自出版以来，《社会科学中的研究设计》（Designing Social Inquiry: Scientific Inference in Qualitative Research）（以下简称KKV）便引起了广泛的讨论，其中比较有代表性的著作可能包括：A Tale of Two Culture：Qualitative and Quantitative Research in the Social Sciences和Rethinking Social Inquiry:Diverse Tools, Shared Standards ，前一本已经翻译成《两种传承：社会科学中的定性与定量研究》（格致出版社，2016）。本文是后者第1章的一部分。
Henry E. Brady 、David Collier，2010， RethinkingSocial Inquiry：Diverse Tools, Shared Standards，Rowman & Littlefield Publishers，Ch1“ Refocusing the Discussion of Methodology”
一、主流定量方法、定性方法与统计理论
长期以来，社会科学都在追求方法论和研究设计上的共同标准（shared standards）。在此过程中，对定性与定量之间张力的讨论一再出现。本书旨在重新思考这些另类取向（alternative approaches）的贡献，并考虑学者们如何能够最有效地取长补短。
在讨论定量与定性关系问题方面，“主流定量方法”（mainstream quantitative methods）（即利用回归分析和相关技术进行因果推断）提供了一种视角。这种方法的支持者们经常援引与此类工具相关的规范来论证定量研究的优越性，有时还建议定性研究更严格地遵循这些规范以便使自身得到极大的改善。实际上，这些学者为定性研究了提供定量模板（quantitative template）。如此，他们提出一些定性研究难以忽视的宝贵建议。
就其自身而言，定性方法论者有理由怀疑定量模板的局限性。一些人怀疑定量方法能否为定性分析提供唯一合适的模式。另一些人则认为定量模板完全不合适。还有些人认为，定性具有定量所不具备的优势，且定量分析者能从定性传统中学到很多。
然而，“统计理论”（statistical theory）的思想为定性和定量方法提供了另一个视角。与主流定量方法相比，这些思想长期质疑将回归分析及相关工具背后的假设应用于社会科学中的现实世界数据。这种方法路径有时主张采用另类技艺，使研究者能够基于更少的、未经经验的假设，得出更有限的推论。根据这种观点，传统定量工具绝非明显比定性工具强大。
事实上，我们能基于统计理论给许多定性研究的标准做法一个“统计学理由//统计性原理”（statistical rationale）。这不是告诫定性分析者在研究设计之时要证明定理（theorem），以表明他们采用的方法正确。本书的一个基本主题是，许多定性研究实践既可以根据自身条件，也可以根据这种统计学理由来合乎情理。
总的来说，如果想方法论辩论富有意义，必须依据的前提是：定性和定量都各具优劣。正如Brady（本卷第3章）所说，定性的局限在于研究者可能“由于缺乏量化以及观察数量少而受限”，而定量研究者有时可能饱受“强求量化和面对一堆混乱案例”的困扰。调和它们最有效的办法不是单方面地强加规范，而是相互学习。
二、关于研究设计的争论
在本书中，我们通过《社会科学中的研究设计》（Designing Social Inquiry: Scientific Inference in Qualitative Research）（以下简称KKV）来探讨定量和定性方法之间的关系，这本书例证了主流定量方法的取向，作者是Gary King、Robert O. Keohane和Sidney Verba.
（一）KKV的贡献
关于定性与定量关系的讨论，KKV已成为有史以来最负影响力的著作之一。该书隐含的假定是，相比于定性研究者，定量的、具有大样本（large-N）的研究者在处理许多方法论和研究设计问题上拥有更优越的工具。因此，KKV试图让定性分析者也能使用这些工具，以帮助他们设计更好的研究。虽然前提依旧强调定量方法的优越性，但目标是建立定性与定量之间的桥梁。作者非常强调我们应该寻求一种共同的语言来构架所有调查形式中出现的议题，他们努力阐明定量和定性研究的共同关注点，这是一项宝贵的贡献。
KKV之所以影响广泛，还在于它对定量方法的系统化。尽管该书旨在为定性研究提供拓展的建议，但它基于从主流定量框架中汲取的思想。在总结这些观点的过程中，KKV对各研究步骤提出了许多具体建议：例如，界定研究问题、指定理论、选择案例和观察、检验描述性和因果性论证，以及随后再次检验和完善理论。总而言之，KKV的范围很广，实用建议也很丰富。
在最普遍层面上，通过将学术关注点集中于研究设计，KKV旨在改善社会科学的实践，即一种描述和解释政治和社会现象的集体努力。KKV将这种集体努力描绘为关注描述推断和因果推断，一些定性研究者可能对“推断”这一术语很陌生。但正如Charles Ragin所强调的（第3章），“没有必要将‘推断’的目标（定量的主要关注点）与理解案例的目标（定性的共同关注点）分开”。因此，作为一个具体术语，“推断”一词也许能看成是跨越不同研究传统的共同目标。
在鼓励思考研究设计问题上，KKV的影响不亚于政治学历史上任何书籍。这本书在其他领域也被广泛地阅读，它对定性研究的许多分支都有所帮助，甚至那些强烈反对KKV的人也采用了书中介绍的术语和分类。此外，定性分析者在面对KKV时对自己研究取向的捍卫，推动了他们更完善地系统化定性方法。KKV的基本目标是鼓励研究者更细致地思考方法论问题，在这一点上，他们已经取得了惊人的成功。
最后，值得称赞的是，KKV的作者们愿意参与正在进行的对话，这有助于推动讨论。《美国政治科学评论》（American Political Science Review）在1995年组织了对该书的专题研讨会，在他们对此的回应中（转载于本书第7章），他们指出“虽然我们的书可能是在政治学研究设计方面最新的著作（截至1994年出版时），但它肯定不是最后一本”（本卷第11章）。
（二）我们该何去何从？
本书推进了这一方法论争论。我们将对KKV框架的一些基本关切作为出发点。
在我们看来，主流定量方法具有一些众所周知的局限，但KKV对此认识不足。虽然该书确实对回归分析背后的假设进行了有益的讨论，但KKV并没有充分关注一种关键的统计学思想：回归分析取决于模型，如果模型是错误的，分析也将是错的。因此，用经验数据评估回归模型并不能完全检验该模型。与此相关的是，KKV非常强调对不确定性的估计。然而，该书没有承认的是，显著性检验是为估计特定种类的不确定性而设计的，而把它们作为估计不确定性的通用工具这一普遍做法，使这些检验超出了它们本来的用途。
在此背景下，KKV倡导将主流定量方法视角作为研究设计和定性探究的基础，这种做法未免走得太远。我们认为，这对研究过程的理解过于狭窄。更具体地说，该书对定量工具的优势过于自信，对定性工具的贡献认识不足。KKV过度强调了增加观察次数的策略，忽略了观察的不同类型以及定量和定性研究对数据使用方式的不同。该书没有注意到的风险是，增加N（样本数/观察值）可能会把学者推向无法维持的一般性水平，并失去脉络知识（contextual knowledge）。它夸大了对事后假设形成和规范归纳研究的标准做法的警告。与此相关，它忽略了关于“设定搜寻”（specification searches）的计量经济学著作经济试图将归纳程序系统化。最后，KKV偶尔会提到折衷/权衡（trade-offs），但书中并没有承认它们必须是研究设计的基本关注点。
我们希望弄清这些批评意味着什么。它们并不等同于拒绝为定量和定性搭建共同的词汇和框架。事实上，我们坚定地致力于追寻一个共同框架。虽然我们非常尊重那些探索认识论-逻辑问题的学者，但我们担心这种关注有时会不必要地导致研究者和学生（只）选择某一边，进行论战。因此，我们赞同KKV（4-5）的观点，即定量和定性方法基于本质上相似的认识论。
相应地，本书并不是要通过识别深厚而顽固的差异来加深定性和定量之间的鸿沟。事实上，我们会认为这些差异有时没有人们所想的那么根深蒂固。但差异确实存在，在此前提下，我们的规范性立场是：方法论工作的一个基本目标是克服这些差异。我们应该寻求一个共同的框架，使得使用不同分析技术的研究者能提出对不同方法论者具有说服力的证据。这种更大的、相互接受的证据体系反过来可以为驱动社会研究的实质性问题找到更好的答案。
（三）工具和标准
正如本书的副标题所表明的，虽然分析家们在设计、执行和评估研究上工具各异，但寻求使用这些工具的共同标准仍具有意义。这些共同标准可以促进使用不同工具的学者们认可界定什么是好研究的共同标准。方法论的多元化能与分析的严谨性结合起来。
我们这里所说的工具是指定量和定性研究者所使用的具体研究程序和做法。有些工具是高度系统化的，有详尽技术基础。这类工具包括回归分析、结构方程模型、因子分析、统计显著性检验和概率论。增加观察次数是KKV反复倡导的一种研究工具。其他工具包括定性研究的一些做法，如案例内分析、过程追踪、避免概念延伸的程序（procedures for avoiding conceptual stretching）、定性效度评估以及匹配案例和对比案例的比较策略。数据收集的方法也是工具，例如，民意调查、焦点小组、参与观察、event scoring、档案研究、内容分析、构建“非干扰性测量”以及系统地汇编二手资料。我们在本文多处都提供了汇总表，概述了所讨论的不同工具，术语表中也讨论了许多工具。
本书每一章都对被KKV低估或忽视的方法论工具给予了极大关注。下文列举了四类普遍的方法论文献，其中许多工具都与之相关。有些与定性研究者的标准做法相对应，有些则来自统计理论。
1.因果推断的逻辑基础和统计基础。大量关于因果推断的逻辑逻辑和统计基础的研究对基于观测数据的因果推断表示了相当大的怀疑。这类文献指出，需要比主流定量方法中提倡的方法更有力的方法取向。
2.概念。对研究过程中的概念、概念形成和概念演变的研究清楚地表明，对概念问题的持续关注是研究设计中不可或缺的一部分。这类文献的见解表明，KKV在处理概念方面提供的有限建议实际上方向错误。
3.测量。数学测量/测度理论（mathematical measurement theory）和心理测量领域（psychometrics provides researchers）的主要文献为研究人员提供了系统的测量指导。例如，该类文献强调了测量要求的脉络特异性（contextual specificity），这巩固了许多政治学家的信念，即对脉络的了解和对研究结果普遍性的注意必须是研究设计的核心关注点。KKV缺乏这种指导。
4.案例研究中的因果推断。长期的著述传统探索了案例研究中因果推断的工具和策略：例如过程跟踪和其他案例内分析形式；特意选择“最有可能”、“最不可能”和“异常”的案例；在比较案例研究传统中，还有求同法和求异法。KKV试图基于大样本定量分析的规范将这些工具纳入自己的框架。案例研究相关文献实际上将KKV的论点颠倒过来，表明（a）定性研究中因果推断的实践本身是可行的，并且（b）定量研究中的推断有时能借助与定性传统密切相关的工具来改善。
通过关注从这些不同的方法论领域中提取的工具，以及更传统的定量工具，我们试图为研究设计和研究执行的综合取向奠定更坚实的基础。
不管是定性的还是定量的，所有的研究工具都必须接受批评检视。相应地，学者们应该寻求评估和应用这些工具的共同标准。相关标准必须包括关注研究进行之时出现的基本折衷。一旦我们承认并非所有的分析目标都能同时实现——Przeworski和Teune在准确性、一般性、简明性和因果性之间的权衡就是一个著名的例子（1970:20-23），我们就更容易认识到，根据研究的目标和情境，其他方法论工具是重要且适当的。
无论是定性分析还是定量分析，都没有一个现成的公式来做出好研究。我们相信，KKV之所以影响广泛，部分是因为书中隐含的主张，即如果学者们遵循书中的建议，那么做好定量研究相对简单；以及如下这一明确的论点：定性研究者应该尽可能应用定量的模板。
事实上，从观察数据中做出因果推断非常困难，尤其是当研究集中在复杂的政治过程时。在定量研究结果看似精确的背后，隐藏着许多潜在的问题，包括案例的等价性（equivalence of cases）、概念化和测量、对数据的假设，以及对模型设定（model specification）的选择，如包括哪些变量。处理这些问题的技巧强烈制约了定量研究结果的可解释性。因此，好的定性研究和定量研究都很难做。正是认识到了这两种研究传统所面临的挑战，二者应互相取长补短。
在研究权衡中做出特定选择的学者，应承认不同选择的学者的贡献。。例如，我们假设一位学者经过深思熟虑，决定把重点放在一个小样本上，进行精细的、对脉络敏感的分析，以促进对一个麻烦概念的操作化。原则上，大样本研究者应该愿意承认这种选择是合理的。
同时，小样本研究者应该认识到，关注少数案例的优势必须与代价相权衡。这些代价包括：例如放弃用于测量验证的大样本工具，以及失去如果考虑更多案例可能实现的一般性。简而言之，研究者应该认识到其他取向的潜在优势和劣势，以及他们应该准备好证明他们所做的选择是正确的。
（四）迈向另一种方法论视角
基于这些主题，就定量和定性传统之间的适当平衡，以及更广泛的研究设计和方法论，本书提出了另一种论点。以下是这些论点的关键步骤。
1.在社会科学中，定性研究很难做好。定量研究也是如此。每种传统都可以也应该向对方学习。一种旧有观点认为，在定性研究中做到分析的严谨性比定量研究更难。然而，在定量研究中，根据观察数据对复杂的政治过程做出有效的推断，同样也非常困难。无论是定性分析还是定量分析，都没有快速而简单的捷径。面对这些共同的挑战，这两种传统已经发展出独特而互补的工具。
a.定性研究和定量研究都很难做好的一个核心原因是，任何基于观察（即非实验）数据的研究都面临着排除竞争解释的基本推断问题。学者们必须认识到实验研究和观察研究之间的巨大差异。实验通过将解释变量的值随机分配给被分析单位来排除竞争解释。相比之下，在所有的观察研究中，排除竞争解释非常艰难。这里关键的一点，也是本书的核心问题是，定量和定性的观察研究通常不同的方式应对这一共同挑战。
2.主流定量方法学家有时主张把定量取向作为研究的一般性模板。相比之下，一些统计理论家质疑传统定量取向的普遍适用性。许多学科子领域都强烈主张定量模板。然而，政治学家——以及其他领域的学者——必须采取更广泛的视角，更深入地思考定性和定量方法的贡献和局限。这种视角一个重要的部分是借鉴统计理论思想。
a.在宣传定量模板时，一再浮现的一个问题是，学者们事实上能从回归分析结果中学到多少东西，以及他们估计与这些结果相关的不确定性程度的能力。如本章前文所述，要使回归结果有意义，分析者必须假设他们始于正确的统计模型。经验数据分析有助于洞察这一假设的合理性，但这种分析并不能完全检验这一假设。定量模板的另一个关键是估计不确定性的能力。不幸的是，在某些研究领域，使用显著性检验的标准做法将其应用拓展到评估不确定性的形式，但这些不确定性并不是为了评估而设计的。
b. 关于定量模板的另一个问题是它反复提出的建议，即研究人员可以通过增加观察的数量（传统意义上的增加N）来获得解决竞争解释的推断优势。然而，这一建议并不总是有效，部分是因为它可能会推动学者们比较那些在分析上不等价（analytically equivalent）的案例。尽管增加新的观察值通常都有用，但增加来自不同空间或时间脉络或不同分析层次的观察值会将研究拓展到研究者能做出有效推断的背景之外。虽然有些学者可能担忧过度关注脉络会使研究者走向极端特殊主义，但事实上，关注脉络是实现有效和严格的描述推断和因果推断的前提。
3. 在选择增强因果推断的作用后，为了解决刚才提到的问题，学者们应该认识到不同类型的观察所具有的贡献。区分“观察”一词两种截然不同的用法很有必要，它们分别来自定量传统和定性传统。这两种类型的例子将在附录中介绍（也见本书第184-96页）。
a. 数据集观察。这些观察结果被收集为指定案例样本的特定变量的分数数组（ array of scores），涉及有时被称为矩形数据集的数据。数据缺失是这种因果推断的阻碍；因此，数据集的完整性很重要。数据集观察不仅在定量研究中起着核心作用，而且在基于跨案例分析的定性研究中也是如此。
b.因果-过程观察。这些关于脉络、过程或机制的观察为理解解释变量之间以及这些变量与因变量的关系提供了另一种来源。因果过程观察有时不如数据集观察完整，因为它们通常不构成特定变量和案例的完整分数（full set of scores）。因果过程观察的优势不在于覆盖广度，而在于洞察深度。即使只有一项因果过程的观察也可能对对端有价值。这样的观察经常用于基于案例内分析的定性研究，它们也可以成为定量分析的重要工具。
c. 这两类观察对维持适当的比较范围有着截然不同的影响。无论是在同一分析层次还是在较低分析层次的子单元，增加数据集观察的数量都会有重大的分析收益，但它也会使学者的分析领域发生转变，可能会产生反作用。相比之下，寻找其他因果过程观察仍可能发生在原来的领域内。
4. 方法论讨论可以受益于对定性模板更有力的倡导，所有研究人员都应仔细考虑源自定性角度的一些长期的方法论优先事项。定性模板可以为更广泛的方法议程作出重要贡献。例如：
a.对案例和脉络的了解有助于有效的推断。为了扩展前面的论点（2b和3c），分析优势能源自对案例和脉络的密切了解，这可以直接促进更有效的描述推断和因果推断。这种知识使研究者对文化、经济和历史环境的影响敏感，以及认识到给定案例的子单元可能与整个案例非常不同。换句话说，对脉络的了解使我们能够洞察潜在的重要因素，它们（往往）不在正式考虑的变量之中。在此意义上，它可以帮助我们了解隐藏在“其他条件相同”这一假设背后的东西，而这对于作为有效因果推断的必要条件的因果同质性假设（causal homogeneity assumption）来说又至关重要。正如本书所讨论的，这种脉络知识对于测量效度也至关重要。这种对案例和脉络的详细了解所形成的分析优势与刚才讨论的因果过程观察密切相关。这种知识在定量和定性研究中都是非常宝贵的。
b. 归纳分析在实现有效推断和产生新想法方面有重要作用。归纳法在定性和定量研究中都很重要。主流定量研究者有时过于迅速地忽略了归纳分析和针对同一组案例重新检验假设对学术知识的贡献，有时会援引传统的授权来避免“事后”假设的重新制定和理论检验。然而，即使在技术先进的统计估计形式中，定量研究者也经常针对给定的数据集检验alternative specifications （即specification searches），并在此基础上对哪种specification是最好的做出复杂判断。这种对模型和假设的反复改进与归纳法相似，而归纳法在定性研究中可能被更广泛地认可。归纳程序在这两个传统中都发挥了作用，对指导、系统化和明确这些因果推断程序的规范的制定应该是方法论的基本关注点。
c. 这些论点构成了一种方法论视角，其中定性研究具有重要作用。定性研究的规范和实践本身就值得在更广泛的方法论讨论中认真关注。此外，从定性方法论中得出的观念能解决定量方法的不足，进而改进定量实践。
5. 定性方法的贡献既可以从定性传统本身，也可以从统计理论的角度来证明。首先，定性分析者从自己的研究中吸取的教训可以证明对定性方法的更多关注是合理的。许多定性实践也可以根据统计理论得出的论据来证明其合理性。本书的一个目标是提出定性研究的统计学原理，并探讨统计理论能改进定性和定量分析的具体方式。这种观点与主流定量方法传统下的许多著作有很大的不同，后者试图使定性研究从属于定量模板。
6. 如果定性和定量方法都要作为好研究的规范和实践的来源发挥重要作用，学者们就必须在可能相互冲突的方法论规范之间做出裁决。这种裁决需要承认一个基本事实和一项基本优先事项。
a. 研究设计会涉及基本的权衡。采用何种方法论需要考虑以下几方面的基本权衡：（1）研究的替代性目标；（2）研究人员利用的观察类型，以及（3）他们用于描述推断和因果推断的各种工具。
b. 学者们应该制定共同的标准。方法论的一个基本目标应该是建立处理这些权衡的共同标准。共同的标准可以成为定性和定量工具结合的优势所在。
以上论点构成了本书观点的基础。
转自：“再建巴别塔”微信公众号
如有侵权，请联系本站删除！
