Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Toward A Unified
Toward A Unified
unificada de la causalidad
James Mahoney
Tal vez la mayoría de los comparativistas crean que tanto las formas de
investigación orientadas a casos como las orientadas a la población son dignas de
estudio. Sin embargo, no se aprecian bien sus numerosas diferencias, lo que
fomenta los malentendidos (Mahoney y Goertz, 2006). De estas diferencias, quizá
la más básica se refiere a las concepciones de causalidad. Los enfoques
orientados a los casos y los orientados a la población divergen en sus
concepciones fundamentales de la causalidad, lo que deja al campo comparativo
sin una teoría unificada de la causalidad. El reto de la unificación consiste en
conciliar las afirmaciones aparentemente contradictorias de ambos enfoques sobre
la causalidad. ¿Cómo puede ser la causalidad tanto un proceso que permite o
genera resultados específicos en casos concretos como una probabilidad
estadística que opera probabilísticamente dentro de una población? Una teoría
unificada debería explicarnos por qué no hay contradicción en este punto y por
qué (y si) necesitamos interpretaciones tan aparentemente diferentes de la
causalidad a nivel de caso y a nivel de población. De hecho, debería proporcionar
las herramientas para traducir el tipo de lenguaje causal que se utiliza a nivel de
caso al tipo de lenguaje causal que se utiliza a nivel de población (y viceversa).
Este objetivo de investigación parece bastante sencillo. Pero, ¿qué quieren decir
concretamente los investigadores de estudios de casos cuando afirman que un
determinado valor de una variable
Quizá el enfoque más común para definir la causalidad en el caso individual sea
suponer que funciona como la causalidad a nivel de la población. En este caso, la
causalidad se concibe en términos de probabilidades. Una causa es
concretamente un valor de una variable que hace más probable un resultado; una
causa aumenta la probabilidad de que se produzca un resultado. Esta definición
de causa como "aumentadora de probabilidades" procede de la teoría de la
probabilidad que sustenta la investigación orientada a la población.
Sin embargo, a nivel del caso individual, la idea de que las causas aumentan las
probabilidades plantea varios problemas. En primer lugar, las probabilidades
deben derivarse de las poblaciones. Y las causas que aumentan la probabilidad de
un resultado determinado en una población no tienen por qué aumentar la
probabilidad de ese resultado en un caso concreto. De hecho, algunos factores
que uno querría llamar "causas" de un resultado en un caso individual en realidad
disminuyen la probabilidad del resultado en una población más amplia. Los
filósofos utilizan escenarios estilizados para ilustrar esta idea, pero los estudiantes
de política comparada conocen ejemplos. Por ejemplo, aunque muchas
investigaciones sugieren que el desarrollo económico aumenta la probabilidad de
democracia (o la estabilidad democrática), durante mucho tiempo se ha
considerado una causa de la ruptura de la democracia y la aparición del
autoritarismo en Sudamérica durante los años sesenta y setenta (por ejemplo, D.
Collier, 1979; O'Donnell, 1973; véase también Mainwaring y Pérez-Liñán, 2003).
Del mismo modo, la elección de gobiernos de izquierdas y laboristas hace
históricamente menos probable, por término medio, el inicio de reformas radicales
orientadas al mercado, pero estos gobiernos han sido tratados como causa de
tales reformas en varios países en desarrollo contemporáneos (Levitsky & Way,
1998).
Aunque útil, este enfoque no puede dar cabida a las causas suficientes. Con
causas suficientes, la ausencia contrafactual de la causa puede no cambiar el
resultado en un caso individual y, por tanto, podría interpretarse que no ejerce un
efecto según la definición de causa necesaria.7 De hecho, existe una amplia
literatura filosófica, que también se remonta a Hume, que define la causa en
términos de suficiencia en lugar de necesidad.8 Algunos comparativistas utilizan
este enfoque, al menos implícitamente. Por ejemplo, Goldhagen (1997) sostiene
que una cultura de antisemitismo virulento fue suficiente para motivar a los
alemanes a matar judíos. No eran necesarios factores causales alternativos, como
el ascenso de los nazis y Hitler. El antisemitismo de Alemania fue suficiente por sí
mismo para proporcionar la base motivacional del Holocausto.
Los investigadores orientados a los casos rara vez tratan un único valor de
variable como suficiente para un resultado determinado. En cambio, cuando
intentan identificar las causas que generan un resultado específico, suelen tratar
los valores individuales de las variables como causas INUS. Mackie (1965) deriva
el acrónimo INUS de la siguiente manera: "la llamada causa es, y se sabe que es,
una parte insuficiente pero necesaria de una condición que es en sí misma
innecesaria pero suficiente para el resultado" (p. 246; véase también Mackie,
1980). Una ilustración estilizada de la causalidad INUS es la idea de que un
edificio puede incendiarse (Y1) debido a un cortocircuito (A1) combinado con un
armazón de madera (B1) o debido a un bidón de gasolina (C1) combinado con un
horno (D1); es decir, Y1 = (A1 & B1) v (C1 & D1), donde "&" representa el Y lógico,
la "v" representa el O lógico y "=" representa la suficiencia. No existe una causa
necesaria para el resultado, sino que las combinaciones alternativas son
suficientes.
Lógicamente, por tanto, hay cinco tipos de causas que pueden utilizarse en la
investigación orientada a casos. Una causa puede ser (a) necesaria pero no
suficiente, (b) suficiente pero no necesaria, (c) necesaria y suficiente, (d) INUS, o
(e) SUIN. Esta lista parece ser mutuamente excluyente y colectivamente
exhaustiva (Mahoney et al., 2007). De estas cinco causas, la prototípica es una
causa necesaria y suficiente. Todas las demás causas son derivadas de una
causa necesaria y suficiente. De hecho, las otras cuatro causas adquieren mayor
importancia en la medida en que se acercan al umbral de ser una causa necesaria
y suficiente (Mahoney et al., 2007; véase también Braumoeller & Goertz, 2000;
Goertz, 2006; Hart & Honoré, 1959; Ragin, 2006). Así, las causas necesarias son
cada vez más importantes a medida que se acercan a la suficiencia causal. Las
causas suficientes son más importantes a medida que se acercan a la necesidad
causal. Y las causas INUS y SUIN ganan importancia a medida que se acercan a
ser individualmente necesarias y suficientes.
preguntas, los investigadores quieren generalizar sobre los efectos típicos del
factor o factores causales concretos de interés.
Esto deja a las causas INUS como el principal tipo de causa que se aplica a nivel
de población. Si las causas INUS están presentes, diferentes conjuntos de valores
de variables conducen a un resultado concreto. La presencia de múltiples
combinaciones de valores de variables que producen el mismo resultado se
denomina a veces "equifinalidad" (George & Bennett, 2005). Aunque la
equifinalidad suele asociarse con las técnicas de ACQ (Ragin, 1987, 2000), su
énfasis en múltiples caminos hacia un resultado dado está implícitamente presente
en la mayoría de las investigaciones orientadas a la población, incluidos los
modelos lineales aditivos que los comparativistas utilizan con frecuencia. En un
modelo lineal aditivo hay innumerables formas de llegar a un resultado (es decir, a
un rango concreto de valores de la variable dependiente). Cada variable
independiente ejerce su propio efecto, y cada variable independiente puede
compensar potencialmente cualquier otra. Un caso puede tener el resultado de
interés porque tiene valores altos en determinadas variables, mientras que un
caso diferente llega al mismo resultado porque tiene valores altos en otras
variables. Ningún valor de variable es necesario, pero diferentes valores de
variable (junto con el término de error) son suficientes para producir el resultado.
La equifinalidad es, por tanto, omnipresente en la corriente principal de la
investigación orientada a la población (Mahoney y Goertz, 2006).
La relación entre un efecto causal medio y una causa INUS puede entenderse
mejor si definimos primero una causa INUS "importante". El criterio general es que
una causa INUS es más importante a medida que se acerca a ser una causa
necesaria y/o suficiente; además, debe ser una causa no trivial.14 Tomando
prestado el lenguaje de la teoría de la probabilidad, podemos decir que las causas
INUS importantes son causas "probabilísticamente necesarias" y/o
"probabilísticamente suficientes" a nivel poblacional. El grado en que son
probabilísticamente necesarias o probabilísticamente suficientes puede evaluarse
en la práctica con una o varias técnicas disponibles (véase Braumoeller y Goertz,
2000; Clark, Gilligan y Golder, 2006; Dion, 1998; Eliason y Stryker, en prensa;
Ragin, 2000).
El otro tipo de causas INUS importantes son las que son probabilísticamente
suficientes. Estas causas no tienen que combinarse con muchas otras causas (no
triviales) para generar el resultado de interés. Más bien, las causas
probabilísticamente suficientes casi pueden producir el resultado por sí mismas
(pero necesitan algo de ayuda de otras variables). Por ejemplo, el cáncer de
pulmón es probabilísticamente suficiente para la muerte. La mayoría de las
muertes no implican cáncer de pulmón, pero cuando el cáncer de pulmón está
presente, generará la muerte en la mayoría de las circunstancias (aunque hay
algunas excepciones). De nuevo, las causas INUS que son probabilísticamente
suficientes se manifestarán como variables que ejercen efectos parciales cuando
se incluyen en modelos estadísticos correctamente especificados.
Tratar las variables que muestran efectos causales medios en los modelos
estadísticos como causas INUS es útil de varias maneras. En primer lugar, resulta
muy esclarecedor saber si una variable ejerce su efecto porque es
probabilísticamente necesaria o porque es probabilísticamente suficiente (o ambas
cosas). Por ejemplo, la conclusión de que un mayor nivel de desarrollo económico
es casi siempre suficiente para la democracia tiene una importancia sustantiva
evidente. Nos dice que la promoción del crecimiento económico por encima de un
cierto nivel casi garantiza la promoción de la libertad humana. Lo mismo puede
decirse de la conclusión de que unos niveles elevados de gobernanza de izquierda
acumulativa son casi siempre necesarios para unos niveles elevados de
guarderías públicas (Stryker, Eliason y Tranby, en prensa). La implicación es que
los programas públicos de guarderías sólo se desbancarán con un cambio a largo
plazo hacia la derecha en el gobierno. Aunque este tipo de conclusiones no tienen
que ver con los efectos parciales, como tradicionalmente se ha entendido, son
claramente útiles si son correctas.
Más allá de esto, por supuesto, los investigadores siempre estarán interesados en
tratar de estimar los efectos medios de las variables individuales por derecho
propio. La información sobre los efectos medios ayuda a hacer predicciones
informadas y a estimar el impacto futuro de una intervención determinada. Los
individuos y los actores políticos buscan este tipo de información cuando
maniobran en el mundo. Por ejemplo, una cosa es saber que el autoritarismo es
una causa INUS probabilísticamente necesaria de revolución social (o que fumar
es una causa INUS probabilísticamente necesaria de cáncer de pulmón). This tells
us that governments can ward off social revolutions by promoting formal
democratic institutions (or that we can be fairly certain to avoid lung cancer by not
being exposed to tobacco smoke). Yet it is another thing to have a good estimate
of the risk of social revolution a government faces by having authoritarian
institutions (or the risk of lung cancer we face by smoking). The true probability of
the outcome occurring at the case level is 1 or 0. However, in the absence of full
knowledge about all of the sufficiency combinations that can produce the outcome,
we would like to know if the probability is more likely 1 or 0, and exactly how much
more likely! We seek insight about what we can most reasonably expect to happen
in a context of limited knowledge. The population-oriented tradition can help
decision makers formulate better guesses about whether, given a particular course
of action and other known conditions in the world, the probability of a specific
outcome of interest occurring is really 1 or 0.
These observations bring us full circle. Just as one might want to trans- late
findings from population-oriented research into the causal language of the case-
oriented tradition, so too might one wish to translate findings about probabilistically
necessary and probabilistically sufficient INUS causes into the language of mean
causal effects.
Conclusión