QCA研究方法

简介

---

qualitative comparative analysis，中文叫定性比较分析方法。研究对象往往涉及多案例，单个的案例已经不能满足研究的需要。此类事件的成因存在着多元并发组合的原因变量。

QCA是一种以案例研究为向导的基础理论结合研究思路。自小样本数据信息中构建出科学研究话题的因果性关系。系统化调查事件产生的成因及其内部转化成因子中间的互动交流关系、概率关系组成，尝试表述促使事件造成的重要因子、因子中间的互相联络及其激起事件造成的错综复杂的成因组成。

QCA主要包含明确集、模糊集和多值集三种具体步骤方式。对总样本展开多次细化分，产生不一样的子样本集，进而得到更加细致和趣味的结果。

1. 确定/清晰集定性比较分析csQCA

csQCA只能处理原因变量和结果变量均为二分变量的案例，无法处理统计分析中所出现的大量的定距变量（ 定距变量：各类别之间的距离，只能加减而不能乘除或倍数的形式来说明它们之间的关系。 ）。

2. 模糊集定性比较分析fsQCA

基于模糊集的定性比较分析方法fsQCA突破了这一问题，是对csQCA的一个拓展。 在现实生活中，往往能观察到的特征在不同个案中的差别是连续的，因此采用二分变量来刻画这些特征是不合适的。

拉金(Ragin,1987)提出可以采用多个值(比如：0、0.5、1)来刻画个案的某些属性。 比如，在fsQCA里，个案的某个特征是否可以被观察到的程度可以刻画为从0-1之间的任何数，而不局限于0或1这两个数。这被称为成员身份度(membership score)。 fsQCA的运算原理与csQCA一致，拉金(Ragin，2008)提出可以利用成员身份度模糊集形成真值表，然后以真值表为基础算出结果特征是哪些原因特征组合的子集，最后通过布尔代数算法简化这些原因特征组合。这主要是运用集合关系和集合间的逻辑运算规则来探索多个案中事先确定的原因条件对结果产生的影响。 此外，拉金等人还开发了fsQCA的计算软件fs/QCA2.0，并得到了广泛应用。

3.多值集定性比较分析mvQCA

多值集可以看作是确定集和模糊集之间的一个中间状态。 与模糊集不同的是，多值集方法并不是将变量的数值处理成 0 到 1 之间的隶属度分数，而是在确定集的二分法基础上，对变量的数值进行多分，以增加变量的信息。 多值集在扩展二分法的基础上，将原来的清晰集拓展成了一种可以处理类别变量的方法。这种方法还可以通过分类的方式，将定距变量转化为类别变量而纳入分析模型之中。