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

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