Loading
Note di Apprendimento
Study Reminders
Support
Text Version

Introduzione Metodi di ricerca quantitativa

Set your study reminders

We will email you at these times to remind you to study.
  • Monday

    -

    7am

    +

    Tuesday

    -

    7am

    +

    Wednesday

    -

    7am

    +

    Thursday

    -

    7am

    +

    Friday

    -

    7am

    +

    Saturday

    -

    7am

    +

    Sunday

    -

    7am

    +

In questo modulo analizzeremo i diversi tipi di metodi di ricerca quantitativa. Analizzeremo sostanzialmente la filosofia dei metodi di ricerca quantitativa con particolare attenzione ai metodi di ricerca dell'indagine. Analizzeremo anche i metodi misti di ricerca e le possibili combinazioni. E anche, come meglio possiamo comunicare la ricerca. Nella lezione di oggi avremo una breve introduzione ai metodi di ricerca quantitativa. Tuttavia, il focus nella lezione di oggi sarà su come possiamo pensare al meglio con i dati quantitativi. Comincio con questa idea di o con questa nozione di idee contro le prove e di come siano importanti le idee e le prove con il rispetto della ricerca sostanziosa. Infatti, ormai come una seria studentessa di metodi di ricerca capirebbe che le idee e le prove vanno sempre di pari passo. E a volte un grande affare si fa sulle prove e a volte un grande affare si fa sulle idee e a volte siamo a nostro agio con un'idea che vogliamo proporre come una sorta di giustificazione per la ricerca politica e non diamo molta importanza alle prove. E in altri tempi teniamo da vicino le prove e non diamo molta importanza alle idee rivali che possono essere impugnabili le prove che abbiamo. Ora è in questo contesto che dobbiamo imparare a pensare con i dati e capire anche il fatto che per essere riusciti a proporre un'idea, potrebbe non esserci solo uno, ma vari tipi di prove. E tutte queste prove non possono andare a giustificare l'idea che ci teniamo a stretto. Possono essere contrastanti nella natura così come nelle idee magari rivali. E in una situazione del genere, quali sono le cose da tenere a mente, quali sono le migliori pratiche che possiamo seguire per quanto riguarda la nostra ricerca.Così, quello che copriremo nella lezione di oggi sono i seguenti. Primo è il rapporto tra idee e prove. Secondo è il ruolo quantitativo dei dati quantitativi in idee motivanti. E in terzo luogo, quando facciamo o come facciamo a utilizzare i dati quantitativi in advocacy e più in particolare per ricordare le cose che possiamo tenere su quando utilizziamo i dati quantitativi in advocacy.Ora ho appena parlato di idee e prove e delle posizioni estreme che possiamo tenere a riguardo per quanto riguarda le prove. A volte vogliamo tenerci a un'idea senza prove sufficienti. E in altri momenti vogliamo aggrappare alle evidenze, certi tipi di evidenze e ignorare completamente le prove rivali che potrebbero impugnare le prove o la giustificazione in base alle prove a cui stiamo arrivando. Quindi, c'è questo duplice pericolo di reggere le idee senza prove o difendere le idee solo con prove che li sostiene. E questo è qualcosa di altamente prevalente nell'analisi politica. Le idee a turno possono supportare la natura e la direzione dell'azione pubblica e le prove sono prevalentemente costituite da dati sia quantitativi che qualitativi. Tuttavia, in questa lezione il nostro focus sarà sul ruolo dei dati quantitativi e sul ruolo che i dati quantitativi possono giocare nella scelta tra il rivale ideas.So qual è il ruolo di quel dato quantitativo può giocare in idee motivanti? In primo luogo, dobbiamo capire che i dati quantitativi assumono un duplice ruolo nell'analisi. Si dice spesso che l'analisi quantitativa si occupa di numeri mentre l'analisi qualitativa si occupa di parole e questo non sorprende perché le prove si presentano in rilievo in qualsiasi pezzo di analisi quantitativa. Mentre l'analisi qualitativa si concentra su studi più casi, casi specifici di studio, mantenendo il contesto storico e la specificità temporale in mind.Così, è in questo contesto che bisognerà guardare al duplice ruolo che i dati quantitativi possono giocare. Uno è che i dati quantitativi sono utilizzati per testare idee contro i dati e anche ottenere idee dai dati e entrambi questi elementi sono importanti e tendono a rafforzarsi l'un l'altro nel processo di ricerca. È importante acquisire l'alfabetizzazione numerica per dare un senso ai numeri ed essere in grado di disfare argomenti quantitativi e sottoponendoli a scrutini. Molti analisti di politica e policy maker soffrono di una sorta di fobia dei dati e si arringono o si presentano ai dati senza mettere a punto una discreta quantità di combattimento con come analizzare i dati, come interpretare i dati. E quindi, è importante acquisire una sorta di alfabetizzazione numerica per dare un senso ai numeri e riuscire a inventarsi argomenti che possano giustificare i dati o ciò che la gente dice è dare una storia ai dati che stiamo cercando di analizzare. Ora le competenze quantitative che non sono appoggiate da una concettualizzazione affilata di un problema a portata di mano possono sembrare impressionanti, ma spesso poggiano su fondamenta traballanti. Spesso gli articoli di ricerca hanno formule molto elaborate e sofisticati strumenti statistici e tecniche sofisticate per concludere, per fornire una buona interpretazione delle informazioni. Tuttavia, la fondazione teorica basata su cui si stanno effettuando queste analisi può essere tremenda. E in tal caso può non qualificarsi come buona ricerca. E. H. Carr dovrebbe aver detto che " un fatto è come un sacco. Non si alzerebbe finché non ci hai messo qualcosa. Ed è sempre fondamentale capire come è che ce la mettiamo, come è che stiamo permettendo ai dati di raccontare la nostra storia.Ora guardiamo alla natura dell'inferenza utilizzata nell'inchiesta quantitativa. Il fatto che l'analisi quantitativa si occupi dei numeri non dovrebbe lasciare uno per concludere che l'analisi quantitativa si occupa solo di quantità e analisi qualitativa si occupa solo di qualità perché questo è errato. Per esempio, consideriamo il tema delle aziende del territorio in una comunità contadina.Ora questa descrizione delle aziende padronali in una comunità contadina, questo si limita a dare una dimensione quantitativa dello studio o fa anche veicolare caratteristiche qualitative come la prevalenza dell'affettività è una condizione di vita?Ora un'altra cosa da ricordare è che un numero può stare da solo, ma la quantità arriva sempre con le unità ad esso collegate. In altre parole, una quantità è sempre una quantità di qualcosa: per esempio parliamo in termini di acri di terra o parliamo in termini di chilogrammi o di età in anni e così via. Quindi, la caratteristica chiave dei metodi quantitativi è che stiamo sempre misurando qualcosa ed è sempre meglio capire di cosa stiamo misurando. Mentre i numeri possono essere autonomi. Numeri, possiamo generare numeri in base alle informazioni qualitative che possediamo con noi. Un'altra caratteristica fondamentale dell'approccio quantitativo è la definizione e l'utilizzo di variabili che arriveremo a presentarci. Ma ciò che è importante tenere a mente qui è che la quantità e la qualità ciascuna sono importanti a loro volta e tendono anche ad interagire. Né i quantitativi di qualitati né gli analisti di qualitati possono ignorare tenendo conto di entrambe queste dimensioni della realtà sociale. Anche gli analisti qualitativi devono tener conto della quantità varie volte e gli analisti quantitativi devono anche tenere conto delle categorie qualitative per gli studi di casi qualitativi da sopportare in mind.Now, qual è la differenza tra analisi qualitativa e quantitativa è che l'analisi qualitativa adotta perlopiù un approccio olistico orientato al caso in cui ogni caso è guardato all'interno dei propri termini; la sua storia, il suo contesto e la sua complessità sullo sfondo di quali casi possono poi essere confrontati. Ma gli analisti quantitativi tagliano piuttosto che rimanere all'interno di questi casi. Pertanto, la caratteristica distintive di una variabile come il nome implica è che essa varia in tutti i casi. Pertanto, cercano modelli nei dati e cercano di fare delle generalizzazioni forloro. Come stavo menzionando la caratteristica chiave di un approccio quantitativo è una definizione e un utilizzo di variabili, ognuna delle quali evidenzia un attributo specifico dei dati come ad esempio il reddito, il genere, la realizzazione educativa, ecc. e così via. Ora Gender di essere un maschio e una femmina è un attributo qualitativo, ma possiamo sempre fornire loro numeri per portarli in un dominio di analisi quantitativa, diciamo per esempio. Così, nel fare ciò, ciò di cui siamo consapevoli è che la possibilità è una spiegazione concorrente sempre presente. In altre parole, sono consapevoli che i pattern che discernono nei dati potrebbero essere solo a causa di possibilità, variazione, un fluke, un prodotto di un particolare campione e così via. Una delle caratteristiche importanti dell'analisi quantitativa è che cercano generalizzazioni, sono più focalizzate a fare generalizzazioni in tutti i casi. Ma questo non significa che la specificità dei casi venga ignorata completamente in analisi quantitativa. Infatti, una buona pratica richiede un analista quantitativo per cercare eccezioni o outliers e casi che non si adattano agli schemi generali e che quindi potrebbero desiderare un'attenzione particolare da parte del ricercatore. E anche capire che non tutte le analisi quantitative sono orientate a variabili. Può essere causa orientata. Ad esempio, un ragioniere che guarda i dati finanziari di una ONG adotterà un metodo d'inchiesta più simile a quello di un ricercatore qualitativo perché poi il ragioniere analizzerà per lo più la storia del caso della ONG i cui bilanci sono controllati, l'arco temporale con cui l'ONG è stata coinvolta in un compito particolare e così via. Così, in questo caso, un ragioniere che sta esaminando il caso ONG sta perlopiù cercando un fact checking quantitativo, ma si avvicina al caso o sta utilizzando l'approccio di un analista qualitativo. Perché si guarda al contesto specifico e al caso orientato ad un occhio per la storia e le prestazioni passate. A differenza dell'analisi qualitativa, la specificità dei casi è sempre guardata dalla prospettiva di schemi prima identificati nei casi. Ora veniamo a questa idea di testare le idee contro i dati contro l'acquisizione di idee da data.Often, non stiamo solo testando idee contro i dati ma potremmo anche avere qualche idea dai dati, che ha bisogno di ulteriori analisi e indagini. Molti ricercatori ritengono che una corretta analisi scientifica consista nel verificare un'idea o un'ipotesi contro la sua evidenza. Tuttavia, vedremo che l'analisi empirica è sostanzialmente contrastata nella natura. Ed è qui che abbiamo iniziato per quanto riguarda questa lezione, che approcci contrastanti sono più importanti da tenere, da tenere a mente quando cerchiamo di pensare con dati quantitativi. E qual è un approccio contrastante? L'Analisi Empirica Contrastata consiste nel valutare le idee rivali, alla luce delle prove che ognuno porta a sopportare il problema per arrivare ad una spiegazione più plausibile alla luce delle evidenze complessive. In questo modo, la forza relativa di idee diverse, le loro pieghe a piede libero che sono le prove che le opere contro di loro e la loro dipendenza da giustificazioni ad hoc per fare la guardia contro tali cadute diventano più evidenti. Ora prendiamo l'esempio di, molti di voi potrebbero essere a conoscenza delle opere di Amartya Sen sulla povertà e le famose e i dibattiti che circondano le spiegazioni sul perché e su come si verificano le carestie. E quali sono i motivi più plausibili per quanto riguarda la situazione della carestia. Ora prima che l'analisi di Sen abbia preso il via al centro della povertà e delle famose, la visione dominante largamente diffusa è stata che le famose sono una situazione che si verifica a causa di carenze naturali di cibo in una certa regione. Tuttavia, basandosi sulle evidenze che Sen ha raccolto da varie parti del mondo, tra cui la carestia irlandese, l'etiopianfamina, la carestia del Bangladesh, le carestie indiane e così via, è venuto fuori questa conclusione che sebbene la disponibilità di cibo in calo appare in una determinata regione per essere una delle cause temporanee di carestia ma ci sono regioni in cui le carestie si sono verificate nonostante il cibo sia in avanzo. Pertanto, il calo della disponibilità alimentare non può essere rappresentato come uno degli immediati motivi di carestia, ma l'accessibilità alimentare diventa un motivo importante per cui le carestie si sono verificate in primo luogo. E sono emersi numerosi dibattiti che lo circondano, questa prova contrastante che appariva e che poteva essere posata contro la visione dominante che le carestie sono una situazione che si verifica a causa della carenza di food.Quindi, cosa fa un analista di ricerca in questi casi in cui appare la prova rivale? Ignora queste prove rivali che appaiono? Oppure entriamo in ulteriori prove di prove termiche e ci si presenta con un'analisi contrastante o quella che viene definita un'analisi empirica contrastante valutando le idee rivali alla luce delle prove che si presentano? Analizziamo un altro esempio per quanto riguarda l'analisi empirica contrastata. La tabella che mostra sulla vostra slide si occupa di un caso in cui le prove sostengono ugualmente bene le nazioni rivali. In questa tabella sono mostrati i rapporti tra le dimensioni medie delle aziende del territorio in acere nella prima colonna, e le dimensioni delle famiglie per un campione di 600 famiglie contadine della Tanzania in 20villages. E gli autori di questo tavolo, di questo articolo praticamente stanno cercando di dire che le dimensioni del terreno sono in gran parte determinate dalle dimensioni delle famiglie. E stanno cercando di dire che la Tanzania è un paese abbondante di terra, e la quantità di terra che le famiglie possiedono è in gran parte determinata dalla dimensione domestica piuttosto che dalla presenza di varie altre variabili. Così, questa tabella è indicata come prova per l'ipotesi che la dimensione del suolo sia determinata principalmente dalle dimensioni delle famiglie. Ma se guardate da vicino questo tavolo vedrete che questa costruzione è alquanto scomoda, dato che si riferisce chiaramente ai groupeddati. Qui le dimensioni del terreno invece di essere presentate come intervalli, intervalli di classe, sono raggruppate in termini di dimensione media del suolo e senza specificare intervalli di classe, e elenca anche le medie del gruppo per ogni intervallo non specificato. Allora siamo d'accordo con gli autori che le prove sostengono la loro rivendicazione? E se si guarda all'associazione delle dimensioni del nucleo familiare con le dimensioni del terreno, si vedrerebbe che c'è un'associazione positiva. Man mano che aumenta la dimensione della famiglia, anche la dimensione del suolo aumenta. Quindi probabilmente saremo veloci a concludere che l'ipotesi che gli autori siano di inoltro è effettivamente plausibile. Il punto però è se questa sia l'unica ipotesi che il supporto dei dati e possa gli autori esplorare ulteriori possibili spiegazioni o spiegazioni alternative che possano non reggere l'ipotesi vera. Ora in questo tavolo gli autori hanno considerato la dimensione domestica come dato e questo tavolo è perlopiù preso da Chandan Mukherjee e Wuyts ' paper sul pensiero con dati quantitativi e studiosi come loro sostengono ampiamente che ci possano essere spiegazioni plausibili o alternative plausibili che possano respingere l'ipotesi che stanno cercando di sostenere qui. Qui gli altri studiosi sostengono che gli autori supponete che la dimensione familiare sia data e da qui la dimensione del suolo si adatta al numero di mani disponibili e alla bocca da nutrire. Ma è corretto vedere la dimensione familiare come un dato? Perché la dimensione domestica dipende da un gran numero di variabili. Ad esempio, gli studi ci hanno dimostrato che ci sono certe famiglie in cui le dimensioni domestiche diventano meno a causa della frammentazione e certe famiglie sono più coesa, in particolare nel caso dei paesi in via di sviluppo a basso reddito. Le famiglie più povere sembrano frammentarsi più delle famiglie più ricche, perché i membri delle famiglie più povere devono spostarsi in cerca di lavoro e quindi possono avere dimensioni minori durante il periodo dell'indagine. Le famiglie Ricette possono avere una dimensione familiare più grande, a causa dei loro membri della famiglia non si muovono in cerca di migliori opportunità. E anche, perché potrebbero essere in grado di assumere più mani di manodopera da relatives.Pertanto, la dimensione familiare stessa diventa determinante per le aziende di asset delle famiglie. Così, la dimensione del territorio invece di essere associata alle dimensioni familiari può vedere un'associazione con le aziende di asset delle famiglie contadine qui rispetto alla dimensione familiare, e che è una prova rivale che sta correndo contro l'ipotesi che gli autori stiano cercando di fare qui. Ci può essere anche la situazione in cui stiamo testando idee contro i dati contro l'acquisizione di idee da dati come stavo sottolineando. Ora fino a recenti test statistici dei libri di testo statistici di solito si focalizzati maggiormente sull'analisi di conferma. E l'idea di fondo era che il metodo scientifico dovesse consistere nella sperimentazione di idee contro i dati. Ma oggigiorno i testi moderni riconoscono l'importanza di ottenere idee dai dati e dedicano attenzione alle tecniche che ci permettono di usare meglio così. Il principio sottostante è che non dovremmo mai imporre una storia sui dati ma permettere ai dati di raccontare una storia da soli. Ora guardiamo a questo esempio dove c'è questa intesa generale che le donne superano gli uomini. La maggior parte delle persone conoscerà effettivamente dall'osservazione casual che le donne superano gli uomini. Ma questo è ovunque il caso? È così in ogni paese o in ogni regione del mondo?E come si fa ad andare a testare questa proposizione in modo più ampio contro le evidenze empiriche? Un modo per farlo è quello di confrontare le aspettative di vita alla nascita di donne e uomini in tutti i paesi. L'aspettativa di vita è sostanzialmente un indicatore demografico che misura la quantità di anni che una persona vivrebbe a seconda dei tassi di mortalità o dei tassi di mortalità specifici per età che possono essere attribuiti alla persona il cui numero di anni stiamo seguendo. Quindi, è un indicatore demografico della mortalità. Ora come si va a misurarlo?Ora nota che per esempio l'aspettativa di vita di un certo paese arriva a 45 anni. Ora questo non significa che una persona media in quel paese vive fino a soli 45 anni. Ma potrebbe anche essere il caso che i tassi di mortalità infantile siano molto alti in questo paese, quindi, la durata media della vita viene tirata giù a causa di tassi di mortalità infantile molto elevati. Quali sono dunque le diverse conclusioni che possiamo proporre o quali sono le diverse idee che possiamo proporre quando stiamo testando empiricamente questa osservazione. Ora questo può essere fatto con l'aiuto di un diagramma di dispersione. Molto semplicemente, dobbiamo mettere tutta questa idea. Tutti gli statisti si avvalgono di varie tecniche di probabilità per poter arrivare con un'inferenza per poter arrivare a conclusioni corrette su questo. Tuttavia, una semplice rappresentazione grafica sotto forma di diagramma di dispersione può darci anche un sacco di idee. Guardiamo questa figura qui. Ora in questa figura femminile contro l'aspettativa di vita maschile per 99 paesi viene mostrato dal 1990 in poi. Così, l'asse x misura l'aspettativa di vita degli uomini e l'asse y misura l'aspettativa di vita delle donne. E vedrei che c'è un bel po' di variazione in questa trama. Così ognuno di questi punti si riferisce ai paesi. Tutti questi punti sulla scocca si riferiscono a diversi paesi. La trama presenta una diagonale a 45 gradi. Perché questo? Disegniamo questa linea per un motivo molto semplice per dimostrare che il locus di punti con l'aspettativa di vita di donne e uomini sono uguali .Così, in generale se non ci fossero differenze tra le aspettative di vita delle donne e degli uomini, i punti osservati effettivi cadrebbero sulla linea a 45 gradi. Se però l'aspettativa di vita delle donne supera generalmente quella degli uomini, la maggior parte dei punti sarà situata sopra la linea; sparsi in questi casi sopra la linea. E se le aspettative di vita delle donne sono inferiori agli uomini, allora cadrebbe sotto la linea. Quindi, questo è un paper da 1998. E il focus qui è sui dati a partire dal 1990 in poi per 99 paesi. Questi sono praticamente presi dal World Banktables. Un'altra cosa da notare in questa trama è che le aspettative di vita di uomini e donne variano da 40 a 44 anni. Se si guarda a questi punti qui, le aspettative di vita variano da 40 a 44 anni e vanno fino a circa 84 anni, da 74 a 81 anni. Quindi, con questo significa che ci sono differenze significative tra i paesi e quindi, ci aspetteremmo che la dispersione dei punti pendenti verso l'alto all'interno di una gamma abbastanza ristretta. E inoltre abbiamo visto che nei paesi in cui l'aspettativa di vita maschile è inferiore, le aspettative di vita femminile possono anche essere relativamente più basse, sebbene superiori all'aspettativa di vita maschile e viceversa. Allora, qual è il grafico semplice? Qual è la storia che questo grafico ci dice? Questo grafico ci sta praticamente dando una forte evidenza a favore della nostra proposizione che le donne superano gli uomini, e le aspettative di vita delle donne sono superiori a quella degli uomini. In media le donne tendono ad abitare gli uomini. E questo è un esempio di sperimentazione di un'idea contro i dati. Teniamo questa idea e abbiamo testato questa idea contro i dati tracciando le aspettative di vita degli uomini contro le donne. Ma fermiamo qui la nostra analisi o sonda ulteriormente? Questa è la domanda da tenere a mente quando cerchiamo di pensare con dati quantitativi? Dovremmo solo essere soddisfatti del fatto che i vostri dati hanno confermato l'idea che ci tenevamo o che i dati ci possano dare anche ulteriori idee su cui indagare. Se si guardano le cifre molto vicine, si vedrà che ci sono questi appesantimenti che si trovano al di sotto della linea a 45 gradi. E quindi, c'è una domanda a cui dobbiamo ponderare riguardo a quali sono questi paesi che stanno cadendo sotto la linea di 45 gradi e quali sono le circostanze, le condizioni socio - economiche di questi paesi che stanno dando vita a una tale situazione.Così, come dicevo ci sono cinque punti dati che si collocano al di sotto della linea. Ciò significa che, in questi paesi l'aspettativa di vita delle donne è inferiore a quella degli uomini, caratteristica che contrasta nettamente con i modelli generali a livello mondiale. Quindi, le domande che dobbiamo porci sono quali paesi potrebbero essere. Che ci sia o meno una bias di genere contro le donne in questi paesi. Se si guarda da sinistra a destra lungo il grafico, la dispersione dei punti diventa più distesa dalla linea a 45 gradi. Ora questi paesi corrispondono ai punti sotto la linea sono Bhutan, Bangladesh, Nepal, Pakistanand India. E c'è un bel dibattito in questa letteratura se c'è o meno il gender bias contro le donne in questi paesi. Da sinistra a destra lungo il grafico la dispersione dei punti diventa più distesa dalla linea a 45 gradi. Ciò significa che la discrepanza tra le aspettative di vita delle donne e degli uomini aumenta come l'aspettativa di vita sia delle donne che degli uomini aumentano. Ed è così che ci confrontiamo con i dibattiti che circondano le condizioni socioeconomiche di uomini e donne in tutti i paesi. Quando si discuteva di analisi qualitativa e analisi quantitativa, ora questo è un primo esempio di come un'analisi quantitativa ci porta in confronto con l'intero dibattito qualitativo riguardante la qualità della vita e la parità di genere che è prevalente in paesi specifici visti - nei confronti di quelli del resto. Ecco allora come i dati qualitativi e quantitativi vanno di pari passo in hand.Quindi, quali sono alcuni dei punti da ricordare per quanto riguarda l'acquisizione di idee dai dati, dovremmo essere sempre in guardia per indizi e suggerimenti che puntiamo in una direzione diversa o che ci impongono di approfondire la nostra analisi. L'analisi dei dati è simile a un dialogo a tempo indeterminato, se per esempio quando ci poniamo domande in un metodo di intervista, se non poniamo le domande rilevanti al responso, non otterremo il giusto tipo di responso, nel caso dell'analisi dei dati, se non sappiamo cosa è che stiamo misurando e come è che dobbiamo andare a misurare, non otterremo il giusto tipo di risposte, dobbiamo assicurarci che le nostre domande non siano formulate come le nostre risposte da animale che cerchiamo semplicemente di confermare con un semplice sì o no. E soprattutto non dovremmo mai imporre una storia sui dati. Ma altrettanto non dovremmo aspettarci i dati per raccontare una storia da sole. Ed è qui che i dati hanno bisogno di teoria ispirata. La Teoria su cui stiamo lavorando dovrebbe essere una delle pietre di passo per passare all'analisi dei dati. Il che mi porta alla prossima slide sulla faccialità dei dati. Ora i dati danno sempre una visione selettiva di un aspetto della realtà e quindi, ciò che è considerato un fatto dipende in parte dal criterio che sottolinea la selezione dei dati e dei dati devono essere messi in relazione prima di diventare utili conoscenze. Quindi, i fatti sono quindi sempre teoria ispirate. Si tratta di teoria che rende rilevante un pezzo di informazione e che quindi gli sconti per essere selezionata come un dato di fatto. Che cosa è fatto? Quello che è un pezzo di evidenza di fatto è qualcosa che deve anche essere teoria ispirata. Come guardare quel pezzo di evidenza fattuale? Guarda questo esempio qui. Anche se due set di dati possono essere correlati, ciò non significa che siano causalmente correlati. Spesso si guarda all'associazione e al rapporto causale tra i fattori. Ad esempio, solo perché i bambini si tallano man mano che invecchiano e sviluppano progressivamente competenze linguistiche non significa che ottenere taller migliora le competenze linguistiche o viceversa. Ottenere taller e ottenere migliori competenze linguistiche mostrano una sorta di associazione positiva. E spesso questa associazione positiva sarà altamente significativa perché questo è ciò che ci dice anche la nostra osservazione generale. Ma questo non significa necessariamente che abbiano una relazione causale, c'è una relazione causale tra il two.Allo, dire che i dati di contabilità nazionale sono teoria ispirate significa che la teoria determina quali dati sono ritenuti rilevanti e informa il modo in cui questi dati sono raccolti e strutturati in significativi aggregati macro rilevanti come il PIL, il reddito nazionale, i consumi, gli investimenti, i risparmi e così via. Ora un'altra cosa che deve essere tenuta in mente è una cosa che può essere raccolta sia dai dati primari che dai dati secondari. Tuttavia, ci sono alcune caratteristiche caratteristiche di valutare i dati primari e quello di valutare i dati secondari. Ora i dati primari sono di solito raccolti da un singolo ricercatore o da un team di ricercatori in analisi politica. E così, è il ricercatore che li seleziona, che li valuta, che interpreta i dati e così via e li modella come fatti con l'analisi e quindi, si tratta di un processo molto impegnativo. E inoltre, tende ad essere caso e tempo specifico. Spesso è impossibile, per quanto riguarda i dati primari è spesso impossibile verificare i dati o correggere le distorsioni intrinseche nella raccolta dei dati. E da qui è importante spiegare la natura dei dati e le procedure che sono andate nella raccolta dei dati. Ora alcune analisi di dati primari coinvolgono il lavoro sul campo e qui i ricercatori sviluppano in genere una forte conoscenza locale. Essi acquisiranno una sensazione di specificità della località in questione e come produttori di dati, tendono ad essere abbastanza consapevoli della complessità, della variabilità e dell'incertezza dei dati sociali. Quindi, sono quindi meno inclinati a generalizzare troppo in fretta. Quando ci stiamo concentrando sui dati dell'indagine c'è un rischio di generalizzazione e questo è qualcosa che è una questione di continuo dibattito tra gli analisti di dati per quanto riguarda le generalizzazioni. E una delle cose da tenere a mente è se la generalizzazione viene tentata attraverso lo studio o non deve anche essere tenuta in mente, potremmo voler raccontare la storia di una certa regione con l'aiuto di informazioni quantitative che possono avere rilevanza politica. Tuttavia, data la storicità e il contesto della regione che stiamo studiando, potrebbe non essere corretto generalizzare le scoperte di quella regione al resto del mondo o al resto del paese o del resto dello Stato. Perché studiare quella regione particolare ha anche una rilevanza politica. E queste sono anche cose che vanno tenute in mente per quanto riguarda la generalizzazione. Altra analisi primaria dei dati si basa su indagini che vengono effettuate come ho detto dai ricercatori stessi e tali indagini sono simili a quelle ma generalmente più piccole rispetto alle indagini su larga scala effettuate da istituzioni ufficiali ai fini della pubblicazione dei dati secondari. E gli analisti di indagine a differenza dei lavoratori sul campo tendono ad essere più distanti dalle circostanze locali e dalla conoscenza. Una delle classi di questo modulo sarà dedicata ai metodi di ricerca di indagine in cui discuteremo ognuna di queste caratteristiche che sto segnalando ora. Ora come dicevo, le evidenze di fatto possono essere raccolte da dati primari o secondari. E le grandi indagini campionaria sono di solito effettuate da istituzioni ufficiali e sono generalmente ripetute a intervalli regolari - conti nazionali, dati demografici, dati sugli scambi, servizio sociale etc. Ad esempio, abbiamo le operazioni di censimento indiano effettuate dal Registrar Generale dell'India, che viene effettuato ogni 10 anni. Oppure abbiamo grandi indagini campionaria effettuate dalla National Sample Survey Organization ogni cinque years.Analogamente, abbiamo indagini aziendali, indagini sul bestiame e così via. Censimento Agricolo che viene trasportato ogni cinque anni e così via. Quindi, questi sono anche i data.Tuttavia, questi sono realizzati da istituzioni ufficiali su larga scala e poi messi su vari domini per essere utilizzati dai singoli ricercatori. Ma c'è un problema di aggregazione qui e uno deve guardare a queste problematiche di aggregazione molto minuziamente. Ora aggregazione utilizzando quadri contabili formali, che strutturano i dati in categorie predeterminate. Di solito la maggior parte di questi dati, che si qualificano come fonti secondarie di dati basate su sondaggi. Arrivano in categorie predeterminate e seguono alcune procedure e tecniche standard che ne potenziano la consistenza nel tempo oltre che la loro comparabilità. Ad esempio, il recente National Family Health Survey NFHS-4that esce dalle recenti indagini rotonde di NSSO che si sono svolte nella notizia per quanto riguarda le statistiche sull'occupazione e così via. Ci sono questioni di comparabilità e quindi gli esercizi metodologici diventano centrali per queste indagini. Ma l'aggregazione nasconde anche la variabilità interna dei dati all'interno di ogni categoria e le pratiche contabili spesso risolve i conflitti tra i dati formali. Una delle differenze di base tra gli analisti di indagine che stanno effettuando piccole indagini campionaria, i ricercatori singoli o i sondaggi di campione basati su team di ricercatori nei confronti di quelli realizzati da istituzioni consolidate è che con un solo ricercatore o ricercatori di squadra che effettuano sondaggi su piccola scala, si è ancora più vicini ai dati, ancora più vicini ai casi che si sta studiando.