Diego Solís Delgadillo

diego.solis@colsan.edu.mx

• Una investigación comienza con una pregunta sobre un fenómeno empírico

• La variación inspira el problema de investigación
  • ¿Por qué en ciertos casos ocurre algo (\(Y\)) y en otros no (\(no-Y\))
• En QCA con frecuencia la pregunta es ¿Bajo qué condiciones ocurre \(Y\)?

• Una vez establecido el problema, ofrecemos una explicación tentativa
  • Una hipótesis
• Un argumento de cómo un resultado es producido por factores explicativos

• La investigación suele proceder a partir de una muestra
  • Un número de casos limitados que hace viable la investigación
• En estudios cuantitativos esa muestra es aleatoria y representativa
• En los estudios de N pequeña, el número casos es mucho menor y su selección suele ser intencional.

• QCA suele utilizar muestras pequeñas (N pequeña)
  • Entre 5-50 casos
• ⚠️Pero también es utilizada en estudios de N grande
  • Corine Bara (2014) utiliza 500 observaciones para explicar el inicio de conflictos civiles

• Un análisis de QCA puede buscar
  • Generar nuevas hipótesis
  • Poner a prueba hipótesis

• Cuando se estudian estados/regiones muchas veces es posible analizar a la población entera

• Debe aclararse si es una muestra o una selección de casos
• La selección requiere que el investigador tome decisiones sobre qué casos incluir

• Seleccionar casos similares en la mayoría de sus características pero que difieren en el resultado a explicar.
• El objetivo es controlar las variables contextuales (historia, cultura, estructura política) y aislar la variable explicativa clave que distingue los resultados.

• El Diseño de sistemas más diferentes (Most Different Systems Design) (MDSD) selecciona casos muy distintos que comparten el mismo resultado
  • Identifica los factores comunes que lo explican.
• El MSSD controla el contexto para aislar una causa
• El MDSD busca la convergencia causal en entornos distintos

• Pero puede servir para identificar condicones necesarias

• El investigador debe asegurarse de que exista variación en el resultado
  • P.e. Si estamos estudiando el éxito de los juicios políticos necesitamos casos de éxito y fracaso

• La recomendación es que sean no más de 7 factores explicativos
  • QCA estima todas las combinaciones posibles de los factores explicativos
  • E identifica los que son necesarios o suficientes

• En la selección de asegurarse la heterogeneidad de casos
• Si una de las condiciones explicativas no varían entre los casos entonces puede omitirse

• QCA evita el uso del término variables (independiente y dependiente)

• En QCA se refieren como factores explicativos \(X\) y resultado \(Y\)

• Los factores explicativos tienden a estar adjetivados

  • Por ejemplo, PIB per capita alto, democracia consolidada
  • Denotan la pertenencia a un cojunto (concepto)

• Los conceptos son contenedores de datos (Sartori, 2012)
  • Tienen consecuencias sobre la información que recogemos
  • Escala de abstracción
    • Muchos atributos -> menos casos
    • Menos atributos -> más casos

• Es el proceso por el que transformamos valores crudos en puntuaciones de membresía a un conjunto
  • En crisp sets los valores posibles son 0 o 1
  • En fuzzy sets son todos los valores entre 0 y 1

• Podemos tener una medida del desempeño de los alumnos
• Pero necesitamos determinar cuáles son buenos estudiantes

• La Ñcalibración es un proceso fundamentalmente conceptual]{style=“color: #cc0000”}

• Podemos vernos tentados a utilizar a la media como criterio de inclusión

• Pero la clasificación debe estar fundamentada en la teoría

  • Es un criterio externo a los datos

• Se utilizan cuando tenemos conceptos con límites borrosos

• Los polos son cualitativamente distintos, pero sus manifestaciones empíricas se manifiestan en grados.
  
• Tienen una puntuación entre 0 y 1

• En fuzzy sets pueden utilizarse varios métodos:

  1. Asignación directa
  2. Método directo
  3. Método indirecto

• Utiliza el conocimiento experto para asignar valores a los casos.
• Los expertos asignan los valores entre 0 y 1.
• Este procedimiento suele tener justificaciones teóricas

• Utiliza una función logarítmica para establecer el grado de pertenencia al conjunto
• Los resultados del procedimiento son contenidos dentro de 0 y 1
• La función nunca alcanza 0 y 1
• Los valores 0.95 y 0.05 son interpretados como membresías completas

• En el método directo se establecen tres anclajes para transformar los valores:
  • Inclusión completa (0.95)
  • Punto de cruce (0.5) –Punto de mayor ambigüedad-
  • Total exclusión (0.05)

• PA= Posibilidades asociadas
• GM= Grado de membresía

\[ PA = \frac{GM}{1 - GM} \]

• Ejemplo:

\[ PA = \frac{0.95}{1 - 0.95} = 19 \]

Calculamos el logaritmo natural de este valor \[ln(19)=2.94\]

Para el punto de cruce \[ PA = \frac{0.5}{1 - 0.5} = 1 \] \[ln(1)=0\]

Para el punto de exclusión \[PA = \frac{0.05}{1 - 0.05} = \frac{0.05}{0.95} \approx 0.05\]

\[ln(0.05)=-2.94\]

• Es un indicador que va de 0 a 1

• El IDH ofrece varios cortes

  • 0.80 o más indica un “desarrollo humano muy alto”
  • 0.70 son países con “alto desarrollo humano”
  • 0.55 son casos con “bajo desarrollo humano”.

• El primer paso es calcular su desviación con respecto al punto de cruce (0.70)
• Por ejemplo, para Alemania la operación sería 0.957 - 0.70= 0.257

• Calculamos la diferencia absoluta entre los umbrales
  • 0.8 (TOTAL INCLUSIÓN)- 0.7(PUNTO DE CRUCE)= .10
  • 0.55(TOTAL EXCLUSIÓN) – 0.7(PUNTO DE CRUCE)= 0.15

• Tomamos los anclajes -log momios- (2.94) ya establecidos y las dividimos por estas diferencias

\[ \frac{2.94}{0.10} = 29.4 \]

\[ \frac{2.94}{0.15} = 19.6 \]

• Calcular el producto entre la diferencia y los escalares

• Para el caso de Reino Unido \(0.232*29.4=6.82\)

DC= Datos calibrados Prod= Producto

\[ DC= (exp(Prod))/(1+(exp(Prod)))\]

\[ MX= (exp(2.32))/((1+ (exp(2.32)))= 0.91\]