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 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
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
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?
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
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
Lijphart- catégorisation n°1 Etat fédéral si c’est inscrit dans sa constitution ENPP USA 2.41 Canada 2.35 Allemagne 2.84 Belgique 5.49 Autriche 2.72 Suisse 5.57 Australie 2.19
Lijphart- catégorisation n°2 Etats fédéraux et états régionalisés ENPP USA 2.41 Canada 2.35 Allemagne 2.84 Belgique 5.49 Autriche 2.72 Suisse 5.57 Australie 2.19 ENPP Espagne 2.76 Italie 5.22 Venezuela 3.07 Inde 4.11
Lijphart- catégorisation n°3 Echelle de fédéralisme (1.0 5.0) FED ENPP USA 5.0 2.41 Espagne 3.0 2.76 Danemark 2.0 5.11 Canada 2.35 Italie 5.22 Finlande 5.17 Allemagne 2.84 Venezuela 4.0 3.07 Norvège 3.61 Belgique 5.49 Inde 4.11 France 1.0 3.54 Autriche 4.5 2.72 Grèce 2.20 Suisse 5.57 Malte 1.99 Australie 2.19 NZ 1.96 Coeff.cor. -0.152 0.092
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’
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
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
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
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%
Modèles alternatifs d’explication des voix de préférence des candidats flamands aux élections de 2007