Słownik metodologiczny · Badania jakościowe

QCA – jakościowa analiza porównawcza kombinacji warunków

QCA porównuje przypadki za pomocą teorii zbiorów i szuka kombinacji warunków prowadzących do wyniku. Pokazujemy etapy (kalibracja, tablica prawdy, minimalizacja), miary zgodności i pokrycia z przykładem w R oraz ograniczenia.

W skrócie: QCA (qualitative comparative analysis) porównuje przypadki za pomocą teorii zbiorów i szuka kombinacji warunków wystarczających lub koniecznych dla wyniku. Rozwiązanie ocenia się zgodnością i pokryciem; wynik opisuje relacje zbiorów, a nie efekty przyczynowe.

Co to jest QCA?

QCA (ang. qualitative comparative analysis, jakościowa analiza porównawcza) to metoda porównywania przypadków – np. szkół, firm, krajów – za pomocą teorii zbiorów i logiki Boole’a. Pyta nie o to, jak bardzo zmienna wpływa na wynik, lecz o to, jakie kombinacje warunków są wystarczające lub konieczne dla wyniku. Rihoux (2006) opisuje QCA jako strategię badawczą szczególnie przydatną przy małej i średniej liczbie przypadków oraz jako zestaw technik: QCA na zbiorach ostrych, wielowartościową (mvQCA) i na zbiorach rozmytych (fsQCA).

Etapy analizy

  1. Kalibracja: każdemu przypadkowi przypisuje się przynależność do zbioru warunku (0/1 lub stopień od 0 do 1).
  2. Tablica prawdy: każda możliwa konfiguracja warunków z liczbą przypadków i odsetkiem z wynikiem – coś jak wielowymiarowa tabela krzyżowa.
  3. Minimalizacja logiczna: upraszczanie konfiguracji do rozwiązania, np. D·S + D·F + S·F (dowolne dwa z trzech warunków).

Ragin (2006) zaproponował dwie miary oceny rozwiązania. Zgodność (consistency) mówi, w jakim stopniu relacja podzbioru jest spełniona. Pokrycie (coverage) mówi, jak dużą część przypadków z wynikiem wyjaśnia rozwiązanie. W przykładzie z R minimalizacja daje rozwiązanie D·S + D·F + S·F o zgodności 1.00 i pokryciu 1.00; sama formuła D·S + D·F ma zgodność 1.00, ale pokrycie tylko 0.86.

Kiedy ma sens

  • Gdy przypadków jest zbyt mało na regresję, a za dużo na pojedyncze studium przypadku.
  • Gdy teoria mówi o różnych drogach do tego samego wyniku i o współdziałaniu warunków, a nie o efektach osobnych zmiennych.
  • Jako część badań mieszanych, bo kalibracja wymaga dobrej znajomości przypadków.

Greckhamer i in. (2018) zalecają jawny opis każdego etapu: budowy modelu, doboru przypadków, kalibracji, analizy, raportowania i interpretacji.

Ograniczenia

QCA wskazuje relacje zbiorów, a nie efekty przyczynowe – obowiązują te same zastrzeżenia, co w haśle korelacja a przyczynowość. Wynik zależy od progów kalibracji, podobnie jak przy dychotomizacji zmiennych, oraz od traktowania konfiguracji bez przypadków. Rihoux (2006) wymienia wśród otwartych kwestii m.in. dobór przypadków, sprzeczne konfiguracje i przypadki nieobserwowane.

Jak opisać w pracy

Zastosowano QCA na zbiorach ostrych dla 12 szkół. Warunki (wsparcie dyrekcji, szkolenie, finansowanie) skalibrowano na podstawie wywiadów. Rozwiązanie D·S + D·F + S·F miało zgodność 1.00 i pokrycie 1.00.
Przykład reprodukowalny

QCA w R bez pakietu

Kod buduje tablicę prawdy dla trzech warunków i liczy zgodność oraz pokrycie dwóch rozwiązań wzorami Ragina dla zbiorów ostrych. Analogiczne wywołanie funkcji truthTable() i minimize() z pakietu QCA pokazano w komentarzu.

Tablica prawdy, zgodność i pokrycie

Dane wejściowe: 12 fikcyjnych szkół, warunki D (wsparcie dyrekcji), S (szkolenie), F (finansowanie) i wynik Y (udane wdrożenie), wszystkie 0/1.

Co odczytać: cztery konfiguracje ze zgodnością 1 (110, 101, 111, 011); formuła D·S + D·F: zgodność 1, pokrycie 0.857; pełne rozwiązanie D·S + D·F + S·F: pokrycie 1.000.

R
# QCA na zbiorach ostrych (csQCA): 12 szkół, 3 warunki (1 = obecny), wynik Y = udane wdrożenie programu
szkoly <- data.frame(
  D = c(1, 1, 1, 1, 1, 0, 0, 1, 0, 0, 1, 0),   # wsparcie dyrekcji
  S = c(1, 1, 1, 0, 0, 1, 1, 1, 0, 0, 0, 1),   # szkolenie nauczycieli
  F = c(0, 1, 1, 1, 1, 0, 1, 0, 0, 1, 0, 0),   # dodatkowe finansowanie
  Y = c(1, 1, 1, 1, 1, 0, 1, 1, 0, 0, 0, 0))
# tablica prawdy: każda konfiguracja warunków, liczba przypadków i zgodność z Y
tp <- aggregate(Y ~ D + S + F, data = szkoly, FUN = function(y) c(n = length(y), zgodnosc = mean(y)))
tp <- do.call(data.frame, tp)
print(tp[order(-tp$Y.zgodnosc, -tp$Y.n), ], row.names = FALSE)
# zgodność i pokrycie dwóch rozwiązań: "D*S + D*F" oraz pełnego "D*S + D*F + S*F"
zp <- function(X, Y) c(zgodnosc = sum(X * Y) / sum(X), pokrycie = sum(X * Y) / sum(Y))
with(szkoly, round(rbind(DS_DF = zp(pmax(D * S, D * F), Y),
                         DS_DF_SF = zp(pmax(D * S, D * F, S * F), Y)), 3))
# ten sam krok w pakiecie QCA (minimize() daje D*S + D*F + S*F, zgodność 1, pokrycie 1):
# library(QCA)
# tt <- truthTable(szkoly, outcome = "Y", conditions = c("D", "S", "F"), incl.cut = 1)
# minimize(tt, details = TRUE)
Wynik w R
 D S F Y.n Y.zgodnosc
 1 1 0   2          1
 1 0 1   2          1
 1 1 1   2          1
 0 1 1   1          1
 0 1 0   2          0
 0 0 0   1          0
 1 0 0   1          0
 0 0 1   1          0
         zgodnosc pokrycie
DS_DF           1    0.857
DS_DF_SF        1    1.000

Bibliografia oprogramowania

Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3 (bez dodatkowych pakietów). W pracy podaj wersje faktycznie użytych pakietów (sessionInfo()).

  1. R: R Core Team. (2026). R: A language and environment for statistical computing (Version 4.5.3) [Computer software]. R Foundation for Statistical Computing. https://www.R-project.org/

Najczęstsze pytania

Czym QCA różni się od regresji?

Regresja szacuje przeciętny wpływ każdej zmiennej przy kontroli pozostałych. QCA szuka kombinacji warunków, które razem prowadzą do wyniku, i dopuszcza kilka różnych dróg do tego samego wyniku.

Ile przypadków potrzeba do QCA?

Metodę stosuje się najczęściej przy kilkunastu do kilkudziesięciu przypadkach. Liczba warunków powinna być mała względem liczby przypadków, inaczej wiele konfiguracji w tablicy prawdy zostaje pustych.

Czym różnią się csQCA i fsQCA?

W csQCA przynależność do zbioru jest zero-jedynkowa, a w fsQCA – stopniowana od 0 do 1. Wersja rozmyta zachowuje więcej informacji, ale wymaga uzasadnienia progów kalibracji.

Powiązane hasła

Poradniki, w których użyjesz tego pojęcia

Potrzebujesz wsparcia w analizie danych?

Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.

Wyceń analizęOferta dla studentów

Bibliografia i dalsza literatura naukowa (APA 7)

  1. Greckhamer, T., Furnari, S., Fiss, P. C., & Aguilera, R. V. (2018). Studying configurations with qualitative comparative analysis: Best practices in strategy and organization research. Strategic Organization, 16(4), 482–495. https://doi.org/10.1177/1476127018786487 ● Otwarty dostęp
  2. Ragin, C. C. (2006). Set relations in social research: Evaluating their consistency and coverage. Political Analysis, 14(3), 291–310. https://doi.org/10.1093/pan/mpj019
  3. Rihoux, B. (2006). Qualitative comparative analysis (QCA) and related systematic comparative methods: Recent advances and remaining challenges for social science research. International Sociology, 21(5), 679–706. https://doi.org/10.1177/0268580906067836

Cytowania BibTeX

@article{greckhamer2018studying, author={Greckhamer, Thomas and Furnari, Santi and Fiss, Peer C. and Aguilera, Ruth V.}, title={{Studying configurations with qualitative comparative analysis: Best practices in strategy and organization research}}, journal={Strategic Organization}, year={2018}, volume={16}, number={4}, pages={482--495}, doi={10.1177/1476127018786487}}
@article{ragin2006set, author={Ragin, Charles C.}, title={{Set relations in social research: Evaluating their consistency and coverage}}, journal={Political Analysis}, year={2006}, volume={14}, number={3}, pages={291--310}, doi={10.1093/pan/mpj019}}
@article{rihoux2006qualitative, author={Rihoux, Benoît}, title={{Qualitative comparative analysis (QCA) and related systematic comparative methods: Recent advances and remaining challenges for social science research}}, journal={International Sociology}, year={2006}, volume={21}, number={5}, pages={679--706}, doi={10.1177/0268580906067836}}
R