1 / 15

POLI-D-314 Introduction à la politique comparée – cours 3

POLI-D-314 Introduction à la politique comparée – cours 3. Jean-Benoit PILET. Cours 3: Les pièges de la comparaison. 1. Les pièges dans l’élaboration du design de recherche (Sartori, 1994) Localisme Mauvaise classification Gradualisme Elasticité conceptuelle

gore
Download Presentation

POLI-D-314 Introduction à la politique comparée – cours 3

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript


  1. POLI-D-314Introduction à la politique comparée – cours 3 Jean-Benoit PILET

  2. Cours 3: Les pièges de la comparaison • 1. Les pièges dans l’élaboration du design de recherche (Sartori, 1994) • Localisme • Mauvaise classification • Gradualisme • Elasticité conceptuelle • 2. Les pièges dans l’analyse et l’interprétation des résultats • Variable cachée • Erreur écologique / erreur individuelle • Biais dans la sélection des cas • Importance démesurée des cas déviants

  3. Le localisme • Oubli du caractère nationalement marqué d’un concept • Exemple: le terme ‘libéral’ • Le piège du localisme guette également pour les comparaisons historiques • Exemple: la ‘gauche’ • Le localisme peut aussi s’appliquer pour les indicateurs choisis • Exemple: le vote des projets de loi comme indicateur de la discipline partisane en Europe et aux USA • Exemple: le référendum généralisé comme indicateur du populisme • Le localisme peut aussi s’appliquer pour le passage d’un concept d’un champ de la science politique à un autre • Ex: la notion de ‘cartel’ dans l’étude des partis et en études électorales

  4. La mauvaise classification • Construction de catégories inappropriées • Exemple: étude des familles de parti sur la base du nom des partis • Famille libérale: Oubli du Parti démocratique luxembourgeois, de la Venstre danoise, du Partido Social Democrata portugais • Famille nationaliste: Scottish National Party, Partido Nacionalist Vasco, Front national, Alleanza Nazionale?

  5. Le gradualisme • La réalité serait trop complexe pour la réduire à des catégorisations binaires • Principe selon lequel les traitements continus seraient plus pertinents que les traitements dichotomiques • Sartori démontre que aucune des deux options n’est par définition supérieure à l’autre • Les traitements continus peuvent faire perdre leur sens aux concepts utilisés (ex: démocratie) • La plupart des échelles finiront pas être transformées en catégories tout aussi arbitraires que le classement dichotomique • Le chercheur doit constamment garder à l’esprit que toute catégorisation affecte la réalité observée

  6. Lijphart (1997) et le lien entre fédéralisme et nombre de partis • Hypothèses: les Etats fédéraux comptent plus de partis car chaque entité fédérée est un espace de développement pour des formations politiques spécifiques • Test sur 36 pays • Qu’est-ce qu’un Etat fédéral? Différentes catégorisations, différents résultats

  7. Lijphart- catégorisation n°1Etat fédéral si c’est inscrit dans sa constitution

  8. Lijphart- catégorisation n°2Etats fédéraux et états régionalisés

  9. Lijphart- catégorisation n°3Echelle de fédéralisme (1.0  5.0)

  10. L’élasticité conceptuelle • Elargir la définition d’un concept pour le rendre applicable en dehors de son contexte originel • Le risque est qu’à force d’élargir le sens du concept, celui-ci perde son pouvoir explicatif • Exemple: le concept de ‘clivage’

  11. L’oubli d’une variable cachée (spuriousness) • L’explication tirée de la recherche est incomplète, une variable majeure a été omise • Exemple: Landman et le lien entre latinos et pensionnés • Exemple: Le lien entre diversité linguistique et développement économique • Liberson & Hansen (1974): Plus il y a de diversité linguistique, moins il y a de développement économique • Firebaugh (1980): L&H avait omis une variable majeure: l’âge du pays

  12. L’erreur écologique et l’erreur individuelle • Glissement non contrôlé entre le niveau d’analyse des données et le niveau d’interprétation des résultats • Erreur écologique: Formulation d’explications au niveau individuel sur la base de données au niveau agrégé • Exemple: Nombre de femmes dans l’électorat et résultats d’un référendum sur l’avortement • Erreur individuelle: Formulation d’explications au niveau agrégé sur la base de données au niveau individuel • Exemple: Inglehart (1997) et sa catégorisation des sociétés modernes et postmodernes sur la base de données d’enquête sur les valeurs des citoyens

  13. Biais dans la sélection des cas • Sélection aléatoire vs. Sélection intentionnelle • Ne pas oublier que le réalité observée peut être fonction des cas sélectionnés • Exemple: Les causes des révolutions sociales Skocpol (1979) vs. Geddes (1990) • Comment réduire ce risque? • Augmenter le nombre de cas • Sélectionner les cas sans a priori quant à leur rapport à l’hypothèse de départ

  14. Donner trop d’importance aux cas déviants • Le but de la comparaison est de tester la valider des théories • Cependant, une théorie peut rester valide même si elle est infirmée par quelques cas • Une explication valable dans 90% des cas, ne va pas être mise de côté pour les 10% de cas où elle ne s’applique pas • Exemple des méthodes statistiques dont le but est d’accroître la part de la réalité expliquée mais sans espérer atteindre le 100%

  15. Modèles alternatifs d’explication des voix de préférence des candidats flamands aux élections de 2007

More Related