39  QCA y métodos configuracionales

39.1 ¿Y si el problema no es cuánto sino cómo?

La mayoría de los manuales de metodología se concentran en dos mundos: el cuantitativo —regresiones, encuestas, números— y el cualitativo —entrevistas, etnografía, palabras—. Pero hay un tercer universo de métodos que vive en la intersección, y que es especialmente poderoso para las preguntas que las ciencias sociales realmente se hacen.

Son métodos que no buscan “¿cuál es el efecto promedio de X sobre Y?”, sino “¿qué combinación de condiciones produce un resultado?”. Si no los conoces, te estás perdiendo de mucho.

Estos métodos parten de una premisa fundamental: la causalidad social es compleja. No es aditiva, no es uniforme y no es lineal. El aparato conceptual que los sostiene —necesidad, suficiencia, equifinalidad— se desarrolla en Capítulo 17.

39.2 QCA: Análisis Cualitativo Comparativo

39.2.1 La pregunta que QCA responde

La regresión te dice: “en promedio, un año más de educación aumenta el ingreso en $X.” Pero muchos fenómenos sociales no funcionan así. No hay un solo factor que cause el resultado. Hay combinaciones de factores que, juntos, producen un resultado.

QCA (Qualitative Comparative Analysis), desarrollado por Charles Ragin (2008), analiza exactamente eso: ¿qué combinaciones de condiciones son necesarias y/o suficientes para producir un resultado?

39.2.2 Ejemplo

¿Por qué algunos movimientos sociales logran cambios políticos y otros no? No es solo el tamaño. No es solo el liderazgo. No es solo el contexto político. Es la combinación:

  • Movimiento grande + liderazgo unificado + apertura política → Cambio ✅
  • Movimiento grande + liderazgo fragmentado + apertura política → No cambio ❌
  • Movimiento pequeño + liderazgo unificado + crisis económica → Cambio ✅

QCA te permite identificar estas configuraciones causales de forma sistemática.

39.2.3 Los conceptos clave del QCA

Antes de hablar de cómo funciona, necesitas entender la lógica conjuntista (de conjuntos) que lo sustenta. QCA no piensa en correlaciones sino en relaciones entre conjuntos:

  • Condición necesaria: Si siempre que hay resultado (\(Y\)) también hay condición (\(X\)), entonces \(X\) es necesaria para \(Y\). Formalmente: \(Y \subseteq X\). Ejemplo: ¿Es la crisis económica necesaria para las revoluciones? Si no hay revolución sin crisis económica previa, sí.

  • Condición suficiente: Si siempre que hay condición (\(X\)) también hay resultado (\(Y\)), entonces \(X\) es suficiente para \(Y\). Formalmente: \(X \subseteq Y\). Ejemplo: ¿Es tener petróleo suficiente para ser país rico? No, porque hay países con petróleo que no son ricos.

  • INUS condition: Una condición que es insuficiente pero necesaria como parte de una combinación que es innecesaria pero suficiente. Suena complicado, pero es exactamente lo que QCA busca: condiciones que por sí solas no producen el resultado, pero que son parte de una “receta” que sí lo produce.

39.2.4 Tres tipos de QCA

Tipo Codificación Cuándo usarlo Ejemplo
csQCA (crisp-set) 0 o 1 (presente/ausente) Condiciones claramente binarias Democracia sí/no
mvQCA (multi-value) Categorías (0, 1, 2…) Condiciones con más de dos categorías Tipo de régimen (democracia, autoritarismo, híbrido)
fsQCA (fuzzy-set) 0 a 1 (grado de pertenencia) Condiciones graduales Grado de democratización (0.2, 0.6, 0.9)

39.2.5 Cómo funciona (paso a paso)

  1. Defines tus condiciones (variables independientes) y tu resultado.
  2. Codificas los casos en presencia/ausencia (csQCA) o en grados de pertenencia (fsQCA). En fsQCA, la calibración es crucial: decides qué significa ser “plenamente dentro” (1), “plenamente fuera” (0), y el “punto de cruce” (0.5). Esto requiere conocimiento sustantivo, no es mecánico.
  3. Analizas condiciones necesarias antes de la suficiencia. Una condición es necesaria si su consistencia supera 0.9.
  4. Construyes una tabla de verdad con todas las combinaciones posibles.
  5. Minimizas lógicamente para encontrar las combinaciones más parsimoniosas que explican el resultado.
Figura 39.1: Lógica conjuntista del QCA: el resultado ocurre en la intersección de condiciones

39.2.6 La calibración: donde el arte se encuentra con la ciencia

En fsQCA, la calibración es probablemente la decisión más importante (y más debatida). Estás transformando datos brutos en grados de pertenencia a un conjunto. Schneider & Wagemann (2012) dedican un capítulo entero a esto, y con razón.

Tres anclas de calibración:

  • Plenamente dentro (1.0): El valor a partir del cual un caso es claramente miembro del conjunto. Ej.: PIB per cápita > $40,000 = “plenamente país rico.”
  • Punto de cruce (0.5): El umbral de máxima ambigüedad. Ej.: PIB per cápita = $15,000.
  • Plenamente fuera (0.0): El valor a partir del cual un caso claramente no es miembro. Ej.: PIB per cápita < $3,000.
AdvertenciaCuidado con la calibración mecánica

Algunos investigadores calibran usando percentiles (P25, P50, P75) sin justificación sustantiva. Esto es un error grave. La calibración debe basarse en conocimiento del caso, no en la distribución estadística. Si el 75% de tus países son democracias, eso no significa que el P75 sea el umbral de “plenamente democrático.”

39.2.7 ¿Cuándo usar QCA?

  • Número intermedio de casos (10-50 es el rango ideal). Muy pocos para regresión, muchos para un estudio de caso individual.
  • Causalidad conjuntural: Crees que el resultado depende de combinaciones, no de variables aisladas.
  • Equifinalidad: Sospechas que hay múltiples caminos hacia el mismo resultado.
  • Asimetría causal: La presencia de un factor causa X, pero su ausencia no necesariamente causa no-X.
  • Conocimiento profundo de los casos: QCA no es un método “mecánico”. Necesitas entender cada caso.

39.2.8 Limitaciones

  • Sensible a las decisiones de calibración (especialmente fsQCA).
  • No maneja bien la incertidumbre y el error aleatorio.
  • Requiere buen conocimiento de los casos (no es un método “mecánico”).
  • La comunidad de usuarios es aún pequeña, lo que puede dificultar la publicación en algunas revistas.
  • Problema de los residuos lógicos (logical remainders): Combinaciones teóricamente posibles pero sin casos empíricos. ¿Qué haces con ellas? Las tres soluciones (conservadora, parsimoniosa, intermedia) dan resultados diferentes.
  • Sensible a la adición o eliminación de casos.

39.2.9 Software

  • fsQCA (el software original de Ragin, gratuito).
  • QCA package en R (más flexible, más actualizado). También SetMethods.
  • TOSMANA (para csQCA).

39.2.10 Errores frecuentes en QCA

Error Por qué es problemático Solución
Calibrar con percentiles sin justificación No tiene base teórica Usar umbrales sustantivos con argumentación
No analizar necesidad antes de suficiencia Puedes perder condiciones necesarias Siempre hacer el análisis de necesidad primero
Incluir demasiadas condiciones con pocos casos Tabla de verdad con demasiados residuos Regla: máximo \(k\) condiciones con \(2^k\) filas manejables
Ignorar la consistencia y cobertura Reportar solo las soluciones Siempre reportar ambos parámetros
No discutir los residuos lógicos Las tres soluciones pueden ser muy diferentes Reportar y justificar la solución elegida
TipEjercicio
  1. ¿Hay múltiples caminos que podrían llevar al resultado que estudias? Si la respuesta es sí, QCA puede ser tu método. Identifica 3-4 condiciones potenciales y 10-15 casos analizables.
  2. Construye tu tabla de verdad a mano, sin software. Vas a descubrir rápido si tienes demasiadas condiciones para tus casos.
  3. Para cada condición, escribe el umbral de calibración y el argumento sustantivo que lo justifica. Si el único argumento es “usé el percentil 50”, vuelve a empezar.
Ragin, C. C. (2008). Redesigning Social Inquiry: Fuzzy Sets and Beyond. University of Chicago Press.
Schneider, C. Q., & Wagemann, C. (2012). Set-Theoretic Methods for the Social Sciences: A Guide to Qualitative Comparative Analysis. Cambridge University Press.