Explicit Bayesian Analysis for Process Tracing: Guidelines, Opportunities, and Caveats

Abstract

Bayesian probability holds the potential to serve as an important bridge between qualitative and quantitative methodology. Yet whereas Bayesian statistical techniques have been successfully elaborated for quantitative research, applying Bayesian probability to qualitative research remains an open frontier. This paper advances the burgeoning literature on Bayesian process tracing by drawing on expositions of Bayesian "probability as extended logic" from the physical sciences, where probabilities represent rational degrees of belief in propositions given the inevitably limited information we possess. We provide step-by-step guidelines for explicit Bayesian process tracing, calling attention to technical points that have been overlooked or inadequately addressed, and we illustrate how to apply this approach with the first systematic application to a case study that draws on multiple pieces of detailed evidence. While we caution that efforts to explicitly apply Bayesian learning in qualitative social science will inevitably run up against the difficulty that probabilities cannot be unambiguously specified, we nevertheless envision important roles for explicit Bayesian analysis in pinpointing the locus of contention when scholars disagree on inferences, and in training intuition to follow Bayesian probability more systematically.

Informal Institutions and the Regulation of Smuggling in North Africa

“…Wedeen (1999) argues that ethnography can be particularly useful to fill in the gaps between official demonstrations of obedience and ordinary experiences of unbelief and resistance-in a sense, this study attempts the reverse, tracing structures of regulation in the seemingly disobedient. Recent work on process tracing has informed the way this study has combined data to triangulate information (Bennett 2008;Fairfield and Charman 2017).…”

Declaring and Diagnosing Research Designs

“…However, in certain treatments clear analogues of diagnosands exist, such as sampling bias or estimation bias (e.g., Herron and Quinn 2016 ). There are indeed notions of power, coverage, and consistency for QCA researchers (e.g., Baumgartner and Thiem 2017 ; Rohlfing 2018 ) and concerns around correct identification of causes of effects, or of causal pathways, for scholars using process-tracing (e.g., Bennett 2015 ; Fairfield and Charman 2017 ; Humphreys and Jacobs 2015 ; Mahoney 2012 ).…”

Contribuciones contemporáneas de metodologías cualitativas para el análisis de políticas públicas: Process Tracing y Qualitative Comparative Analysis

“…Los mecanismos causales son distintos de la sucesión simple de eventos (común en el uso retórico del PT), así como de las variables intervinientes (postura de King, Keohane y Verba 1994). Con algunas diferencias, varios autores pueden alinearse alrededor de la definición configurativa de los mecanismos causales (Blatter & Haverland 2014;George & Bennett 2005;Beach & Pedersen, 2013;2016a;Beach 2016;Bennett & Checkel 2015;Trampusch & Palier 2016;Fairfield & Charman 2017). En una compresión sistémica, un mecanismo causal es "una conexión teorizada entre causa(s) y efecto, donde cada parte del mecanismo está claramente descrita en una secuencia ordenada, en términos de entidades articulándose en actividades que transfieren las fuerzas causales" (Beach & Pedersen 2016b, p.4).…”

“…Entre las recomendaciones sobre buenas prácticas de PT se señalan (Bennett & Checkel 2015;Waldner 2015;Trampusch & Palier 2016): incluir desde el comienzo del análisis la mayor cantidad de explicaciones rivales/alternativas (para enfrentar equifinalidad); siempre evaluar con el mismo rigor cada una de las explicaciones alternativas, hecho que lleva a una evaluación diferenciada según la naturaleza de cada una de las hipótesis alternativas; tomar medidas para controlar los problemas de sesgo asociados a las diferentes fuentes de evidencia (primarias, secundarias), puesto que no se evalúan hechos en sí mismos sino en combinación con la fuente de la evidencia (Fairfield & Charman 2017); partir de una consideración fundamentada sobre el tipo de caso en relación con las hipótesis del investigador como con las hipótesis rivales; utilizar la información existente para delimitar temporalmente el trazado de los procesos causales que serán estudiados; fortalecer el análisis de caso con la comparación de pequeña escala si es posible; estar atento a la emergencia de nuevas piezas explicativas; especificar de manera significativa las implicaciones causales de la hipótesis que será sometida a evaluación (el mecanismo causal hipotetizado), sobre las observaciones que pueden reforzar la hipótesis así como sobre aquellas evidencias que contribuirían a falsearla.…”