2.3:案例选择(或者,如何在比较分析中使用案例)
- Last updated
- Nov 1, 2022
- Page ID
- 172089
- Save as PDF
- Dino Bozonelos, Julia Wendt, Charlotte Lee, Jessica Scarffe, Masahiro Omae, Josh Franco, Byran Martin, & Stefan Veldhuis
- Victor Valley College, Berkeley City College, Allan Hancock College, San Diego City College, Cuyamaca College, Houston Community College, and Long Beach City College via ASCCC Open Educational Resources Initiative (OERI)
学习目标
在本节结束时,您将能够:
- 讨论案例选择在案例研究中的重要性。
- 考虑不当的案例选择会带来什么影响。
导言
案例选择是任何研究设计的重要组成部分。 决定有多少病例以及要包括哪些病例,显然将有助于确定我们的结果结果。 如果我们决定选择大量病例,我们通常会说我们正在进行 Large-N 研究。 Large-N 研究是指观测值或案例数量足够大的时候,我们需要数学(通常是统计学)技术来发现和解释任何相关性或因果关系。 为了让 Large-N 分析得出任何相关的发现,需要遵守许多惯例。 首先,样本必须代表所研究的人群。 因此,如果我们想了解COVID的长期影响,我们需要知道感染该病毒的人的大致细节。 一旦我们知道了总体的参数,我们就可以确定代表更大人口的样本。 例如,女性占所有长期COVID幸存者的55%。 因此,我们生成的任何样本都必须是至少 55% 的女性。
其次,Large-N 研究需要涉及某种随机化技术。 因此,您的样本不仅必须具有代表性,还必须在该样本中随机选择人员。 换句话说,我们必须有大量符合人口标准的人选,然后从这些人才库中随机选择。 随机化将有助于减少研究中的偏见。 此外,当随机选择病例(患有长期COVID的人)时,它们往往会确保更公平地代表所研究人群。 第三,您的样本必须足够大,因此,任何结论都必须具有外部有效性,因此使用 Large-N 表示。 一般来说,样本中的观察/病例数越多,我们在研究中的有效性就越高。 没有神奇的数字,但如果使用上面的例子,我们的长期COVID患者样本应至少超过750人,目标为1,200至1,500人左右。
在比较政治方面,我们很少能达到Large-N研究中通常使用的数字。 大约有200个得到完全认可的国家,大约有十二个得到部分认可的国家,而研究领域或区域甚至更少,例如欧洲或拉丁美洲。 有鉴于此,在研究一个或几个案例时,策略是什么? 如果我们只想知道美国而不是世界其他地区的 COVID-19 应对措施,会发生什么? 我们如何将其随机化以确保我们的结果没有偏见或具有代表性? 这些问题和其他问题是许多比较主义学者在完成研究时面临的合理问题。 随机化适用于案例研究吗? Gerring认为事实并非如此,因为 “任何给定的样本都可能具有广泛的代表性”(第87页)。 因此,在案例研究中,随机抽样不是一种可靠的方法。 而且,即使随机样本具有代表性,也无法保证收集到的证据是可靠的。
人们可以说,在大 N 研究中,病例选择可能不如在 Small-N 研究中那么重要。 在 Large-N 研究中,潜在的误差和/或偏差可能会得到改善,尤其是在样本足够大的情况下。 这种情况并不总是会发生,在 Large-N 研究中肯定会存在错误和偏见。 但是,当我们有 1,500 个案例而不是 15 个案例时,不正确或有偏见的推断就不那么令人担忧了。 在 Small-N 研究中,案例选择要重要得多。
这就是为什么Blatter和Haverland(2012)写道:“案例研究'以案例为中心',而Large-N研究'以变量为中心'”。 在 Large-N 研究中,我们更关注变量的概念化和可操作化。 因此,我们希望重点关注在长期COVID患者的分析中应包括哪些数据。 如果我们想调查他们,我们要确保我们以适当的方式构造问题。 在几乎所有基于调查的 Large-N 研究中,问题回答本身成为统计分析中使用的编码变量。
案例选择可以由比较政治中的许多因素驱动,前两种方法更为传统。 首先,它可以源于研究人员的利益。 例如,如果研究人员居住在德国,他们可能想研究 COVID-19 在该国的传播情况,可能采用国家以下各级的方法,研究人员可以比较德国各州的感染率。 其次,案例选择可能由区域研究驱动。 这仍然是基于研究人员的兴趣,因为一般而言,学者选择研究领域是出于个人兴趣。 例如,同一位研究人员可能会研究欧盟成员国的 COVID-19 感染率。 最后,所选案例的选择可能取决于所使用的案例研究类型。 在这种方法中,之所以选择病例,是因为它们允许研究人员比较它们的相似之处或不同之处。 或者,可以选择大多数案例中的典型案例,或者相比之下,选择一个或多个偏离常态的案例。 我们将在下面讨论案例研究的类型及其对案例选择的影响。
案例研究类型:描述性与因果关系
有许多不同的方法可以对案例研究进行分类。 最近的方法之一是通过约翰·格林。 他撰写了两个关于案例研究的版本(2017),他认为研究人员提出的核心问题将决定案例研究的目的。 这项研究是不是要描述性的? 如果是这样,研究人员想要描述什么? 有多少案例(国家、事件、事件)? 还是这项研究注定是因果关系,研究人员正在寻找因果关系? 鉴于此,Gerring将案例研究分为两种类型:描述性和因果关系。
描述性案例研究 “不是围绕中心的、总体因果假设或理论组织的”(第 56 页)。 大多数案例研究本质上都是描述性的,研究人员只是想描述他们观察到的内容。 它们对于传递有关所研究政治现象的信息很有用。 对于描述性案例研究,学者可能会选择一个被认为是典型人群的案例。 一个例子可能涉及研究疫情对美国中型城市的影响。 这座城市必须展现全国中型城市的趋势。 首先,我们必须概念化我们所说的 “中型城市” 的意思。 其次,我们必须确定美国中型城市的特征,这样我们的案例选择才是适当的。 或者,可以根据案例的多样性来选择案例。 与我们的例子一致,也许我们想看看疫情对美国一系列城市的影响,从小型农村城镇到中型郊区城市再到大型城市地区。
因果案例研究 “围绕关于X如何影响Y的中心假设进行组织”(第63页)。 在因果案例研究中,围绕特定政治现象或现象的背景很重要,因为它使研究人员能够确定为该结果的发生创造条件和机制的各个方面。 学者们将其称为因果机制,Falleti & Lynch(2009)将其定义为 “解释假设原因在给定背景下如何以及为何促成特定结果的可移植概念”。 请记住,因果关系是指一个变量的变化可证实地导致另一个变量的影响或变化。 对于采用因果机制的因果案例研究,Gerring将其分为探索性病例选择、估计病例选择和诊断病例选择。 差异围绕着研究中如何使用中心假设。
探索性案例研究用于确定潜在的因果假设。 研究人员将挑出似乎对结果影响最大的自变量或因变量。 目标是通过提供背景来建立可能的因果机制。 这也被称为假设生成,而不是假设检验。 案例选择可能因研究人员的目标而有很大差异。 例如,如果学者想发展一种 “理想型”,他们可能会寻找一个极端的案例。 理想类型被定义为 “最完美的事物的概念或标准”(《新韦伯斯特词典》)。 因此,如果我们想了解理想型的资本主义制度,我们想调查一个实行纯粹或 “极端” 经济体系形式的国家。
评估案例研究从已经存在的假设开始。 目标是通过收集的数据/证据来检验假设。 研究人员试图估计 “因果效应”。 这包括确定自变量和因变量之间的关系是正的、负的,还是最终是否根本不存在关系。 最后,诊断案例研究很重要,因为它们有助于 “确认、否认或完善假设”(Gerring 2017)。 在诊断案例研究中,病例选择也可能有所不同。 例如,学者们可以选择一个最不可能的案例,或者一个假设得到证实的案例,尽管背景表明情况并非如此。 一个很好的例子是印度的民主,它已经存在了70多年。 印度的民族语言多样性很高,经济相对不发达,全国大部分地区的现代化水平也很低。 所有这些因素都强烈表明,印度不应该实现民主化,也不应该长期保持民主,或者已经解体为一个国家。
最相似/最不同的系统方法
上一小节中的讨论往往侧重于单个案例的案例选择。 单个案例研究很有价值,因为它们为深入研究需要研究的主题提供了机会。 但是,在比较政治中,我们的方法是比较。 鉴于此,我们需要选择多个案例。 这带来了一系列不同的挑战。 首先,我们选了多少个案例? 这是我们之前解决的一个棘手的问题。 其次,我们如何运用前面提到的案例选择技巧,描述性还是因果关系? 如果我们使用探索性方法,我们会选择两个极端病例,或者如果选择诊断案例方法,我们会选择两个最不可能的病例?
值得庆幸的是,一位名叫约翰·斯图尔特·米尔的英语学者就我们应该如何前进提供了一些见解。 他开发了几种方法来与在复杂环境中隔离原因的明确目标进行比较。 其中两种方法,即 “共识方法” 和 “差异方法”,影响了比较政治。 在 “协议方法” 中,比较了两个或两个以上的案例的共同点。 学者希望分离出他们共同的特征或变量,然后将其确定为它们相似之处的原因。 在 “差异方法” 中,比较两个或两个以上的案例的差异。 学者希望分离出他们没有共同点的特征或变量,然后将其确定为造成它们差异的原因。 比较主义者从这两种方法中开发了两种方法。

最相似的系统设计 (MSSD) 是什么?
这种方法源自米尔的 “差异方法”。 在 “最相似的系统设计设计” 中,选择进行比较的案例彼此相似,但结果不同。 在这种方法中,我们有兴趣在民选案例中保持尽可能多的变量不变,对于比较政治而言,这些变量通常涉及国家。 请记住,自变量是不依赖于其他变量变化的因子。 它可能是因果模型中的 “原因”。 因变量是受自变量存在影响或依赖于自变量存在的变量。 这是 “效果”。 在最相似的系统方法中,感兴趣的变量应保持不变。
一个很好的例子是美国缺乏国家医疗保健系统。 其他国家,例如新西兰、澳大利亚、爱尔兰、英国和加拿大,都拥有强大的、可公开访问的国家卫生系统。 但是,美国没有。 这些国家都有相似的体系:英语遗产和语言使用、自由市场经济、强大的民主制度以及高水平的财富和教育。 然而,尽管有这些相似之处,但最终结果却各不相同。 美国看起来不像同行国家。 换句话说,为什么我们有相似的系统产生不同的结果?
最不同的系统设计 (MDSD) 是什么?
这种方法源自米尔的 “协议方法”。 在 “最不同的系统设计” 中,所选择的案例彼此不同,但结果相同。 在这种方法中,我们感兴趣的是选择彼此完全不同但得出相同结果的案例。 因此,因变量是相同的。 案例之间存在不同的自变量,例如民主诉专制政权、自由市场经济与非自由市场经济。 或者它可能包括其他变量,例如社会同质性(统一性)与社会异质性(多样性),在这种变量中,一个国家可能会发现自己在种族/宗教/种族上是统一的,或者沿着同样的路线分裂。
一个很好的例子涉及被归类为经济自由的国家。 传统基金会将新加坡、台湾、爱沙尼亚、澳大利亚、新西兰以及瑞士、智利和马来西亚等国家列为免费或大部分免费国家。 这些国家彼此差异很大。 新加坡和马来西亚被认为是有缺陷或不自由的民主国家(更多讨论见第5章),而爱沙尼亚仍被归类为发展中国家。 澳大利亚和新西兰富有,马来西亚不是。 智利和台湾成为专制军事政权统治下的经济自由国家,而瑞士则不是这样。 换句话说,为什么我们有不同的系统产生相同的结果?