The problem of causal inference in the comparative politics and comparative qualitative analysis

Straipsnyje nagrinėjamos lyginamojo socialinio tyrimo naujovės, kurias pasiūlė JAV sociologas Charles C. Raginas, žinomas “lyginamosios kokybinės analizės” (KLA) pavadinimu. Išryškinami eksperimentinio, statistinio, lyginamojo ir atvejo tyrimo metodų privalumai ir trūkumai pagrindžiant priežastines hipotezes. Aptariant tradicinę (Arendo Lijpharto) lyginamojo metodo versiją, kurioje jis suprantamas kaip nedidelės N analizė neeksperimentiniame kontekste, taikant Johno S. Millio eliminacinės indukcijos taisykles (kanonus), atskleidžiamas jos netinkamumas tikrinti hipotezes apie daugeriopas konjunktūrines priežastis, kurios šiuolaikinėje mokslo filosofijoje (John Mackie) vadinamos INUS sąlygomis (nepakankamomis (I; insufficient), bet būtinomis (N; necessary) nebūtinų (U; unnecessary) bet pakankamų (S; sufficient) sąlygų dalimis). Pajėgumas kontroliuoti tokias hipotezes yra svarbiausias KLA privalumas. Jos trūkumai yra pažeidžiamumas ribotos duomenų įvairovės problemai, deterministinės prielaidos, jautrumas matavimo klaidoms, binarinis duomenų pobūdis. Kai kuriuos iš šių trūkumų Ch. C. Raginas mėgina ištaisyti naujoje KLA versijoje, pagristoje neryškių aibių teorija.The article deals with the new methods of ‘comparative qualitative analysis’ (CQA), proposed by the US sociologist Charles C. Ragin. Advantages and disadvantages of experimental, statistical, comparative, and case research methods have been pointed out and their causal hypotheses grounded. The traditional version of a comparative analysis method (Arend Lijphart), which is understood as inconsiderable N analysis in non-experimental context, and in which rules (canons) of elimination induction by John S. Mill are applied, is not adequate to verify hypotheses on the multi-causal inferences which in the modern science philosophy (John Mackie) are called INUS conditions (I; insufficient), but necessary (N); unnecessary (U), but sufficient (S) components of the conditions). The ability to verify such hypotheses is the principal CQA advantage. Its shortcoming is the sensitivity towards the limited variety of data, deterministic assumptions, measuring errors, as well as a binary data character. Ch. C. Ragin attempted to improve some of these shortcomings in a new CQA version, based on the fuzzy set theory