2.3: Seleção de casos (ou como usar casos em sua análise comparativa)

Objetivos de

Ao final desta seção, você poderá:

• Discuta a importância da seleção de casos em estudos de caso.
• Considere as implicações da má seleção de casos.

Introdução

A seleção de casos é uma parte importante de qualquer projeto de pesquisa. Decidir quantos casos e quais casos incluir ajudará claramente a determinar o resultado de nossos resultados. Se decidirmos selecionar um grande número de casos, costumamos dizer que estamos conduzindo pesquisas em grande escala. A pesquisa com N grande ocorre quando o número de observações ou casos é grande o suficiente, onde precisaríamos de técnicas matemáticas, geralmente estatísticas, para descobrir e interpretar quaisquer correlações ou causações. Para que uma análise de N grande produza quaisquer descobertas relevantes, várias convenções precisam ser observadas. Primeiramente, a amostra precisa ser representativa da população estudada. Portanto, se quiséssemos entender os efeitos de longo prazo do COVID, precisaríamos conhecer os detalhes aproximados de quem contraiu o vírus. Depois de conhecermos os parâmetros da população, podemos determinar uma amostra que represente a população maior. Por exemplo, as mulheres representam 55% de todos os sobreviventes de longo prazo do COVID. Assim, qualquer amostra que geramos precisa ser de pelo menos 55% de mulheres.

Em segundo lugar, algum tipo de técnica de randomização precisa estar envolvida na pesquisa de grande N. Portanto, sua amostra não deve ser apenas representativa, mas também selecionar aleatoriamente pessoas dentro dessa amostra. Em outras palavras, precisamos ter uma grande seleção de pessoas que se encaixem nos critérios da população e, em seguida, selecionar aleatoriamente esses grupos. A randomização ajudaria a reduzir o viés no estudo. Além disso, quando os casos (pessoas com COVID de longo prazo) são escolhidos aleatoriamente, eles tendem a garantir uma representação mais justa da população estudada. Terceiro, sua amostra precisa ser grande o suficiente, daí a designação Large-N para que qualquer conclusão tenha alguma validade externa. De um modo geral, quanto maior o número de observações/casos na amostra, mais validade podemos ter no estudo. Não existe um número mágico, mas se usar o exemplo acima, nossa amostra de pacientes de longo prazo com COVID deve ser de pelo menos mais de 750 pessoas, com uma meta de cerca de 1.200 a 1.500 pessoas.

Quando se trata de política comparada, raramente alcançamos os números normalmente usados em pesquisas de grande porte. Existem cerca de 200 países totalmente reconhecidos, com cerca de uma dúzia de países parcialmente reconhecidos e ainda menos áreas ou regiões de estudo, como Europa ou América Latina. Diante disso, qual é a estratégia quando um caso, ou alguns casos, estão sendo estudados? O que acontece se quisermos saber apenas a resposta à COVID-19 nos Estados Unidos, e não no resto do mundo? Como podemos randomizar isso para garantir que nossos resultados não sejam tendenciosos ou representativos? Essas e outras questões são questões legítimas que muitos estudiosos comparativistas enfrentam ao concluir a pesquisa. A randomização funciona com estudos de caso? Gerring sugere que isso não acontece, pois “qualquer amostra pode ser amplamente representativa” (pág. 87). Assim, a amostragem aleatória não é uma abordagem confiável quando se trata de estudos de caso. E mesmo que a amostra aleatória seja representativa, não há garantia de que a evidência coletada seja confiável.

Pode-se argumentar que a seleção de casos pode não ser tão importante em estudos com N grande quanto em estudos com N pequeno. Em pesquisas de grande porte, possíveis erros e/ou vieses podem ser melhorados, especialmente se a amostra for grande o suficiente. Isso nem sempre é o que acontece, erros e preconceitos certamente podem existir na pesquisa de Large-N. No entanto, inferências incorretas ou tendenciosas são menos preocupantes quando temos 1.500 casos versus 15 casos. Na pesquisa Small-N, a seleção de casos simplesmente importa muito mais.

É por isso que Blatter e Haverland (2012) escrevem que “os estudos de caso são 'centrados no caso', enquanto os estudos de N grandes são 'centrados na variável'”. Em estudos de grande porte com N, estamos mais preocupados com a conceitualização e operacionalização das variáveis. Portanto, queremos nos concentrar em quais dados incluir na análise de pacientes de longo prazo com COVID. Se quiséssemos pesquisá-los, gostaríamos de ter certeza de que construímos as perguntas de maneira adequada. Para quase todas as pesquisas de Large-N baseadas em pesquisas, as próprias respostas às perguntas se tornam as variáveis codificadas usadas na análise estatística.

A seleção de casos pode ser impulsionada por vários fatores na política comparada, com as duas primeiras abordagens sendo as mais tradicionais. Primeiro, pode derivar dos interesses do (s) pesquisador (s). Por exemplo, se o pesquisador mora na Alemanha, talvez queira pesquisar a disseminação da COVID-19 no país, possivelmente usando uma abordagem subnacional em que o pesquisador possa comparar as taxas de infecção entre os estados alemães. Em segundo lugar, a seleção de casos pode ser impulsionada por estudos de área. Isso ainda se baseia nos interesses do pesquisador, pois, de um modo geral, os acadêmicos escolhem áreas de estudo devido aos seus interesses pessoais. Por exemplo, o mesmo pesquisador pode pesquisar as taxas de infecção por COVID-19 entre os estados membros da União Europeia. Finalmente, a seleção dos casos selecionados pode ser orientada pelo tipo de estudo de caso utilizado. Nessa abordagem, os casos são selecionados porque permitem que os pesquisadores comparem suas semelhanças ou diferenças. Ou, pode ser selecionado um caso típico da maioria dos casos ou, em contraste, um caso ou casos que se desviam da norma. Discutimos os tipos de estudos de caso e seu impacto na seleção de casos abaixo.

Tipos de estudos de caso: descritivo versus causal

Há várias maneiras diferentes de categorizar estudos de caso. Uma das formas mais recentes é por meio de John Gerring. Ele escreveu duas edições sobre pesquisa de estudo de caso (2017), onde ele postula que a questão central colocada pelo pesquisador ditará o objetivo do estudo de caso. O estudo deve ser descritivo? Em caso afirmativo, o que o pesquisador quer descrever? Quantos casos (países, incidentes, eventos) existem? Ou o estudo foi feito para ser causal, onde o pesquisador está procurando uma causa e efeito? Diante disso, Gerring categoriza os estudos de caso em dois tipos: descritivos e causais.

Os estudos de caso descritivos “não estão organizados em torno de uma hipótese ou teoria causal central e abrangente” (pág. 56). A maioria dos estudos de caso é de natureza descritiva, onde os pesquisadores simplesmente procuram descrever o que observam. Eles são úteis para transmitir informações sobre o fenômeno político estudado. Para um estudo de caso descritivo, um acadêmico pode escolher um caso considerado típico da população. Um exemplo poderia envolver a pesquisa dos efeitos da pandemia em cidades de médio porte nos EUA. Essa cidade teria que exibir as tendências das cidades médias em todo o país. Primeiro, teríamos que conceituar o que queremos dizer com “uma cidade de tamanho médio”. Em segundo lugar, teríamos então que estabelecer as características das cidades médias dos EUA, para que nossa seleção de casos seja apropriada. Como alternativa, os casos poderiam ser escolhidos por sua diversidade. De acordo com nosso exemplo, talvez queiramos analisar os efeitos da pandemia em várias cidades dos EUA, de pequenas cidades rurais a cidades suburbanas de médio porte e áreas urbanas de grande porte.

Os estudos de caso causais são “organizados em torno de uma hipótese central sobre como X afeta Y” (pág. 63). Em estudos de caso causais, o contexto em torno de um fenômeno ou fenômeno político específico é importante, pois permite que os pesquisadores identifiquem os aspectos que estabelecem as condições, os mecanismos, para que esse resultado ocorra. Os estudiosos se referem a isso como o mecanismo causal, definido por Falleti & Lynch (2009) como “conceitos portáteis que explicam como e por que uma causa hipotética, em um determinado contexto, contribui para um resultado específico”. Lembre-se de que causalidade ocorre quando uma alteração em uma variável causa comprovadamente um efeito ou alteração em outra variável. Para estudos de caso causais que empregam mecanismos causais, Gerring os divide em seleção exploratória de casos, estimativa da seleção de casos e seleção de casos diagnósticos. As diferenças giram em torno de como a hipótese central é utilizada no estudo.

Estudos de caso exploratórios são usados para identificar uma possível hipótese causal. Os pesquisadores destacarão as variáveis independentes que parecem afetar mais o resultado, ou a variável dependente. O objetivo é desenvolver o que o mecanismo causal pode ser, fornecendo o contexto. Isso também é conhecido como geração de hipóteses, em oposição ao teste de hipóteses. A seleção de casos pode variar muito, dependendo do objetivo do pesquisador. Por exemplo, se o acadêmico está procurando desenvolver um “tipo ideal”, ele pode procurar um caso extremo. Um tipo ideal é definido como uma “concepção ou um padrão de algo em sua mais alta perfeição” (New Webster Dictionary). Assim, se quisermos entender o sistema capitalista do tipo ideal, queremos investigar um país que pratica uma forma pura ou “extrema” do sistema econômico.

A estimativa de estudos de caso começa com uma hipótese já existente. O objetivo é testar a hipótese por meio de dados/evidências coletados. Os pesquisadores buscam estimar o “efeito causal”. Isso envolve determinar se a relação entre as variáveis independentes e dependentes é positiva, negativa ou, em última análise, se não existe nenhuma relação. Finalmente, estudos de caso diagnósticos são importantes, pois ajudam a “confirmar, desconfirmar ou refinar uma hipótese” (Gerring 2017). A seleção de casos também pode variar em estudos de caso de diagnóstico. Por exemplo, os estudiosos podem escolher um caso menos provável ou um caso em que a hipótese seja confirmada, mesmo que o contexto sugira o contrário. Um bom exemplo seria olhar para a democracia indiana, que existe há mais de 70 anos. A Índia tem um alto nível de diversidade etnolinguística, é relativamente subdesenvolvida economicamente e um baixo nível de modernização em grandes áreas do país. Todos esses fatores sugerem fortemente que a Índia não deveria ter democratizado, ou deveria ter falhado em manter uma democracia a longo prazo, ou ter se desintegrado como país.

Abordagem de sistemas mais semelhante/mais diferente

A discussão na subseção anterior tende a se concentrar na seleção de casos quando se trata de um único caso. Estudos de caso individuais são valiosos, pois oferecem uma oportunidade para pesquisas aprofundadas sobre um tópico que exige isso. No entanto, em política comparada, nossa abordagem é comparar. Diante disso, somos obrigados a selecionar mais de um caso. Isso apresenta um conjunto diferente de desafios. Primeiro, quantos casos escolhemos? Essa é uma pergunta complicada que abordamos anteriormente. Em segundo lugar, como aplicamos as técnicas de seleção de casos mencionadas anteriormente, descritivas versus causais? Escolhemos dois casos extremos se usarmos uma abordagem exploratória ou dois casos menos prováveis se escolhermos uma abordagem de caso diagnóstico?

Felizmente, um estudioso de inglês chamado John Stuart Mill forneceu algumas dicas sobre como devemos proceder. Ele desenvolveu várias abordagens para comparação com o objetivo explícito de isolar uma causa em um ambiente complexo. Dois desses métodos, o “método de acordo” e o “método da diferença” influenciaram a política comparada. No “método de acordo”, dois ou mais casos são comparados quanto às suas semelhanças. O estudioso procura isolar a característica, ou variável, que eles têm em comum, que é então estabelecida como a causa de suas semelhanças. No “método da diferença”, dois ou mais casos são comparados por suas diferenças. O estudioso procura isolar a característica, ou variável, que não tem em comum, que é então identificada como a causa de suas diferenças. A partir desses dois métodos, os comparativistas desenvolveram duas abordagens.

Figura\(\PageIndex{1}\): Capa do livro A System of Logic, Ratiocinative and Inductive. John Stuart Mill desenvolveu várias abordagens de comparação: “método de concordância” e “método da diferença”. (Fonte: Mill, J.S. (1843). Um sistema de lógica, raciocinativo e indutivo. Imprensa da Universidade de Toronto.)

Qual é o design de sistemas mais semelhante (MSSD)?

Essa abordagem é derivada do “método da diferença” de Mill. Em um projeto de sistema mais semelhante, os casos selecionados para comparação são semelhantes entre si, mas os resultados diferem no resultado. Nessa abordagem, estamos interessados em manter o mesmo número de variáveis nos casos eleitos, o que, para política comparada, geralmente envolve países. Lembre-se de que a variável independente é o fator que não depende de mudanças em outras variáveis. É potencialmente a “causa” no modelo de causa e efeito. A variável dependente é a variável afetada ou dependente da presença da variável independente. É o 'efeito'. Em uma abordagem de sistemas mais similar, as variáveis de interesse devem permanecer as mesmas.

Um bom exemplo envolve a falta de um sistema nacional de saúde nos EUA. Outros países, como Nova Zelândia, Austrália, Irlanda, Reino Unido e Canadá, todos têm sistemas nacionais de saúde robustos e acessíveis ao público. No entanto, os EUA não. Todos esses países têm sistemas semelhantes: herança e uso da língua inglesa, economias liberais de mercado, instituições democráticas fortes e altos níveis de riqueza e educação. No entanto, apesar dessas semelhanças, os resultados finais variam. Os EUA não se parecem com seus países semelhantes. Em outras palavras, por que temos sistemas similares produzindo resultados diferentes?

Qual é o design de sistemas mais diferente (MDSD)?

Essa abordagem é derivada do “método de acordo” de Mill. Em um design de sistema mais diferente, os casos selecionados são diferentes entre si, mas resultam no mesmo resultado. Nessa abordagem, estamos interessados em selecionar casos que sejam bem diferentes uns dos outros, mas que cheguem ao mesmo resultado. Assim, a variável dependente é a mesma. Existem diferentes variáveis independentes entre os casos, como regime democrático versus regime autoritário, economia de mercado liberal versus economia de mercado não liberal. Ou pode incluir outras variáveis, como homogeneidade social (uniformidade) versus heterogeneidade social (diversidade), em que um país pode se encontrar unificado étnico/religioso/racialmente ou fragmentado nessa mesma linha.

Um bom exemplo envolve os países que são classificados como economicamente liberais. A Heritage Foundation lista países como Cingapura, Taiwan, Estônia, Austrália, Nova Zelândia, bem como Suíça, Chile e Malásia como gratuitos ou principalmente gratuitos. Esses países diferem muito uns dos outros. Cingapura e Malásia são consideradas democracias imperfeitas ou iliberais (veja o capítulo 5 para mais discussões), enquanto a Estônia ainda é classificada como um país em desenvolvimento. A Austrália e a Nova Zelândia são ricas, a Malásia não. Chile e Taiwan se tornaram países economicamente livres sob os regimes militares autoritários, o que não é o caso da Suíça. Em outras palavras, por que temos sistemas diferentes produzindo o mesmo resultado?