Vis de Seleo

DSI apresenta uma longa seo no captulo What To Avoid dedicado ao vis
de seleo, afirmando que ele um problema central na inferncia causal. O
vis de seleo aparece quando casos so escolhidos de uma maneira que
no segue uma regra de amostragem representativa ou quando algum
processo desconhecido atribui causas a casos. Esse vis pode ser tanto pelo
processo de seleo empregado pelo pesquisador, por autoseleo dos
indivduos ou por seleo dos casos baseados em uma varivel
independente.
KKV foca no problema do vis de seleo induzido pelo pesquisador. O livro
afirma que qualquer amostragem reduzida produzir inferncias causais que,
na mdia, vo subestimar (ou superestimar) a importncia da varivel
independente sendo avaliada. Alm disso, KKV afirma que desenhos de
pesquisa em que todos os casos analisados exibem apenas um resultado na
varivel dependente (por exemplo, apenas crises) sofrem de um vis de
seleo extremo e no poder ser aprendido nenhum efeito causal dessas
pesquisas. KKV sugere maneiras apropriadas de selecionar baseado na
varivel dependente, afirmando que pesquisadores devem escolher casos
que variam ao longo da varivel dependente.
Crticas:
Ao fazer sugesto para pesquisadores quali, DSI exagera nas regras
identificadas com pesquisas quantitativas. Vrias crticas so feitas grande
importncia que DSI d ao vis de seleo:
Primeiro, a preocupao com vis de seleo deve ser considerado em um
trade-off face a outras prioridades metodolgicas e tericas.
Segundo, na pesquisa qualitativa h tanto a anlise cross-case, comparativa,
e a anlise within-case. Quando h uma anlise cross-case, o vis de seleo
pode ser um empecilho. Por outro lado, quando a anlise within-case
baseada em observaes de processo causal, pode no haver vis de
seleo.
Terceiro, DSI afirma que projetos de pesquisa sem variao (por exemplo,
desenhos com casos apenas positivos ou muito similares da varivel
dependente) so um caso extremo de vis de seleo, e isso correto para
anlise de regresso. Porm, esses projetos no so inadequados em alguns
tipos de pesquisa qualitativa, como em casos de anlises within-cases.
Quarto, a prpria definio de vis de seleo depende de como o universo
de casos definido. A ideia de que o pesquisador tem uma amostra reduzida
s faz sentido num universo bem definido, em relao ao qual a amostra no
aleatria nem representativa. O problema se encontra na definio do
universo, que est a cargo do pesquisador e de suas suposies subjetivas
sobre a teoria por trs do desenho de pesquisa.
Os comentadores do Rethinking Social Inquiry apresentam uma viso
diferente de KKV em relao preocupao de selecionar valores extremos
da varivel dependente e que pesquisadores qualitativos desenvolveram

ferramentas especficas para fazer inferncias causais vlidas, mesmo que

com uma amostragem reduzida.
Resposta estatstica
Argumentos da teoria estatstica apoiam as afirmaes de KKV sobre vis de
seleo em anlise de regresso. Por outro lado, tambm fortalecem as
crticas sobre a aplicao dos mtodos de KKV na pesquisa qualitativa.
A teoria estatstica concorda o argumento de KKV que a anlise de regresso
intil para um desenho de anlise sem varincia na varivel independente.
Isso porqu a regresso vai forar o termo de erro a ser inversamente igual
ao efeito causal, confundindo ambos e estimando o efeito causal como zero.
Por outro lado, o argumento de KKV de que no possvel estabelecer
inferncia causal quando a varivel dependente no varia impreciso. A
anlise de regresso quando a varivel dependente no varia s zero
quando h vis de seleo.
Deixando o tema de anlise de regresso de lado, a teoria estatstica
tambm apoia vrios argumentos sobre vis de seleo defendidos por
pesquisadores quali. Discusses de vis de seleo pressupem uma
definio estvel e precisa do universo de casos. Pesquisadores quali
argumentam que muitos dos problemas de vis no podem ser respondidos
sem antes ter um entendimento prvio do universo de casos. Outros autores
afirmam que nossa concepo de vis de seleo depende inteiramente
sobre nossa concepo da populao sobre a qual desejamos fazer
inferncias.
Por fim, h um forte indcio de que a discusso quantitativa convencional
sobre vis de seleo no considera a contribuio potencial dos modelos de
pesquisa qualitativos onde no h variao para os objetivos maiores de
aprendizado terico e subjetivo. Esses objetivos so difceis de quantificar, de
modo que geralmente so deixados de lado pelos pesquisadores quanti. Os
pesquisadores quali, por outro lado, podem ajudar alm da quantificao do
vis para alargar o conhecimento sobre o que est sendo estudado.
Concluso
A reduo, em teoria, um problema para ferramentas estatsticas, mas na
prtica muito incomum para pesquisadores utilizarem amostragens
reduzidas.
Em relao aos pesquisadores qualitativos, preocupaes sobre vis de
seleo devido reduo foram exagerados e os avisos sobre essa fonte de
vis de seleo podem ter desviado a ateno de pesquisadores de vieses de
seleo que merecem mais destaque, como os originrios de processos
polticos ou sociais. Um exemplo disso seriam pesquisas de survey, j que
uma grande parte dos potenciais respondentes escolhem no participar de
surveys e a amostra dos respondentes pode ser muito diferente da dos que
preferiram no responder, por exemplo.
Modelos de Causao Probabilstico x Determinstico

DSI adota um modelo de causao probabilstico, rejeitando tcnicas que

usam uma perspectiva determinstica. O modelo determinstico, na viso
qualitativa, se refere aos modelos de causao necessria ou suficiente.
Crtica
Autores afirmam que o DSI limitado pela sua falta de ateno ao modelo
determinstico de causao e se baseia em modelos de regresso e assume
uma abordagem probabilstica.
Alm disso, a recomendao de KKV de sempre procurar variao, tanto na
varivel dependente como na independente, impede que sejam testados
modelos determinsticos.
Se as variveis dependentes e independentes so dicotmicas, os crticos a
KKV sugerem que os casos que fornecem o melhor teste para causao
necessria so aqueles nos quais o resultado ocorre (clulas A e B),
chamado de "positive on outcome"; j para testar a causao suficiente, os
melhores casos sao aqueles nos quais a causa ocorre (clulas A e C),
"positive on cause".

Essa abordagem vai de encontro ao que alerta KKV que a varincia de ambas
as variveis fundamental para a inferncia causal.
Desenhos de pesquisa testando causas necessrias e suficientes
Desenho positive on outcome, para avaliar causa necessria: Desenho
sem varincia na varivel dependente, focando nas clulas A e B. A hiptese
apoiada por observaes em A e rejeitada se observaes so encontradas
em B.
Desenho positive on cause, para avaliar causa suficiente: Desenho
sem varincia na varivel independente, focando nas clulas A e C. A
hiptese apoiada por observaes em A e rejeitada se observaes so
encontradas em C.
Desenho de todos os casos, para avaliar causa necessria e
suficiente: Todos os casos no universo relevante (A, B, C e D). Se os casos
so encontrados em B, no h causao necessria. Se os casos so
encontrados em C, no h causao suficiente.

Resposta estatstica
Oferece apoio tanto aos crticos do DSI quanto para KKV.
1. Testes probabilsticos em causas determinsticas: Apoia o posicionamento
dos crticos do DSI mostrando que, se existe uma causa determinstica, ento
o pesquisador que utilizar um modelo probabilstico poder terminar fazendo
inferncias invlidas. Isso porque ao utilizar mtodos quantitativos
probabilsticos eles apontaro alguma chance que o resultado acontea,
mesmo na ausncia da causa necessria. Isso porque algumas variveis que

correlacionam com o resultado estaro presentes at certo ponto, mesmo

quando a causa necessria no esteja presente.
2. Causas necessrias e/ou suficientes e vis de seleo: Tanto o modelo de
avaliao de causa suficiente como o de necessria utilizam desenhos onde
no h variao de variveis (em um, no h de varivel dependente, em
outro no h de varivel independente), o que vai de encontro com o que
prega KKV sobre variao. KKV afirma que h um vis de seleo extremo
nesses casos, mas num modelo determinstico irrelevante se os casos
atpicos esto sobrerepresentados ou no, j que modelos determinsticos
requerem que at mesmo casos atpicos sigam um padro geral.
3. Identificando o teste mais eficiente: Deixando a questo do vis de seleo
de lado, permanece a dvida se desenhos de no-varincia so as melhores
maneiras de produzir determinao causal. O debate aponta que a sugesto
original de KKV para procurar varincia em ambas as variveis correto, mas
no pelo motivo original do livro. Testes de hipteses determinsticas podem
incluir varincia nas variveis dependentes e independentes.

As Respostas estatsticas
Perspectivas da teoria estatstica ora apoiam as vises dos metodlogos
quantitativos, ora engrossam o coro dos metodlogos qualitativos. Uma vez
expostos tanto a posio de KKV (quanti) quanto a de pesquisadores quali, a
teoria estatstica aparece como um padro independente aceitvel para
esses debates metodolgicos.

Trade-offs nos Desenhos de Pesquisa

As crticas e respostas estatsticas sobre os quatro pontos expostos mostram
que, na metodologia das cincias sociais, todas as coisas boas no
necessariamente podem ser alcanadas juntas. Pelo contrrio, pesquisa
envolve
trade-offs
fundamentais
envolvendo
diferenciao,
operacionabilidade, familiaridade, parsimnia, utilidade terica, etc. Aqui os
autores buscam identificar os trade-offs dentro de uma viso metodolgica
mais balanceada.
Trade-offs, objetivos e ferramentas
Tradeoffs podem envolver conflitos entre os objetivos perseguidos pelos
pesquisadores. Tambm envolvem as ferramentas empregadas para esses
objetivos. Da a necessidade de contrastar objetivos primordiais e objetivos
intermedirios.
O objetivo primordial procurar inferncias causais e descritivas vlidas
sobre fenmenos no mundo social e poltico. Esse objetivo compartilhado
com DSI. Essa busca pode ser feita por um segundo objetivo primordial:
refinar a teoria, ganhando leverage e fortalecendo essas inferncias
descritivas e causais.
Em relao a objetivos intermedirios relacionados inferncia descritiva,
pesquisadores podem alternativamente procurar por comunicao precisa,
importncia emprica, fertilidade na aplicao dos conceitos, generabilidade,

parsimnia, preciso e/ou causalidade.

Ferramentas, por outro lado, so prticas especficas de pesquisa e
procedimentos que visam atingir objetivos intermedirios, e atravs deles,
objetivos primordiais. Algumas ferramentas so bem sistemaziadas e
possuem underpinnings estatsticos e matemticos bem complexos. J outras
ferramentas, mais comuns pesquisa qualitativa, involvem prticas e
procedimentos que no foram desenvolvidas com justificaes matemticas
ou estatsticas explcitas.
A pesquisa sempre envolve vrios tradeoffs. A nvel de objetivos
intermedirios, por exemplo, a busca por um objetivo particular pode tornar
mais difcil outro objetivo. O que os autores deste captulo querem
incentivar que o reconhecimento de diferentes escolhas a nvel de objetivos
intermedirios pode constituir meios alternativos e legtimos de conseguir
objetivos primordiais.
O exemplo disso de que teorias mais gerais geralmente so mais
imprecisas e menos parcimoniosas, enquanto que teorias mais especficas
tem menos leverage mas so mais precisas. A nvel de ferramentas os
tradeoffs tambm so fundamentais.
O que os autores querem neste captulo uma abordagem mais balanceada
da relao entre os mtodos quantitativos e qualitativos (com a auda da
teoria estatstica) e manter a distino entre objetivos intermedirios e
primordiais e ferramentas, enquanto focam nos tradeoffs que surgem entre
eles.
Tradeoffs em DSI
Tradeoff fundamental levantado no livro: Aumentar o nmero de observaes
x outros objetivos
Essa sugesto recomenda que pesquisadores quali de small-n deveriam
resolver seus problemas bsicos de aumentando seu nmero de observaes
(deixando de ser small-n).
Porm h grandes desvantagens. Primeiro, pode levar a anlise a um domnio
que no apropriado para a pergunta de pesquisa. Outro problema parecido
que aumentar o nmero de observaes afeta conceitos, validade de
mensurao e homogeneidade causal. Alm disso, aumentar o N pode tornar
mais difcil de manter um grande conhecimento do contexto. H, ainda, um
tradeoff entre conhecimento extenso do contexto e tratando sub-unidades
temporais ou geogrficas como unidades de anlise.
A existncia de mltiplos tradeoffs significa que nenhum conjunto de linhas
metodolgicas pode garantir que os pesquisadores faro um bom trabalho.
Diversas ferramentas metodolgicas sempre sero relevantes para qualquer
problema substantivo. A melhor abordagem para tradeoffs so reconhec-los
e reconhecer que geralmente no h uma nica maneira correta de resolver
um problema.
Concluso

Vrios problemas metodolgicos so muito mais complexos do que eles

parecem em DSI.
A importncia dos tradeoffs no desenho de pesquisa significa que conselhos
metodolgicos devem ser apresentados de maneira mais cuidadosa do que
foram em DSI.
Por fim, busca mostrar como ferramentas diversas podem ser avaliadas em
termos de padres compartilhados e objetivos primordiais.