Skip to main content
Query

2.3 : Sélection des cas (ou comment utiliser les cas dans votre analyse comparative)

  • Page ID
    166341
  • \( \newcommand{\vecs}[1]{\overset { \scriptstyle \rightharpoonup} {\mathbf{#1}} } \) \( \newcommand{\vecd}[1]{\overset{-\!-\!\rightharpoonup}{\vphantom{a}\smash {#1}}} \)\(\newcommand{\id}{\mathrm{id}}\) \( \newcommand{\Span}{\mathrm{span}}\) \( \newcommand{\kernel}{\mathrm{null}\,}\) \( \newcommand{\range}{\mathrm{range}\,}\) \( \newcommand{\RealPart}{\mathrm{Re}}\) \( \newcommand{\ImaginaryPart}{\mathrm{Im}}\) \( \newcommand{\Argument}{\mathrm{Arg}}\) \( \newcommand{\norm}[1]{\| #1 \|}\) \( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\) \( \newcommand{\Span}{\mathrm{span}}\) \(\newcommand{\id}{\mathrm{id}}\) \( \newcommand{\Span}{\mathrm{span}}\) \( \newcommand{\kernel}{\mathrm{null}\,}\) \( \newcommand{\range}{\mathrm{range}\,}\) \( \newcommand{\RealPart}{\mathrm{Re}}\) \( \newcommand{\ImaginaryPart}{\mathrm{Im}}\) \( \newcommand{\Argument}{\mathrm{Arg}}\) \( \newcommand{\norm}[1]{\| #1 \|}\) \( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\) \( \newcommand{\Span}{\mathrm{span}}\)\(\newcommand{\AA}{\unicode[.8,0]{x212B}}\)

    Objectifs d'apprentissage

    À la fin de cette section, vous serez en mesure de :

    • Discutez de l'importance du choix des cas dans les études de cas.
    • Tenez compte des implications d'une mauvaise sélection des cas.

    Présentation

    La sélection des cas est un élément important de tout plan de recherche. Décider du nombre de cas et des cas à inclure aidera clairement à déterminer l'issue de nos résultats. Si nous décidons de sélectionner un grand nombre de cas, nous disons souvent que nous menons des recherches à grande échelle. La recherche à grande échelle N se produit lorsque le nombre d'observations ou de cas est suffisamment important pour nécessiter des techniques mathématiques, généralement statistiques, pour découvrir et interpréter les corrélations ou les causes. Pour qu'une analyse à grande échelle d'azote produise des résultats pertinents, un certain nombre de conventions doivent être respectées. Tout d'abord, l'échantillon doit être représentatif de la population étudiée. Ainsi, si nous voulions comprendre les effets à long terme du COVID, nous aurions besoin de connaître les détails approximatifs des personnes qui ont contracté le virus. Une fois que nous connaissons les paramètres de la population, nous pouvons déterminer un échantillon qui représente l'ensemble de la population. Par exemple, les femmes représentent 55 % de tous les survivants à long terme de la COVID. Ainsi, tout échantillon que nous produisons doit être composé d'au moins 55 % de femmes.

    Deuxièmement, une sorte de technique de randomisation doit être impliquée dans la recherche sur l'azote à grande échelle. Ainsi, non seulement votre échantillon doit être représentatif, mais il doit également sélectionner au hasard des personnes au sein de cet échantillon. En d'autres termes, nous devons disposer d'un large choix de personnes répondant aux critères de population, puis sélectionner au hasard parmi ces groupes. La randomisation aiderait à réduire les biais dans l'étude. De plus, lorsque les cas (personnes atteintes de COVID à long terme) sont choisis au hasard, ils ont tendance à garantir une représentation plus juste de la population étudiée. Troisièmement, votre échantillon doit être suffisamment grand, d'où la désignation Large-N pour que toute conclusion ait une validité externe. D'une manière générale, plus le nombre d'observations/cas dans l'échantillon est important, plus l'étude peut être valide. Il n'y a pas de chiffre magique, mais si vous utilisez l'exemple ci-dessus, notre échantillon de patients atteints de COVID de longue durée devrait compter au moins plus de 750 personnes, avec un objectif d'environ 1 200 à 1 500 personnes.

    En matière de politique comparée, nous atteignons rarement les chiffres généralement utilisés dans les recherches à grande échelle. Il existe environ 200 pays pleinement reconnus, dont une douzaine de pays partiellement reconnus, et encore moins de domaines ou de régions d'études, tels que l'Europe ou l'Amérique latine. Dans ces conditions, quelle est la stratégie à adopter lorsqu'un cas, ou quelques cas, sont étudiés ? Que se passe-t-il si nous voulons uniquement connaître la réponse à la COVID-19 aux États-Unis, et non dans le reste du monde ? Comment pouvons-nous les classer aléatoirement pour nous assurer que nos résultats ne sont pas biaisés ou qu'ils sont représentatifs ? Ces questions et d'autres sont des problèmes légitimes auxquels de nombreux chercheurs comparativistes sont confrontés lorsqu'ils terminent leurs recherches. La randomisation fonctionne-t-elle avec les études de cas ? Gerring soutient que ce n'est pas le cas, car « tout échantillon donné peut être largement représentatif » (p. 87). L'échantillonnage aléatoire n'est donc pas une approche fiable lorsqu'il s'agit d'études de cas. Et même si l'échantillon randomisé est représentatif, rien ne garantit que les preuves recueillies soient fiables.

    On peut faire valoir que la sélection des cas n'est peut-être pas aussi importante dans les études sur l'azote à grande échelle que dans les études sur les petits N. Dans le cadre de recherches sur l'azote à grande échelle, les erreurs et/ou les biais potentiels peuvent être atténués, en particulier si l'échantillon est suffisamment grand. Ce n'est pas toujours le cas, des erreurs et des biais peuvent très certainement exister dans la recherche à grande échelle sur l'azote. Cependant, les inférences incorrectes ou biaisées sont moins préoccupantes lorsque nous avons 1 500 cas contre 15 cas. Dans la recherche Small-N, la sélection des cas est tout simplement beaucoup plus importante.

    C'est pourquoi Blatter et Haverland (2012) écrivent que « les études de cas sont « centrées sur les cas », tandis que les études de grande envergure sont « centrées sur les variables » ». Dans les études à grande échelle, nous nous intéressons davantage à la conceptualisation et à l'opérationnalisation des variables. Ainsi, nous voulons nous concentrer sur les données à inclure dans l'analyse des patients atteints de COVID à long terme. Si nous voulions les sonder, nous voudrions nous assurer de construire les questions de manière appropriée. Pour presque toutes les recherches à grande échelle fondées sur des enquêtes, les réponses aux questions elles-mêmes deviennent les variables codées utilisées dans l'analyse statistique.

    La sélection des cas peut être dictée par un certain nombre de facteurs de politique comparée, les deux premières approches étant les plus traditionnelles. Tout d'abord, elle peut découler des intérêts du ou des chercheurs. Par exemple, si le chercheur vit en Allemagne, il peut vouloir étudier la propagation de la COVID-19 dans le pays, éventuellement en utilisant une approche infranationale dans laquelle le chercheur pourrait comparer les taux d'infection entre les États allemands. Deuxièmement, la sélection des cas peut être dictée par des études de zone. Cela reste basé sur les intérêts du chercheur, car en général, les chercheurs choisissent des domaines d'études en fonction de leurs intérêts personnels. Par exemple, le même chercheur peut étudier les taux d'infection à la COVID-19 dans les États membres de l'Union européenne. Enfin, la sélection des cas sélectionnés peut être dictée par le type d'étude de cas utilisé. Dans cette approche, les cas sont sélectionnés car ils permettent aux chercheurs de comparer leurs similitudes ou leurs différences. Vous pouvez également sélectionner un cas typique de la plupart des cas ou, au contraire, un cas ou des cas qui s'écartent de la norme. Nous discutons des types d'études de cas et de leur impact sur la sélection des cas ci-dessous.

    Types d'études de cas : descriptives ou causales

    Il existe différentes manières de classer les études de cas. L'un des moyens les plus récents est celui de John Gerring. Il a écrit deux éditions sur la recherche par études de cas (2017) où il pose que la question centrale posée par le chercheur dictera l'objectif de l'étude de cas. L'étude est-elle censée être descriptive ? Dans l'affirmative, que cherche à décrire le chercheur ? Combien de cas (pays, incidents, événements) y a-t-il ? Ou est-ce que l'étude est censée être causale, c'est-à-dire que le chercheur cherche une cause et un effet ? C'est pourquoi Gerring classe les études de cas en deux types : descriptives et causales.

    Les études de cas descriptives ne sont « pas organisées autour d'une hypothèse ou d'une théorie causale centrale et globale » (p. 56). La plupart des études de cas sont de nature descriptive, les chercheurs cherchant simplement à décrire ce qu'ils observent. Ils sont utiles pour transmettre des informations concernant le phénomène politique étudié. Pour une étude de cas descriptive, un chercheur peut choisir un cas considéré comme typique de la population. Un exemple pourrait consister à étudier les effets de la pandémie sur les villes de taille moyenne aux États-Unis. Cette ville devrait présenter les tendances des villes de taille moyenne à travers tout le pays. Tout d'abord, il faudrait conceptualiser ce que nous entendons par « ville de taille moyenne ». Ensuite, nous devrions ensuite établir les caractéristiques des villes américaines de taille moyenne, afin que notre sélection de cas soit appropriée. Les cas pourraient également être choisis en fonction de leur diversité. En suivant notre exemple, nous voudrions peut-être examiner les effets de la pandémie sur diverses villes américaines, des petites villes rurales aux villes de banlieue de taille moyenne en passant par les grandes zones urbaines.

    Les études de cas causales sont « organisées autour d'une hypothèse centrale concernant la façon dont X affecte Y » (p. 63). Dans les études de cas causales, le contexte entourant un ou plusieurs phénomènes politiques spécifiques est important car il permet aux chercheurs d'identifier les aspects qui déterminent les conditions et les mécanismes permettant à ce résultat de se produire. Les chercheurs appellent cela le mécanisme causal, défini par Falleti et Lynch (2009) comme « des concepts portables qui expliquent comment et pourquoi une cause hypothétique, dans un contexte donné, contribue à un résultat particulier ». N'oubliez pas que la causalité se produit lorsqu'une modification d'une variable provoque de manière vérifiable un effet ou une modification d'une autre variable. Pour les études de cas causales qui utilisent des mécanismes causaux, Gerring les divise en une sélection de cas exploratoire, une estimation de la sélection de cas et une sélection de cas diagnostique. Les différences concernent la manière dont l'hypothèse centrale est utilisée dans l'étude.

    Des études de cas exploratoires sont utilisées pour identifier une hypothèse causale potentielle. Les chercheurs identifieront les variables indépendantes qui semblent avoir le plus d'incidence sur le résultat, ou la variable dépendante, le plus. L'objectif est de déterminer quel pourrait être le mécanisme causal en fournissant le contexte. C'est ce que l'on appelle la génération d'hypothèses par opposition à la vérification d'hypothèses. La sélection des cas peut varier considérablement en fonction de l'objectif du chercheur. Par exemple, si le chercheur cherche à développer un « type idéal », il peut rechercher un cas extrême. Un type idéal est défini comme « la conception ou la norme de quelque chose dans sa plus grande perfection » (New Webster Dictionary). Ainsi, si nous voulons comprendre le système capitaliste de type idéal, nous voulons étudier un pays qui pratique une forme pure ou « extrême » de système économique.

    L'estimation des études de cas commence par une hypothèse déjà en place. L'objectif est de tester l'hypothèse à l'aide de données/preuves collectées. Les chercheurs cherchent à estimer « l'effet causal ». Cela implique de déterminer si la relation entre les variables indépendantes et dépendantes est positive, négative ou, en fin de compte, s'il n'existe aucune relation. Enfin, les études de cas diagnostiques sont importantes car elles aident à « confirmer, infirmer ou affiner une hypothèse » (Gerring 2017). La sélection des cas peut également varier dans les études de cas diagnostiques. Par exemple, les chercheurs peuvent choisir un cas le moins probable ou un cas où l'hypothèse est confirmée même si le contexte suggère le contraire. La démocratie indienne, qui existe depuis plus de 70 ans, en est un bon exemple. L'Inde possède une grande diversité ethnolinguistique, est relativement sous-développée sur le plan économique et présente un faible niveau de modernisation sur de vastes régions du pays. Tous ces facteurs suggèrent fortement que l'Inde n'aurait pas dû se démocratiser, ou n'aurait pas dû rester démocratique à long terme, ou qu'elle se serait désintégrée en tant que pays.

    Approche des systèmes la plus similaire/la plus différente

    La discussion de la sous-section précédente tend à se concentrer sur la sélection des cas lorsqu'il s'agit d'un cas unique. Les études de cas uniques sont précieuses car elles permettent de mener des recherches approfondies sur un sujet qui l'exige. Cependant, en politique comparée, notre approche consiste à comparer. Dans ces conditions, nous sommes tenus de sélectionner plus d'un cas. Cela présente un ensemble de défis différents. Tout d'abord, combien de cas choisissons-nous ? C'est une question délicate que nous avons abordée plus tôt. Deuxièmement, comment appliquer les techniques de sélection de cas mentionnées précédemment, qu'elles soient descriptives ou causales ? Choisissons-nous deux cas extrêmes si nous utilisons une approche exploratoire, ou deux cas les moins probables si nous optons pour une approche diagnostique ?

    Heureusement, un universitaire anglais du nom de John Stuart Mill a donné un aperçu de la façon dont nous devrions procéder. Il a développé plusieurs approches de comparaison dans le but explicite d'isoler une cause dans un environnement complexe. Deux de ces méthodes, la « méthode de l'accord » et la « méthode de la différence », ont influencé la politique comparée. Dans la « méthode d'accord », deux cas ou plus sont comparés pour leurs points communs. Le chercheur cherche à isoler la caractéristique ou la variable qu'ils ont en commun, ce qui est ensuite établi comme la cause de leurs similitudes. Dans la « méthode de différence », deux cas ou plus sont comparés pour leurs différences. Le chercheur cherche à isoler la caractéristique, ou la variable, qu'ils n'ont pas en commun, qui est ensuite identifiée comme la cause de leurs différences. À partir de ces deux méthodes, les comparativistes ont développé deux approches.

    Couverture du livre A System of Logic, ratiocinative and Inductive de John Stuart Mill, 1843
    Figure\(\PageIndex{1}\) : Couverture du livre A System of Logic, ratiocinative and Inductive. John Stuart Mill a développé plusieurs approches de comparaison : « méthode de concordance » et « méthode de différence ». (Source : Mill, J.S. (1843). Un système logique, ratiocinatif et inductif. Presses de l'Université de Toronto.)

    Quelle est la conception de systèmes la plus similaire (MSSD) ?

    Cette approche est dérivée de la « méthode de différence » de Mill. Dans une conception de systèmes les plus similaires, les cas sélectionnés pour la comparaison sont similaires les uns aux autres, mais les résultats diffèrent en termes de résultats. Dans cette approche, nous souhaitons maintenir le plus grand nombre de variables les mêmes dans tous les cas électifs, ce qui, pour la politique comparée, implique souvent des pays. N'oubliez pas que la variable indépendante est le facteur qui ne dépend pas des modifications des autres variables. C'est potentiellement la « cause » du modèle de cause à effet. La variable dépendante est la variable qui est affectée par ou qui dépend de la présence de la variable indépendante. C'est « l'effet ». Dans une approche de systèmes très similaire, les variables d'intérêt devraient rester les mêmes.

    L'absence d'un système de santé national aux États-Unis en est un bon exemple. D'autres pays, tels que la Nouvelle-Zélande, l'Australie, l'Irlande, le Royaume-Uni et le Canada, disposent tous de systèmes de santé nationaux robustes et accessibles au public. Cependant, ce n'est pas le cas des États-Unis. Ces pays ont tous des systèmes similaires : héritage et utilisation de la langue anglaise, économies de marché libérales, institutions démocratiques fortes et niveaux élevés de richesse et d'éducation. Pourtant, malgré ces similitudes, les résultats finaux varient. Les États-Unis ne ressemblent pas à leurs homologues. En d'autres termes, pourquoi avons-nous des systèmes similaires produisant des résultats différents ?

    Quelle est la conception de systèmes la plus différente (MDSD) ?

    Cette approche est dérivée de la « méthode d'accord » de Mill. Dans une conception de système très différente, les cas sélectionnés sont différents les uns des autres, mais aboutissent au même résultat. Dans cette approche, nous souhaitons sélectionner des cas très différents les uns des autres, tout en aboutissant au même résultat. Ainsi, la variable dépendante est la même. Différentes variables indépendantes existent entre les cas, telles que régime démocratique contre régime autoritaire, économie de marché libérale contre économie de marché non libérale. Il pourrait également inclure d'autres variables telles que l'homogénéité sociale (uniformité) par rapport à l'hétérogénéité sociale (diversité), où un pays peut se retrouver unifié sur le plan ethnique/religieux/racial, ou fragmenté selon les mêmes critères.

    Les pays considérés comme économiquement libéraux en sont un bon exemple. La Heritage Foundation répertorie des pays tels que Singapour, Taïwan, l'Estonie, l'Australie, la Nouvelle-Zélande, ainsi que la Suisse, le Chili et la Malaisie comme étant libres ou majoritairement gratuits. Ces pays sont très différents les uns des autres. Singapour et la Malaisie sont considérées comme des démocraties imparfaites ou illibérales (voir le chapitre 5 pour plus de détails), tandis que l'Estonie est toujours classée parmi les pays en développement. L'Australie et la Nouvelle-Zélande sont riches, la Malaisie ne l'est pas. Le Chili et Taïwan sont devenus des pays économiquement libres sous des régimes militaires autoritaires, ce qui n'est pas le cas de la Suisse. En d'autres termes, pourquoi différents systèmes produisent-ils le même résultat ?