficiëntie: leiden tot incorrecte resultaten en maken het moeilijk om persistent bewijs te vinden van systematische effecten.

Pagina 126 van 159

o Niet-systematische meetfout in verklarende variabele: bias in voorspelbare manieren.

5.1.1. Systematische meet error o Bv meten is een constant overwaarderen van bepaalde eenheid kan soms bias en

inefficiëntie veroorzaken in het schatten van causale effecten o Nu welke typen van meetfouten leiden tot welke soort bias? o In zowel kwan als kwal systematische fouten kunnen ontstaan uit keuzes van de

onderzoekers die de data in het voordeel van de onderzoeker zijn verwachtingen laat gaan

Kwan onderzoek: deze data gebruikt omdat het de enige numerieke series zijn die beschikbaar zijn

Kwal: systematische meetfouten ontstaan door subjectieve evaluaties gemaakt door de onderzoekers die hun hypothesen reeds gevormd hebben en de juistheid ervan willen aantonen

o Elke systematische meetfout -> zal descripitieve inferenties bias’en Systamtische meetfouten die alle eenheden op dezelfde wijze beïnvloedt zal

geen bias leveren tot de causale inferentie Maar als er een systematische fout is in één deel van het voorbeeld dan zal

de descripitieve inferentie en causale inferentie gebiased zijn Als we het weten betere vragen stellen of toch post hoc correctie maken

door de richting van de bias na te gaan o ! beoordelingen gebruiken van onderzoekers met andere doelen! o Andere geïnformeerde mensen je data coderen zonder dat ze je theorie weten of de

relaties die je wilt evalueren 5.1.2. Niet-systematische meetfout

o geeft geen bias aan de meting van de variabelen o var met niet-systematische of random meetproblemen hebben waarden die soms

te hoog zijn en soms te laag maar zijn gemiddeld gezien correct o random error: zorgt voor inefficiëntie maar niet voor de bias o nu verder kijken dan de gevolgen voor discripitieve inferentie

nu kijken naar causale inferentie! verschillend effect of de fout nu in verklarende var of in AV zit!

AV: beperken van efficiëntie maar geen bias voor causale schatting! meting zal gemiddeld juist zijn! (dus geen verschil met de gewone

niet-systematische meetfout!) OV: ook beperken van efficiëntie maar ook bias in de schatting van de relatie

tussen de AV en de OV de bias heeft een bepaalde vorm: zwakkere causale relatie!

5.1.2.1. Niet-systematische meetfout in de AV o = zorgt voor inefficiëntie leidt tot onvoorspelbare resultaten kan leiden tot

causale inferenties die soms te groot/ te klein zijn! o Meetfout in AV onzekerheid van inferenties stijgt o Random meetfout in av probleem gelijkend aan aantal kleine observaties in

beide gevallen: aantal informatie die aangeboden wordt om een probleem te behandelen is minder groot dan we willen

o leidt tot de schattingen van causale effecten die minder efficiënt en meer onzeker zijn!

Pagina 127 van 159

o Maakt het moeilijker om systematische beschrijvingen van causale kenmerken in data set of over sets heen te vinden!

o Efficiëntie verbeteren door: accuraatheid observaties verhogen of verhogen van het aantal van niet perfect gemeten observaties in verschillende gemeenschappen.

oplossing is om het aantal informatie dat we aanbrengen om het inferentieprobleem aan te pakken, te verhogen.

Het aantal informatie om het probleem aan te pakken is belangrijker dan het ruwe aantal van observaties dat we hebben.

o p.161-163 A formal analysis of measurement error in y. homoscedasticiteit verwachte waarde geobserveerde afhankelijke variabele is dezelfde als de

verwachte waarde van de minder efficiënt 5.1.2.2. Niet-systematische meetfout in de verklarende variabele o Hetzelfde effect op schattingen waarden van de var voor beschrijvende inferentie als

bij niet-systematische meetfout in AV Metingen soms te hoog, soms te laag MAAR gemiddeld zijn ze juist! Ook causale referenties worden onzeker en inefficiënt

o Maar ook verschillend gevolg! Systematische bias in de causale relatie (bias in de richting van zero of geen

relatie!) maskert de causale relatie Een meer voorzichtige analyse zal probleem hier niet oplossen! Betere metingen zullen situatie wel verbeteren

o Het geschatte effect zal kleiner zijn dan het werkelijke effect! o Analyse van meetfouten in verklarende var leidt tot 2 praktische leidraden

(1) indien analyse suggereert geen effect om mee te beginnen dan zal het echte effect moeilijk vast te stellen zijn (want de richting van de bias is ongekend)

Analyse zal ongedetermineerd zijn moet ook zo beschreven worden

Echte effect kan zero, negatief of positief zijn maar niets in data zal aangeven welke van de drie het is

(2) indien analyse suggereert dat verklarende var met random meetfout een klein positief effect heeft dan resultaten in deze sectie als rechtvaardiging gebruikt worden om te stellen dat het echte effect wss nog groter is dan effect dat we vonden!

Gelijkaardig: als we een klein negatief vinden, kunnen de resultaten in deze sectie gebruikt worden als bewijs dat het echte effect wss een nog grotere negatieve relatie is!

o Het is toegepast op modellen met slechts één verklarende variabele. Zal hetzelfde zijn voor meerdere verklarende variabelen maar enkel als er slechts één substantieel random meetfout is.

o Het blijkt dat ook al hebben kwalitatieve onderzoekers vaak veel verklarende variabelen hebben, ze het meest frequent het effect van elke variabele opeenvolgend onderzoeken in plaats van ze tegelijkertijd te onderzoeken.

o Dit kan echter andere problemen opleveren, zoals omitted verklarende variabelen. o p.166-168: a formal analysis of random measurement error in x

5.2. relevante variabalen weglaten: bias

Pagina 128 van 159

o kwalitatief onderzoek belangrijk om het effect te controleren van mogelijk vals effect van andere variabelen als men een schatting maakt van het effect van de ene var of de andere

o bv. Mill’s methode: methode van verschil en gelijkeniso Verba’s desciplined- confdigurative case comparison o Kwalitatieve onderzoekers hebben wenig middelen om het juiste gevolg van het

falen van toegevoegde variabele in rekening te brengen in particuliere onderzoekssituatie gevolg van omitted variabele bias

5.2.1. Gauging the fias from omitted variabeleso Bv. Causal effect van verklarende var op AV schatten na deze schattingen: blijkt

dat het effect vals voor omitted variabele bias resultaat niet juist gefaald in het rekening brengen van andere variabele model moet controleren voor het effect van de nieuwe var

o Geeft effect als de tweede var irrelevant is! Geen effect op av dus ook geen bias o Ook niet als: omitted variabele ongecorelleerd met verklarende var geen biasç o Indien omitted var resultaten bias ! om ervoor te controleren indien dit niet

gaat moet model de richting van de bias weergeven (nuttig!) o Onmitted relevante var leiden niet noodzakelijke tot overwaardering van causale

effecten! o Info buiten bestaande data kan helpen in het schatten van de graad en de richting

van de bias o Als we weten dat er omitted variabelen in ons onderzoekdesign zitten maar we

weten niet wat die variabelen zijn, dan krijgen we gebrekkige conclusies. Drijfveer om meer te doen! Gelukkig hebben onderzoekers vaak informatie over variabelen buiten hun

analyse. Helpt ons de graad en richting van de bias te focussen in onze causale effecten.

Niet noodzakelijk regressie doorlopen van parameters om graad en richting van bias te ontdekken!

o Geen regels MAAR wel nadenken over mogelijke invloed en of deze var moeten opgenomen worden in analyse!

o Omitted var kunnen moeilijkheden veroorzaken (ook al hebben we adequate informatie van alle relevante var!)

o altijd expliciet controleren voor alle relevante var! o Om het totale effect van een verklarende variabele te schatten, moeten we alle

variabelen oplijsten die, volgens ons theoretisch model, de afhankelijke variabele kunnen veroorzaken.

In het algemeen moeten we niet controleren voor een verklarende variabele die ten dele een gevolg is van onze verklarende variabele.

o Verhelderen van de mogelijke verklarende variabelen, erna controleren voor andere mogelijke verklarende variabelen die anders omitted variable bias veroorzaken.

! theoretisch model: zonder kunnen we niet beslissen welke mogelijke verklarende variabelen opgenomen moeten worden in onze analyse.

o p.175-176: a formal analysis of omitted variable bias 5.2.2. Voorbeelden van omitted variabele bias

o Voorbeelden p.176-182

Pagina 129 van 159

Niet controleren voor variabelen: omitted variabelen zijn ongerelateerd aan of ten dele gevolgen van de key causal variables of ze hebben geen effect op de afhankelijke variabele.

Wel controleren: gecorreleerd met zowel de verklarende als de afhankelijke variabele en oorzakelijk prior ten opzichte van de verklarende variabele.

o Case-selectie: controle voor omitted variabelen maar verhoogt inefficiëntie. (Milner moest bijvoorbeeld meer case studies doen om hetzelfde niveau van

zekerheid over haar conclusies te behalen). Beter was het om variabelen te kiezen die goed variëren op de verklarende

variabele. Onderzoekers kunnen nooit beslissend de hypothese dat omitted variabele

de analyses gebiased hebben, verwerpen. o Perfectie is onbereikbaar, misschien zelfs ondefinieerbaar maar voorzichtig linken

van theorie en methode kan studies mogelijk maken op zo een manier ontworpen te worden dat de plausibiliteit van de argumenten verbeterd wordt en de onzekerheid van onze causale inferenties gereduceerd wordt.

5.2.3. Including relevant variabeles: inefficiency o Door probleem van onmitted var onterecht denken dat essentieel is om de

causale effecten van alle mog verklarende var te verzamelen en te schatten RISICO: onderzoek oprichten dat ongedetermineerde resultaten

produceert! Includeren van irrelevante var kan veel kosten! Hoe meer de hoofdvar gecorreleerd is met de irrelevante controlevar, hoe

minder efficiënt de schatting van hoofd causale effect! Indien irrelevante controle var ongecorreleed zijn met de hoofdvar

schatting van causale effect van verklarende var niet enkel gebiased maar ook on efficiënt

o .Gemiddeld gezien, zal de heranalyse hetzelfde effect produceren maar de irrelevante variabele zal de inefficiëntie verhogen, net zoals we de variabelen weggelaten zouden hebben.

Door het includeren van een irrelevante variabele, stellen we meer eisen aan onze uiteindelijke dataset, wat leidt tot minder beschikbare informatie voor elke inferentie.

o Als de correlatie tussen de irrelevante variabele en de verklarende variabele hoog is, zal het resultaat meer inefficiënt zijn als we controleren voor de irrelevante, toegevoegde variabele.

o p.184-185: a formal analysis of included variable inefficiencies. 5.3. Endogeniteit

o Politiek wetenschappelijk onderzoek zelden experimenteel! Niet de kans om de verklarende var te manipuleren! enkel observeren Gevolg: gebrek aan controle endogeniteit: de waarden van de

verklarende var zijn soms het gevolg in plaats van een oorzaak van de AV Afwezigheid van controle over waarden van verklarende var richting van

causaliteit is moeilijk! Niet-experimenteel onderzoek variëren var buiten de controle van de

onderzoeker de onderzoeker moet een argument samenstellen voor wat wat veroorzaakt!

o 5 methoden om met het probleem van endogeniteit om te gaan

Pagina 130 van 159

(1) een gebiased inferentie verbeteren (2) ontleden van een afhankelijke variabele en enkel die delen bestuderen

die gevolgen zijn , eerder dan oorzaken van de verklarende variabele (3) een endogeniteit probleem transformeren in bias door een omitted

variabele en voor deze omitted variabele controleren (4) voorzichtig selecteren van op zijn minst sommige observaties zonder

endogeniteitsproblemen - ontleden van de onafhankelijke variabele om te verzekeren dat enkel de delen die echt exogeen zijn in de analyse zitten

o methoden om endogeniteit te vermijden MAAR ook een causale hypothese te verhelderen een causale hypothese die endogeniteit negeert theoretisch probleem!

5.3.1.Verbeteren van biased inferentie o Vaststellen van exacte richting en graad van bias als gevolg van endogeniteit! o De biasfactor is afhankelijk van de correlatie tussen de verklarende var en dat deel

van de AV dat niet uitgelegd werd door de verklarende var (error term) Ook al valt endogeniteit niet te mijden wel inferenties verbeteren na het

feit door het schatten van de graad van de bias 5.3.2. Ontleden van de AV

o Manier om endogeniteit bias te mijden AV reconceptualiseren als op zichzelf bestaande uit een verklarend deel en een afhankelijk deel

o Het onafhankelijke deel infereert met onze analyse door FB mechanisme (door onze verklarende var te beïnvloeden!

o Afhankelijk deel => is werkelijk afhankelijk deel doel dus van methode om afhankelijke component te identificeren en te meten!

5.3.3. Transformeren van endogeniteit in een onmitted var probleem o Over endogeniteit denken als een geval van omitted variabele bias! o Endogeniteitsprobleem transformatie naar geval van omitted variabele bias :

zorgt ervoor dat onderzoekers het expliciet kunne meten en controleren! o Meer observatie in staan om de exogene en endogene effecten te onderscheiden!

5.3.4. Selecteren van observaties om endogeniteit te vermijden o Endogeniteit algemeen probleem in veel werk over de impact van ideeën op

politiek Indien idee de condities onder welke politieke actoren handelen voorstellen

dan analyse onderwerp van omitted var bias! Indien idee eerder gevolg dan oorzaak is dan idee endogeen Ideeën zijn belangrijk! ze hebben invloed op gevoerde beleid en

reflecteren niet enkel de politiekers of hun interesseso Voorzichtig in definiëren van causale effect! geobserveerde AV (beleid) en

verklarende var (ideëen van het individu) moeten vergeleken worden met een precies gedefinieerde tegenfeitelijke situatie waarin verklarende var een andere waarde aanneemt de relevante individuen hebben verschillende ideeën

o Vergelijkende analyse goede manier om te determineren of een gegeven set van ideeën endogeen of exogeen is (bv. pp 192-193)

Toont aan hoe we eerst een algemene bezorgdheid over endogeniteit in specifieke mogelijke bronnen van omitted variabele bias kunnen vertalen en dan zoeken naar een deelverzameling van observaties in de welke deze bronnen van bias niet van toepassing zijn.

Pagina 131 van 159

5.3.5.Ontleden van de verklarende variabele o = 5e methode om de bias als gevolg van endogeniteit te verwijderen o Verklarende var verdelen in 2 componenten

Een dat helemaal exogeen is Andere op zijn minst ten delen endogeen Bv. p 194 endogeen (ten gevolg van de AV) AV p 195 een formele analyse van ednogeniteit

5.4. Waarden van de verklarende variabelen toewijzen o Best gecontroleerde experimenten 2 voordelen

(1) controle over selectie variabenen (2) controle over toekenning van waarden van de verklarende var naar de

eenheden o Nu: kwestie van controle over toekenning o Grote n random assignment elimineert enodgeniteit en meetfouten maakt ook

omitted var bias onmogelijk o Klein n: rand toegekende var is eenvoudig gecorreleerd met sommige relevante

omitted var o Experimentatoren kunnen vaak waarden vastzetten voor hun verklarende var!

kwalitatieve onderzoekers zijn zelden met dit geluk beloondo Endogeniteit moet niet altijd hersteld worden! o Hoe aantal observaties verhogen in kwalitatief onderzoek?

Meest betrouwbare manier data random verzamelen op een groot aantal eenheden

+ toekenning van waarden van verklarende var ook randomç MAAR indien niet mogelijk niet observaties random selecteren

maar a priori kennis gebruiken van beschikbare observaties zo een selectie maken van observaties en als het mogelijk is de toekenning van waarden van verklarende var zo laten gebeuren dat bias en inefficiënties te mijden zijn!

Indien bias niet te mijden proberen de richting en waarschijnlijke richting vast te stellen

o Elke studie moet een onderdeel wijden aan voorzichtig uitleggen van toekenning en selectie van procedures!

5.5. Controleren van de onderzoekssituatie o Intentionele selectie van observaties zonder te kijken naar relevante controle var

en andere inferentie problemen slecht voor homogeniteit! o we moeten er zeker van zijn dat de observaties die gekozen werden waarden van de

verklarende var hebben: die een zo klein mogelijke fout hebben niet gecorreleerd zijn met sommige omitted verklarende var en niet gedetermineerd ten dele door de AV!

o Controle: inherente moeilijkheid bij kleine n studie! (voorbeelden p 200) o Strategie van intentionele selectie gevaar omitted var bias mijden

Matchen op var om hun verstorende effecten te mijden! MAAR er zijn nog andere var die weggelaten (omitted) zijn niet goed

indien de matching niet goed gebeurt de matching verhoogt de kans dat

Pagina 132 van 159

er een andere weggelaten var correleert met zowel de verklarende als AV var

Matching laat ons kijken naar observaties die op een bepaald punt afwijkend zijn!

En wat we verwachten gegeven hun waarden en dat deze afwijking gevolg kan zijn van een omitted var!

o Risico in matching maar wil niet zeggen dat we geen matching meer moeten gebruiken!

Want het is een van de meest waardevolle small- n strategieën MAAR wel bewust van zijn dat matching onderwerp is van gevaren die

randomisatie en grote n niet hebben! identificeren van potentiële observaties die invloed maximaliseren. Dit kan

zowel meest gelijkend als meest verschillend zijn, maar zal steeds relevantie data voor het antwoorden van de vragen van de onderzoeker opleveren.

o Matching: controle voor mogelijke effecten van weggelaten variabelen door observaties te selecteren die dezelfde waarden hebben op deze variabelen.

Matching zal nooit helemaal compleet zijn. Matching houdt in dat we anticiperen en specificeren wat de mogelijke

relevante weggelaten variabelen zijn. Dan controleren we ervoor door het selecteren van observaties die

niet variëren op deze weggelaten variabelen. We kunnen nooit zeker zijn dat we de hele lijst van mogelijke voor

bias zorgende factoren opgenomen hebben maar voor bepaalde analytische doelen zal de controle geproduceerd door matching de waarschijnlijkheid van het hebben van valide inferenties, verhogen.

o De onderzoekers kunnen causale inferenties maken op twee manieren: 1) random selectie en toekenning. 2) intentionele selectie van observaties, bijvoorbeeld door matching.

5.6. Conclusie o Reeds gezegde= geen recept dat altijd simpel toegepast kan worden.o Het zal een leidraad zijn van hoe verder te moeten gaan. o Belang van voorzichtig reflecteren op de particuliere methodologische problemen in

hun onderzoek. Men moet er expliciete aandacht aan besteden.6. Hoofdstuk 6: het aantal observaties verhogen

Belang van verhogen van invloed over onderzoeksproblemen! o Dit doen door zoveel mogelijk implicaties als mogelijk vinden & observaties van die

implicaties maken! o Relevante observaties verhogen (zelfs zonder meer data te verzamelen) zorgt

voor betere theorie! o N = 1 probleem: analyse van de problemen die inherent zijn aan onderzoek dat moet

omgaan met 1 enkele observatie Indien slechts 1 observatie onmogelijk om fundamentele probleem van

causale inferentie te mijden! Hier moet onderzoeker op zijn minst een klein aantal observaties binnen

cases onderzoeken & vergelijkingen maken! 6.1. Ontwerpen met één observatie voor causale gevolgtrekking Meest moeilijke probleem in welk onderzoek dan ook treedt op als de analist slechts één

enkele eenheid heeft met de welke bij een causale theorie moet beoordelen

Pagina 133 van 159

6.1.1. Cruciale case studie o Eckstein: argument dat falen om de condities onder dewelke specifieke patronen van

gedrag verwacht worden helder te verduidelijken maat het onmogelijk voor testen van zo’n theorieën om te falen of te lukken

o Onderzoekers moeten streven naar theorieën die precieze voorspellingen maken en moeten deze testen op data uit echte wereld!

o Ecksctein: indien cruciale case studie een studie gebaseerd op één meting van om het even welke pertinente var deze kan gebruikt worden voor verklarende doelen

Casestudie’s het meest waardevol op het niveau waar kandidaat theorieën getest worden

Cruciale case studies kunnen een voldoende precieze theorie weerleggen door één observatie!

Als de onderzoeker een casestudie kiest die a priori niet lijkt te passen bij de theoretische voorspellingen (een minst waarschijnlijke observatie) maar de theorie lijkt ongeacht dit juist te zijn,

dan heeft de theorie een moeilijke test weerstaan, en we hebben reden om deze met meer vertrouwen te steunen.

Als voorspellingen van wat een onaannemelijke theorie blijkt te zijn, in oversteenstemming zijn met observaties met een meest waarschijnlijke observatie, heeft de theorie niet een strenge test doorstaan maar heeft een mogelijk en is het waard om nader onderzocht te worden.

Belangrijk om te begrijpen als onderzoeker of ze hun theorie moeten evalueren met een minst- / of meest waarschijnlijke theorie.

Hoe sterk onze inferenties zullen zijn over de validiteit van een theorie is voor een groot deel afhankelijk van de moeilijkheidsgraad van de test waarin een theorie gefaald of geslaagd is.

o MAAR visie Eckstein (om te testen door het gebruik van een cruciale observatie) is inconsistent met het fundamentele probleem van causale inferentie

Daarom boek: argument is fout als case gedefinieerd als een enkele observatie : Omwille van drie redenen betwijfelen we dat een cruciale observatie studie het verklarende doel kan dienen dat Eckstein aanwijst:

(1) Heel weinig verklaringen zijn afhankelijk van enkel één causale variabele, om de impact van meer dan één verklarende variabele te evalueren, moet de onderzoeker meer dan één implicatie observeren.

o = alternatieve verklaringen o Stel casestudie beginnen met de hypothese dat een

particuliere verklarende factor het geobserveerde resultaat verklaart

MAAR in loop van onderzoek alternatieve verklaringen voor de uitkomst ontdekt

DAN schatting maken van twee causale effecten (1) het orginele gehypothetiseerde effect (2) alternatieve verklaring MAAR we hebben slechts één observatie

dus duidelijk niet-gedetermineerd onderzoeksdesign

Pagina 134 van 159

Zelfs indien we methode van matching gebruiken => het testen van causale verklaren met een observatie gaat niet!

Stelt dat we een perfecte match creëren op alle relevante var dan moeten op zijn minst twee eenheden vergelijken om een var in de verklarende var te observeren!

Valide causale inferentie die de alternatieve hypothesen test op basis van een vergelijking is NIET MOGELIJK

(2) Meting is moeilijk en niet perfect betrouwbaar. o Meetfout: ook al hadden we een theorie die sterk en

gedetermineerde voorspellingen maakt dan nog steeds meetfouten

o In een enkele observatie meetfout kan ons leiden tot het verwerpen van een werkelijke hypothese (of andersom!)

o Precieze theorieën kunnen metingen vragen die meer precies is dan de status van onze descriptieve inferenties toelaten!

o Als we vele observaties hebben dan kunnen we in staat zijn om de grootheid en de gevolgen van meetfout te verminderen door aggregatie!

o Maar in een enkele observatie zal er altijd de mogelijkheid zijn dat meetfouten leiden tot valse conclusie!

(3) De sociale realiteit is niet redelijk behandeld als geproduceerd zijnde door deterministisch processen, dus random error zal optreden ook al was de meting perfect.

o Determinisme: in hoeverre is de wereld determinisitsch? Indien de wereld deterministisch was en de

observatie produceert een meting die inconcistent is met de theorie dan met zekerheid stellen dat theorie vals is

MAAR ook enkel interessante sociale theorie altijd de mogelijkheid van sommige niet bekend omitted var! ==> die mogelijk leiden tot een onvoorspelbaar resultaat ook als het basis model van theorie kuist is!

Met slechts één implicatie van de causale theorie geobserveerd geen basis op welke we kunnen beslissen of de observatie de theorie bevestigd of resultaat is van obekende factor

o onze voorspellingen over sociale relaties kunnen enkel probabilistisch accuraat zijn.

o Eckstein stelt dat kansfactoren elke studie beïnvloeden. o Een enkele observatie is geen bruikbare techniek om de

hypothesen van een theorie te testen. Er is wel één kwalificatie.

Pagina 135 van 159

Ook al hebben we een pure single observatie studie met enkel één observatie op alle relevante variabelen, kan een enkele observatie nuttig zijn om causale verklaringen te evalueren als het deel is van een onderzoek programma.

Dus vergelijkingen wel goed. Ook is een single-observation studie belangrijke

bijdragen leveren aan het samenvatten van historische details of bij het maken van descriptieve inferenties, zelfs zonder vergelijking.

6.1.2. Redeneren door analogie Gevaren van enkele observaties zijn goed geïllustreerd door een vaak gebruikte vorm van

matching: redeneren door analogie o Analogie essentieel hetzelfde als andere variabelen constant houden doorheen

matching Causale hypothese: als twee eenheden dezelfde zijn in alle relevante

aspecten dan gelijke waarden op de onafhankelijke var zullen resulteren in dezelfde waarden op AV

Indien match perfect geen random error in de wereld (dan altijd hetzelfde effect dus a is hetzelfde als b (zijn gematcht) analoog redeneren is oke

MAAR analoog redeneren is nooit beter dan de vergelijkende analyseç de doen altijd beter met meer observaties als basis van generalisatie!

Analogie is slechts zo goed als de match! ! explicitet mogelijk zijn over onzekerheidsgraad die samengaat met onze

voorspelling! Steeds verder kijken dan een enkele analogie observatie! De vergelijkende benadering: in dewelke we bewijs combineren van vele

observaties, zelfs als sommige van hen niet heel analoog zijn tot de actuele situatie , is altijd minstens even goed en meestal beter dan de analogie.

De reden is simpel: de analogie gebruikt een enkele observatie om een andere te voorspellen.

Terwijl de vergelijkende benadering een gewogen combinatie gebruikt van een groot aantal van andere observaties.

Zolang de toegevoegde observaties kenmerken hebben die gelijkend zijn op een bepaalde manier, ook al kleine, tot de gebeurtenis die we aan het voorspellen zijn en we gebruiken de toegevoegde waarde op een aanvaardbare manier, zullen ze ons helpen meer accurate en efficiënte voorspellingen te maken.

Vandaar, als we verleid worden om analogieën te gebruiken, moeten we breder denken in vergelijkende termen.

6.2. Hoeveel observaties zijn genoeg? Antwoord afhankelijk van het onderzoeksdesign, welke causale inferentie de onderzoeker

schatten wil & kenmerken van de wereld die niet onder de controle van de onderzoeker valt o Antwoord adhv formeel model van kwalitatief onderzoek o Casuaal effect op 1 var alle andere variabelen zijn controlevariabelen!

Hoeveel variabelen? o Bepalen adhv

Variabiliteit

Pagina 136 van 159

onzekerheid van de causale inferentie relatieve collineariteit tussen causale en controle variabele Variantie van de waarden van de belangrijkste causale variabele

o (1) Fundamentele variabiliteit: Hoe groter de onverklaarde variabiliteit in de AV, hoe meer observaties

verzameld moeten worden om een betrouwbare causale inferentie te hebben

Indien inefficiënte schatter meer dataverzameling nodig! (bv random meetfout in de AV)

De onderzoeker geen controle over de fundamentele variabiliteit MAAR (1) hoeveel meer we weten over een onderwerp, hoe kleiner de

variabiliteit dus minder observaties nodig om iets nieuws te leren (2) ook al kan het weten van de graad van fundamentele variabiliteit

niet helpen om aantal observaties dat we moeten verzamelen wel belangrijk om accuraat de onzekerheid van een inferentie te maken

o (2) onzekerheid van de causale inferentie Meer onzekerheid tolereren minder observaties verzamelen Indien nieuwe kennis heel belangrijk is grote bijdrage leveren door relatie

weinig var te verzamelen In andere situaties waar alles al geweten is nieuwe studie enkel bijdrage

aan zekerheid meer observaties verzamelen om mensen te overtuigen van een nieuw causaal effect

o (3) collineariteit tussen de causale variabele en de controle variabele Als de causale var ongecorreleerd is met andere var waarvoor we

controleren dan zal includeren van deze var (om omitted bias te vermijden bv) het aantal observaties dat verzameld moet worden niet veranderen

Hoe hoger de correlatie tussen de causale var en een andere var hoe hoger de eis dat het onderzoeksdesign stelt aan data groter aantal observaties om zelfde niveau van betrouwbaarheid te behouden

o (4) de variantie van de waarden van de belangrijke causale variabele Hoe hoger de variantie, hoe minder observaties om een bepaald niveau van

zekerheid te behalen Praktische implicaties: door goed selecteren van observaties nood van

groot aantal observaties verminderen Hierbij wordt gesteld dat effect lineair is: hoe groter de waarden van de oV

hoe hoger of lager de verwachte waarden van de AV indien effect niet-lineair is, dan middelmatige niveau van de verklarende var een verschillend resultaat hebben!

Hoeveel observaties zijn voldoende? o Geen hapklaar antwoord afhankelijk van de vier delen van informatie (zie

hierboven) deze verschillen van onderzoeksdesign naar onderzoeksdesign o Hoeveel te meer, zoveel te beter MAAR hoeveel noodzakelijk? Meer als 5, minder

dan 20 o Problemen kunnen vaak wel vermeden worden door verhoging van aantal

observaties soms hout verhoging het verzamelen van meer data in MAAR een kwalitatief onderzoek kan vaak gereconceptualiseerd worden om veel meer observaties af te leiden en dus krachtig design te produceren!

Pagina 137 van 159

6.3. Het maken van veel observaties van een paar observaties Vaak niet meer observaties verzamelen dan we willen studeren nu discussie over

verschillende benaderingen om het aantal observaties te verhogen (nuttig indien klein aantal observaties en geen tijd/bronnen meer om meer te verzamelen)

o Case = fenomeen voor welke we rapporteren en interpreteren, een enkele meting van eender welke pertinente var

o Observatie = een meting van een AV of een eenheid observaties zijn de fundamentele componenten van empirisch sociaal wetenschappelijk onderzoek verzamelen om bewijst te voorzien op welke we vertrouwen voor evaluatie van theorie

o Hoe aantal observaties verhogen? Start bij theorie of hypothese die we aan het testen zijn Vragen:

Wat zijn de mogelijke observeerbare implicaties van onze theorie? Hoeveel instanties kunnen we vinden in dewelke deze observeerbare

implicaties getest zijn? Als we meer observaties willen om een theorie of hypothese te testen

(1) observeren meer eenheden o Mogelijk volledige replicatie van onze studie: dezelfde

verklarende en AV en hen toepassen in nieuwe instanties (2) nieuwe en verschillende metingen van dezelfde eenheden

o Gedeeltelijke replicatie van onze theorie of hypothese dat een nieuwe AV gebruikt en de hypothese toepast op nieuwe instanties

(3) meer eenheden observeren EN nieuwe en verschillende metingen van dezelfde eenheden

6.3.1. Zelfde metingen, nieuwe units = standaardwijze van verhogen aantal observaties

o = verkrijgen van nieuwe observatie terwijl dezelfde meetstrategie gebruikt wordt o Dit door variaties doorheen de ruimte en doorheen de tijd

Doorheen de ruimte Zoeken naar andere verglijkbare eenheden Niet nodig om over de grens van eenheden te gaan bestuderen! (bv

theorie met orginele focus de natie testen in geografische sub eenheden van die staat verhoogt de variatie van de verklarende var alsook die van de niet-verklarende var

Bv. onderzoeken sociale onrust van een land kijken naar verschillende delen van het land, replicatie in land zoeken

VOORZICHTIG in het beslissen of nieuwe eenheden gepast zijn voor de replicatie van hypothesen

o Zijn het eenheden die het proces waarover hypothese zich uitspreekt met zich meebrengt?

Hypothese naar andere eenheden valide? Afhankelijk van theorie, hypothese en natuur van eenheden

Eenheden goede instanties om een theorie te observeren afhankelijk van de theorie!

Pagina 138 van 159

Daarom advies: start bij luisteren naar observeerbare implicaties van theorie (niet door kijken naar veel mogelijke eenheden ongeacht de theorie)

o Enkel nadat de theorie gespecifieerd werd eenheden kiezen om te bestuderen

Doorheen de tijd Meerdere metingen van een hypothese doorheen de tijd lost

probleem van kleine n op door de n te vergoten (zonder te moeten reizen,…)

Voorzichtig! nieuwe instantie moet er een zijn waartoe de theorie gepast is subeenheid moet een observeerbare implicatie van theorie bevatten!

Ander probleem: toegevoegde gevallen gebruiken als nieuwe testen onze theorie MAAR de subeenheden van de gevallen over tijd mogen geen onafhankelijke testen van de theorie representeren

Elke nieuwe case mag niet zoveel nieuwe informatie verdragen naar het probleem alsof de observaties onafhankelijk van elkaar waren

o Twee praktische implicaties: gedeeltelijke afhankelijke observaties: voorzichtig zijn om de zekerheid van

de conclusies niet te overwaarderen. We mogen deze data niet behandelen alsof het vele observaties oplevert net als we zouden verkrijgen van onafhankelijke observaties.

voorzichtig analyseren van de redenen voor de afhankelijkheid tussen de observaties. Vaak zal de afhankelijkheid resulteren van één of een serie van heel interessante en mogelijk verstorende omitted variabelen

o replicatie van een analyse op nieuwe eenheden impliceert niet steeds een grote nieuwe studie

indien toegevoegde observaties bestaan binnen de actuele studie die van dezelfde vorm zijn als de reeds gebruikte observaties om hypothese te testen dan kunnen ze gebruikt worden

6.3.2. zelfde units, nieuwe metingen o Behouden van dezelfde eenheid maar de AV veranderen o Kijken naar vele effecten van dezelfde oorzaak o Start bij theorie of hypothesen en vragen: aangenomen dat onze theorie of

hypothese juist is, wat anders zouden we verwachten dat onze verklarende variabele beïnvloedt naast de invloed die hij nu heeft op de actuele afhankelijke variabele?

Kan andere indicatoren van de afhankelijke variabele suggereren.6.3.3.Nieuwe metingen, nieuwe units

o Verder kijken dan de set van verklarende en niet verklarende var die toegepast werden tot een particuliere set van eenheden tot andere observeerbare implicaties dat nieuwe var en eenheden inhoudt

o De metingen gebruikt om te testen wat essentiële nieuwe hypothesen zijn die afgeleid zijn van de originele kunnen verschillend zijn van deze die we tot nu gebruikt hebben.

o Ook al zijn er geen gevallen om te observeren in relatie tot onze basis hypothese, een meer specifieke hypothese kan andere mogelijke observaties impliceren.

Pagina 139 van 159

o Ontwikkeling van een nieuwe theorie of hypothese vaak bewegen van een lager niveau van aggregatie en een nieuw type van eenheid

Verschillende theorieën kunnen verschillende bindingen tussen variabelen impliceren die leiden tot particulier resultaat (namelijk verschillende processen bij dewelke het fenomeen geproduceerd werd

o Beweging van nieuwe soort observaties, een verschillend soort sociale eenheid, een individu, een beslissing kan introductie van verklarende var betekenen (niet toegepast op originele eenheid)

Betekent het verwerven van meer observeerbare implicaties van een theorie van eenheden van een lager aggregatieniveau ook toegepast kunnen worden om beslissingen te analyseren

o Process tracing: de onderzoeker kijkt naar het beslissingsproces waarin de verschillende initiële condities vertaald werden naar uitkomsten

variabele, worden nieuwe afhankelijke variabelen geconstrueerd. Process tracing zoekt naar bewijs consistent met de algemene causale

theorie, over het beslissingsproces bij dewelke de uitkomst geproduceerd werd.

Gaat naar niveau van de individuele actor. Vanuit perspectief auteurs: process tracing en andere benaderingen om de

causale mechanismen uit te breiden, verhoogt het aantal van theoretisch relevante observaties.

Deze strategieën verbinden theorie en empirisch werk door het gebruik van observeerbare implicaties van een theorie om nieuwe observaties te suggereren die gemaakt moeten worden om de theorie te evalueren.

Bij het bieden van meer observaties relevant voor de implicaties van een theorie, kan zo een methode helpen om de dilemma’s van een klein n onderzoek te overkomen en helpt het onderzoekers en hun lezers om hun vertrouwen in de bevindingen van het sociale onderzoek te verhogen.

Controle voor die variabelen die toegepast worden op alle observaties omdat zij de volgorde van gebeurtenissen van de eenheid als een geheel behandelen

In visie auteurs: process tracing en de zoektocht naar de psychologische onderbouwingen van een hypothese ontwikkeld voor eenheden op een hoger aggregatieniveau: waardevolle benaderingen.

Verlengingen van de meer fundamentele logica van analyse die we gebruiken en zijn geen manieren om het te omzeilen.

Studies zoals deze moeten de hele set van kwesties in causale inferentie (unit homogeniteity,..) het hoofd bieden, als ze willen bijdragen aan causale inferentie. Maakt onze theorie meer restrictief: meer redenen om theorie te verwerpen.

6.4. Conclusies Dezelfde problemen van inferentie bestaan in kwantitatief en kwalitatief onderzoek.

Onderzoek ontwikkeld om de sociale realiteit te begrijpen is pas succesvol als het de logica van wetenschappelijke inferentie volgt.

De fundamentele problemen van descriptieve en causale inferentie zijn in het algemeen moeilijker om te vermijden in een kleine n onderzoek dan in een grote n onderzoek.

Pagina 140 van 159

Efficiëntie verhogen: vergroten aantal informatie die ze aanbrengen voor de studie, dus door aantal observaties te vergroten.

Bias vermijden: random selectie en toewijzing. Valide inferentie is mogelijk enkel zolang als de inherente logica die onderliggend is aan al

sociaal wetenschappelijk onderzoek begrepen en gevolgd werd.

Samenvatting reader Tekst 1: Social science concepts (Gary Goertz)

Introduction

Stuart Mill: System of logics boek over concepten Bouwen van concepten implicaties voor empirisch onderzoek (zowel kwalitatief als

kwantitatief) met verschillende structuren van concepten Sartori & Collier = dominante figuren voor theorie rond concepten Paradox van concepten

o Concepten zijn centrum van theorie MAAR toch weinig focus/aandacht aan de concepten van sociale wetenschappen (buiten Sartori en Collier)

o Komt door grote verschillen tussen kwantitatief en kwalitatieve onderzoeken Kwalitatief: worden gezien als niet wiskundig en substantieve problemen Kwantitatief: focus op schaal, indicatoren en betrouwbaarheid in boek: methodologische en mathematische beperkingen van conceptie

die gebouwd zijn voor het bouwen van kwantitatieve metingen Voor we iets kunnen onderzoeken, of meten van termen van variabelen

MOETTEN WE OP ZOEK NAAR DE CONCEPTEN VAN DEZE VARIABELE! Goertz’s wetten

o (1) noodzakelijke voorwaardelijke hypothesen kunnen gevonden worden voor alle belangrijke sociale en politieke fenomenen

o (2) de aandacht die besteed wordt aan het concept is omgekeerd gerelateerd aan de aandacht besteed aan de kwantitatieve meting

In tekst: Hoe verschillende concepten belangrijke methodologische implicaties hebben voor de constructie van kwantitatieve metingen

Sarotri o Semantische analyse van woorden zoals de staat (state of etate)

Concepten zijn verbonden aan definitieso Er is geen echt verschil tussen een woord definiëren en het analyseren van

concepten (Robinson) o Wat bedoel je met een democratie is eigenlijk een vraag naar een definitie

verschilt niet hard van wat is jouw concept van een democratie? o Concepten bevatten een theoretisch en empirische analyse van het object o Er kunnen semantische verschillen ontstaan die zorgen voor een verschillende

betekenis van het object o Satori: vertalingsprobleem état is dit state of governement?

Pagina 141 van 159

o Indien het concept niet verwant is aan empirische analyse van het fenomeen dan kan er geen concept verankerd worden dan is het afhankelijk van wie de macht heeft om een definitie te vormen

Bv. Communistische landen werden vaak gezien als democratische republikeinen (nadruk op macht) indien we deze landen als democratische zouden beschrijven dan veranderen onze hypothesen over democraties (want als betekenis concept veranderd, dan andere theorie)

Realistische visie op concepten en definities o Locke & Ariststoles: onderscheid tussen essentiële en oppervlakkige karakteristieken

van een object Veranderingen in essentiële verandering in natura bij oppervlakkige is

dit niet zo (want nominaal) Bv. verandering in democratische regime van presidentieel naar

parlementair geen verandering van democratisch naar autoritair regime Maar wanneer je mensenrechten wegneemt, dan wel Of bv ~ Chemie: verandering in temperatuur geen verschil in

classificatie maar wanneer aantal elektronen veranderd dan wel! Concepten zijn theorieën over ontologie : theorieën over fundamentele elementen van een

fenomeen o Wordt gebruikt om karakterteken en interrelaties bloot te leggen

Bv. wat maakt een welvaarsstaat? Om een welvaarsstaat te zijn moet je voordelen aanbieden

Een oorzakelijk, ontologische en realistische visie op concepten o Ontologie want focus op wat een fenomeen maakt tot wat het is (bv. de

welvaarsstaat) o Oorzakelijk want het definieert ontologische attributen die een grote rol spelen in

oorzakelijke hypothesen o Realistisch want vertrekt vanuit empirische analyse van het fenomeen

De structuur van de concepten is cruciaal! o Zoals literatuur over schalen en indicatoren stelt verschillende manieren op

kwantitatieve metingen te construeren o De meeste concepten zijn multidimensioneel en multilevel

(1) NIVEAUS:

o Belangrijkste niveau is zoals deze vermeld is in de literatuur democratie en welvaarsstaat = basis -level

Het is het naamwoord waar we adjectieven aan toevoegen zoals parlementaire democratie ….

gebruiken we dus in theoretische voorstellen o Secondary level: bv wanneer we zeggen dat een democratie mensenrechten moet

waarborgen en stemrecht dan komen we op het tweede level dat de belangrijke dimensies van het basis-level weergeeft

Hierbij verschijnt dus het multi-dimensioneel karakter! Vormen veel van de ontologische analyse van de concepten Belangrijke rol in het formuleren van causale mechanismen

o Indicator/data level kan ook het geoperationaliseerd level noemen

Pagina 142 van 159

Data verzamelen beslissen of een bepaald fenomeen onder het concept kan vallen (categorisatie)

o Dus concepten kunnen geanalyseerd worden aan de hand van (1) Hoe veel levels ze hebben (2) hoeveel dimensies elk level heeft (3) wat de substantieve inhoud van elke dimensie of elk level is bv democratie = mulitdimensionaal en multilevel

3-level: o Secondary level: competitie en participatie democratie

Secondary level behoud theoretische achtegrond maar is concreet genoeg om te kunnen operationaliseren

o Indicator/data level: werkelijke empirische data: het meten van de indicatoren van participatie en competitie = basis voor kwantitatieve metingen

(2) hoe componenten op een niveau gecombineerd zijn om dimensies op een hoger niveau te creëren

Hoe zijn de concepten van democratie op secondary-level gecombineerd om tot het basic-level concept te komen?

Noodzakelijke condities = second-level: de structurele lijm die het secondary-level dimensies samenbind om het basis level te vormen

Andere mogelijkheid van structuren o Bv. familie gelijkende concepten ( noodzakelijke en oppervlakkige condities)

AND = noodzakelijke en oppervlakkige OR = familie gelijkende

Conceptuele stretching = treedt op wanneer concepten losgemaakt worden zodat ze behoren tot de extra’ cases

o Contrast tussen extensie en intensie o Door concept te lossen (intentie verminderen) vermeerderen van extensie

(nummer van empirische cases) o Sartori: wanneer intensie verminderd dan vermeerder extensie o Ideale concepten: extension onderscheiden van 0 : ideaal = empirische voorbeelden

zijn heel onwaarschijnlijk / bestaan niet o Relatie tussen intensie en extensie

(1) Factor-analyse o Ongemeten = basis en second level o Gemeten = indicator/data level o Factor analyse niet fout maar moet rekening houden met dat er anderen

benaderingen zijn van concepten o Beweert dat er een causale relatie is tussen het basis/ second level en indicator level

De latente variabelen veroorzaakt de indicator De ziekte veroorzaakt de symptomen Maar indicatoren kunnen verschillende oorzaken hebben (ook waar de

onderzoeker niet op focust) (2) ontological visie (niet causaal)

o Basis en second level zijn niet causaal maar vormen het fenomeen

Pagina 143 van 159

o Bv. stemrecht is niet een symptoom van democratie maar het vorm democratie o Wat een ziekte is, is afhankelijk van de symptomen

(3) Ontologische perspectief is duidelijker wanneer men een funtionalistische visie heeft op het fenomeen

o Bv. democratie kan niet functioneren zonder mensenrechten o Secondary level: theorie over de interrelaties tussen de delen van het concept

(4) functionele equivalentie op niveau van indicator level o Indicatoren van dezelfde ongemeten latente variabelen moeten hoog correleren met

elkaar : het voorkomen van een attribuut A kan het voorkomen van attribuut B vervangen

(5) abstracte concepten niet makkelijk te meten manifestaties o Niet bij concepten zoals gender want hierbij is de link tussen het gemeten concept

en het ongemeten concept duidelijk o Maar wel bij complexe en multidimensionele concepten en directe linken tussen

secondary level and data level => groot verschil tussen IQ en het beantwoorden van een vraag

5 opmerkingen over concepten!

Voorbeeld: Nussbaum: human well being o Thee level concept in actie = complex, multidimensioneel en multilevel o In haar concept causale hypothesen over hoe mensen functioneren in biologische,

psychologische en sociologische termen o Ontologisch want gaat over de menselijke natuur

Ze definieert wat het is om een mens te zijn Ze wilt empirisch vaststellen hoe mensen hun leven buwen (ze wlt geen serie

van indicatoren of symptomen over wat een mens is) Bv. Mens zijn is in staat zijn om een menselijk leven te leiden = secondary

level Ze omschrijft noodzakelijke condities

Selectie van cases o De conceptualisatie van afhankelijke en onafhankelijke variabele implicaties voor

de empirische analyse en causale inferentie o Hoe concepten en case selectie interacteren

Het concept bepaalt de selectie van positieve cases Positieve case = datgene wat de onderzoeker wilt uitleggen Gevaar! De positieve belangrijke cases passen niet in het concept

voorbeelden kiezen van de grijze zonen ipv de niet-grijze, positieve set Bv. Zwitserland past niet in de landen van corporatisme (in grijze zonen)

o Elk selectie criterium dat correleert met de AV produceert selectie-effecten o Problemen rond hoe concepten gebruikt worden om negatieve cases te selecteren

Skocpol: duidelijkheid over wat sociale revolutie is mar niet over wat niet-sociale revolutie is mogelijkheidsprincipe: het gebruik van de theorie van positieve cases om uit te maken welke negatieve cases mogelijk konden zijn

Gebruikt om negatieve cases te selecteren Maar kan ook gebruikt worden om een hele populatie te selecteren

focus op het bloot leggen van irrelevante observaties (en niet het kiezen van negatieve cases)

Pagina 144 van 159

DUS mogelijkheidsprincipe kan: o (1) de negatieve cases selecteren o (2) elimineren van irrelevante cases door determinatie van

positieve en negatieve cases

Hoofdstuk 2: Structuring and Theorizing concepts

Satori semantische en definitie benadering van concepten o in boek: causaal, ontologie en realistisch

Concepten gaan over ontologie een concept ontwikkelen is meer dan alleen maar een definitie geven: het is beslissen wat belangrijk is bv. waarom attribuut X een belangrijk deel is van de ontologische theorie van een object

Theoretische ontologie is ! want we voegen causale power toe aan het second level o Causal power: X heeft de macht over A X kan en wil A doen o Ontologisch want refereert naar intrinsieke natuur van X! o Second level dimensies spelen een belangrijke rol in oorzakelijke mechanismen! o Vaak causale power secundary level dimensies als we hypothesen bouwen

gebaseerd op basis level bv. democratie waarin geen oorlog is stemrecht o Hoe we democratie conceptualiseren moet consistent zijn met de causale

mechanismen dat het concept democratie gebruikt Noodzakelijk en voorwaardelijke condities = default optie = standaard benadering van

conceten o Attack door Wittgenstein: concepten kunnen niet essentiële noodzakelijke condities

hebben maar daar zijn dan niettemin ook familie condities Bv. game: verschillende games hebben zelfde karakteristieken => maar er

zijn geen karakteristieken die alle games gemeenschappelijk hebben ook geen noodzakelijk condities om een game te kunnen zijn

o Attack door cognitieve psychologie die onderzoek hoe individuen categoriseren Gebeurt op basis van prototypes : een vogel wordt gezien als een duif,… in

hoeverre deze overeenstemt met het prototype van een duif Categorieën hebben hierbij geen strenge grenzen grijze zone volgens

auteur o Noodzakelijke en voorwaardelijke condities dichotoom; het is alles of niets

Pagina 145 van 159

The basis level o Wordt zichtbaar in literatuur, theorie, modellen,… o 3 problemen op dit niveau

(1) de negatieve pool (2) de substantieve inhoud van het continuüm tussen twee polen (3) de continuïteit die bestaat of niet tussen polen (dichotoom of continu)

o Doel = uitleggen van de positieve pool (democratie bv) Basis level is vaak controversieel omdat de afhankelijke variabele in

nauwkeurig onderzoekt staat veel onderzoek begin dus niet met een conceptuele range maar altijd met de positieve pool van het continuüm

Maar je moet ook denken aan de negatieve pool Eerst definitie van Corporatism mulitdimensionaal en mutlievel

definitie is breed Bv. positieve pool = war maar wat is het tegenovergestelde ? Vrede? Niet-

Oorlog? Goede concept opbouw moet dus expliciet een contrast hierin

maken Moeilijkheid van het formuleren van de negatieve pool

Hoe dan wel? Door bijvoorbeeld de negatieve pool als de positieve te nemen en dan te vragen naar zijn negatieve

Bv. in literatuur is het niet duidelijk dat het tegenovergestelde van pluralisme corporatisme is

De negatieve pool kan geoperationaliseerd worden als 0 op het second level niveau niet sociale revoluties bestaan wanneer een of meerdere factoren van de sociale revoluties ontbreken

De negatieve pool is vaak het tegenovergestelde van de positieve pool Na het bepalen van de positieve en negatieve pool dan praten over

substantief karakter van het continuüm dat de twee verbindt Nadien bepalen of het wel echt een continuüm is => is democratie

wel dichotoom of niet? Alle concepten als continu beschouwen (ook de dichotome)

o Voordeel: probleem van grijze zone wordt opgelost o Dichtotomiseren zorgt vaak voor meet error

Want alle landen die dan 1 scoren op democratie zouden ongeveer hetzelfde moeten zijn

Bv. Zwiterland is dan problematisch + grijze zone is belangrijk: want alle landen moeten

door deze grijze zone om een democratie te kunnen worden

o Op het basislevel moeten concepten: Het analyseren van de negatieve pool Theorie over de continuüm tussen negatieve en positieve pool De grijze zone uitleggen (moeten concepten als continu of dichotoom

beschouwd worden?) TWO prototypical concept structures: voorwaardelijke en noodzakelijke condities en familie

gelijkenissen o Secondary level altijd verwijzing naar het positief concept zelfde problemen als

basic level; vraag van de negatieve pool

Pagina 146 van 159

o Opbouw van multidimensionale en multilevel concepten o Maar familiie gelijkenissen is geen alternatief voor de noodzakelijke en

voorwaardelijke condities Familie = wel voorwaardelijk, niet noodzakelijk! Noodzakelijk en voorwaardelijk: enkel en alleen enkel als n karakteristieken

voldaan zijn familie: als m of n karakteristieken aanwezig zijn Wetenschappers vaak moeite bij het definiëren van voorwaardelijke

condities o Om een complete structuur van een concept te bekomen moet deze tenminste

voorwaardelijke condities bevatten Kijken naar de kwantitatieve metingen kan iets zeggen over de familie

gelijkenissen maar niet over noodzakelijk en voorwaardelijke condities! Bv. Welvaarsstaat moet voordelen voorzien = familie gelijkenissen maar

er wordt niets geschreven over welke voordelen een staat moet aanbieden om een welvaarsstaat te zijn

o Wat moet er hier gebeuren? Niet enkel opsomming van de dimensies van het concept Expliciet zijn over de noodzakelijke condities Voorwaardelijke criteria opstellen

The mathematics of concept structures o Formalisatie van concepten voordelen

Het laat ons toe om directe linken te maken tussen concepten structuren en kwantitatieve metingen

Het maakt de theorie en hypothesen die onder de ontologie van het concept liggen zichtbaar

Betere theorie en betere methodologie o Fuzzy logic en set theorie (noodzakelijke en voorwaardelijke condities)

Tabel: twee-dimensioneel concept X1 en X2 (second level dimesies) dus als X1 of X2 0 is dan gebeurt dit ook met X

Indien X1 en X2 aanwezig zijn, dan X ook

= waarheidstabel in logic (AND)(minimum) intersectie in set theorie

Beide X1 en X2 moeten aanwezig zijn maar bij familie niet noodzakelijk! (als tenminste 1 van de 2 dimensies aanwezig is dan behoort het tot het concept)

Pagina 147 van 159

OR (unie) (Maximum)

The substitutability Continuum between necessary and sufficient condition and family resemblance structure

o Altijd een voorwaardelijke conditie! o Een noodzakelijke conditie kan niet vervangen worden (kan bij family wel) wordt

gecompenseerd door de aanwezigheid van een andere conditie Indien vervangbaar dan waarschijnlijk family

o Het gebruik van vervangbaarheid => laat ons toe om een contrast te stellen tussen fuzzy logic en statische logic

o Dus formuleren van dit continuum is noodzakelijk! Salience (opvallendheid) en essentialiteit: wegen van dimensies

o Indien meerdere dimensies of indactoren dan vraagstuk van wegenç o Statistische visie heeft bij definitie verschillend gewicht aan verschillende

indicatoren bij noodzakelijke en voorwaardelijke condities is dit niet noodzakelijk zo!

o Vervangbaarheid probleem hiermee verbonden: een noodzakelijke conditie is automatische belangrijker dan een die vervangen kan worden

Dus een beslissing nemen over vervangbaarheid is een beslissing nemen over belangrijkheid

Wegen moet gebeuren op basis van de theorie van het object (of empirische correlaties)

o Voor sommige fenomenen zijn bepaalde second-level dimensies belangrijker dan anderen sommige zijn essentieel terwijl andere enkel faciliteren

o Regels (1) de noodzakelijke en voorwaardelijke condities gelijke weging (2) een non-statistische benadering om te meten bevat ongewogen

gemiddelden (3) wegen gebeurt automatisch bij statistiek

o Dichotome variabelen kunnen niet gewogen worden! o Indien noodzakelijke condities triviaal (irrelevant) zijn dan moeten andere belangrijk

zijn Factoren die bijna altijd aanwezig zijn zijn triviaal maar wel noodzakelijk

(bv. Lucht nodig om te leven maar het is veel makkelijker te krijgen dan eten dus de conditie van eten is belangrijker bij Nussbaum)

o Dus wat moet er gebeuren? Expliciet de vraag stellen van te wegen

Pagina 148 van 159

Uitleggen waarom weging gebeurt is THREE-level concepts

o AND en OR kan gebruikt worden op zowel het second level als indicator level Bv Example Secondary level indicatorlevel Nusbaumm AND OR Alvarez AND ANDSchmitter OR OR

o 3-level concepten complex o Vaak is de structuur van een concept niet duidelijk dan interpreteren van

voorbeelden in de tekst, zoeken naar kwalitatieve metingen, kijken naar causale hypothesen

o Maar hebben wel bijna altijd 3 levels => want basic level is te abstract zonder een concreet indicator level

o Wat moet er gebeuren? o Transparant zijn over de formele relaties tussen secondary of indicator level

dimensen min (AND)/ gemiddelde / max (OR) Theoretical relationships between levels: Ontology, causality and substitutability

Pagina 149 van 159

o De AND en OR kolom tonen hoe de theoretische relaties interacteren met de formele, mathematische principes

o Maar niet makkelijk om hypothesen op niveau van basic level en causaliteit in concept zelf te onderscheiden

o Drie mogelijkheden Het concept veroorzaakt de indicator De indicator veroorzaakt het concept Een non-causale relatie

Ontology and conceptso Ontologische visie ziet niet eerst de causale relaties tussen de levels (want

secondary level zegt wat een bepaalt fenomeen is en niet wat het veroorzaakt) (dus eerder identificatie

o Verbinding tussen ontologische en semantische benadering o Op niveau van AV enkel non-causale verbanden

Indicator/Data level relationships: Substitutable or causal o Indicator level meer theoretische abstractie want secondary en basic level zijn nog

te abstract hier ordt het concept specifiek genoeg om te testen aan de hand van data

o Indactor level gebruikt vaak de vervangbaarheid als centraal organisatorische tool o Wat moet er gebeuren?

Wat is de theoretische relatie dat de indicator level verbindt met second level?

Wat is de theoretische relatie dat het second level verbindt met basic level Causal hypotheses embedded in concepts

o Second level dimensies vaak gekozen omdat zij een belangrijke rol spelen in causale verklaringen en mechanismen

o Vaak zijn hypothesen als vanzelfsprekend genomen o Het vermijden van causale hypothesen in de opbouw van concepten is moeilijk dus

men moet hier wel bewust van zijn! (expliciet vernoemen) Maar soms wilt je geen hypothesen in de concepten hebben

o Wat moet er gebeuren? Goed nadenken over het gebruik van hypothesen in opbouw concepten

vaak is het dan moeilijk om hypothesen te testen en er zullen problemen ontstaan bij het verzamelen van data

Vermijd hypothesen die geen factoren van second level bevatten (rivaliteit kan makkelijk bedacht worden zonder het betrekken van macht variabelen)

Vermijd in bijzonder hypothesen die een rol spelen bij het gebruik van concepten van de afhankelijke variabele zijde van de vergelijking ==< mogelijke oorzaken van de fenomenen moeten altijd buiten het concept zelf gelaten worden

Hoofdstuk 3: Concept-intension and extension

Sartori de ladder van algemeenheid o Hij maakte zich zorgen over hoe de extensie (empirische dekking) van een concept

verschilt met zijn intensie (het concept zelf) o Het losmaken van het concept resulteert in conceptuele strectching waardoor

een concept van toepassing wordt voor meer cases

Pagina 150 van 159

o Wat gebeurt er als er toevoegingen of reductie gebeurt op secondary level? en welke invloed heeft dit op de empirische dekking van het concept

o Vaak gebeurt deze reductie of toevoegingen via adjectieven concepts +/- adjectieven = wat er gebeurt wanneer we het aantal second level dimensies aanpassen en welke effecten die heeft op het aantal observaties in de categorie (= extensie)

o Ideale types hebben geen extensie (0) => er zijn geen echte voorbeelden van ideale types indien deze gebruikt worden dan veel problemen betreffende basic level en structuur van second-level

The ladder van algemeenheid en het concept extensie o Sartori: indien we mulidimensionele concepten hebben die goed passen bij een of

twee cases dan problemen om deze toe te passen op andere culturen, landen, tijdsperioden dus Sarotri zegt dan: concept meer algemeen maken (zodat meer van toepassing voor meer observaties) door het concept de stretchen stretchen door het aantal attributen (aantal dimensies) te verlagen

o Relatie tussen intensie en extensie: Intensie = concept Extensie = aantal cases dat valt onder het concept Bv. Skocpol: Sociale revoluties zijn basis transformaties van een sociale staat

en klassen Extensie = Rusland, China en Frankrijk maar indien we dimensies

aanpassen dan ook Iran en Mexico erbij Dus intensie bepaalt de extensie

In goed sociaal onderzoek moet theorie bepalen welke cases gekozen worden informele ideeën over welke cases passen

Vaak zijn concepten gebaseerd op een of twee cases => en dan toegepast op andere landen die gelijkend zijn

Indien toename van het aantal second-level dimensies in de intensie & gebruik van noodzakelijke en voorwaardelijke condities dan is er een inverse relatie tussen intensie en extensie

We kunnen de dekking (extensie) verhogen door zijn intensie te verlagen (aantal attributen)

We kunnen extensie verhogen door het aantal noodzakelijke attributen te verlagen = conceptuele streching concept wordt meer algemeen

deze relatie bij voorwaardelijke en noodzakelijke condities MAAR bij familie condities (OR) andere relatie: extensie verhoogt

met intensie Want bij noodzakelijke condities toevoegingen van attributen dan

kan de extensie alleen maar lager gaan MAAR bij OR toevoegen van dimensies betekent het verhogen

van de extensie o Zichtbaar in Vendiagram; de intersectie van twee sets (die 2

attributen voorstellen) is altijd kleiner dan de set van deze individueel

o De unie is altijd groter dan de individuele sets

Pagina 151 van 159

o Want bij familie twee observaties behoren tot dezelfde categorie indien zij voldoende condities gemeen hebben (m – of – n regel)

o De ladder van algemeenheid werkt dus niet voor familie! Concepts +/- adjectivies

o De algemene manier om toevoegingen of reductie van dimensies te doen = het vastmaken van concepten

o Vaak doen mensen dit al: toevoegen van adjectieven aan concepten Bv adjectieven gebruiken om basic level van democratie uit te leggen

corporatisme wordt bepaald door woorden zoals liberaal, sociaal of democraties

Adjectieven zijn second level Klassiek: adjectieven = een nieuwe dimensies dat is toegevoegd aan de

bestaande waardoor het aantal second level dimensies verhoogd (concept + adjectieves)

Of het verminderen van dimensies (Concept – adjectieven) = verminderd subtype

o Ladder van algemeenheid toevoegen of verminderen van dimensies o Het is belangrijk dat basic-level van concept goed in elkaar zit

Want anders probleem: adjectieven bekomen dat noodzakelijk om een bepaald concept te interpreteren

Bv het gaat niet over revoluties maar over SOCIALE revoluties sociaal is een adjectief dat wordt toegevoegd aan concept (andere gaan het hebben over politieke en dergelijke)

Concepten / - adjectieven o Verminderd subtype = verminderen van dimensies op second level (vermijden van

conceptuele streching) o 2 verschillen met gewoon subtype

(1) verminderde subytpes zijn geen expemplaren van basic level definitie van democratie

(2) differentiatie: specificieren van specifieke attributen vermeerderen van differentiatie

Pagina 152 van 159

o Kritiek: ze geven het verminderd subtype weer onder de root-level democratie concepten terwijl deze in realiteit boven de ladder van algemeenheid staat zie figuur: verminderd subtyepe illeberale democratie staat op zelfde niveau als parlementaire democratie MAAR parlementaire democratie is een + adjectief maar we hebben dus bij iliberale democratie een attribuut verwijderd terwijl we bij parlementaire democratie een hebben toegevoegd

Pagina 153 van 159

o Indien een karakteristieken verwijderd dan verhoogt deze. democratie is een vorm van een electoraal regime dus Guetemale is geen democratie in de volle zin maar valt wel onder een electoraal regime

o ~ ladder van algemeenheid: bij een ladder kan je alleen naar boven of naar onder gaan maar de negatieve pool moet ook altijd vermeld worden (dus ook van links naar rechts terwijl de ladder alleen naar boven en onder gaat!)

Dus een dimensie verminderen is meer naar links evolueren naar een autoriteit – democratie continuum

Zie figuur: three-level concept framework: indien we attributen verwijderen (het opstellen van een verminderd subtype) dan hebben we regimes die minder en minder democratisch zijn

Beweging gebeurt horizontaal van democratie naar autoritair Ideal types: Zero extensie

o Vaak gebruik van ideaal type constructies = heeft een lege set als extensie: kunnen nooit of zeldzaam gevonden worden in de praktijk

o In boek: ideal type = de cases die 1 scoren op alle second level dimensies ligt aan de extreme positieve pool van het continuüm alle dimensies zijn hier maximaal!

o Een ideaal type verschilt niet in zijn intensie maar wel in extensie is 0 of zeer klein o Dus altijd nadenken of er wel effectief cases gevonden kunnen worden aan de max of

min kant van de schaal het strechten van de schaal zodat er weinig cases zijn aan de extrema

Zie voorbeeld Dahl zijn visie op democratie geen enkele staat valt hieronder (= volledig verantwoordelijk zijn voor het welzijn van alle burgers)

Doel hiervan: vergelijkingen maken van bestaande regimes ten op zichtte van dit ideaaltype

Pagina 154 van 159

Gebeurt via het gebruik van voorwaardelijke en noodzakelijke concepten AND toevoegen

Theoretische implicaties van concepten +/- adjectieven : gender and the welfare stateo Genderbias

Want welvaarsstaat wordt gemeten in termen van effecten op mannen (getrouwde, werkende man) vrouw zorgt voor kinderen en gezondheid en huishouden

Operationalisering van de welvaarsstaat is dus ook mannelijk nood aan re-operationalisering wat moet toegevoegd worden zodat het ook op vrouwen toegepast kan worden? (1) verwijderen van arbeidsmarkt (2) stratificatie (3) goederen zijn decommidificeerd omwille van welvaarstaat politiek

Dus implicaties voor het meten van de welvaarsstaat zoals oorspronkelijk geformuleerd

Hoe men een fenomeen conceptualiseren heeft implicaties voor het basic level theorieën

Hoofdstuk 7: Negatieve case selectie: Het mogelijkheidsprincipe

Wanneer en waar komen niet sociale revoluties voor? o Vaak in kwalitatief onderzoek: selecteren van een negatieve case om theorie te

testen Assumptie: US in 1900 is niet relevant voor het onderzoeken van sociale

revoluties vermits er hier geen was maar kunnen we deze dan zomaar negeren?

Raven paradox: alle raven zijn zwart Positieve case: alle dingen die zwart zijn en raven zijn zwart

Niet-raven zijn niet relevant voor het testen van deze hypothese Selecteren op basis van de waarde die de casen hebben voor de AV => kan

zorgen voor overpresentatie van positieve cases risico: bias Het selecteren van irrelevante cases kan zorgen voor teveel negatieve cases

oplossing: meer negatieve cases selecteren om zo de irrelevante eruit te halen

o We hebben ook negatieve cases nodig om de theorie die op de positieve pool van de AV focust te testen

o Het mogelijkheidsprincipe Regels voor het selecteren van negatieve cases Enkel de negatieve cases waarbij de uitkomst mogelijk kan zijn mogen

geselecteerd worden als negatieve case (indien dit niet is dan irrelevante case)

Voorbeeld: Wat doen we met mannen en kinderen wanneer we het effect van een medicijn op borstkanker willen testen? Want mannen en kinderen ook kan maar wel heel klein! het moet dus wel mogelijk zijn!

Negative- irrelevant boundary o Moeilijk om irrelevante en negatieve cases te onderscheiden hoe hier een lijn

tussen trekken? o Methodologisten zeggen niet dat bepaalde cases irrelevant zijn maar eerder dat deze

minder nuttig zijn dan anderen Skocpol: negatieve cases moeten gelijkend zijn aan positieve cases in alle respect voor hun waarde op de AV

Pagina 155 van 159

Positive- irrelevant boundary o Volgens mogelijkheidsprincipe zijn irrelevante cases cases waarbij de positieve

uitkomst niet mogelijk is o MAAR een observatie is wel mogelijk indien deze cases fout geplaats is onder de

categorie van irrelevant maar dus wel een positieve uitkomst heeft o Zijn cases waarbij het onmogelijke toch gebeurt

Scope boundary o Alle observaties binnen de box worden veronderstelt te voldoen aan alle

toepassingsvoorwaarden o Scope condities definiëren irrelevante cases als case waar causale processen niet

homogeen zijn (bv. Sociale revolutie koloniale achtergrond anders in niet koloniale achtergrond) er kunnen sociale revoluties buiten deze toepassingsvoorwaarden vallen maar deze zijn dan irrelevant

Irrelevant cases: selection bias via to many negative cases o Vaak reflex: alle cases zien als relevant voor het testen van de theorie schrik om

informatie te verliezen Zie raven paradox: alle niet zwarte; niet raven zijn relevant om te bevestigen

dat alle raven zwart zijn Gevaar: kan een zwakke theorie veel sterker maken dan hij werkelijk is bv.

stel u voor dat de meeste raven wit zijn deze theorie zal niet bevestigd worden door zwarte raven maar wel door alle nier raven, niet witte dingen

Het mogelijkheidsprincipeo Basisregels

Kies enkel de negatieve cases waarbij de uitkomt mogelijk is Maar afhankelijk van hoe je ‘mogelijk’ interpreteert 2 regels

(1) regel van inclusie o Uitkomst moet gezien worden als mogelijk indien minstens

een van OV variabelen de theorie het voorkomen ervan voorspelt

o Cases zijn relevant indien hun waarde op minstens een OV positief gerelateerd is aan de uitkomst

o Want in kwalitatief onderzoek is het aantal OV meestal beperkt dus als die op minstens 1 positief scoort dan is de uitkomst wss mogelijk

Pagina 156 van 159

(2) regel van exclusie o Selecteert de irrelevante cases die dus niet gebruikt dienen

te worden o Een case is irrelevant indien een waarde op een variabele die

de uitkomst onmogelijk maakt => bv. genocides : alle genocides tijdens politieke omwentelingen Sluit hierbij Frankrijk uit omdat deze geen politieke omwenteling kende hierbij is de uitkomst genocide dus niet mogelijk

o Gebaseerd op de kennis over een of meerdere eliminerende variabele die belangrijk genoeg zijn om een case te verwijderen

De regel van exclusie is voorafgaand aan de regen van inclusie: een eliminerende variabele kan een case as irrelevant zien terwijl deze volgens de regel van inclusie wel relevant kan zijn

De regel van exclusie kan niet gebruikt worden voor oorzakelijke variabelen onder de test

o Bv zo kan het effect van politieke omwentelingen niet onderzocht worden als een oorzaak van volkerenmoord omdat alle cases deze factor moeten hebben

De regel van exclusie is altijd gebaseerd op bestaande empirische en theoretische kennis

De regel van exclusie kan niet gebruik worden bij variabelen onder test, de regel van inclusie MOET gebruikt worden

Gebruik met Booleaanse theorie o Verander de AND in Booleaanse theorie van de positieve uitkomst naar OR tijdens

het selecteren van relevante cases o AND-to-OR vervagingsregel

Conjunctie stelt het gebruik van AND om onafhankelijke variabelen te verbinden vervangen door OR

Possible Y = A OR B OR C OR D (de onderzoeker verzamelt hier de cases waar minstens aan 1 conditie voldaan is men moet op voorhand niet weten welke combinaties maar wel basis informatie over causale factoren is noodzakelijk voor het selecteren van negatieve cases

Booleaanse geeft vaak de aanwezigheid en afwezigheid van bepaalde condities weer uitgedrukt in hoofdletters en kleine letters vraag: hoe kan de afwezigheid van een bepaalde variabele gebruikt worden om cases te selecteren met het mogelijkheidsprincipe?

Afhankelijk van wat men bedoelt met afwezigheid! in sommige cases leidt de afwezigheid van een variabele tot de aanwezigheid van een duidelijke causale conditie bv. Protestant en Katholiek de afwezigheid van protestant kan dan leiden tot een positieve uitkomst (katholiek zijn)

MAAR indien het gesteld wordt als niet-protestant of protestant dan is er geen duidelijke oorzakelijke conditie verbonden met de afwezigheid van een variabele dan is het moeilijk om mogelijkheidsprincipe toe te passen (want geen duidelijke positieve categorie)

Scope condities en het mogelijkheidsprincipe

Pagina 157 van 159

o Wat zijn scope condities? = zijn de parameters waarin een bepaalde theorie verwacht wordt om valide

te zijn Noodzakelijk omdat in sociale wetenschappen men het vaak heeft over

specifieke contexten Cases die niet voldoen aan deze condities worden gezien als irrelevant en

worden dus niet gebruikt om de theorie te evalueren Nood aan meting van homogeniteit units zijn homogeen indien een

bepaalde kans op een OV variebele verwacht dezelfde effect te hebben op de AV in deze unis

Altijd een theoretische assumptie! en daardoor ook theorie geladen o Relatie met het mogelijkheidsprincipe

De cases die worden uitgesloten door scope condities en het mogelijkheidsprincipe zijn niet symmetrisch

Scope conditions zijn opgesteld om cases uit te sluiten (positief of negatief) die niet voldoen aan homogeniteit

Mogelijkheidsprincipe is opgesteld om negatieve cases uit te sluiten die binnen de scope conditions vallen maar niet relevant zijn

Voorbeeld: onderzoek naar kansen om een welvaarsstaat te zijn als arm land = 0

Enkel landen selecteren die behoren tot OECD exclusie van de arme landen door middel van scope condities maar ze verwijderen alleen negatieve cases dus volgens boek eerder mogelijkheidsprincipe hier gebruiken de regel van exclusie: een voorwaardelijke conditie voor het ontwikkelen van een welvaarstaat armoede

Theorie testen met het mogelijkheidsprincipe Hoe kan het mogelijkheidsprincipe gebruikt worden om Skocpol’s state and

social revolution theorie te testen Welke zijn de relevantie cases om te testen rekening houdend met

mogelijkheidsprincipe en scope conditions? o Voorgaande testen van de theorie van Skocpol

Theorie is nooit eerder her-test geweest Andere selecties bij andere onderzoekers Foran: selecteert als negatieve

cases alleen die een positieve waarde op minstens een van de 5 grote onafhankelijke variabelen heeft

Andere theorie negatieve cases = waar sociale revolutie duidelijk onmogelijk is

o Selecting the negative cases Mogelijkheidsprincipe bij Skocpol: een case is relevanti indien deze een

positieve waarde heeft op minstens 1 van de 2 belangrijke oorzaken (het vallen van de staat en boerenopstand)

Maar we zijn op zoek naar specifieke tijdspanne die relevant zijn voor het testen van de theorie van Scokpol in termen van uitkomst van sociale revolutie zijn alle cases negatief geen enkele voldoet aan de definitie van S zie tabel 7.3 voor overzicht

o De theorie testen

Pagina 158 van 159

Theorie van S = two-level structure voor deze theorie causale vorderingen op beide niveaus nodig

Zijn het vallen van de staat en boerenopstand noodzakelijke condities voor het hebben van een sociale revolutie?

o Conclusie Kwalitatieve onderzoekers die revoluties, welvaarsstaten, genocide,…

onderzoeken gaan vaak de negatieve cases waarbij de uitkomst onmogelijk i niet onderzoek => zij focussen eerder op de negatieve cases waarbij een uitkomst wel mogelijk is

Hoofdstuk 8: concepten en het kiezen van de populatie

Hoe kan het mogelijkheidsprincipe worden toegepast om populaties te selecteren en niet enkel negatieve cases?

o Grootste doel van mogelijkheidsprincipe is wel om irrelevante observaties te illumineren maar ook de selectie van de positieve

o Gevaar: omdat het mogelijkheidsprincipe nu positieve cases gaat selecteren is er het risico dat de lijn tussen irrelevante en positieve cases niet goed getrokken wordt dus verschillen in het toepassen van het mogelijkheidsprincipe

o Zie vorig hoofdstuk: de positieve cases gedefinieerd door het concept van sociale revolutie en de negatieve door het mogelijkheidsprincipe gekozen

Nu: gebruiken we eerst het mogelijkheidsprincipe om de populatie te bepalen en dan de positieve observaties gebruiken die een subgroep van de populatie zijn

In voorgaande kan het onmogelijke niet gebeuren omdat de populatie een unie is van de positieve en negatieve cases (Scokpol) dus alle positieve cases zijn ingebrepen

MAAR nu: het onmogelijke kan gebeuren omdat de positieve cases een subgroep zijn van de populatie opgesteld met het mogelijkheidsprincipe het mogelijkheidsprincipe wordt dus gebruikt om de populatie van zowel positieve als negatieve cases te selecteren

o Mogelijkheidsprincipe wordt oorspronkelijk gebruikt om irrelevante cases te zien als het tegenovergestelde van het selecteren van de negatieve cases

Het mogelijkheidsprincipe zal dus cases selecteren die relevant zijn, en zowel negatieve als positieve

Het mogelijkheidsprincipe and de kans en vrijwillig framework o Mogelijkheidsprincipe van de populatie selectie = kies cases waarbij de uitkomst

mogelijk is o Cases zijn ingesloten indien een of een klein aantal van de OV het voorkomen van de

uitkomst voorspelt o Voorbeeld van political relevance

Pagina 159 van 159

o Three-level structuur (& twee second-level variables: opportunity en willingness) o Twee noodzakelijke condities AND maar we zijn geintereseerd in de populatie

waar conflict mogelijk is dus we vervangen AND door OR dus we hebben oppurtunity OR willingness nodig AND-to-OR replacement regel

o Maar oppurtinity en wilingness zijn te algemeen dus indicatoren nodig om dit te meten (indactor level) zie proximity, major power status,…

o Mogelijkheidsprincipe cases kiezen die gebaseeerd zijn op de variabelen die positiev geassocieerd zijn op de AV

o Cases betrekken die oppurtinity of willinigness hebben Population choice and causal inference

o Het vergroten van de N heeft effecten voor de causale inferentie De kracht van de causale relatie kan verschillen en zelfs de richting kan

veranderen Want het gaat over het vergelijken van de positieve cases met de negatieve

cases dus grote veranderingen in de negatieve populatie kan zorgen voor radicale veranderingen in de causale inferentie

DUS de keuze van een referentiegroep kan grote gevolgen hebben!