管理研究方法：理论、前沿与操作（第2版）课件 第3章 QCA分析法

第3章：QCA分析法讲课人：****QCA分析法

虽然使用传统方法也可以分析少数变量(如三项交互)之间的交互效应,然而诸如营商环境、制度环境、数字生态等复杂系统往往会呈现出多种因素相互依赖、共同影响结果的非线性特征,这就需要研究者关注如何分析多种因素复杂的互动效应对结果的影响,但基于传统方法的实证研究无法较好地揭示这类因果复杂性问题。

为此,本章详细介绍了QCA分析法这一致力于解决该类问题的方法,以帮助读者从整体论和组态视角来分析复杂管理问题。学习目标

了解QCA分析法的哲学基础和基本原理。熟悉QCA分析法的内在逻辑和利用QCA分析法开展研究的主要步骤。掌握QCA软件的操作步骤并解读结果。

目录CONTENTS1234QCA分析法的哲学基础QCA分析法的主要步骤QCA分析法的实际操作和软件示例QCA分析法在研究中的应用QCA分析法的哲学基础01一、QCA分析法简介

(一)集合关系——集合关系的类型

◆第一种集合关系是定义性的,如初中生(集合)是学生(集合)的一部分。这种集合关系主要是用一个集合去定义另一个集合。◆第二种集合关系则反映因果关系。举例来说,在政府效率高的城市中,创业活跃度高。在这个例子中,我们需要用理论与实践知识去解释高的政府效率如何以及为什么会导致高水平的创业活跃度。一、QCA分析法简介

(一)集合关系——集合关系的特点在集合关系中,前因条件和结果被视为集合。集合关系认为,前因条件相互依赖,各前因条件的作用效应与其所处的与其他条件的组合有关。这一假定使得因果关系不再具有可加性,所研究与分析的也不再是单个前因条件的净效应。集合关系是不对称的。例如,高创新产生高企业绩效,低创新(如垄断)未必导致低企业绩效,这是一种非对称因果关系。如果采取传统的相关方法,回归得出创新与绩效正相关,就会将其解释为一种对称性关系——高创新高绩效,低创新低绩效。一、QCA分析法简介

(一)集合关系——集合关系的分析策略在共享特定结果的案例中,识别它们是否有共同的前因条件(组合)。这检验的是出现特定结果的案例是否是具有共同前因条件(组合)案例的子集,主要用于必要条件分析。示例：企业层面的研究案例A、B、C都具有高绩效(即它们共享高绩效),用集合的语言则表述为它们都隶属高绩效集合。同理,共享前因条件(研究复杂性问题时,通常为前因条件的组合)是指A、B、C、D都隶属特定前因条件(组合)集合：因为,结果集合(包括A、B、C)是前因条件集合(包括A、B、C、D)的子集,因此这里构成了一种必要但不充分的关系,通常可以简称为必要条件关系或必要性关系。一、QCA分析法简介

(一)集合关系——集合关系的分析策略在共享特定前因条件(组合)的案例中,识别它们是否会出现相同的结果。这检验的是存在特定前因条件(组合)的案例是否是具有共同结果案例的子集,主要用于充分条件分析。示例：例如,A、B、C都隶属结果集合,A、B都隶属特定前因条件(组合)集合：因为,特定前因条件集合(包括A、B)是结果集合(包括A、B、C)的子集,因此这里构成了一种充分但不必要的关系,通常可以简称为充分条件关系或充分性关系。一、QCA分析法简介

(二)模糊集和模糊集合关系

模糊集使用0.0(完全不隶属)和1.0(完全隶属)之间的值来表示。其中：隶属分数1.0表示完全隶属某个集合。隶属分数0.0表示完全不隶属某个集合。隶属分数0.5为定性锚点,代表一个案例隶属还是不隶属某个集合的最大模糊点。由此,模糊集结合了类别与隶属度,既可以基于集合理论进行定性分析(类别),又可进行实证研究的精细等级划分(隶属度)。一、QCA分析法简介

(二)模糊集和模糊集合关系

案例在前因条件集合中的隶属度,为前因条件隶属分数中的最小值。当案例在前因条件集合中的隶属度小于或等于该案例在结果集合中的隶属度时,说明前因条件集合为结果集合的模糊子集,从而进行充分性检验。一、QCA分析法简介

(三)集合关系表示与集合关系计算

集合关系表示：“≤”表示“是……的充分条件”。例如，A≤B表示A是B的子集,表示的是充分性关系。“≥”表示“是……的必要条件”。例如，A≥B表示A是B的超集,表示的是必要性关系。一、QCA分析法简介

(三)集合关系表示与集合关系计算

集合关系有三种常见的运算:逻辑与(交集)、逻辑或(并集)和非集。逻辑与(交集)用“·”表示。集合A和集合B交集运算的表达式为A·B。案例在交集中的隶属分数,由构成集合(如A、B)的最小隶属分数决定。逻辑或(并集)用“+”表示。集合A和集合B并集运算的表达式为A+B,它由构成集合(如A、B)的最大隶属分数决定。非集用“~”表示。某案例在某集合的非集中隶属分数的计算,等于1.0减去该案例在原集合中的隶属分数。例如，~A=1.0-A。二、QCA分析法的核心假设

概括而言，QCA分析法存在以下三个核心假设:并发因果关系。QCA分析前因条件的相互依赖和不同组合构成的多重并发因果关系。等效性。导致同一结果Y出现的前因条件组合(组态)并不唯一,即多种组态等效。因果不对称。这可以细分为以下两种情况:一是导致结果Y和非Y出现的原因不同,不能用导致结果的原因的反面来解释结果不出现。二是前因条件作用不对称，前因条件在某组态中起作用,但在其他组态中有可能起反作用或者不起作用。三、QCA分析法的逻辑基础

QCA分析法的逻辑基础来自哲学家Mill提出的“一致性方法”和“差异性方法”的思想。“一致性方法”是指如果被研究现象的两个或多个实例只有某一个共同情况,那么这个使所有实例都表现出一致性的情况,就是这些现象的原因(或效果)。“差异性方法”是指如果被研究现象的一个实例在一个情况下发生而在另一个情况下没有发生,而除此之外其他都相同,那么这个使被研究现象表现出差异的唯一情况,就是这些现象的结果、原因或是原因不可或缺的一部分。四、QCA分析法的优势

首先,QCA分析法既可以进行小样本案例数(如15个以下案例)、中等样本案例数(如15~50个案例)的研究,也可进行大样本案例数(如100个以上案例)的研究。其次,它是一种定性研究和定量研究相结合的方法,既可用于探索性的归纳式研究,又可用于检验性的演绎式研究;既聚焦于分析案例,确保了分析过程的透明性,又融入了量化方法,做到了分析过程的可重复性。最后,QCA分析法从整体视角出发,观察和解释多条件、多维度的复杂现象,为解释因果复杂性提供了新的思路。五、QCA分析法的三种分析技术

1.csQCA技术csQCA技术更适合处理二分类变量,例如性别。当前因条件和结果能够进行二元划分,即各前因条件和结果能够被赋值为0或1(赋值为1表示隶属某个集合,赋值为0表示不隶属某个集合)的时候,适合利用csQCA技术进行分析。这种分析技术也具有一定的缺陷,主要是因为csQCA技术只能进行二分类变量的分析。因此,连续变量将被分为两种类型(赋值为0或1),一些细微的变化将被忽略掉。五、QCA分析法的三种分析技术

2.mvQCA技术当前因条件和结果无法进行二元划分,而是需要进行多元划分,即各前因条件和结果需要赋值为0、1、2、3等的时候,适合利用mvQCA技术进行分析。由此可以看出,相比csQCA技术,mvQCA技术在对变量的赋值上更为精确,更适合处理多分类变量。五、QCA分析法的三种分析技术

3.fsQCA技术csQCA技术和mvQCA技术只能处理类别(kind)变量,而fsQCA技术不仅可以处理类别变量,还可以处理程度(degree)问题。当各前因条件和结果不易划分为0或1的隶属问题,并且还需要考虑处于0~1之间的情况时,则适合利用fsQCA技术进行分析。此时,模糊集的隶属度可以连续地分布在0到1之间。与只进行二元划分的清晰集不同,模糊集使用了更为严格的子集关系,其隶属度的连续性更加契合社会科学中的连续现象。六、QCA分析法的符号表达

1.条件的存在和缺乏实心圆表示前因条件的存在,用空心圆表示前因条件的缺乏。用大圆表示核心条件,用小圆表示边缘条件。即核心条件的存在表示为●˜,核心条件的缺乏表示为

,边缘条件的存在表示为●,边缘条件的缺乏表示为

。六、QCA分析法的符号表达

2.布尔表达式“*”表示“与(and)”,“+”表示“或(or)”。前因条件的存在用大写字母表示,前因条件的缺乏用小写字母表示。示例：A*B*c表示条件A存在、条件B存在、条件C缺乏在两个产生相同结果的布尔表达中,如果只相差一个前因条件,那么这个前因条件就可以在布尔表达中删去。示例：A*B*C+a*B*C可以简化为B*C,A*B*C+A*B*c可以简化为A*B,那么A*B*C+a*B*C+A*B*c可以简化为B*C+A*B。QCA分析法的主要步骤02QCA分析法的主要步骤

一、提出研究问题

QCA分析的是组态问题,即多种前因条件的组合共同导致某种结果。基于溯因逻辑,研究者不提理论假设,而是结合理论选择前因条件,探索什么样的前因条件组态会导致特定的结果,以及是否存在前因条件是实现特定结果的必要条件。这种模式是QCA分析法用于研究因果复杂性问题的主要模式。如果研究者有明确的理论基础,也可以基于演绎逻辑,提出必要性和充分性的关系假设,再进行理论检验。二、选择案例

几点一般性的建议:选择案例应基于理论。案例选择不是采用机械的程序进行的,它遵循的是理论抽样原则。“结果”具有清晰的定义。研究者必须明确阐述对特定结果的清晰界定。例如,研究者如果关注“高绩效”这一结果,就需要清晰地定义什么是“高绩效”。案例需具有共同的背景特征。确定案例选择范围,在这个范围内,案例之间具有某种程度的相似性,因而能够在特定的维度上进行比较。二、选择案例

研究者应尽可能最大化案例间的异质性,以实现所选案例的多样化。具体包括:既包括具有正面结果的案例(如具有高绩效的企业),又包括具有负面结果的案例(如具有低绩效的企业);前因条件是变化的。研究者可以对案例进行增加或删除。在小样本研究中,研究者可能需要根据理论饱和度进行补充调查,增加案例;也可能删除跟研究背景差别很大的案例。在大样本研究中,这种案例的微调可能比较少。对小样本和中等样本而言,研究者需要深入了解每一个案例;对于大样本而言,研究者无法充分了解每个案例,但熟悉其种类或类别有助于深化研究。三、选择前因条件

在QCA分析语境下,一般使用条件、属性而非自变量来表达前因。选择前因条件可以参考以下几点标准:可以通过归纳或演绎构建前因条件。归纳法依赖于过去的研究和经验知识,识别影响结果的重要条件,因此具有较大的探索性；演绎法基于一定的理论框架推导出案例的前因条件。纳入的前因条件应该是变化的。如果条件是不变的,那么它将是一个常数(背景),纳入分析会增加模型的复杂性,没有实际意义。条件数量应保持在适度的范围内。通常而言,4~7个条件往往比较合适,一般不超过10个条件。三、选择前因条件

条件数量的增加会导致条件组合数量以指数形式增多,条件组合数量会很快超过案例数量,便极易出现“有限多样性”问题。有限多样性问题是指观测到的案例数量小于条件组合数量,得出的结论则会成为针对单个案例的个体化解释,而非真正意义上的理论解释。3个前因条件存在8(23)个组合,5个前因条件存在32(25)个组合,7个前因条件存在128(27)个组合,9个前因条件存在512(29)个组合……在中等样本研究中,条件数量一般为4~7个;在大样本研究中,条件数量在此基础上可以增加。条件数量没有绝对的数值范围,通常需要研究者平衡理论的简约性和条件组合的复杂性。四、收集数据

在选择案例和提炼前因条件之后,研究者需要进行前因条件和结果数据的收集,以便形成原始数据。一手数据包括问卷调查数据、案例分析数据等;二手数据包括统计部门公布的资料(如统计年鉴),各类信息中心发布的市场和行业发展报告,各类期刊、书籍、报纸提供的文献数据,企业的经营数据,等等。在研究中,学者往往会综合多个数据来源。五、校准

校准是一种常规的研究实践,要对待测量变量进行校准,以使原始测量具有可解释的集合隶属度。(一)为什么要校准传统定量方法VSQCA方法研究者往往根据观察到变量的相对分数来分析X的变化与Y的变化的关系。分析使用的是未校准的测量。示例:企业A具有150万元的利润,企业B具有200万元的利润。这种未校准的测量只能表明企业之间相对的利润大小:A企业的利润小于B企业,但它并未说明A、B两家企业到底是高利润企业还是低利润企业。

在QCA分析中,我们需要先校准前因条件X和结果Y,再分析它们的集合关系。示例：研究者如果要分析产生高利润企业的原因,就需要先定义高利润企业集合及其边界,进一步评估研究的样本企业在这个高利润企业集合中的隶属度分别是多少,这个过程就是校准。

五、校准

校准的过程是给案例赋值(即集合隶属分数)的过程,即将前因条件和结果的原始数据转换为模糊隶属度。QCA分析主要使用直接法进行校准。直接法是指设定三个定性断点(阈值)进行校准,分别是完全隶属、完全不隶属和交叉点。其中,交叉点是指完全隶属和完全不隶属的中间点,处于该点上的案例是否隶属某一集合的模糊性最大。(二)怎样进行校准五、校准

校准是为了表明案例在某个集合中的隶属度,关键在于外部标准。外部标准可以是基于已有的社会科学知识,也可以是研究者自己从已有的案例研究中总结得出的知识。也就是说,校准必须结合理论知识和实践知识进行深入思考,而非进行机械、自动的操作。总而言之,研究者应明确阐释外部标准的来源,并且系统、透明地应用这些标准。(二)怎样进行校准五、校准

以问卷调查为例：假设使用李克特五点量表,评分为1~5,依次表示“非常不同意”、“不同意”、“不确定”、“同意”和“非常同意”。研究者可将量表锚点“非常不同意”(1)作为完全不隶属阈值,将“不确定”(3)作为交叉点,将“非常同意”(5)作为完全隶属阈值。然而,在问卷数据的实际校准中,研究者往往需要灵活处理量表锚点与样本数据实际分布的关系,一旦出现应答不服从正态分布,或者某些点数没有被应答,导致样本数据分布与量表点数分布不一致,便需要重新考虑阈值。(三)校准实践举例——定量研究中的一手数据五、校准

理想的阈值是基于理论知识和实践知识设定的。如果没有理论知识和实践知识的支撑,则需要基于案例的描述性统计来设定。示例：将前因条件与结果完全不隶属、交叉点和完全隶属的3个校准点分别设置为案例样本描述性统计的下四分位数(25%)、中位数和上四分位数(75%),具体选择什么比例的分位数则需要根据样本实际情况和研究问题确定。(三)校准实践举例——定量研究中的二手数据五、校准

对于案例研究,研究者需要基于深度的案例分析和比较,根据案例在研究条件和结果方面的实际情况校准,可以直接赋值。(三)校准实践举例——定性研究在实际研究中,可能会同时使用问卷调查、二手数据和定性数据,因而可能需要针对具体情况采用多种校准方法,对于不同条件集合的类型也可能不同,因而同一个研究中集合的类型可能同时包括清晰集、多值集和模糊集。无论是对什么数据进行校准,首先考虑将理论知识和实践知识作为校准的依据,然后才选择其他依据进行校准。六、分析条件的必要性

在此之前，我们先对必要条件关系和充分条件关系做出介绍。在必要条件关系中,前因条件集合X是结果集合Y的超集(Y≤X),因此,前因条件不存在,结果也必然不存在。必要条件关系考察的是结果相同的案例是否具有一致的前因条件,它关注的是单个前因条件的约束作用,能够识别出哪些要素是使结果存在的约束条件。在充分条件关系中,前因条件集合X是结果集合Y的子集(X≤Y),因此,前因条件存在,结果也必然存在。充分条件关系考察的是前因条件相同的案例是否具有一致的结果,它关注的是前因条件的组态效应,分析哪些要素的组合可以使结果存在。六、分析条件的必要性

对必要条件关系和充分条件关系的识别,本质上是对集合关系进行评估。评估集合关系,需要观测两个指标:一致性和覆盖度。一致程度越高,说明越近似于完全的子集关系。在前因条件集合(X)和结果集合(Y)中,充分性关系是评估Xi≤Yi的一致程度；必要性关系则是评估Xi≥Yi的一致程度。覆盖度评估是指测量前因条件组合对结果的解释程度。覆盖度类似于相关关系中的强度,反映了前因条件在解释结果中的重要性。六、分析条件的必要性

在清晰集中,必要性等于前因条件与结果共同发生的案例数(交集)除以结果集合中的案例数,充分性等于前因条件与结果共同发生的案例数(交集)除以前因条件集合中的案例数。(一)一致性

低分高分不接受课外培训1814接受课外培训216一个简单清晰集中的集合关系示例当我们评估“接受课外培训”对“高分”的必要性时,一致性分数=16/(16+14)=0.53。当我们评估“接受课外培训”对“高分”的充分性时,一致性分数=16/(16+2)=0.89。六、分析条件的必要性

在模糊集中,对一致性用隶属度来测量。其中,Xi≤Yi定义的是充分性。min表示选择两个值中较小的那一个。Xi是指在前因条件中的隶属分数,Yi是指在结果中的隶属分数。与表示充分性的不等式Xi≤Yi相反,不等式Yi≤Xi定义必要性。计算公式为:(一)一致性六、分析条件的必要性

在清晰集中,覆盖度为特定前因条件导致结果的案例数(交集)与结果案例总数或前因条件案例总数之比。(二)覆盖度

低分高分不接受课外培训1814接受课外培训216一个简单清晰集中的集合关系示例当我们评估“接受课外培训”对“高分”的充分性时,覆盖度为特定前因条件导致结果的案例数(交集)与结果案例总数之比,即覆盖度=16/(16+14)=0.53。当我们评估“接受课外培训”对“高分”的必要性时,覆盖度为特定前因条件导致结果的案例数(交集)与前因条件案例总数之比,即覆盖度=16/(16+2)=0.89。六、分析条件的必要性

在模糊集中：在充分性评估中,覆盖度计算的本质是,评估前因条件与结果的交集覆盖结果集合的程度,可看作两个集合重叠部分占结果集合的比例。计算公式为:在必要性评估中,覆盖度计算公式为:(二)覆盖度六、分析条件的必要性

当有一个以上的前因条件充分导致结果产生时,对每个解唯一覆盖度的测量能够说明它们相对的实证重要性。(三)分隔覆盖度覆盖度的计算示例假设：有两条路径产生结果Y,即Y:A·B+C，第一条路径A·B的覆盖度为0.25,第二条路径C的覆盖度为0.3，二者的并集(A·B+C)的覆盖度为0.35。路径A·B的唯一覆盖度,是两条路径的总体覆盖度(0.35)减去路径C的覆盖度(0.3),即0.05。同样,路径C的唯一覆盖度=0.35-0.25=0.1。此外,两条路径的重叠部分是两条路径的总体覆盖度(0.35)与两条路径的唯一覆盖度之和(0.05+0.1=0.15)的差值,即0.2。前因条件总覆盖度覆盖度除去替代项唯一覆盖度A·B0.350.250.30.05C0.350.30.250.1六、分析条件的必要性

在了解了一致性与覆盖度及其计算之后,我们再回到条件的必要性分析中来。在这一步骤中：首先要进行一致性检验。必要条件一致性检验检测的是前因条件对结果的必要性,说明结果实例是否为前因条件实例的子集。一般认为,必要条件一致性分数的阈值为0.9。在通过一致性检验之后,才可对覆盖度进行评估。与一致性分数不同,覆盖度目前没有公认的阈值。七、分析条件组态的充分性

真值表条件组态的充分性分析是得出研究结论的一个核心步骤,其分析过程通常通过真值表来进行。真值表是从集合隶属分数转换而来的。它展示了逻辑上所有可能的前因条件的组合。如果k为前因条件的数量,那么前因条件的组合数为2k。进行真值表分析的主要思路如下:首先,研究者通过设定案例频数阈值与一致性阈值对初始真值表进行简化。之后,利用反事实分析进行逻辑简化。反事实分析是对逻辑余项进行假设,最终得出三种不同的解:复杂解、中间解和简约解。

七、分析条件组态的充分性

需要考虑案例的总数及在组态间的分布、前因条件的个数、研究者对每个案例的熟悉程度、模糊集校准中可能的精准程度、测量和赋值误差的程度、研究者对结果模式(粗糙还是精细)的兴趣等。(一)设定案例频数阈值示例：假设在一个数据集中,存在4个前因条件和12个案例,那么此时案例频数阈值设置为1较为合理。这是因为,当存在4个前因条件时,逻辑上存在16个前因条件组合,12个案例相对16个前因条件组合,数量较少(存在有限多样性问题)。一般情况下,在确定频数时应至少保留75%或80%的观察案例。示例：假设在一个数据集中,案例总数为100,在设置案例频数阈值并去掉逻辑余项之后,剩余的观察案例数应至少为75或80。七、分析条件组态的充分性

原始一致性(rawconsistency)是充分条件子集合关系的一致性,表示共享前因条件的案例在显示结果时的一致程度。一般情况下,原始一致性阈值应≥0.80。在设定阈值时,研究者应该综合考虑样本量、研究目标等方面的影响。(二)设定原始一致性阈值对于原始一致性分数大于或等于阈值的前因条件组合,我们将其结果编码为1,认为它是结果集的子集;反之,原始一致性分数低于阈值的前因条件组合说明不构成子集关系,我们将其结果编码为0,认为它不是结果集的子集。七、分析条件组态的充分性

PRI是指不一致的减少率(proportionalreductionininconsistency,PRI),它是一致性度量的一种补充测度。一般情况下,PRI设定为0.70以上,0.75以上更为理想。在一些战略管理研究中,0.65也是可以接受的。(三)设定PRI阈值七、分析条件组态的充分性

矛盾组态是指某种前因条件组合同时出现结果值为0和1的情形。一方面,研究者可以在前因条件提炼这一环节增加新的条件,或改变前因条件和结果的校准;另一方面,研究者也可以主观删除所有的矛盾组态,或是利用程序自动对矛盾组态进行取舍。(四)处理矛盾组态七、分析条件组态的充分性

社会现象的有限多样性致使我们很难观察到所有逻辑上存在的案例。逻辑余项可作为一个潜在的“简化假设”池,即提出关于案例数小于案例频数阈值的前因条件组合的假设。反事实分析属于一种思想实验,可以评估这些逻辑余项可能导致的结果。但需要注意的是,在进行反事实分析时,研究者要对“简化假设”的合理性和可信度做出评估,评估标准应基于已有的理论和实践知识,并透明地报告出来。(五)反事实分析七、分析条件组态的充分性

反事实分析包括“容易”的反事实和“困难”的反事实。示例：假设有四个前因条件A、B、C、D和结果Y,结果显示,A·B·C·~D≤Y。通过反事实分析,我们假设前因条件A、B、C、D的存在导致结果Y存在,即A·B·C·D≤Y。这个反事实使得原有的逻辑简化:A·B·C·~D+A·B·C·D≤YA·B·C·(~D+D)≤YA·B·C≤Y(五)反事实分析如果有理论知识说明前因条件D的存在导致结果Y存在,那么A·B·C·D≤Y便是一个“容易”的反事实分析。但是,如果理论知识和实践经验说明前因条件D存在导致结果Y不存在,那么A·B·C·D≤Y便是一个“困难”的反事实分析。七、分析条件组态的充分性

通过反事实分析,我们得出三种解:复杂解、中间解和简约解。复杂解：复杂解不基于任何逻辑余项,只分析案例数大于等于案例频数阈值的前因条件组合。即禁止进行反事实分析。(五)反事实分析简约解：简约解基于案例数大于等于案例频数阈值的前因条件组合,以及所有的逻辑余项。即允许进行“容易”的反事实分析和“困难”的反事实分析。中间解：中间解基于案例数大于等于案例频数阈值的前因条件组合,以及基于经验或理论的逻辑余项。即采用“容易”的反事实,排除“困难”的反事实。七、分析条件组态的充分性

通过观察和对比简约解与中间解,研究者可以识别出核心条件与边缘条件。如果某个前因条件既存在于简约解的某个组态中,又存在于中间解对应的组态中,那么这个前因条件是该组态中的核心条件;如果某个前因条件只存在于中间解中,那么该条件为边缘条件。(五)反事实分析模型中的总体一致性(overallconsistency)是指所有组态解中的一致性,通常情况下,建议其值至少为0.80。总体覆盖度是所有组态解总体上对结果的解释程度,目前没有参考阈值。八、汇报结果

对研究结果的展示通常使用QCA标准符号以表格方式呈现,并报告一致性、原始覆盖度、唯一覆盖度、总体一致性和总体覆盖度:核心条件的存在表示为●˜,核心条件的缺乏表示为

,边缘条件的存在表示为●,边缘条件的缺乏表示为

。组态中的条件用形容词描述其状态,例如“高创新”“非高创新”等。真值表分析的最终结果是对不同前因条件组合与结果关系的描述,因此,研究者需要在逻辑上综合所有的因果陈述。研究者可以对最终的组态解进行命名并解读。八、汇报结果

研究结果汇报格式示例九、稳健性检验

因为QCA分析法是基于集合论的方法,所以基于集合论的稳健性检验方法被普遍接受。(一)基于集合论的稳健性检验方法举例调整案例频数阈值：适用于大样本,可以将案例频数阈值提升或降低。改变一致性阈值：除了调整一致性阈值,研究者也可以对PRI阈值做出改变。调整校准阈值：使用不同的交叉点、完全隶属阈值、完全不隶属阈值。剔除或补充案例：对于小样本和中等样本分析而言,案例的剔除或补充并不适合作为稳健性检验方法,但对于大样本来说是可行的。九、稳健性检验

稳健性检验参考如下两个方面做出评估:(二)稳健性检验结果评估一是集合关系。当稳健性检验方法产生的组态解之间具有清晰的子集关系,则可认为结果是稳健的,即使组态构成看上去不尽相同。示例：某组态A*B产生结果Y,通过稳健性检验发现某组态A*B*C也产生Y,组态A*B与A*B*C的构成看起来是不一样的,但A*B是A*B*C的超集。在集合论中,这种结果是稳健的。二是参数差异。如果不同的稳健性检验方法导致一致性和覆盖度等参数的差异不足以产生不同的实质性解释,则可认为结果是稳健的。示例：一致性从0.82提高到0.85,或者降低到0.8,这都是在满足一致性阈值(如0.8)的范围内,并不会影响对结果的解释。QCA分析法的实际操作和软件示例03一、创建数据集

关于数据集,现有的软件版本可以处理的数据文件格式如下:由Excel或其他电子表格程序生成的*.csv文件;由Word或其他文字编辑软件生成,且只能保存为文本格式的*.txt文件;由SPSS或其他统计软件生成的*.dat文件;由Stata生成的*.raw文件,但如果以逗号分隔格式保存,那么扩展名可以更改为*.csv。数据集第一行为变量名称,变量名称须为没有嵌入标点符号或空格的字母、数字字符。从第二行开始为数据行,且每一行代表一个案例,缺失的数据以空白单元格替代。此外,不同列的数据类型可以不同,但同一列必须为相同类型的数据。一、创建数据集

依次点击“File—Open”,导入原始数据。本例中的数据包括城市层面的营商环境与创业活跃度,用于分析城市营商环境与城市创业活跃度的关系,EA表示创业活跃度,GE表示政府效率,HR表示人力资源,FS表示金融服务,PS表示公共服务,ME表示市场环境,IE表示创新环境。其中,EA为结果,GE、HR、FS、PS、ME和IE代表了6个营商环境要素,为前因条件。二、描述性统计

依次点击“Analyze—Statistics—Descriptives”,弹出如左图所示的对话框。在该对话框中,选择前因条件和结果,点击“OK”。如右图所示,将得到描述性统计分析结果,内容包括:变量、均值、标准差、最小值、最大值、案例数量以及案例缺失数量。研究者也可以利用SPSS等其他软件获取描述性统计分析结果。此外,研究者还需报告校准阈值。三、校准

依次点击“Variables—Compute”,出现“ComputeVariable”对话框。在函数下拉菜单中点击校准函数“calibrate(x,n1,n2,n3)”。其中,x表示要校准的变量名称,n1表示完全隶属阈值,n2表示交叉点,n3表示完全不隶属阈值。在计算对话框中的“Targetvariable”处输入校准之后的变量名称。在左侧变量菜单中,点击某一变量,将其作为校准变量；用对应的阈值分别替换n1、n2和n3,点击“OK”完成该变量的校准。依次对其他变量进行计算,完成之后,点击“OK”,导出校准后的数据文件。四、必要条件分析

导入校准后的数据文件,依次点击“Analyze—NecessaryConditions”,出现如左图所示的对话框。在对话框中的“Outcome”菜单处,选择要研究的结果。在对话框中的“AddCondition”菜单处,选择条件,并点击“→”,将其传输到“Conditions”条件框中,依次完成对所有条件的选择。需要注意的是,“条件”和“~条件”都要选择。输入完成之后，点击“OK”，将显示右图所示的分析结果画面。五、条件组态的充分性分析

依次点击“Analyze—TruthTableAlgorithm”,“SelectVariables”对话框将被打开。在“variables”中点击某一变量,之后点击“Set”,表示将该变量存在作为结果,点击“SetNegated”则表示将该变量不存在作为结果。在“variables”中点击某一变量,之后点击“Add”,表示选择该变量作为前因条件。重复该操作,依次选择其他前因条件。此外,如果选中“Showsolutioncasesinoutput”复选框,并选择caseID变量,那么分析结果中将呈现出各个组态的案例构成,建议做此选择,它是识别典型案例需要进行的操作。五、条件组态的充分性分析

在指定结果和前因条件之后,点击“OK”,将生成真值表。五、条件组态的充分性分析

依次点击“Edit—Deleteandcode”,弹出如上图所示的对话框。在第一个字段中,设置案例频数阈值。在第二个字段中,设置原始一致性阈值。设置完成后,点击“OK”,将呈现如下图所示的真值表。五、条件组态的充分性分析

赋值完成后,点击右下方“StandardAnalyses”进入标准化分析。当同一组态可以简化为多个等效质蕴含(primeimplicants)项时,会弹出如图所示的质蕴含对话框。质蕴含示例:A*B*~C是A的一个子集,意味着A蕴含A*B*~C;同理,A*B*~C是B的一个子集,意味着B蕴含A*B*~C。质蕴含对话框与简约解有关,研究者基于理论和实践从等效质蕴含项中进行选择,并进行报告即可。在本操作实例中:因为在转型期我国政府力量仍然占主导地位,公共服务水平受政府逻辑的影响更大,也更直接,故选择了“政府效率GEfz*金融服务FSfz*公共服务PSfz*市场环境MEfz*创新环境IEfz”作为质蕴含项。五、条件组态的充分性分析

如图所示，在选择标准化分析后,会出现中间解的对话框。如果前因条件的存在促进结果出现,则选择“Present”(存在)。如果前因条件的缺乏促进结果出现,则选择“Absent”(缺乏)。如果前因条件的存在或缺乏都影响结果,则选择“PresentorAbsent”(存在或缺乏)。该对话框牵涉复杂解、中间解和简约解的区别,需要研究者通过上述操作对“容易”的反事实分析部分做出判断。也即，依据理论或者实践知识对每个前因条件的结果贡献做出假设性选择。五、条件组态的充分性分析

在做出选择之后,点击“OK”运行程序,之后点击窗口右上角按钮回到主界面,输出窗口从上到下依次为复杂解、简约解和中间解。五、条件组态的充分性分析

QCA分析汇报中间解,并通过对比简约解和中间解来区分核心条件和边缘条件,结果如表所示。

高创业活跃度前因条件S1aS1bS2S3GE（政府效率）

HR（人力资源）

FS（金融服务）

PS（公共服务）

ME（市场环境）

IE（创新环境）

一致性0.890.830.870.82原始覆盖度0.090.140.100.40唯一覆盖度0.040.050.010.28总体一致性0.84总体覆盖度0.52QCA分析法在研究中的应用04一、构建理论

在使用QCA分析法进行研究的整个过程中,基于研究情境、研究过程和研究结果,并与案例进行“对话”,研究者可以提出新的理论命题,发展新的理论论断。当将QCA分析法作为一种方法去构建或检验理论时,有三种不同的推理逻辑:溯因、演绎和归纳。一、构建理论

基于溯因逻辑构建和延伸理论是QCA分析法较普遍的运用形式,福纳里等(Furnarietal.,2021)提出了组态理论化的三个阶段:界定范围(scoping),即结合理论,界定可能构成组态的前因条件的范围;连接(linking),即解释前因条件之间如何连接,以及为什么会出现这种连接;命名(naming),即基于组态结果的整体性和独特性对组态进行命名,从而发展组态理论。以上三个阶段是一个迭代的过程,往往需要返回先前阶段重新考虑。一、构建理论

组态理论化通常需要结合多个理论,纳入多个条件,并明确不同类型的复杂因果关系,其核心是构建前因条件间和组态间的联系机制。这就要求研究者根据研究问题的新颖性、所涉及理论的成熟度,有针对性地采取溯因逻辑或归纳逻辑来发展组态理论。二、检验已有理论

基于演绎逻辑和归纳逻辑,帕克等(Parketal.,2020)根据因果配方(causalrecipes，在因果配方中,存在两种逻辑:因子逻辑和组合逻辑)和组态生态,提出了检验组态理论的模式。因子逻辑对应的是前因条件,说明了哪些要素对结果是重要的;组合逻辑对应的是组态,描述了前因条件如何通过集合关系“与”“或”“非”连接形成组态,从而导致结果产生;组态生态则是指组态间的关系,研究者可以识别不同组态背后所代表的不同理论,进而解释它们是竞争的还是互补的。二、检验已有理论

一方面,基于前因条件组合的复杂关系,QCA分析法可用于检验并解释条件间的作用机制,从而证实或细化完善现有理论。另一方面,QCA分析法也可用于证伪理论和假设。对此,研究者往往基于相关理论提炼前因条件和结果,提出假设,进行QCA分析。三、人工智能背景下的QCA方法应用

在人工智能(AI)持续重塑商业逻辑与社会互动的背景下,管理学与人工智能的交叉研究快速增长,AI除了作为QCA方法的研究变量外,还可以直接作为研究方法直接参与管理学研究,与QCA方法形成混合方法。三、人工智能背景下的QCA方法应用

一方面,当AI作为核心变量进入QCA研究视野时,研究者不再孤立地考察AI的“净效应”,而是将其嵌入QCA的多维前因与结果分析体系中,利用组态视角解构驱动高水平结果的复杂逻辑。另一方面,当AI作为一种技术手段与QCA方法进行结合时,两种方法的优势将得到进一步的扩大。最常见的做法是AI技术赋能组态研究的测量与数据处理。研究者利用大模型从文本中自动抽取特征,再使用QCA方法分析。该混合方法既扩展了QCA方法对大样本与非结构化数据的适用性,也强化了对复杂因果结构的解释力度。关键术语

定性比较分析(qualitativecomparativeanalysis,QCA):基于集合理论和布尔运算,QCA分析法将案例视为条件的组态,分析特定前因条件组合(组态)和结果之间的集合关系,有助于回答多因并发、因果非对称性和等效性等因果复杂性问题。清晰集定性比较分析(crispset,QCA):当前因条件和结果能够进行二元划分,即前因条件和结果为二分类变量(赋值为1表示隶属于某个集合,赋值为0表示不隶属于某个集合)的时候,适合利用清晰集进行分析。多值集定性比较分析(multi-valueset,QCA):当前因条件和结果无法进行二元划分,而是需要进行多元划分,即前因条件和结果需要赋值为0、1、2、3等的时候,适合利用多值集进行分析。模糊集定性比较分析(fuzzyset,QCA):当前因条件和结果为连续变量,需要考虑处于0~1之间的隶属情况时,适合利用模糊集进行分析,其隶属度的连续性更加契合社会科学中的连续现象。关键术语

真值表(truthtable):分析复杂因果关系的关键工具,展示了逻辑上所有可能的前因条件的组合(组态)。如果k为前因条件的数量,那么前因条件的组合数为2k。逻辑余项(logicalremainder):案例数小于案例频数阈值的组态,在真值表中表现为缺乏足够的案例。复杂解(complexsolution):不基于任何逻辑余项,即只分析案例数大于等于案例频数阈值的组态。中间解(intermediatesolution):基于案例数大于等于案例频数阈值的组态,以及有经验或理论支持的逻辑余项。简约解(parsimonioussolution):基于案例数大于等于案例频数阈值的组态,以及所有的逻辑余项。矛盾组态(contradictoryconfiguration):某种前因条件组合同时出现结果值为0和1的情形。关键术语

核心条件(corecondition):如果某个前因条件既存在于简约解的某个组态中,又存在于中间解对应的组态中,那么这个前因条件是核心条件。边缘条件(peripheralcondition):如果某个前因条件只存在于中间解中,那么该条件为边缘条件。一致性(consistency):用于测量具有相同前因条件组合的案例在结果显示上的一致程度。覆盖度(coverage):用于测量前因条件组合对结果的解释程度。思考题

QCA分析法的逻辑基础是什么?这一研究方法的原理是什么?QCA分析法可以用来解决何种类型的问题?QCA分析法主要分析什么关系?利用QCA分析法进行研究的主要步骤是什么?如何运用复杂中介模型分析复杂机制？

延伸阅读

[1]拉金.重新设计社会科学研究:模糊集及超越.杜运周,译.北京:机械工业出版社,2019.[2]里豪克斯,拉金.QCA设计原理与应用:超越定性与定量研究的新方法.杜运周,李永发,译.北京:机械工业出版社,2017.[3]塔雷诺.管理研究方法.王永贵,译.北京:清华大学出版社,2015.[4]杜运周,贾良定.组态视角与定性比较分析(QCA):管理学研究的一条新道路.管理世界,2017(6):155-167.[5]杜运周,李佳馨,刘秋辰,等.复杂动态视角下的组态理论与QCA分析法:研究进展与