迈向混合方法的社会科学研究
复旦大学特聘教授 复旦大学复杂决策分析中心主任 唐世平
“研究设计”不仅仅是方法
方法的突飞猛进让许多学生甚至老师都认为，研究设计（research design）就是方法论的训练。这样的一个立场至少是值得商榷的。我的立场是，（社会科学中的）“研究设计”并不只是学习方法和方法论，而是一个介于方法和“社会科学哲学”之间，同时还要考虑其他诸多问题的任务。
更具体地说，要写好一篇好的博士论文（或是篇幅比较大的文章，甚至一部实证社会科学的专著），需要从选题、理解文献（包括文献批评）、理论化、实证方法、具体实证过程、讨论这几个方面做通盘的考虑。而具体的实证方法（和具体的做法）仅仅是一个环节。
特别重要的是，理论化（theorization）要远远大于“提出实证假说（deriving empirical hypotheses）”。因为实证假说只是对某种对应结果或者某些痕迹存在的期待，因此，如果（不能）找到或者发现这样的结果，实证假说将会获得支持或者不支持。而理论则需要给出这些观察结果背后的因果解释(causal explanation)。更进一步地说，“提出实证假说”应该是理论化基本结束之后的工作。如果一个研究只“提出实证假说”，可以说是没有理论化。而如果发现某些实证结果之后再去理论化，可能就有“自圆其说”的嫌疑。
因此，给出因果解释(causal explanation)或者说理论化要比“因果推断（causal inference）”更难：前者大于或者说包含了后者，无论后者是基于定量还是定性的实证。
如此一来，研究设计除了要基于特定的方法训练之外，还需要特别在如何理论化，如何让理论规制“实证假说”的提出，核心变量的概念化、测量，以及不同方法如何混合使用是最为有效的做法上下工夫。仅仅是具体方法的训练还不是完整意义上的“研究设计”。
从《设计社会科学研究》到《重思社会科学研究》
我认为，“Designing Social Inquiry (DSI)”（即KKV 1994） 译为《设计社会科学研究》是更加准确的翻译，而不是采用目前《“社会科学中的研究设计”》的译法。
《设计社会科学研究》（Designing Social Inquiry，即KKV 1994）开启了一场席卷政治学的方法论大辩论。但该书的主要立场是社会科学研究只有一种范式或者逻辑（即“因果推断”的逻辑）是错误的。
在本体论上，其中最为基础性的错误认识在于，尽管《设计社会科学研究》的作者们宣称是基于自然科学中的实验方法来讨论社会科学的方法，但他们至少没有完全弄懂自然科学中的实验。最为关键的是，自然科学中的实验其实不止费希尔（Fisher）和内曼（Neyman）发明的“（农业）田间实验”一种，而是至少还有一种实验逻辑，那就是通常在化学和分子生物学、分子遗传学等领域中最为核心的实验逻辑：以甄别或者确立“机制” （mechanism）或者说是“路径” （pathway）、“串联” （cascade）为目标的实验。比如，大家所熟悉的有丝分裂、减数分裂、三羧酸循环、细胞凋亡、DNA结构和复制过程、基因表达调控（如著名的“操纵子”理论）等机制或过程，都是由后一类实验贡献的结果。事实上，几乎所有的诺贝尔生理学或医学奖都是授予给后一类实验的结果。（关于这两种不同的实验逻辑，请参见我的工作论文：Tang， Shiping， 2019. “Two Logics of Experiment in Biology and Medicine: Mechanistic/Pathway versus Populational/Treatment.” https://fudan.academia.edu/ShipingTang/Papers）。
因此，我还认为，统计分析不等同于计量经济学方法。事实上，最为棘手的统计问题一直是在生物医学领域。而在社会科学领域，经济学面临的“因果推断”挑战不一定就比政治学和社会学更难。“计量经济学方法”的提法其实也体现了“经济学帝国主义”。
以上的两种实验逻辑，对于接受过基本的化学和分子生物学训练的人来说应该是常识。而由于《设计社会科学研究》的作者们认定，自然科学中的实验就只有“（农业）田间实验”一种，他们进而认定，从费希尔和内曼开创的基于群体样本的“随机控制干预”（Randomly controlled treatment， RCT）的实验才是最理想的实验，因而也是社会科学必须尽可能逼近的方法。这当然是错误的。不幸的是，很多《设计社会科学研究》的批评者也没有意识到这一点。事实上，即便在自然科学哲学中，这两个不同的实验逻辑也没有被清晰地定义。
在社会科学中，面对观察数据，如何运用统计分析技术，逼近RCT的境界而获得确定的“因果推断”，肯定更加棘手。而如果社会科学能够都做严格的RCT，在这一种实验逻辑上，那么就和自然科学的实验逻辑没有区别了。这背后的挑战非常棘手，也是绝大部分定量分析方法试图解决的核心问题（如果不是唯一核心的问题的话）。
在认知论水平上，《设计社会科学研究》认为“因果推断”覆盖了一切我们的研究任务。事实上，绝大部分时候我们希望的研究目标是获得“因果解释”。显然，“因果解释”要比“因果推断”更难。而“因果推断”通常只是获得“因果解释”的一个步骤或者部分。
事实上，《设计社会科学研究》的作者们显著引用霍兰德的研究（Holland，1986）就明确指出，统计方法只能够获得“因果推断”，或者说是确立 “导因的影响”(effects of causes)，而不能获得“因果解释”［或者说是确立“结果的导因（causes of effects）”］，而《设计社会科学研究》的作者们完全忽略了这一关键点。
而建立在对《设计社会科学研究》的批评的基础上的《重思社会科学研究》则是开启了混合方法的潮流的一本书。
《重思社会科学研究》的第一版更多的是对《设计社会科学研究》的批评和回应，其中的几章非常中肯：Collier、Mahoney、Seawright、Munck、McKeown。这些批评包括来自定量分析领域的资深人士（Freedman、Brady），以及定性比较分析的资深人士（Collier、Bennett、Tarrow）。而回应则主要来自定性比较分析（QCA）。
《重思社会科学研究》的第二版则是真正开启混合方法的潮流的一本书，因为这一版有了很多建设性的发展，尽管还保留了一些对《设计社会科学研究》有尖锐批评的章节。第二版也包括了定量分析的人士以及混合方法的坚定支持者（Dunning、Seawright）的批评和发展。在本书的第二版中，我特别推荐其中的几章：Bartles、Bennett、Brady、Freeman、Seawright。
特别是作为一位杰出的统计学家，戴维·A.弗里曼（David A. Freeman，1938-2008）特别强调，即便在流行病学和医学这样特别需要定量分析的领域，定性分析同样重要，甚至可能特别重要。他用了“牛痘”“产热病”“霍乱”、青霉素等几个在流行病学和医学有重大意义的例子表明，那些获得了科学突破的医生、科学家等，都是首先依赖个案或者少数观察，进行逻辑推理才获得突破的，他们几乎没有用到任何现代统计分析技巧。作为一个一直对社会科学中的统计问题，特别是对统计模型和“因果推断”给予关注的统计学家，弗里曼对许多问题的理解要比加里·金更加贴近问题。我高度推荐他的一本论文集：《统计方法和因果推断：和社会科学的对话》(Statistical Models and Causal Inference: A Dialogue with the Social Sciences）。
当然，《重思社会科学研究》也有不少遗憾，对机制本身以及对因素和机制之间的关系都讨论较少或者很差。特别是没有引用Bunge和Bhaskar两位杰出的(社会)科学哲学家的著作。为此，这里特别推荐三本(社会)科学哲学的相关著作：
Mario Bunge. 1999. Finding Philosophy in Social Sciences. Transaction Publishers
Phyllis M. Illari & Frederica Russo. 2014. Causality: Philosophical Theory Meets Scientific Practice. Oxford: Oxford University Press.
Marie Kaiser et al. (eds.) 2014. Explanations in the Special Sciences: The case of biology and history. Springer.
《设计社会科学研究》出版于1994年。建立在对《设计社会科学研究》的批评和发展之后，研究方法方面的文献出现井喷。2000年至2010年之间出版的著作至少包括：
Ragin， Charles. 2000. Fuzzy Set Social Sciences. Chicago: University of Chicago Press.
Ragin， Charles. 2008. Redesign Social Inquiries: Fuzzy Sets and Beyond. Chicago: University of Chicago Press.
Goertz， Gary. 2006. Social Science Concepts: A User’s Guide. Princeton: Princeton University Press.
George， Alexander L.， and Andrew Bennett. 2005. Case Studies and Theory Development. Cambridge: MIT Press.
Gerring， John. 2007. Case Study Research: Principles and Practices. Cambridge: Cambridge University Press.
Morgan， Stephen L. & Christopher Winshop. 2008. Counterfactuals and Causal Inference Methods and Principles for Social Research. Cambridge: Cambridge University Press.
Angrist， Joshua D. and Jorn-Steffen Pischke. 2009. Mostly Harmless Econometrics. Princeton: Princeton University Press.
混合方法的新趋势
《重思社会科学研究》第二版出版之后，研究方法进一步加速发展。最新的一些著作包括:
Goertz， Gary， and James Mahoney. 2012. A Tale of Two Cultures: Qualitative and Quantitative Research in the Social Sciences. Princeton: Princeton University Press.
Goertz， Gary. 2017. Multimethod Research， Causal Mechanisms， and Case Studies. Princeton: Princeton University Press.
Derek Beach and Rasmus Brun Pedersen. 2013. Process-Tracing Methods， 1st ed. Ann Arbor: University of Michigan Press.
Derek Beach and Rasmus Brun Pedersen. 2016. Causal Case Study Research. Ann Arbor: University of Michigan Press.
Derek Beach and Rasmus Brun Pedersen. 2019. Process-Tracing Methods， 2nd ed. Ann Arbor: University of Michigan Press.
基于Judea Pearl发展的有向循环图（Directed Acyclic Diagram，DAG）方法：
Pearl， Judea. 2009. Causality. 2nd ed.， Cambridge: Cambridge University Press.
Pearl， Judea (and Dana Mackenzie). 2018. The Book of Why. New York: Basic Books.
Morgan， Stephen L. & Christopher Winshop. 2014. Counterfactuals and Causal Inference Methods and Principles for Social Research，2nd ed. Cambridge: Cambridge University Press.
我对基于DAG的方法在社会科学中的前景目前还是持保留态度。原因倒不是说这类方法不好，而是其要求非常高（比如，一个研究者如何得到可靠的有向循环图）。如此，如果定量社会科学要求以DAG为基础，估计几乎就没有什么定量分析文章可以发表了。因此，我认为这一方法在社会科学中的应用前景比较狭窄。
混合方法的趋势从近期的博士论文中就已可窥一斑：最近的绝大部分博士论文都是运用混合方法，包括定量分析、定性比较分析（QCA，比较案例分析）、实验方法、博弈论、QCA等等。我本人和我的学生也都坚定地践行这种努力，尽管我们可以做得更好。最重要的是，我们不能因为有数据才做研究，我们应当关心重要的问题，即便没有数据我们也要研究。
与此同时，一些曾经非常流行的新颖方法也广受质疑，其中最为显著的是“工具变量”。根据其他人的研究和我自己的观察，能够真正满足排斥性约束（exclusion restriction）的工具变量几乎不存在，这其中也包括著名的“殖民者死亡率”的工具变量。相关研究包括：
Bazzi， Samuel and Michale A. Clemens. 2013. “Blunt Instruments: Avoiding Common Pitfalls in Identifying the Causes of Economic Growth.” American Economic Journal， Macroeconomics 5 (2): 152-86.
Heckman， James J.， and Sergio Urzua. 2009. “Comparing IV with Structural Models: What Simple IV Can and Cannot Identify.” NBER Working Paper 14706， National Bureau of Economic Research.（相对更加纯技术一些）
Young， Alwyn. 2022. “Consistency without Inference: Instrumental Variables in Practical Application.” Working Paper.
混合方法的未来：迈向整合了因素和机制的因果解释
一个“科学实证论”的解释显然认定，因素和机制都是因果解释的有机组成部分。不存在独立于因素的机制，而因素也需要机制才能造就结果。
更为重要的是，和许多人的误解不同，其实机制可以非常广泛，不仅在自然科学如此，也适用于社会科学，尽管社会科学中的机制不大可能像自然科学中的机制那样广泛或者“普遍”（universal）。
比如，氧化作为一个机制，是高度广泛的。但是氧化剂和还原剂则是可以多种多样的。在生物学中，最为伟大的机制当然是达尔文率先提出的“突变-选择-遗传”：这样一个机制适用于宇宙中的任何物种的演化，但是因为环境以及基因、发育、随机事件的多样性，推动物种演化的因素的组合是无穷的。
因此，恰恰和许多社会科学家的误解相反，机制可能比因素要更加“普遍”。在社会科学中，“集体行动的逻辑” “社会动员” “安全困境、螺旋机制” “群体间与群体内部互动”等都是非常广泛的，甚至可以说是“普遍”的机制。
基于以上的理解，我们可以认定：定量分析和定性（案例）分析的优劣势是互补的，或者说这两种方法的互补意味着他们对实证的目标是不同的。定量研究适合确立“因素的影响”，同时也适合推广对某些因素的理论化（因为定量总是对一个群里进行处理）。当然，如果一个理论推断是某些因素需要经过几个步骤才能导致的结果，那么进行多个阶段的定量分析也是能够支持这个理论的。
相比之下，定性研究最重要的能力是甄别、确立并且推广机制。这里要特别强调，机制当然需要因素才能起作用。因此，因素和机制对于一个理论都是必要的。
归根结底，所有的实证研究最终还是需要理论化深度的支撑和约束。没有理论化的实证是“滑溜的” （slippery），因为实证研究没有被规制，定性研究容易出现“自圆其说” “随意剪裁证据”，而定量研究则是“发现相关性之后找解释”，以及更加恶劣的“篡改P值”（P-hacking），比如，不少关于民主支持经济增长的研究都是这样的产物。
購物車/收銀台(
0
) | 在線留言板
| 付款方式
| 聯絡我們
| 運費計算
| 幫助中心 |
加入書簽
HOME
新書上架
