21/9/22, 11:20 Análisis cuali-cuantitativo comparado - Wikipedia, la enciclopedia libre

Análisis cuali-cuantitativo comparado

El análisis cuali-cuantitativo comparado (ACCC) es un método establecido para estudiar de manera
científica una muestra reducida de objetos de investigación.

En contra del análisis cuantitativo (que utilizan, por ejemplo, los programas informáticos SPSS o SAS) que
se basa en un número significativamente elevado de casos, y del análisis cualitativo que utiliza una muestra
reducida pero sin modelización ni sistematización, el ACCC moviliza a la vez un número reducido de casos
de estudio utilizando al mismo tiempo un programa informático de formalización.

Se selecciona, por uso de un método cualitativo de observación y de comprensión de los casos

seleccionados, las variables resultado y condiciones, luego recurriendo al programa informático QCA,1 ​ el
ACCC permite analizar cuantitativamente un número reducido de casos.

Índice
Historia
Resumen de la técnica
Motivación
Crítica
Respuesta a las críticas
Véase también
Referencias

Historia
Método de investigación desarrollado desde el final de los años 1980, principalmente en ciencia política
(sobre todo en política comparada y en el análisis de políticas públicas), pero también en sociología y más
escasamente en economía, gestión y criminología. Se impuso en Norteamérica y se emplea, en particular, en
la Universidad Libre de Bruselas, en la Universidad Católica de Lovaina y en la Universidad de Salamanca
en Europa.

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

https://es.wikipedia.org/wiki/Análisis_cuali-cuantitativo_comparado 1/4
21/9/22, 11:20 Análisis cuali-cuantitativo comparado - Wikipedia, la enciclopedia libre

En el siguiente paso de QCA, la lógica inferencial o el álgebra booleana se usa para simplificar o reducir el
número de inferencias al conjunto mínimo de inferencias admitidas por los datos. Este conjunto reducido de
inferencias se denomina "implicados principales" por los adherentes al QCA. Por ejemplo, si la presencia de
las condiciones A y B siempre se asocia con la presencia de un valor particular de D, independientemente
del valor observado de C, entonces el valor que toma C es irrelevante. Por lo tanto, las cinco inferencias que
involucran A y B y cualquiera de los cinco valores de C pueden reemplazarse por la inferencia descriptiva
única "(A y B) implica el valor particular de D". Para establecer que las implicaciones principales o las
inferencias descriptivas derivadas de los datos por el método QCA son causales, se requiere establecer la
existencia de un mecanismo causal utilizando otro método, como el rastreo del proceso, la lógica formal, las
variables intervinientes o el conocimiento multidisciplinario establecido.2 ​ El método se utiliza en ciencias
sociales y se basa en la lógica binary de Álgebra booleana e intenta garantizar que se tengan en cuenta todas
las combinaciones posibles de variables que se pueden realizar en los casos investigados.

Motivación
La técnica de enumerar los tipos de casos por combinaciones de variables potenciales ayuda a la selección
de casos al hacer que los investigadores conozcan todos los tipos de casos posibles que tendrían que
investigarse, como mínimo, si existen, para probar una determinada hipótesis o derivar nuevas inferencias.
de un conjunto de datos existente. En situaciones en las que las observaciones disponibles constituyen la
población total de casos, este método alivia el pequeño problema de N al permitir extraer inferencias al
evaluar y comparar el número de casos que exhiben cada combinación de variables. El pequeño problema de
N surge cuando el número de unidades de análisis (por ejemplo, países) disponibles es inherentemente
limitado. Por ejemplo: un estudio en el que los países son la unidad de análisis es limitado porque solo hay
un número limitado de países en el mundo (menos de 200), menos de lo necesario para algunas técnicas
estadísticas (probabilísticas). Al maximizar el número de comparaciones que se pueden hacer en los casos
investigados, las inferencias causales son posibles según Ragin. 3 ​ Esta técnica permite la identificación de
múltiples vías causales y efectos de interacción que pueden no ser detectables a través de análisis estadístico
que generalmente requiere que su conjunto de datos se ajuste a un modelo. Por lo tanto, es el primer paso
para identificar subconjuntos de un conjunto de datos conforme a una ruta causal particular basada en las
combinaciones de covariables antes de los análisis estadísticos cuantitativos que prueban la conformidad
con un modelo; y ayuda a los investigadores cualitativos a limitar correctamente el alcance de los hallazgos
alegados al tipo de observaciones que analizan.

Crítica
Como esta es una técnica lógica (determinista) y no estadística (probabilística), con QCA de "conjunto
nítido" (csQCA), la aplicación original de QCA, las variables solo pueden tener dos valores, lo cual es
problemático ya que El investigador tiene que determinar los valores de cada variable. Por ejemplo: el PIB
per cápita debe ser dividido por el investigador en dos categorías (por ejemplo, bajo = 0 y alto = 1). Pero
como esta variable es esencialmente una variable continua, la división siempre será arbitraria. Un segundo
problema relacionado es que la técnica no permite una evaluación del efecto de las fuerzas relativas de las
variables independientes (ya que solo pueden tener dos valores). 3 ​ Ragin, y otros académicos como Lasse
Cronqvist, ha tratado de lidiar con estos problemas mediante el desarrollo de nuevas herramientas que
extienden QCA, como QCA multivalor (mvQCA) y QCA de conjunto difuso (fsQCA). Nota: QCA de
valores múltiples es simplemente QCA aplicado a observaciones que tienen variables categóricas con más
de dos valores. Crisp-Set QCA puede considerarse un caso especial de QCA de valores múltiples. 4 ​

Los metodólogos estadísticos han argumentado que las fuertes suposiciones de QCA hacen que sus
hallazgos sean frágiles y propensos a error tipo I. Simon Hug argumenta que las hipótesis deterministas y las
medidas libres de errores son extremadamente raras en las ciencias sociales y usa simulaciones de Monte
Carlo para demostrar la fragilidad de los resultados de QCA si se viola cualquiera de los supuestos.5 ​Chris
Krogslund, Donghyun Danny Choi y Mathias Poertner demuestran más que los resultados de QCA son muy

https://es.wikipedia.org/wiki/Análisis_cuali-cuantitativo_comparado 2/4
21/9/22, 11:20 Análisis cuali-cuantitativo comparado - Wikipedia, la enciclopedia libre

sensibles a los pequeños cambios paramétricos y de susceptibilidad del modelo y son vulnerables al error
tipo I.6 ​Bear F. Braumoeller explora más a fondo la vulnerabilidad de la familia de técnicas QCA tanto para
el error tipo I como para la inferencia múltiple.7 ​Braumoeller también ofrece una prueba formal de hipótesis
nula y demuestra que incluso los hallazgos de QCA muy convincentes pueden sea el resultado de la
casualidad.8 ​

Respuesta a las críticas

El QCA se puede realizar de forma probabilística o determinista con observaciones de variables categóricas.
Por ejemplo, la existencia de una inferencia o implicación descriptiva está respaldada determinísticamente
por la ausencia de cualquier caso de contraejemplo a la inferencia; es decir, si un investigador afirma que la
condición X implica la condición Y, entonces, determinísticamente, no debe existir ningún caso de
contraejemplo que tenga la condición X, pero no la condición Y. Sin embargo, si el investigador quiere
afirmar que la condición X es un "predictor" probabilístico de la condición Y, en otro conjunto similar de
casos, entonces la proporción de casos de contraejemplo a una inferencia a la proporción de casos que tienen
la misma combinación de condiciones se puede establecer en un valor umbral de, por ejemplo, 80% o más.
Para cada implicante principal que QCA genera a través de su proceso de reducción de inferencia lógica, la
"cobertura" - porcentaje de todas las observaciones que exhiben esa implicación o inferencia - y la
"consistencia" - el porcentaje de observaciones que se ajustan a esa combinación de variables que tienen ese
particular valor de la variable dependiente o resultado: se calculan e informan, y se pueden usar como
indicadores de la fuerza de una inferencia probabilística exploratoria. En los procesos sociales complejos de
la vida real, QCA permite la identificación de múltiples conjuntos de condiciones que están asociadas de
manera consistente con un valor de salida particular para explorar predictores causales.

El conjunto difuso QCA tiene como objetivo manejar variables, como el PIB per cápita, donde el número de
categorías, valores decimales de unidades monetarias, se vuelve demasiado grande para usar mvQCA, o en
casos de incertidumbre o ambigüedad o error de medición en la clasificación de un caso. para ser
reconocido.9 ​

Véase también
Método comparativo
Investigación cualitativa
Investigación cuantitativa

Referencias
1. What is QCA? (http://www.u.arizona.edu/~cragin/fsQCA/software.shtml) Archivado (https://we
b.archive.org/web/20100708192528/http://www.u.arizona.edu/~cragin/fsQCA/software.shtml) el
8 de julio de 2010 en Wayback Machine. (en inglés). Consultado el 8 de febrero de 2017.
2. «qualitative comparative analysis | Encyclopedia.com» (https://www.encyclopedia.com/social-s
ciences/dictionaries-thesauruses-pictures-and-press-releases/qualitative-comparative-
analysis). www.encyclopedia.com. Consultado el 15 de octubre de 2021.
3. J. Goldthorpe, "Problemas actuales en macrosociología comparada" en "Investigación social
comparada", 16, 1997, págs. 1–26.
4. Rihoux, Benoît (2006), «Análisis comparativo cualitativo (QCA) y métodos comparativos
sistemáticos relacionados: avances recientes y desafíos restantes para la investigación en
ciencias sociales», Sociología Internacional 21 (5): 679, doi:10.1177/0268580906067836 (https://dx.do
i.org/10.1177%2F0268580906067836).
5. Hug, Simon (1 de abril de 2013). «Qualitative Análisis comparativo: cómo el uso inductivo y el
error de medición conducen a una inferencia problemática» (http://pan.oxfordjournals.org/cont

https://es.wikipedia.org/wiki/Análisis_cuali-cuantitativo_comparado 3/4
21/9/22, 11:20 Análisis cuali-cuantitativo comparado - Wikipedia, la enciclopedia libre

ent/21/2/252). Análisis político 21 (2): 252-265. ISSN 1047-1987 (https://portal.issn.org/resource/issn/10

47-1987). doi:10.1093/pan/mps061 (https://dx.doi.org/10.1093%2Fpan%2Fmps061).
6. Krogslund, Chris; Choi, Donghyun Danny; Poertner, Mathias (1 de enero de 2015). «Conjuntos
difusos en terreno inestable: sensibilidad de parámetros y sesgo de confirmación en fsQCA»
(http://pan.oxfordjournals.org/content/23/1/21). Análisis político 23 (1): 21-41. ISSN 1047-1987 (htt
ps://portal.issn.org/resource/issn/1047-1987). doi:10.1093/pan/mpu016 (https://dx.doi.org/10.1093%2Fpan%2Fm
pu016).
7. Braumoeller, Bear F. (25 de julio de 2015). «Protección contra falsos positivos en análisis
cualitativo comparativo» (http://pan.oxfordjournals.org/content/early/2015/07/24/pan.mpv017).
Análisis político 23 (4): 471-487. ISSN  1047-1987 (https://portal.issn.org/resource/issn/1047-1987).
doi:10.1093/pan/mpv017 (https://dx.doi.org/10.1093%2Fpan%2Fmpv017).
8. Braumoeller, Bear (19 de mayo de 2015). «QCAfalsePositive: Pruebas de error tipo I en
comparación cualitativa Análisis (QCA)» (https://cran.r-project.org/web/packages/QCAfalsePos
itive/index.html). Red global de archivos R. R Project. Consultado el 26 de agosto de 2015.
9. Rihoux, Benoît (2013), «QCA, 25 años después de "El método comparativo": mapeo, desafíos
e innovaciones - Mini-simposio», Investigación política trimestral 66: 167-235,
doi:10.1177/1065912912468269 (https://dx.doi.org/10.1177%2F1065912912468269).

Obtenido de «https://es.wikipedia.org/w/index.php?title=Análisis_cuali-cuantitativo_comparado&oldid=143578078»

Esta página se editó por última vez el 16 may 2022 a las 16:29.

El texto está disponible bajo la Licencia Creative Commons Atribución Compartir Igual 3.0;
pueden aplicarse
cláusulas adicionales. Al usar este sitio, usted acepta nuestros términos de uso y nuestra política de privacidad.

Wikipedia® es una marca registrada de la Fundación Wikimedia, Inc., una organización sin ánimo de lucro.

https://es.wikipedia.org/wiki/Análisis_cuali-cuantitativo_comparado 4/4