3
1. Fuzzy-set QCA et méthode de régression multiples : deux perspectives différentes
Comparer des méthodes statistiques ne peut se limiter à décrire les étapes de ces méthodes
sans en aborder la philosophie et la vision (Woodside, 2013). La plupart des recherches en
se de données quantitatives, ont
la qualité st-identifié, se fait par des analyses de régression multiple
(Multiple Regression Analysis : MRA). Les recherches utilisant les MRA vont alors estimer
ffet des
autres variables indépendantes; on (net-effects). Si ces modèles
étudié, elles conditionnent la nature de ces relations qui se doive
symétriques. De plus, en se concentrant sur les effets nets, elles mettent de côté tous les cas où
: « X1,
X2 et X3 ont un impact positif sur Y »
la population étudiée.
Face à ces méthodes, une nouvelle perspective se propose de
cas permettant de mieux comprendre un phénomène donné en prenant en compte toute sa
complexité. Cette perspecti ve comparée développée par
De Meur, Rihoux et Varone (2004) soulignent
que cette approche présente de nombreux avantages
. En premier lieu, la nature holistique de
considère, tout chaque cas individuel
comme une entité complexe qui a besoi
négligé ». De plus, QCA
permet de postuler « des conjonctures de généralisation ne, elle
analyse par des algorithmes une série de variables dont les résultats sont parfaitement
répliquables (De Meur et Rihoux, 2002). Enfin, c
combinaison de conditions qui produisent un phénomène (ou variable étudiée) et que
plusieurs combinaisons différentes de conditions ou plusieurs chemins explicatifs peuvent
mener au même résultat, on parle alors de « causalité conjoncturelle multiple ».
Ragin (1987) propose ne qui est capable de ressortir les
cas ou
forte fuzzy-set QCA (Ragin, 2000) comme
.