Capítulo 4

Diseños de investigación en las

ciencias sociales: estudios
cualitativos, cuantitativos y
comparativos

Verónica Pérez Bentancur

En 1988, Gabriel Almond utilizó la metáfora de las “mesas

separadas” para describir el apartamiento que, a su juicio,
primaba entre las distintas corrientes de la ciencia política.
Según Almond (1988) los politólogos estaban divididos por
dos dimensiones: una ideológica y otra metodológica. La
ideológica aludía a las teorías que usaban: unos eran
conservadores o defendían las teorías del libre mercado
(“derecha”), otros eran marxistas, neomarxistas o aspiraban
al socialismo (“izquierda”). La dimensión metodológica
aludía a los procedimientos y herramientas con las que los
académicos pretendías conocer la vida social. En un
extremo estaban quienes usaban una metodología
“blanda”; trabajos “densamente descriptivos”, algunos de
naturaleza etnográfica e interpretativa. Según Almond estos
eran trabajos casi carentes de conceptualización, de
hipótesis o intentos por demostrar proposiciones. Parecían
“carentes de metodología”, sin embargo, algunos de esos
estudios estaban llenos de implicancias teóricas relevantes.
En el otro extremo metodológico estaban los estudios de
carácter cuantitativo y econométrico, que utilizaba modelos
matemáticos más o menos refinados. Lo más extremo del
lado de los “duros” metodológicos, este lado del continuo
era la combinación de modelos estadísticos, matemáticos y
experimentos.
Según Almond en esta “gran cafetería”, las mesas más
visibles eran las de los extremos, pero existían posiciones
(“mesas”) intermedias. El autor afirmaba que estas
divisiones daban cuenta de “una incómoda fragmentación”
en la disciplina, debido al escaso diálogo que existía entre
ellas (Almond 1988). Sin embargo, también afirmaba que
los académicos debían estar abiertos a todos los métodos
que permitieran conocer (objetivamente) el mundo.
Aunque Almond (1988) se refería a las divisiones que
primaban en la ciencia política, su planteo es extensible a
las discusiones que existen en otras ciencias sociales
respecto a cómo abordar el estudio de los fenómenos
económicos, sociales y políticos. Numerosos artículos
publicados anualmente en revistas de las disciplinas
sociales, así como presentaciones en congresos y reuniones
científicas están dedicados a analizar cómo se investiga,
mediante qué marcos analíticos y, en particular, mediante
qué métodos.
A diferencia de otras ciencias, en las ciencias sociales
conviven (muchas veces de manera no armónica) distintas
posturas epistemológicas, ontológicas y, en especial, muy
diferentes métodos. Esta diversidad esconde muchas veces
una tensión sobre cuál debe ser el método de las ciencias
sociales, o si existe un método mejor o superior.
Sin intenciones de entrar en debates epistemológicos,
este capítulo hace foco en los diseños de cuantitativos,
cualitativos y comparados (en tanto sub-set de estos
últimos) de la tradición positivista en ciencias sociales, es
decir, aquellos preocupados por el análisis causal. El
capítulo busca dar cuenta de la lógica detrás de cada
método de forma de saber cuándo usar uno u otro. En este
sentido, se presenta como una guía general que ayuda a
identificar los rasgos distintivos, las limitaciones y las
fortalezas de los diseños de investigación dominantes en las
ciencias sociales, algunos de los cuales serán tratados en
profundidad en capítulos posteriores de este volumen. El
capítulo pretende ser de utilidad para estudiantes de
ciencias sociales que deben entender la metodología de los
trabajos que leen o hasta comenzar la escritura de sus
propios proyectos de investigación.
En la primera y segunda sección del capítulo se ubican
los diseños de investigación cuantitativos y cualitativos
dentro de los dos grandes paradigmas de las ciencias
sociales: el positivista y el interpretativista. En la tercera
parte se plantea el debate entre los diseños cuantitativos y
cualitativos del paradigma positivista. En la cuarta sección
se discuten las principales características de estos diseños a
partir de cuatro aspectos: el control, las nociones de
causalidad, la selección de los casos y la validez.
Finalmente, se extraen algunas conclusiones.

1. Paradigmas y métodos en las

ciencias sociales

Cuando se alude a las divisiones entre las posturas

metodológicas de las ciencias sociales, es preciso tener en
cuenta, en primer lugar, que las ciencias sociales, son
“multiparadigmáticas” (Corbetta, 2007). Los paradigmas
son “visiones del mundo” compartidas por una comunidad
científica. Los paradigmas llevan a los científicos a adquirir
teorías, métodos y criterios para analizar el mundo. En el
influyente libro La estructura de las revoluciones científicas,
Thomas Kuhn afirmaba que sin paradigmas la ciencia no
tendría orientación para el estudio de los problemas y que
era necesario un consenso académico en torno a una visión
para observar el mundo (Kuhn, 1971). Las ciencias sociales
son multiparadigmáticas, pues no existe un consenso
respecto a una visión común, sino que en ellas conviven
varias concepciones para analizar los fenómenos sociales
(Corbetta, 2007).
En las ciencias sociales es posible identificar dos grandes
paradigmas: el positivista y el interpretativista. Cada uno de
ellos aborda de manera diferente la naturaleza de la
realidad investigada (supuesto ontológico), la relación entre
el investigador y la realidad investigada (supuesto
epistemológico), y la cuestión de cómo conocer la realidad
(supuesto metodológico) (Corbetta, 2007).
Para los académicos positivistas, los fenómenos sociales
son siempre externos al investigador, son medibles, y
pueden ser conocidos de manera totalmente objetiva. Los
investigadores positivistas construyen hipótesis y usan
datos para poner a prueba esas hipótesis. Dicho de otro
modo, estos académicos están preocupados por hacer
inferencias descriptivas (afirmar con cierto grado de certeza
cómo es un fenómeno, cuáles son sus atributos
constitutivos) y, en particular, por hacer inferencias
causales (afirmar por qué y cómo ocurre un fenómeno,
cuáles son sus causas). Debido a esto, los investigadores
positivistas tienen pretensiones de generalización de sus
explicaciones y teorías (Corbetta, 2007; King et al., 1994).
Para quienes asumen posiciones interpretativistas, en
cambio, la realidad no puede ser observada, sino
interpretada (subjetivamente). Los interpretativistas
construyen una interpretación de un fenómeno basada en la
forma en que los actores entienden la realidad e incluso
postulan que el investigador está comprometido en la
construcción del significado de esa realidad. Esto implica
que la separación entre investigador y fenómeno
investigado es más difusa que en la posición positivista
(Corbetta, 2007). Pero quizás la diferencia más relevante
entre positivistas e interpretativistas es que las
preocupaciones de estos últimos no están centralmente
vinculadas al análisis causal (a la producción de
inferencias). Para los interpretativistas, más importante que
entender las causas de los fenómenos es comprender el
significado de las prácticas culturales y realizar una crítica a
las relaciones de poder. Por ello, tampoco creen que se
puedan construir teorías generales, sino solo comprender
los casos en su contexto (Goertz y Mahoney, 2012; Koivu y
Damman, 2015).
El paradigma interpretativista se asocia, comúnmente, a
la investigación cualitativa, en particular a la etnográfica y
al análisis de discurso, mientras el paradigma positivista, a
la investigación cuantitativa. Sin embargo, el positivismo
también es la base de la extensa tradición comparativa de
pocos casos y de los estudios en profundidad de caso, un
subconjunto estudios cualitativos muy diferentes a los
interpretativistas. Como se verá enseguida, aunque los
estudios comparados de pocos casos y los estudios en
profundidad de caso tienen muchas diferencias con los
estudios cuantitativos (Goertz y Mahoney, 2012), la
característica que los une a ellos, y la vez los separa del
interpretativismo, es la aspiración por el análisis causal; es
decir la búsqueda de inferencias (George y Bennett, 2005;
Goertz y Mahoney, 2012).
La Figura 1 resume estas distinciones. Dentro de los
estudios cuantitativos se han considerado los experimentos
(los diseños más potentes para hacer inferencias causales),
así como una variedad de estudios observacionales que
trabajan con muchos casos (N grande): regresiones
multivariadas, análisis multinivel, matching, regresión
discontinua, etcétera. Aunque se ha señalado que los
experimentos deben colocarse en categorías separadas a
los estudios observacionales de N grande (Brady y Collier,
2010), a los efectos de simplificar, aquí se los coloca bajo el
“paraguas” de los diseños cuantitativos, por analizar los
datos mediante análisis estadístico. No obstante, como se
verá enseguida, los experimentos son la herramienta más
potente para extraer inferencias causales, aunque tienen
otras limitaciones (Seawright, 2016).
Dentro de los diseños cualitativos también hay dos
grupos: por un lado, los que comparan pocos casos
(comparaciones de N pequeño). Los diseños más conocidos
aquí son las comparaciones de “casos más diferentes” y
“casos más similares. Estos diseños extraen inferencias de
la comparación entre los casos (cross-case analysis). Por
otro lado, los estudios en profundidad de caso extraen
inferencias causales a partir del análisis al interior de los
casos (within-case analysis). Los estudios en profundidad de
caso incluyen al rastreo de procesos (process tracing), los
estudios de congruencia y lo estudios contrafácticos (Goertz
y Mahoney, 2012). A diferencia de las investigaciones
cuantitativas, los estudios cualitativos de N pequeño se
preocupan por la conceptualización y la generación de
descripciones sistemáticas “densas” contextualizadas
dentro de un marco conceptual comparativo. Aunque los
estudios de caso se usan para testear teorías, son
particularmente útiles para construir teorías. Como señaló
Gerring (2007) las teorías más importantes en las ciencias
sociales se originaron en estudios de caso.
Cuando se combinan métodos cuantitativos y cualitativos
en un mismo estudio se está ante la presencia de un diseño
mixto o multimétodo. Estos diseños intentan aprovechar las
fortalezas de los métodos cuantitativos y cualitativos y son
cada vez más usados para mejorar el análisis causal
(Seawright, 2016).

Figura 1. Diseños de investigación en las ciencias sociales

2. La tensión positivista

La preocupación por el análisis causal entre los

positivistas no ha implicado, sin embargo, que la división
entre cuantitativistas y cualitativistas esté libre de
tensiones. Los métodos cualitativos han sido (y son)
considerados por algunos como imprecisos. En particular, se
ha señalado como problemático que los estudios de
pequeño número de casos tienen más variables que casos y
que muchas veces seleccionan solo casos positivos, es
decir, solo casos donde aparece la variable dependiente o
resultado (Y). Al no considerar casos negativos, se afirma,
las inferencias causales están sesgadas (King et al., 1994).
Aunque algunos críticos intentaron reivindicarse con los
diseños de investigación de pequeño número de casos,
también consideraron que estos diseños adecuados para
investigaciones que disponen de pocos recursos, que podían
ser un paso previo a una investigación de N grande
(Lijphart, 1971) se beneficiarían si sus inferencias
estuviesen basadas en los modos formales de pensamiento
de la tradición cuantitativa (King, Keohane y Verba, 1994).
Desde posiciones cualitativistas se respondió a estas
críticas diciendo que se intentaba imponer una la lógica
cuantitativa sobre la cualitativa, cuando en realidad lo que
existía era “un choque de culturas”. Cada cultura (la
cualitativa y la cuantitativa) tendrían sus propias formas de
concebir la causalidad, sus formas de seleccionar los casos
y sus métodos (Goertz y Mahoney, 2012).
Para otros autores, en tanto, la verdadera distinción en
las ciencias sociales no estaba entra estudios cualitativos y
cuantitativos, sino entre estudios observacionales y
experimentales. Los experimentos, señalaron, son los únicos
diseños capaces de controlar la hipótesis principal por
explicaciones alternativas. Dado que tanto las
investigaciones cuantitativas como cualitativas tienen
limitaciones para realizar inferencias, desde estas
posiciones se ha afirmado que los investigadores deben
reconocer las ventajas y limitaciones de cada enfoque y
aprender mutuamente (Brady y Collier, 2010). Esta idea
está en la base de la tendencia creciente al uso de métodos
mixtos en investigación social (Seawright, 2016).
Más allá de esta polémica, lo cierto es que recientemente
los investigadores cualitativos se han preocupado por la
búsqueda de estándares comunes. Esto ha llevado a
enfatizar aspectos relacionados con la transparencia,
publicidad de todo el proceso de investigación, el
prerregistro, la sistematización de buenas prácticas y la
construcción de medidas de incertidumbre (Bennett y
Checkel, 2015; Elman et al., 2020; Lupia y Elman, 2014;
Piñeiro y Rosenblatt, 2016). En la sección que sigue se
describen las principales diferencias de los diseños de
investigación cuantitativos y cualitativos de la tradición
positivista.
3. Características de los diseños
cuantitativos y cualitativos

Todo diseño de investigación comienza con una pregunta,

tiene una revisión de la literatura que contextualiza la
pregunta, plantea una teoría y una o más hipótesis en tanto
respuestas tentativas a la pregunta de investigación y en
función de estas hipótesis estipula un método, es decir, una
estrategia para recolectar los datos y analizarlos. El diseño
de investigación es, por lo tanto, anterior a los datos, es
“primario” (Gerring, 2011). Para producir investigaciones de
calidad es importante dedicar tiempo al diseño de
investigación.
La elección del diseño de investigación depende, en
primer lugar, de la pregunta de investigación. El diseño de
investigación no es un fin en sí mismo, sino la estrategia
para resolver el problema de investigación. En segundo
lugar, la elección de un diseño de investigación puede
depender de consideraciones prácticas como la base
empírica disponible o los recursos para investigar. Esto
implica que se debería estar abierto a usar cualquier tipo de
diseño que sea funcional a la pregunta y a las limitaciones
prácticas que enfrenta quien investiga. Bajo cualquier
circunstancia, para elegir un diseño es preciso conocer la
lógica de cada uno de ellos, sus fortalezas y limitaciones. En
lo que sigue se abordan cuatro características de los
diseños de investigación cuantitativos y cualitativos del
paradigma positivista que deben tenerse en cuenta en el
momento de optar por uno u otro: el control de
explicaciones alternativas, las nociones de causalidad, la
selección y el número de casos, y la validez.

3.1. El control de explicaciones alternativas

 Un aspecto que distingue a los diseños cuantitativos de
los cualitativos es la capacidad para controlar por
explicaciones alternativas. Al controlar, se busca establecer
relaciones empíricas generales entre una variable
dependiente (fenómeno a explicar o resultado) y dos o más
variables independientes (causas atribuidas en la hipótesis
a la variable dependiente),1 mientras el resto de las
variables que pueden estar influyendo en la explicación
(explicaciones alternativas) se mantienen constantes o
están “controladas”.2 El control está directamente
vinculado al poder de análisis causal que permite un diseño
de investigación. Es decir, si un diseño de investigación es
fuerte en su capacidad para controlar por explicaciones
alternativas quiere decir que se puede tener bastante
certeza de que la relación que postula entre la variable
dependiente y la independiente es verdadera. No obstante,
el poder para realizar inferencias causales también puede
obtenerse de otros modos como mediante la búsqueda de
mecanismos causales en los estudios de caso (véase más
adelante).
Los diseños más efectivos para controlar por
explicaciones alternativas son los experimentos. Los
experimentos –en cualquiera de sus tipos– son diseños
particularmente potentes en la producción de inferencias
causales (son fuertes en validez interna) por su capacidad
para controlar. Los experimentos derivan esta potencia de la
composición aleatoria (al azar) de los casos a los grupos de
tratamiento (grupo expuesto a la variable independiente o
tratamiento) y control (grupo igual al anterior pero no
expuesto a la variable independiente). La composición
aleatoria de los grupos de tratamiento y control estos sean,
en promedio, idénticos. Debido a esto, la gran ventaja de los
diseños experimentales radica en su efectividad para
eliminar problemas de variables omitidas y factores de
confusión (Gerber y Green, 2012). Esto garantiza que
cualquier diferencia entre los grupos de tratamiento y
control se pueda atribuir a la variable independiente.
Por ejemplo, en un estudio sobre el activismo cívico Han
(2016) se preguntaba por qué la gente se involucra en
asuntos colectivos y dedica tiempo a participar en
organizaciones cívicas voluntarias como ONG, asociaciones
profesionales, etcétera. Las teorías previas (explicaciones
alternativas) señalaban que el activismo era un fenómeno
que dependía de características individuales (socio-
económicas) o de un cálculo de costo beneficio por parte de
los individuos. En cambio, la hipótesis de Han (2016) es que
las motivaciones para participar no se forman en solitario,
sino que son producto de interacciones sociales. Por lo
tanto, si las organizaciones presentan un ambiente propicio
(“relacional”) para las interacciones sociales los individuos
aumentarán su involucramiento con la organización.
Para testear esta hipótesis, la autora desarrolla una serie
de experimentos en la Asociación Nacional de Médicos de
Estados Unidos, una asociación progresista de médicos y
estudiantes de medicina a favor de la reforma estatista de
salud del presidente Obama. La Asociación buscaba
promover la participación de sus miembros y generar apoyo
en favor de la reforma de Obama en un contexto en el que
varios Estados se oponían a su implementación. La variable
dependiente de Han (2016) fue la disposición a participar en
organizaciones cívicas y en uno de los experimentos, esta
variable fue medida como la disposición a firmar una
petición.
En el experimento se enviaron tres tipos de mails a la
lista de afiliados a la Asociación que habían realizado
comentarios (al menos una vez) a las preguntas abiertas de
las encuestas periódicas que hacía la Asociación relevando
intereses de sus afiliados. El mail “mensaje estándar”
hablaba sobre la ideología y los valores de la Asociación y
culminaba con el pedido de firmar la petición. Este era el
grupo de control. Había dos grupos de tratamiento. El grupo
“mensaje objetivos compartidos” era igual al anterior, pero
sumaba un párrafo que hacía referenciar al pasado del
afiliado recordándole que en otras oportunidades él o ella
había compartido sus opiniones con la Asociación y, por lo
tanto, ahora tenía la oportunidad de realizar una acción
consistente con ello y se le pedía que firmara la petición. El
segundo grupo de tratamiento “mensaje personalizado” era
igual al mensaje estándar, pero agregaba un párrafo que
decía que firmar la petición le brinda la oportunidad de
defender los valores que había compartido alguna vez con
la organización y a continuación se insertaba una cita
vertida por el afiliado (en los cuestionarios periódicos de la
Asociación) en la que hablaba de la necesidad de un
sistema de salud más justo, más igualitario, etcétera.
Finalmente, se lo invitaba a firmar la petición (Han, 2016).
A cada persona de la base de datos se le envió uno de
estos mails al azar: un tercio recibió el mensaje estándar, un
tercio el mensaje de objetivos compartidos y un tercio el
mensaje personalizado. Al comparar medias entre los tres
grupos, Han (2016) encontró evidencia a favor de su
hipótesis: las personas que recibieron los mensajes de
objetivos compartidos y el personalizado tendían a firmar la
petición en una proporción significativamente mayor que las
personas que solo recibían el mensaje estándar. Como los
grupos de afiliados que recibieron los mensajes fueron
conformados por sorteo, se garantizaba que fuesen
idénticos. Por lo tanto, cualquier otra explicación que
pudiese estar influyendo sobre la disposición a firmar una
petición (como las características sociodemográficas de los
individuos o cálculos racionales) estaba controlada por el
diseño de investigación.
En los diseños observacionales, cuantitativos o
cualitativos, en cambio, el control es un desafío o
directamente no existe (Brady y Collier, 2010). En los
diseños observacionales cuantitativos aspiran al control es
estadístico, aunque en algunos de ellos, como las
regresiones multivariadas, el control es un desafío. En la
regresión multivariada, el investigador o la investigadora
interpreta un coeficiente significativo en una de sus
variables independientes (X) como un factor que está
influyendo sobre su variable dependiente (Y), mientras el
resto de los factores (otras las variables independientes
incluidas en el modelo) permanecen constantes. Sin
embargo, una desventaja de los modelos de regresión para
hacer análisis causal es que las variables independientes
consideradas –ya sea las variables independientes
principales o como aquellas que se ingresan como variables
de control– son incluidas a partir de la teoría. Esto implica
que si quien investiga omitió alguna variable relevante en
su modelo podría estar realizando inferencias causales
erróneas o distorsionadas sobre el fenómeno que quiere
explicar.
Este problema puede ser ilustrado con los trabajos de
Cherif (2015) y Htun y Weldon (2018) sobre el avance de los
derechos de las mujeres en el mundo. En ambos trabajos las
autoras buscan estimar las causas de la adopción de
reformas que permiten el aborto legal en el mundo.
Mientras ambos trabajos encuentran que la religiosidad de
los países es un factor que disminuye las chances de que se
adopten este tipo de leyes, el resto de los resultados de sus
análisis son divergentes. Cherif (2015) encuentra que los
factores que denomina “core rights” (acceso de las mujeres
a la educación y al mercado de empleo) aumentan las
probabilidades de adoptar reformas sobre aborto legal. Htun
y Weldon (2018), en tanto, señalan que el aborto legal está
influido por la existencia de partidos de izquierda en el
gobierno. Más allá de diferencias en los tipos de modelos de
regresión utilizados en cada estudio, así como de
diferencias en las formas en que se midieron las variables,
es probable que la divergencia de resultados devenga de
considerar variables diferentes.
 Otros diseños observacionales han intentado superar
estos problemas mediante el desarrollo de modelos como
matching o la regresión discontinua. Estos diseños intentan
acercarse a la lógica de los experimentos mediante una
selección de casos “como si fuese al azar” lo que los hace
mejorar su capacidad para controlar por explicaciones
alternativas (Cattaneo et al., 2019; Ho et al., 2007).
En los diseños cualitativos la idea de control está
presente en los diseños que comparan pocos casos. En los
estudios en profundidad de caso, en cambio, la idea de
control no existe. Las inferencias casuales se obtienen de la
búsqueda de mecanismos causales y el análisis denso de
los casos (whithin case analysis).
Las comparaciones de pocos casos tienen una larga
tradición en las ciencias sociales, en particular en la ciencia
política y la sociología política. Estos estudios buscan hacer
un análisis sistemático de los casos que comparan (como
mínimo dos, por ejemplo dos países, dos provincias,
etcétera.) y extraen las inferencias causales de la
comparación (Collier, 1993; Seawright, 2018). Mediante la
comparación de casos más similares o más diferentes se
intenta aislar los factores causales eliminando otras
variables como causas posibles (aquí subyace la idea de
control).
En los diseños de casos más similares se seleccionan
casos similares en todos los aspectos, excepto en las
variables de interés: la variable independiente (X) y la
variable dependiente (Y). Piénsese en un diseño con solo
dos casos, si estos casos son similares en todo, pero en uno
de ellos está presente la variable independiente (X1) y la
variable dependiente (Y), y en el otro están ausentes,
entonces se puede afirmar que la causa de Y es X1, pues es
la única diferencia entre los casos (Tabla 1).

Tabla 1. Comparaciones de pocos casos: diseño de casos

más similares
 Caso Variables
Variable dependiente
s independientes

X1 X2 X3 X4 Y

A 1 1 1 1 1

B 0 1 1 1 0

En los diseños de casos más diferentes se trata de

encontrar casos en los que una variable independiente (X1)
y la variable dependiente (Y) covarían, y todas las demás
variables independientes muestran valores diferentes. De
esta forma se eliminan explicaciones alternativas (X2, X3,
X4) y se aporta evidencia a favor de que la causa de Y es X1
(Tabla 2).

Tabla 2. Comparaciones de pocos casos: diseño de casos

más diferentes

Caso Variables
Variable dependiente
s independientes

X1 X2 X3 X4 Y

A 1 0 0 0 1

B 1 1 1 1 1

Las comparaciones de pocos son débiles en su capacidad

para controlar por explicaciones rivales. Si bien se ha
señalado que la selección de casos que hacen estos
trabajos emula la lógica de los estudios por “matching”, el
control que logran es siempre artesanal y más débil que en
una regresión (Gerring, 2007; Seawright, 2018). La debilidad
radica en que la causa no puede ser aislada en la mayoría
de las instancias, ya que otras condiciones causales
relevantes son también diferentes entre los casos y
probablemente no se estén teniendo en cuenta. En los
diseños de comparaciones de casos más similares, por
ejemplo, es muy difícil encontrar casos en los que “todo sea
igual” salvo las variables de interés.
No obstante lo anterior, la defensa del método
comparado se sustenta por lo menos en tres argumentos.
En primer lugar, muchas veces no existen muchas
instancias del fenómeno de interés (Y) porque los
fenómenos que se estudian son raros o excepcionales, por
ejemplo, las revoluciones en el siglo XX. En segundo lugar,
quienes defienden el método comparado argumentan que
los estudios de pequeño número de casos permiten mejores
conceptualizaciones de las variables de interés y que hay
fenómenos que son mejor comprendidos a través de
“descripciones densas” dentro de un marco conceptual
comparativo, y esto solo puede ser posible cuando se
analizan pocos casos (Collier, 1993). Finalmente, también se
señala que la potencia del análisis causal que brindan las
comparaciones de pocos casos aumenta cuando se
combinan con estudios en profundidad de casos (Bennett y
Checkel, 2015; George y Bennett, 2005). Los estudios en
profundidad de caso permiten especificar mejor la conexión
entre las causas (X) y los efectos (Y) a partir de la
identificación de mecanismos causales (Brady y Collier,
2010). Por lo tanto, aunque la identificación de correlaciones
entre variables puede ser el primer paso para el análisis
causal, y esto se logra mediante la comparación, es más
importante la identificación del o los mecanismos que están
detrás esas correlaciones (George y Bennett, 2005; Goertz y
Mahoney, 2012). Cuando se procede de este modo, la
búsqueda de control sistemático queda desplazada por la
identificación de mecanismos causales y la comparación
pasa a tener valor analítico.
Un ejemplo de esta combinación es el trabajo de Pribble
(2013) sobre la ampliación de las políticas sociales en
América Latina. La autora intenta explicar por qué los países
más avanzados de América Latina variaron en su capacidad
para alcanzar mayores grados de universalismo de sus
estados de bienestar. Según Pribble (2013) la capacidad
para expandir la protección social depende de tres
variables: el tipo de organización partidaria, en particular
los vínculos entre las elites, las bases del partido y las
organizaciones sociales, los legados previos en materia de
políticas públicas y la competencia electoral.
Para testear su hipótesis, la autora utiliza un diseño
comparado de casos más similares (Uruguay y Chile) que
combina con rastreo de procesos (process tracing). Según
Pribble (2013), Uruguay y Chile son casos “más similares”
en una variedad de aspectos que hacen a la explicación de
la expansión de la protección social: son dos casos de alto
desarrollo socioeconómicos en América Latina, tienen
democracias consolidadas, instituciones políticas fuertes y
son estados unitarios con baja diversidad étnica. En cambio,
los dos países difieren en las variables explicativas (X):
mientras Chile tiene un legado de privatizaciones en las
principales políticas sociales producto del gobierno del
dictador Pinochet, Uruguay tiene un legado estatista. En
relación con la competencia electoral, durante el período
que estudia Pribble (2013) la centroizquierda gobernante en
Chile (Concertación) enfrentó una competencia electoral
intensa desde la derecha. En cambio, en Uruguay, la centro
derecha gobernante durante la década de 1990 y los
primeros años de la década del año 2000 (el Partido
Nacional y el Partido Colorado) enfrentó la competencia de
un partido de centroizquierda (el Frente Amplio). En 2004,
cuando el Frente Amplio (FA) gano las elecciones lo hizo
bajo un escenario de mayoría absoluta y con un Partido
Colorado (PC) fuertemente debilitado. Por último, con
relación al carácter de las organizaciones partidarias,
Pribble (2013) señala que en Chile todos los partidos tienen
organizaciones profesionales electorales con vínculos
débiles con sus bases y los actores sociales, en particular
los partidos de izquierda. En Uruguay, en cambio, mientras
el Partido Colorado y el Partido Nacional asumen esta
estructura, el FA es un “constituency-coordinating party”, es
decir, un partido con una estructura densa de militantes y
fuertes vínculos con los sindicatos (Pribble, 2013). Ambos
países también varían en los grados de universalismo
alcanzado (Y) en tres áreas de política pública: salud,
políticas sociales y educación.
Mediante el estudio intenso de los dos casos y la
comparación entre ellos, la autora logra establecer la
conexión entre sus variables independientes y el camino por
el que estas conducen a reformas exitosas o no exitosas en
términos de avances en universalismo en los estados de
bienestar. Sus conclusiones son fuertes porque no solo
presenta correlaciones de variables entre los casos, sino
porque a partir del análisis histórico mediante rastreo de
procesos detecta el camino causal que lleva de las variables
independientes al resultado.

3.2. Nociones de causalidad

Los diseños cuantitativos y cualitativos también se

diferencian en la forma en que conciben la causalidad.
Mientras en los diseños cuantitativos de N grande (como los
modelos de regresión) la noción de causalidad es
probabilística o de efectos promedio, en los estudios
cualitativos de N pequeño la noción de causalidad es
determinística y está basada en causas suficientes, causas
necesarias y mecanismos causales (Beach y Pedersen,
2016; Goertz y Mahoney, 2012).
Cuando una causa se entiende en términos probabilísticos
se asume que un determinado factor (X)
aumenta/disminuye las probabilidades de un fenómeno (Y),
pero no lo asegura, pues en la explicación existen tanto
elementos sistemáticos como no sistemáticos, estos últimos
forman parte del error del modelo (Beach y Pedersen,
2016). En los estudios cuantitativos se parte de las causas
potenciales (X1, X2, X3, etcétera) para preguntarse cuál es
el impacto promedio de cada una de estas causas sobre la
variable dependiente (Y). Por ejemplo, cuando Htun y
Weldon (2018) afirman, a partir de un modelo de regresión,
que tener religión oficial en un país impacta negativamente
sobre la existencia de leyes que permitan el aborto
voluntario, están asumiendo un tipo de causalidad
probabilística entre estas dos variables. Las autoras están
afirmando que como tendencia la relación que postulan es
verdadera; o que es verdadera bajo un determinado
porcentaje de confianza (en su caso 95%). Este modo de
entender las relaciones causales solo tiene sentido en
estudios de muchos casos, porque se está buscando el
efecto causal promedio de una variable a lo largo de una
población (Beach y Pedersen, 2016).
En los estudios cualitativos, en cambio, la causalidad es
determinista y mecanicista. Esto implica que una
determinada causa (X) es la razón por la que sucede un
fenómeno (Y) y no que aumenta las chances de Y (Beach y
Pedersen, 2016). Esta forma de concebir la causalidad
implica hablar de causas suficientes y necesarias. Una
causa (X) es suficiente cuando su presencia garantiza o
asegura la aparición del fenómeno de interés (Y). Esto no
implica que Y no pueda aparecer ante otras circunstancias,
por ejemplo, bajo la presencia de Z. Un ejemplo de
identificación de causas suficientes es el estudio de
Sebastián Etchemendy sobre corporativismo segmentado
en América Latina. Mediante una comparación en
profundidad de la Argentina y Uruguay, el autor encuentra
que los legados institucionales, así como la existencia de
sindicatos con fuertes vínculos con el Partido Justicialista y
el Frente Amplio fueron condiciones (conjuntamente)
suficientes para la instauración de ámbitos tripartitos de
negociación salarial en ambos países durante el giro a la
izquierda (Etchemendy, 2019).
 Una causa (X) es necesaria cuando tiene que estar
presente para que ocurra el fenómeno (Y). Esto implica que
X es un requisito de Y, si X no aparece Y tampoco (Beach y
Pedersen, 2016). Por ejemplo, Johnson (1987) en su estudio
sobre el crecimiento acelerado de los NIC3 del Este Asiático
en la década de 1960 señaló que uno de los factores del
éxito económico de estos países fue el rol del gobierno
creando una fuerza de trabajo disciplinada, es decir
reprimiendo. Aunque Johnson también aludía a otros
factores, consideraba que este era un requisito para el
crecimiento: la represión de los sindicatos “era una
verdadera ventaja comparativa en la economía
internacional” (Johnson, 1987: 377-378). El autor
argumentaba que el autoritarismo lograba dotar a estos
sistemas de estabilidad política y previsibilidad a largo plazo
lo que se configuraba como una condición necesaria del
crecimiento en estos países (Goertz y Mahoney, 2012).
Los mecanismos causales son la forma de concebir la
causalidad en los estudios en profundidad de caso, en
particular en los estudios que usan process tracing. Cuando
los investigadores pretenden identificar mecanismos, no se
están preguntando tanto sobre por qué ocurre un fenómeno
(Y), sino cómo este se produce. Buscan identificar el “tejido
conectivo” entre las variables de interés (Tarrow, 2012), o
los factores intermedios (la “caja negra”) entre una
supuesta causa y su resultado (George y Bennett, 2005).
Un ejemplo de mecanismo causal es el clásico trabajo de
Tannenwald (1999) sobre el tabú nuclear. En el estudio la
autora intenta explicar por qué Estados Unidos no volvió a
usar bombas nucleares en otros conflictos bélicos en los
cincuenta años posteriores al ataque nuclear de Hiroshima y
Nagasaki. Según Tannenwald este hecho es sorprendente
porque había capacidad para desarrollar bombas nucleares
y usarlas. La explicación de Tannenwald es que existía una
“prohibición normativa” basada en un “tabú” hacia el uso
de esta arma. La autora se pregunta cómo opera el tabú y
luego de analizar voluminosa información de archivos
desclasificados encuentra que el tabú nuclear opera
constriñendo la acción de los decisores mediante dos vías:
una vía que llama instrumental y otra que denomina
constitutiva. Mediante la primera vía el tabú operó como
una restricción para actores políticos autointeresados (la
norma cambia la evaluación costo-beneficio) debido a
restricciones que surgen de la opinión pública doméstica e
internacional. En la segunda vía, el tabú operó activando la
creencia en la ilegitimidad del uso de normas nucleares
debido al enaltecimiento de los “valores americanos” en
tanto concepciones sobre el comportamiento adecuado de
naciones civilizadas. De esta forma, el trabajo de
Tannenwald (1999) no solo muestra por qué Estados Unidos
no volvió a usar una bomba atómica, sino cómo fue que eso
fue posible.

3.3. Selección de casos

Un aspecto crucial que diferencia los diseños

cuantitativos de los cualitativos es la forma en que se
seleccionan los casos. En la investigación cuantitativa los
casos se seleccionan al azar o se trabaja con todos los
casos. Por ejemplo, en el estudio de Han (2016) sobre el
activismo cívico los casos fueron todos los afiliados a la
Asociación Nacional de Médicos de Estados Unidos que
habían realizado comentarios (al menos una vez) a las
preguntas abiertas de las encuestas periódicas de la
Asociación. En total Han (2016) incluyó en su estudio 3.750
afiliados que fueron divididos al azar en tres grupos (dos de
tratamiento y uno de control). La selección al azar asegura
que los casos seleccionados no están correlacionados con
ninguna variable que forme parte del modelo causal. Los
3.750 casos tenían las mismas probabilidades de ser
seleccionados para cualquiera de los grupos. En el estudio
de Htun y Weldon (2018) sobre el avance de los derechos
de las mujeres (un estudio observacional) los casos
incluidos en el análisis fueron setenta países de diferentes
regiones del mundo considerados en cuatro puntos en el
tiempo. Las autoras afirmaron que los casos seleccionados
representaban el 85% de la población mundial. Los países
incluidos en el estudio no fueron seleccionados al azar, pero
las autoras señalaron que su muestra era razonablemente
representativa del total de países del mundo (Htun y Weldon
2018, apéndice A).
En los estudios cualitativos, en cambio, la selección de
casos es deliberada, y los casos cumplen una función
“heroica” (Seawright y Gerring, 2008). En investigación
cualitativa se seleccionan casos a partir de los valores de
algunas variables. Recientemente se ha enfatizado en la
selección de “casos por conveniencia” debido a que muchas
veces los investigadores seleccionan casos por cuestiones
pragmáticas como el acceso a financiamiento, la
disponibilidad de datos, etcétera (Koivu y Hinze, 2017). Sin
embargo, los investigadores cualitativos siempre deberían
justificar (por lo menos expos) qué función cumplen los
casos seleccionados en su teoría (Seawright y Gerring,
2008). Mientras los estudios cuantitativos están centrados
en variables, los cualitativos están centrados en casos. Esto
obliga a los investigadores a justificar un caso de qué tipo
es su caso.
En los estudios cuantitativos se seleccionan casos en todo
el rango de variación de la variable dependiente (Y), es
decir, tanto casos positivos como negativos. En los estudios
cualitativos, en cambio, es usual “seleccionar casos por
variable dependiente”; es decir, solo casos donde el
fenómeno que se quiere explicar aparece (Y=1). Por
ejemplo, Johnson (1987) quiere explicar el éxito económico
de los países del Este Asiático durante la segunda mitad del
siglo XIX y para esto solo estudia casos de países que se
industrializaron aceleradamente: Japón, Corea del Sur y
Taiwán. El autor no compara con países similares a estos y
que no tuvieron tanto éxito o no se industrializaron. Esta
estrategia ha sido muy criticada por exponentes de la
investigación cuantitativa. Los cuantitativistas señalan que
al no incluir casos negativos, no se puede saber si las
variables independientes que se atribuye como cruciales
para explicar la variable dependiente en el subset de casos
elegidos son también cruciales en el conjunto más grande
de casos a los que pertenece el subset (King et al., 1994).
La respuesta de los cualitativistas a esta crítica fue que la
selección de casos es “modelo dependiente”. Esto significa
que una buena selección de casos para una investigación
que busca testear hipótesis estimando efectos promedios,
puede no ser una buena selección para una investigación
que busca testear hipótesis basadas en nociones de
determinismo. En este sentido, los diseños de investigación
que solo estudian casos positivos han sido defendidos para
estudiar causas necesarias, así como mecanismos causales
(Goertz y Mahoney, 2012).
Esto no implica que los investigadores cualitativos no
incluyan también casos negativos en sus diseños. Como ya
se vio, esta es una característica de los diseños comparados
de casos más similares. Otra estrategia para seleccionar
casos negativos que sigue la lógica de los diseños basados
en la comparación de casos más similares, es seleccionar
casos que se ajusten al “principio de posibilidad”. Según
este, los casos negativos deben seleccionarse de entre
aquellos donde estén presentes por lo menos una de las
variables independientes de interés, pero no el resultado
(Y). Es decir, los casos negativos son aquellos donde existe
alguna posibilidad de que el resultado ocurra (Mahoney y
Goertz, 2004). Los casos donde el resultado no tiene
ninguna posibilidad de ocurrir porque no están presentes la
variable dependiente (Y) ni la independiente (X) son
irrelevantes. De ellos no es posible aprender nada en
términos de condiciones necesarias, suficientes o de
mecanismos. Siguiendo el ejemplo de Johnson (1987), se
podría afirmar que no se puede decir nada sobre la relación
entre crecimiento económico acelerado y represión laboral
si se observan casos donde no hay represión laboral ni
crecimiento económico.
Otro tipo de caso común en investigación cualitativa es el
estudio de casos desviados. La selección de casos
desviados está relacionada con explicar anomalías en una
teoría. El propósito de estudiar casos desviados es generar
nuevas explicaciones sobre un fenómeno. Por ejemplo,
Pérez Bentancur et al. (2020) estudian el caso del Frente
Amplio en Uruguay (un partido de centroizquierda exitoso)
como un caso de estructura partidaria que surge como un
partido de masas y se reproduce como tal, es decir no se
oligarquiza. Los partidos de masas (partidos con militantes)
fueron estructuras frecuentes hacia mediados del siglo XX.
Sin embargo, con el desarrollo de los medios masivos de
comunicación primero, y luego de las comunicaciones por
internet, estos partidos fueron perdiendo sus bases
militantes y se transformaron en estructuras elitizadas
(Pérez Bentancur et al., 2020). La teoría predice que los
partidos que surgieron como partidos de masas, sometidos
a los shocks externos mencionados, deberían oligarquizarse.
El Frente Amplio enfrentó esos shocks, pero no se
oligarquizó. Esta característica lo convierte en un caso
desviado y su estudio permite perfeccionar la teoría sobre la
oligarquización partidaria.4 A partir de un análisis histórico
comparado, los autores muestran las razones de la no
oligarquización del partido.
Finalmente, también son comunes en los diseños
cualitativos los estudios de casos cruciales, “más probables”
(most-likely) y “menos probables” (less-likely). Los casos
cruciales más probables son aquellos en los que en todo
indicaría que el resultado (Y) debería aparecer, pero este no
aparece. Este tipo de casos se suelen usar para rechazar
teorías establecidas o debilitarlas (Gerring, 2007). Por
ejemplo, se ha señalado que la movilización feminista es el
factor más importante para adoptar leyes que permiten el
aborto voluntario. Pérez Bentancur (2019) utiliza el caso
argentino para debilitar esta teoría. La Argentina es el país
de América Latina que cuenta con el movimiento feminista
por el aborto legal más grande y extenso. En 2018, en el
pico de la movilización feminista, el Congreso argentino
intentó aprobar una ley sobre este tema y fracasó. La
Argentina es utilizada en el estudio como un caso crucial
más probable (most-likely) para testear la hipótesis de la
movilización feminista, pues si este factor fuese una
condición suficiente para generar la reforma, entonces esta
debería haberse aprobado en ese año (Pérez Bentancur,
2019). A partir de un análisis detallado del caso, el estudio
muestra por qué no se alcanzó la reforma.
Los casos cruciales menos probables son aquellos donde
todas las variables menos la variable independiente
(teorizada por el o la investigadora) predicen que el
resultado (Y) no debería aparecer, pero este aparece. Esto
casos se usan para confirmar teorías (Gerring, 2007). Por
ejemplo, Wendy Hunter (2007) construye una teoría sobre
adaptación partidaria y utiliza al caso del Partido de los
Trabajadores (PT) en Brasil para testearla. La autora plantea
que el PT pasó por un proceso de moderación de su
plataforma programática desde su creación en 1979 hasta
que ganó la presidencia en 2002. En este proceso de
moderación el PT realizó un movimiento de partido
“buscador de políticas” a partido “maximizador de votos”.
Sin embargo, esto no debería haber ocurrido porque el PT
era un “partido de izquierda radical”, es decir, un partido
altamente ideologizado que durante mucho tiempo se
resistió a adoptar estrategias maximizadoras de votos. La
adaptación del PT no se esperaba pero ocurrió (Hunter,
2007). La autora construye una teoría sobre adaptación
estrategia de los partidos políticos y muestra cómo esta
adaptación ocurrió en el caso del PT.5
3.4. Validez externa e interna

Los diseños cualitativos y cuantitativos se diferencian en

la validez externa e interna. La validez externa alude a
capacidad para generalizar los resultados obtenidos a partir
de los casos observados a otros casos no observados. La
validez externa es una propiedad de los estudios de N
grande (comparan muchos casos). Así por ejemplo, en
función de su muestra de setenta países Htun y Weldon
(2018) señalan que los resultados de su trabajo sobre el
avance de los derechos de las mujeres son representativos
de otros países del mundo. Lo experimentos y los estudios
de N pequeños son débiles en validez externa. Los estudios
cualitativos también tienen pretensiones de generalización,
sin embargo, sus inferencias se dirigen a poblaciones
pequeñas, relativamente acotadas y homogéneas. Estos
estudios asumen que un factor causal puede tener efectos
muy distintos en diferentes contextos, esto se conoce como
“condiciones de alcance” (scope conditions). Un ejemplo de
este tipo de generalización acotada aparece en el trabajo de
Pribble (2013) cuando afirma que:

La explicación que surge de este libro no busca

establecer una teoría que pueda generalizarse a todo
el mundo en cualquier período de tiempo. Por el
contrario, la teoría se aplica a un pequeño número de
países, más específicamente a los países
latinoamericanos más avanzados en protección social
durante las décadas de 1990 y 2000. Estos países
incluyen a la Argentina, Brasil, Chile, Costa Rica,
México y Venezuela (Pribble, 2013: 23-24).

La autora entiende que fuera del contexto que delimita

(los países más avanzados en términos de protección social
en los años de 1990 y 2000) la expansión del estado de
bienestar quizás tenga otros determinantes.
La validez interna refiere a la capacidad del diseño para
afirmar que la relación que postula entre la variable
dependiente y la independiente es verdadera. Como se vio,
los diseños más fuertes en validez interna son los
experimentales. Sin embargo, los estudios en profundidad
de caso también son fuertes en este aspecto cuando
establecen mecanismos causales.

Tabla 3. Principales diferencias entre los diseños de

investigación cuantitativos y cualitativos

Diseños cuantitativos Diseños cualitativos

Fuerte en los
experimentos, más débil
Control Muy débil
en el resto, en particular
en la regresión

Noción de
Estimación de efectos Condiciones necesarias y
causalida
promedios/probabilística suficientes/mecanismos/
d

Deliberada: selección por

variable dependiente/caso
Selección
Al azar o todos los casos desviado, caso crucial/casos
de casos
más similares y más diferentes,
etcétera.

N pequeño, análisis en
Cantidad
N grande, muchos casos profundidad de un caso o
de casos
comparaciones de pocos casos

Fuertes en validez externa

Débiles en validez externa
(salvo en los
(acotada a contextos
Validez experimentos); débiles en
homogéneos); fuertes en
validez interna (salvo los
validez interna
experimentos)

4. Conclusiones
 Este capítulo ha resumido las principales distinciones
entre la investigación cuantitativa y cualitativa orientada
por la producción de inferencias. Como se vio, todos los
diseños de investigación tienen debilidades y fortalezas
para el análisis causal. En este sentido, más allá de que
algunos académicos se sientan más cercanos a la tradición
cuantitativa y otros a la cualitativa, nunca debería
despreciarse la utilidad de ningún diseño para comprender
los fenómenos de la vida social.
Esta postura ha inspirado el desarrollo de métodos mixtos
como la integración de métodos cuantitativos y cualitativos
para eliminar diferentes aspectos de un diseño de
investigación. Recientemente, algunos trabajos mostraron
que, por ejemplo, combinar experimentos o modelos de
regresión con estudios de caso puede ser de utilidad para
buscar mecanismos causales, aspecto que no puede ser
captado con los métodos cuantitativos. A la inversa,
también se ha señalado que los investigadores que parten
de estudios de caso con el objetivo de construir una teoría o
ajustarla, pueden beneficiarse de un diseño de N grande en
busca de un “test de generalidad” en un número de casos
mayor (Dunning, 2015; Lieberman, 2005; Seawright, 2016).
En cualquier caso, ya sea que se acuda a estrategias
cuantitativas, cualitativas, mixtas o comparadas, lo más
importante es poner el diseño al servicio de la resolución de
la pregunta de investigación y justificar por qué la
estrategia elegida es adecuada.

Bibliografía

Almond, Gabriel A. (1988) “Separate Tables: Schools and

Sects in Political Science”, en Political Science & Politics
21 (4) (pp. 828-42).
Beach, Derek y Rasmus B. Pedersen (2016). Causal Case
Study Methods: Foundations and Guidelines for
Comparing, Matching, and Tracing. Michigan, University of
Michigan Press.
Bennett, Andrew y Jeffrey T. Checkel (2015). Process
Tracing. Cambridge, Cambridge University Press.
Brady, Henry y David Collier (2010). Rethinking Social
Inquiry: Diverse Tools, Shared Standards. Maryland,
Rowman & Littlefield Publishers.
Cattaneo, Matías, Nicolás Idrobo y Rocío Titiunik (2019). A
Practical Introduction to Regression Discontinuity
Foundations. Cambridge, Cambridge University Press.
Cherif, Feryal M. (2015). Myths about Women’s Rights: How,
Where, and why Rights Advance. Oxford, Oxford
University Press.
Collier, David (1993). “The Comparative Method”, en A. W.
Finifter (ed.), Political Science: The State of the Discipline
(II). American Political Science Association, Michigan,
University of Michigan, pp. 105-119.
Corbetta, Piergiorgio (2007). Metodología y Técnicas de
Investigación Social, 2a ed. Madrid, McGraw-Hill
Interamericana de España S.L.
Dunning, Thad (2015). “Improving process tracing: The case
of multi-method research”, en Andrew Bennett y Jeffrey T.
Checkel (eds.), Process Tracing. Fom Metaphor to Analytic
Tool. Cambridge, Cambridge University Press, pp. 211-
236.
Elman, Colin, John Gerring y James Mahoney (2020). The
Production of Knowledge: Enhancing Progress in Social
Science. Cambridge, Cambridge University Press.
Etchemendy, Sebastián (2019). “The Rise of Segmented
Neo-Corporatism in South America: Wage Coordination in
Argentina and Uruguay (2005-2015)”, en Comparative
Political Studies, 52(10), pp. 1427-1465.
George, Alexander L. y Andrew Bennett (2005). Case
Studies and Theory Development in the Social Sciences.
 Cambridge, MIT Press.
Gerber, Alan S. y Donald P. Green (2012). Field Experiments:
Design, Analysis, and Interpretation. Nueva York, W. W.
Norton.
Gerring, John (2007). Case Study Research: Principles and
Practices. Cambridge, Cambridge University Press.
Gerring, John (2011). Social Science Methodology: A Unified
Framework. Cambridge, Cambridge University Press.
Goertz, Gary y James Mahoney (2012). A Tale of Two
Cultures: Qualitative and Quantitative Research in the
Social Sciences. Princeton, Princeton University Press.
Han, Hahrie (2016). “The Organizational Roots of Political
Activism: Field Experiments on Creating a Relational
Context”, en American Political Science Review, 110(2),
pp. 296
Ho, Daniel E., Kosuke Imai, Gary King y Elizabeth A. Stuart
(2007). “Matching as Nonparametric Preprocessing for
Reducing Model Dependence in Parametric Causal
Inference”. Political Analysis, 15(3), pp. 199-236.
Htun, Mala y S. Laurel Weldon (2018). The Logics of Gender
Justice: State Action on Women’s Rights Around the
World. Cambridge, Cambridge University Press.
Hunter, Wendy (2007). “The Normalization of an Anomaly:
The Workers’ Party in Brazil”, en World Politics, 59(3), pp.
440-475.
Johnson, Chalmers (1987) “Political Institutions and
Economic Performance: the Government-Business
Relationship in Japan, South Korea and Taiwan”, en
Frederic C. Deyo (ed.), The Political Economy of the New
Asian Industrialism, Ithaca, Cornell University Press.
King, Gary, Robert O. Keohane y Sidney Verba (1994).
Designing Social Inquiry: Scientific Inference in Qualitative
Research. Princeton, Princeton University Press.
Koivu, Kendra L. y Erin K. Damman (2015). “Qualitative
variations: The sources of divergent qualitative
 methodological approaches”, en Quality & Quantity,
49(6), pp. 2617-2632.
Koivu, Kendra L. y Annika M. Hinze (2017). “Cases of
Convenience? The Divergence of Theory from Practice in
Case Selection in Qualitative and Mixed-Methods
Research”, en PS: Political Science & Politics, 50(4), pp.
1023-1027.
Kuhn, Thomas S. (1971). La estructura de las revoluciones
científicas. México, Fondo de Cultura Económica.
Lieberman, Evan S. (2005). “Nested Analysis as a Mixed-
Method Strategy for Comparative Research”, en American
Political Science Review, 99(3), pp. 435-452.
Lijphart, Arend (1971). “Comparative Politics and the
Comparative Method”, en American Political Science
Review, 65(3), pp. 682-693. Disponible en:
https://doi.org/10.2307/1955513
Lupia, Arthur y Colin Elman (2014). “Openness in Political
Science: Data Access and Research Transparency:
Introduction”, en PS: Political Science & Politics, 47(1), pp.
19-42.
Mahoney, James y Goertz, Gary (2004). “The Possibility
Principle: Choosing Negative Cases in Comparative
Research”, en The American Political Science Review,
98(4), pp. 653-669.
Pérez Bentancur, Verónica (2019). La política del aborto
legal en América Latina [Disertación del Programa de
Doctorado en Ciencia Política]. Buenos Aires, Universidad
Torcuato Di Tella.
Pérez Bentancur, Verónica, Fernando Rosenblatt y Rafael
Piñeiro Rodríguez (2020). How Party Activism Survives.
Uruguay’s Frente Amplio. Cambridge, Cambridge
University Press.
Piñeiro, Rafael y Fernando Rosenblatt (2016). “Pre-Analysis
Plans for Qualitative Research”. Revista de Ciencia Política
(Santiago), 36(3), pp. 785-796.
Pribble, Jennifer (2013). Welfare and Party Politics in Latin
America. Cambridge, Cambridge University Press.
Seawright, Jason (2016). Multi-Method Social Science:
Combining Qualitative and Quantitative Tools. Cambridge,
Cambridge University Press.
Seawright, Jason (2018). “Beyond Mill: Why Cross-Case
Qualitative Causal Inference Is Weak, and Why We Should
Still Compare”, en Qualitative and Multi-Method Research,
16(1), pp. 8-14.
Seawright, Jason y John Gerring (2008). “Case Selection
Techniques in Case Study Research: A Menu of Qualitative
and Quantitative Options”. Political Research Quarterly,
61(2), pp. 294-308.
Tannenwald, Nina (1999). “The Nuclear Taboo: The United
States and the Normative Basis of Nuclear Non-Use”, en
International Organization, 53(3), pp. 433-468.
Tarrow, Sidney (2012). El Poder en movimiento: Los
movimientos sociales, la acción colectiva y la política.
Madrid, Alianza.

1. Comúnmente la variable dependiente se simboliza mediante “Y” y las

variables dependientes como “X1”, “X2”, “X3”, etcétera.
2. A esto se le llama supuesto ceteris paribus.
3. NIC: Newly Industrialized Countries. “Países de nueva industrialización” por su
sigla en inglés, también llamados Tigres asiáticos”.
4. Aunque Pérez Bentancur et al. (2020) seleccionan a su caso de acuerdo con la
teoría, en diseños mixtos que empiezan con un componente de N grande, por
ejemplo, un modelo de regresión lineal, un caso desviado sería aquel con más
residuos en relación con la línea de regresión (Gerring, 2007).
5. A diferencia de los casos desviados, la identificación de casos cruciales
siempre es deductiva, esto es, depende de la teoría. No hay posibilidad de
identificar un caso crucial en el contexto de N grande (Gerring, 2007).