1 Einige Anregungen zur Auswahl zwischen

Einige Anregungen zur Auswahl zwischen konkurrierenden Erklärungsansätzen in
y-zentrierter Forschung
Andreas Dür
School of Politics and International Relations
University College Dublin
[email protected]
/Ü1/Einleitung
Für die meisten Ereignisse ist es relativ einfach, sich verschiedene Erklärungen
auszudenken.1 Sogar für bisher wenig untersuchte Ereignisse, oder neue Entwicklungen,
können die allgemeine sozialwissenschaftliche Literatur, geschichtliche Aufarbeitungen,
oder die Darstellungen der Teilnehmer eine Reihe konkurrierender Hypothesen
bereitstellen. Mit wenigen Ausnahme, in denen ein schlagender Beweis den Ausschluss
aller anderen Erklärungen ermöglicht, ist die Entscheidung zwischen diesen
verschiedenen Hypothesen schwierig. Die Erklärung eines Ereignisses oder einer Reihe
von Ereignissen ist jedoch nur dann überzeugend, wenn eine Studie die Überlegenheit
einer Erklärung über alle anderen zeigen kann. Ein Grundproblem der Forschung ist
folglich glaubhaft zu machen, dass ein oder mehrere Faktoren, und nicht alternative
Faktoren, ein Resultat hervorgebracht haben. In diesem Kapitel gebe ich einige
Anregungen, die Forschern helfen sollen, dieses Ziel zu erreichen, wenn sie in ihren
Forschungsprojekten mit konkurrierenden Erklärungsansätzen konfrontiert sind.
1
Für hilfreiche Kommentare auf verschiedene Versionen dieses Kapitels bedanke ich mich bei den
Herausgebern dieses Bandes, den Teilnehmern am wöchentlichen Methodenseminar am Mannheimer
Zentrum für Europäische Sozialforschung und Gemma Mateo.
1
Die Vorschläge, die in diesem Kapitel gemacht werden, sind für alle qualitativen (und
mit Bezug auf einige Punkte auch quantitativen) Forschungsprojekte relevant. Sie sind
jedoch besonders wichtig für Forscher, die versuchen, bestimmte Ereignisse zu erklären
(y-zentrierte Forschungsdesigns, in der Terminologie von Ganghof 2005) anstatt die
Größe eines kausalen Effektes zu messen (x-zentrierte Forschungsdesigns). Obgleich yzentrierte Forschungsdesigns in den Standardwerken zu politikwissenschaftlichen
Methoden oft vernachlässigt werden (King u.a. 1994), sind sie weit verbreitet und haben
einen bedeutenden Beitrag zur politikwissenschaftlichen Literatur geleistet (Chima 2005;
Mahoney/Goertz 2006). Im Gegensatz zu Studien, die auf dem Vergleich von Fällen
aufbauen, ist das Hauptziel y-zentrierter Forschung nicht, von einer Stichprobe auf ein
Universum zu schließen. Eher versucht sie, die kausalen Mechanismen zu ergründen, die
ein bestimmtes Ereignis (oder einige wenige Ereignisse) hervorgebracht haben und somit
gültige Erklärungen für bestimmte politische oder soziale Phänomene zur Verfügung zu
stellen. Da diese kausalen Mechanismen nicht direkt beobachtbar sind, erfüllt die
Bestätigung ihres Bestehens Imre Lakatos (1974) Kriterium für ergiebige Forschung: die
Studien liefern Einblicke, die über das direkt beobachtbare hinausgehen. Zudem sind
aufbauend auf solchen Studien – wenn sie richtig ausgeführt werden – oft
Verallgemeinerungen möglich, die dann wiederum einen Beitrag zur Theoriebildung und
zur Analyse anderer Ereignisse leisten können (Chima 2005; George/Bennett 2005).
Wie ich im folgenden Abschnitt zeige, sieht sich y-zentrierte Forschung mit ähnlichen
Probleme konfrontiert, wie andere Arten der Forschung, darunter das Problem
ausgelassener Variablen (omitted variable bias), erklärende Überbestimmtheit und
2
Unbestimmtheit. Dieser Art der Forschung ist jedoch eigen, dass nur eine kleine Zahl von
Fällen betrachtet wird, während die Zahl der Variablen, die potentiell einen Einfluss auf
das Resultat haben, groß ist. In einer solchen Situation macht das Problem der
Unbestimmtheit, das sich ergibt, wenn mehrere Deutungen mit den gleichen Daten
vereinbar sind, Rückschlüsse unmöglich. Da zudem im y-zentrierten Forschungsdesign
die Fallauswahl weitgehend vom substantiellen Interesse des Falles abhängt, ist es nur
selten möglich, Variablen konstant zu halten. Um trotzdem interpretierbare Ergebnisse
zu erreichen, müssen Forscher spezifische Methoden anwenden, die ihnen helfen, mit
konkurrierenden Erklärungsansätzen umzugehen. Zu den Methoden, die ich im Hauptteil
dieses Kapitels erarbeite, zählen: logische Widersprüche in alternativen Theorien
aufdecken; die Zahl der wahrnehmbaren Implikationen der eigenen und rivalisierender
Theorien erhöhen; kausale Mechanismen mit Hilfe der Prozessanalyse verfolgen; und
zusätzliche Fallstudien mit spezifischen Eigenschaften hinzufügen.
Die Literatur, die versucht, Handelsliberalisierung zu erklären, hilft mir dann zu
veranschaulichen, wie die verschiedenen Vorschläge in konkreten Forschungsprojekten
angewendet werden können. Dieses Forschungsgebiet ist für diesen Zweck besonders gut
geeignet, da viele unterschiedliche Erklärungen für Liberalisierung existieren. Zu den
wichtigeren Variablen, die in der Literatur werden können, zählen (in zufälliger
Reihenfolge): die Verbreitung einer liberalen Ideologie (oder einer Überzeugung, dass
Protektionismus Gefahren birgt); institutioneller Wandel innerhalb von Staaten (zum
Beispiel Demokratisierung) oder im internationalen System; Veränderungen in der
Machtverteilung im internationalen System; die Mobilisierung von Exporteuren; die
3
zunehmende Relevanz von Skalenökonomien; die Internationalisierung von
Produktionsprozessen; ein Konjunkturaufschwung; makroökonomische Krisen; und die
Bildung bestimmter Koalitionen in Staaten. Diese (unvollständige) Aufzählung zeigt,
dass viele Erklärungen für Handelsliberalisierung bestehen, die alle eine gewisse
Glaubwürdigkeit besitzen. Forscher in diesem Feld haben deshalb verschiedene der
Vorschläge, die in diesem Kapitel diskutiert werden, angewandt, um in Erklärungen eines
bestimmten oder einiger weniger Ereignisse konkurrierende Theorien auszuschließen.
Das Kapitel schließt mit einigen allgemeinen Empfehlungen, die in y-zentrierter
Forschung beachtet werden sollten.
/Ü1/Design Problem
Da die Welt, in der wir leben, sehr komplex ist, können oft mehrere Theorien das gleiche
Ereignis plausibel erklären. In einem solchen Fall vom Äquifinalität können zwei (oder
mehrere) Faktoren, die ich im folgenden a und b nenne, ein Resultat y hervorbringen
(a→y und b→y, wobei die kausale Beziehung durch → angezeigt wird). Meistens sehen
sich Forscher in dieser Situation mit zumindest einem von drei verwandten
methodologischen Problemen konfrontiert: dem Problem ausgelassener Variablen,
erklärende Überbestimmtheit und Unbestimmtheit.
/Ü2/Problem ausgelassener Variablen
4
Wenn ein Forscher die Existenz rivalisierende Erklärungen missachtet (das heißt, er
postuliert, dass a→y, ohne dabei die Möglichkeit von b→y zu berücksichtigen), können
die Resultate unter dem Problem ausgelassener Variablen leiden. Es ist möglich, dass ein
solches Forschungsdesign, das einfach Beobachtungen sammelt, die eine Ansicht stützen,
einem Argument eine gewisse Glaubwürdigkeit gibt. In vielen Fällen werden die
gefundenen Resultate jedoch von anderen Forschern, mit anderen Überzeugungen, nicht
als gültig anerkannt werden. Mit gutem Grund, denn in x-zentrierter Forschung kann das
Problem ausgelassener Variablen zu einer Überschätzung des kausalen Effektes einer
spezifischen Variable führen. Das Problem ausgelassener Variablen hat noch
weitreichendere Konsequenzen für y-zentrierte Forschung, da der Forscher eventuell
einer Variable kausale Wirkung zuschreibt, die eigentlich keine hat.
/Ü2/Erklärende Überbestimmtheit
Ein Forscher kann sich auch dazu entscheiden, eine ganze Reihe an Variablen in einem
Modell aufzunehmen, um ein Ereignis zu erklären (zum Beispiel, a & b→y). In einer
solchen Situation werden zahlreiche (theoretisch) hinreichende Ursachen in einer
einzelnen Erklärung integriert, ohne dass der Forscher feststellt, ob ein spezifischer
Faktor wirklich zum Resultat beitrug. Dieses Problem, das ich „erklärende
Überbestimmtheit“ nenne, führt zur Überlagerung vieler Möglichkeiten in einem
einzelnen Modell. Dieser Zugang ist unbefriedigend solange man die Prämisse akzeptiert,
dass das Ziel von Sozialforschung sein sollte, kausale Beziehungen zu entdecken und die
soziale Wirklichkeit zu erklären, anstatt nur einen enzyklopädischen Überblick zu geben.
5
Möglicherweise ist ein spezifisches Ereignis wirklich überbestimmt und wird gleichzeitig
durch unterschiedliche kausale Mechanismen hervorgebracht (alternative Ursachen eines
Effektes sind anwesend), wobei die verschiedenen kausalen Faktoren von gleicher
Bedeutung sind. Ein Beispiel für solche „echte“ Überbestimmtheit ist ein
Exekutionskommando, das den Tod eines Deserteurs überdeterminiert (Mackie 1980:
44). In diesem Beispiel durchdringen die Gewehrkugeln zweier Soldaten gleichzeitig das
Herz einer Person, wobei jede Gewehrkugel hinreichende Ursache für den Tod des
Deserteurs ist. In diesem Fall gilt P(Y|ab)=P(Y|a)=P(Y|b); das heißt, die
Wahrscheinlichkeit des Todes ist unabhängig davon, ob nun beide Gewehrkugeln das
Herz treffen oder nur eine. In einem solchen ideal-typischen Fall „kann nicht einmal eine
sehr detaillierte Erzählung zwischen den rivalisierenden Anwärtern für die Rolle der
Ursache unterscheiden und wir können nicht sagen, dass die eine und nicht die andere
Ursache unter diesen Umständen notwendig war für das Ereignis, wie es passierte“
(Mackie 1980: 47, Betonung im Original, meine Übersetzung).
Es scheint jedoch wenig plausibel, dass echte Überbestimmtheit (im Gegensatz zur
erklärenden Überbestimmtheit, wie oben dargelegt) in der sozialen Welt sehr häufig
vorkommt (Bunzl 1979). Diese Einschätzung wird von drei Argumenten unterstützt:
Erstens kann in den meisten Fällen ein Forscher durch exakte Messung feststellen,
welcher der unterschiedlichen kausalen Mechanismen zu Ende geführt wurde. So ist es
kaum plausibel, dass im obigen Fall des Exekutionskommandos die zwei Gewehrkugeln
das Herz des Mannes wirklich gleichzeitig trafen. Wenn eine der Kugeln zuerst traf
6
(wenn auch nur um ganz wenig), waren zwei hinreichende Bedingungen gegeben, aber
nur eine wurde kausal relevant; die zweite Gewehrkugel war nur eine mögliche Ursache,
die aber nicht eingetreten ist. Die erste Gewehrkugel ist eine notwendige Bedingung für
den Fall, wie er passierte, obgleich nicht für den Effekt als solchen (Bunzl 1979: 137). In
einer solchen Situation ist es die Aufgabe eines Forschers, aus verschiedenen
rivalisierenden kausalen Ketten jene herauszufinden, die zu Ende gebracht wurde.
Konkurrenz über den Zugang zu Afrika kann zum Beispiel eine hinreichende Bedingung
für den Ausbruch des Ersten Weltkrieges gewesen sein. Dennoch kann eine Studie
feststellen, dass der Konflikt über Kontrolle des Balkans, und besonders die Erschießung
des österreichischen Erzherzogs Franz Ferdinand in Sarajevo im Juni 1914, die
tatsächliche Ursache des Krieges war.
Zweitens ist es möglich, dass eine angenommene Ursache nur eine Konsequenz der
anderen erklärenden Variable ist (a→b→y). Solange wir an den „tiefen Ursachen“ von
Ereignissen interessiert sind, können wir in diesem Fall b als erklärenden Faktor
vernachlässigen. Ein Forscher kann argumentieren, dass sowohl Ideen als auch materielle
Faktoren ein bestimmtes Ereignis beeinflusst haben. Wenn die Ideen der
Entscheidungsträgern jedoch durch materielle Bedingungen bestimmt wurden,
verursachen die materiellen Bedingungen das Ereignis und Ideen sind nur
Epiphänomene. Eine ähnliche Logik trifft zu, wenn a gleichzeitig b und y verursacht. Im
gerade erwähnten Beispiel können materielle Bedingungen bestimmte Ereignisse direkt
verursachen und gleichzeitig, unabhängig von diesem Effekt, auch die Verbreitung
bestimmter Ideen unter Entscheidungsträgern fördern. In beiden Fällen sollte Forschung
7
darauf bedacht sein, die tatsächlichen Ursachen eines Ereignisses aufzudecken, anstatt
sich mit der Diagnose Überdeterminierung abzufinden.
Letztlich, wenn man von einer probabilistischen Welt ausgeht (und damit von der Idee
hinreichender Ursachen abgeht), können zwei Faktoren a und b – unabhängig
voneinander auftretend – ein Ereignis mit einer bestimmten Wahrscheinlichkeit pi, wobei
i {a, b}, verursachen. Wenn jedoch beide Faktoren gleichzeitig vorkommen erhöht sich
eventuell die Wahrscheinlichkeit, dass das Ereignis eintritt. So kann es sein, dass zwei
Schalter mit der Wahrscheinlichkeit pa<1 beziehungsweise pb<1 ein Licht anmachen. Die
Wahrscheinlichkeit, dass das Licht angeht, wenn beide Schalter betätigt werden (P=Σpi),
sollte dann höher sein, als wenn nur ein Schalter betätigt wird. In diesem Fall gilt:
P(Y|ab)>P(Y|a) und P(Y|ab)>P(Y|b); das heißt, die Wahrscheinlichkeit, dass ein Ereignis
eintritt ist höher, wenn beide Ursachen anwesend sind, als wenn nur eine Ursache
effektiv wird. Wiederum sollte Forschung bestrebt sein, diese Logik aufzuzeigen, anstatt
zu argumentieren, dass es sich hierbei um einen Fall echter Überbestimmtheit handelt.
In allen diesen Szenarien sollte es das Ziel von Sozialforschung sein, die Erklärung eines
Ereignisses auf die wirklich relevanten Variablen zu beschränken und irrelevante
Faktoren auszuschließen. Mit dieser Aussage möchte ich nicht mono-kausale
Erklärungen propagieren, die eine einzelne unabhängige Variable privilegieren; ganz im
Gegenteil ist es sogar wahrscheinlich, dass die meisten Ereignisse von mehreren Faktoren
hervorgebracht werden. Trotzdem muss die Komplexität der Welt oft zumindest etwas
8
verringert werden, um erklärende Überbestimmtheit zu vermeiden.2 Ein gewisser Grad an
Vereinfachung ist auch notwendig, um allgemeine Lehren von der Analyse spezifischer
Ereignisse abzuleiten (Bromley 1986: 290-91). Weder die Weglassung wichtiger
Variablen noch die Integration zu vieler Variablen in einem Modell stellen somit für
einen Forscher attraktive Optionen dar.
/Ü2/Unbestimmtheit
Stattdessen sollte sich ein Forscher mit rivalisierenden Erklärung auseinandersetzen und
versuchen, jene Faktoren ausfindig zu machen, die für die Erklärung eines Ereignisses
wichtig sind. Beim Versuch dieses Ziel zu erreichen ist er jedoch häufig mit dem
Problem der Unbestimmtheit (King u.a. 1994: 118-24) oder Mangel an
„interpretierbaren“ Befunden (Brady u.a. 2004: 238) konfrontiert. Dieses Problem ergibt
sich, wenn es die geringe Zahl der Beobachtungen dem Forscher unmöglich macht,
zwischen verschiedenen rivalisierenden Hypothesen auszuwählen (King u.a. 1994: 119).
Um das Problem zu vermeiden, dass mehrere Deutungen mit den Beobachtungen
kompatibel sind, muss die Zahl der Beobachtungen mindestens so groß sein wie die Zahl
der Unbekannten. Nur dann verfügt ein Forscher über genügend Freiheitsgrade, um alle
Unbekannten zu schätzen. Ein „determiniertes Forschungsdesign“ wird folglich definiert
als eines, das genügend Beobachtungen beinhaltet, um jeden Parameter, der von Interesse
ist, zu schätzen. Ein Forscher kann dieses Ziel auch dann verfehlen, wenn zwei oder
2
Dieses Prinzip kann als „Pluralitas non est ponenda sine neccesitate“ [freie Übersetzung: Komplexität
sollte nicht postuliert werden, wenn nicht unbedingt notwendig] (William of Ockham) zusammengefasst
werden oder etwas ungeschliffener als: „KISS: Keep It Simple, Stupid!“ In einer komplexen Welt ergibt
sich somit ein Zielkonflikt zwischen Vereinfachung und Akribie einer Erklärung.
9
mehrere erklärende Variablen in sehr hohem Maß mit einander korrelieren, ein Problem
das als Multikollinearität bekannt ist. In dieser Situation kann die Frage, ob a→y oder
b→y nicht beantwortet werden, da a und b in allen untersuchten Fällen als Paar
vorkommen. In beiden Szenarien kann wenig vom Forschungsprojekt gelernt werden. In
den Worten von Gary King, Robert Keohane und Sidney Verba: „Kein Maß an
Beschreibung, ungeachtet wie dick und ausführlich; keine Methode, ungeachtet wie
raffiniert; und kein Forscher, ungeachtet wie geschickt, kann mit einem nicht
determinierten Forschungsdesign viel über die kausalen Hypothesen lernen“ (King u.a.
1994: 120).
Zusammenfassend kann gesagt werden, dass Forscher rivalisierende Erklärungen
betrachten müssen, bevor sie eine kausale Beziehung postulieren. Das gilt unabhängig
davon, ob ein Forscher versucht, mit quantitativen Methoden den Durchschnittseffekt
einer Variable zu ermitteln, oder mit qualitativen Methoden bestimmte Ereignisse zu
erklären. In y-zentrierter Forschung macht es jedoch die Kombination zweier Faktoren
besonders schwierig, dieses Ziel zu erreichen: die kleine Fallanzahl und eine Fallauswahl,
die durch das substantielle Interesse des Falles geleitet ist, und nicht durch das Ziel,
einige Variablen konstant zu halten, wie das zum Beispiel in Mills Methoden des
Vergleiches vorgeschlagen wird (siehe den Beitrag von Leuffen in diesem Band).3 Im
folgenden Abschnitt bespreche ich einige Strategien, die Forscher anwenden können, um
in y-zentrierter Forschung trotzdem interpretierbare Befunde zu erzielen.
3
Quantitative Forscher sehen sich hingegen mit der Schwierigkeit konfrontiert, Daten für Kontrollvariablen
finden zu müssen.
10
/Ü1/Praktische Hinweise
Die Ablehnung gewisser alternativer Erklärungen ist folglich ein wesentlicher Schritt in
jedem Versuch, die Glaubwürdigkeit einer Hypothese zu etablieren. Aber wie kann das in
der Praxis getan werden? Meine Antwort auf diese Frage basiert auf der Prämisse, dass
ein Forscher bereits eine Hypothese formuliert hat, die er – gegeben den
Informationsstand am Beginn des Projektes – als plausibel ansieht. Zudem hat er schon
festgestellt, welche andere Hypothesen mit der eigenen Theorie inkompatibel und welche
kompatibel sind. Diese Schritte zur Theoriebildung sind für jedes Forschungsprojekt
extrem wichtig; Beschäftigung mit ihnen würde jedoch den Rahmen dieses Kapitels
sprengen. Stattdessen schlage ich im folgenden eine Reihe von Schritten vor, die
Forscher in Betracht ziehen können, um in y-zentrierter Forschung gültige Resultate zu
erzielen.4 Besonders die ersten drei dieser Vorschläge sollten in allen
Forschungsprojekten ins Auge gefasst werden.
1.
SOVIELE IMPLIKATIONEN DER EIGENEN THEORIE UND DER
ALTERNATIVEN THEORIEN BEOBACHTEN, WIE MÖGLICH: Zusätzliche
Beobachtungen können einem Forscher helfen, die Probleme der Unbestimmtheit
und der Multikollinearität zu vermeiden (Campbell 1975: 181-82). Diese
4
Es gibt einige Ähnlichkeiten zwischen diesen Anregungen und den zehn Schritten, die D. B. Bromley
(1986: 25-26) zur Analyse von Einzelfällen vorschlägt. Bromley nennt folgende Schritte: 1.) lege dein
Problem und die Forschungsfrage dar; 2.) sammle Hintergrundinformationen; 3.) evaluiere existierende
oder prima facie Erklärungen; 4.) lege eine neue Erklärung dar, wenn eine genauere Analyse der Daten
Zweifel an existierenden Erklärungen weckt; 5.) suche nach Hinweisen, die so viele der möglichen
Erklärungen eliminieren, wie möglich, so dass idealerweise nur eine bleibt; 6.) evaluiere die Quellen der
Daten, und überprüfe deren Festigkeit und Genauigkeit; 7.) untersuche die innere Logik und Kohärenz des
Argumentes; 8.) weise jene Argumente zurück, die offensichtlich unzureichend sind und wähle die
„wahrscheinlichste“ Interpretation; 9.) erörtere die Implikationen der Forschung für vergleichbare Fälle;
und 10.) präsentiere die Ergebnisse.
11
zusätzlichen Beobachtungen können von außerhalb der untersuchten Fälle kommen.
Zum Beispiel kann eine Theorie, die y voraussagt, auch notwendigerweise z
voraussetzen. Wenn gezeigt werden kann, dass z nicht anwesend ist, ergeben sich
dann Zweifel an der Gültigkeit dieser Theorie für den bestimmten Fall. Meistens
werden jedoch weitere Beobachtungen innerhalb eines Falles gemacht, indem
Teilaspekte des Falles eingehend geprüft werden. Die Technik, die im Allgemeinen
dafür verwendet wird, ist als Prozessanalyse bekannt (George/McKeown 1985: 3441; George/Bennett 2005: Kapitel 10). Die Prozessanalyse analysiert die Anreize,
denen die Akteure folgen; die Entscheidungsprozesse; die Schritte, die dann folgen;
und die verschiedenen Einflüsse auf das Verhalten der Akteure (George/McKeown
1985: 35). Unter Verwendung dieser Technik ist es möglich, zwischen zwei
konkurrierenden Erklärungsansätzen zu diskriminieren, auch wenn sie das gleiche
Resultat voraussagen und die erklärenden Variablen perfekt miteinander korrelieren,
solange die Zwischenschritte, die durch sie vorausgesagt werden, unterschiedlich
sind (a→f→y; b→g→y).
Obwohl die Prozessanalyse nicht nur das Problem mangelnder Freiheitsgrade
überkommen, sondern auch das „black box“ Problem lösen kann, an dem Studien
leiden, die nur auf einer Korrelation basieren (Goldthorpe 1997), ist sie nicht ohne
Nachteile. Da jede Messung mit einer bestimmten Wahrscheinlichkeit einen Fehler
aufweist, erhöht sich mit der Anzahl der Messungen auch die Wahrscheinlichkeit,
dass eine Theorie (entweder die eigene oder eine alternative) nur aufgrund eines
Messfehlers zurückgewiesen wird. Wenn also viele kleine kausale Schritte analysiert
12
werden, wird die Zurückweisung einer rivalisierenden Theorie wenig überzeugend
wirken, wenn sie nur auf einer einzigen unstimmigen Beobachtung aufbaut.
Außerdem ist die Analyse immer kleinerer Schritte auch deshalb beschränkt, weil die
Ressourcen, die dazu benötigt werden, meistens knapp sind. Für ein
Forschungsprojekt sind somit nur jene Schritte relevant, für die sich die Vorhersagen
der konkurrierenden Erklärungsansätze stark unterscheiden (da dann ein Resultat,
das eine Seite bestätigt, nicht leicht als Messfehler abgetan werden kann).
Selbst wenn eine Beobachtung, die durch eine Prozessanalyse gemacht wird, den
Voraussagen einer bestimmten Theorie nicht direkt widerspricht, kann die
Glaubwürdigkeit der Theorie darunter leiden, wenn sie keine Begründung für diese
Beobachtung liefern kann. Der Grund dafür ist, dass eine Theorie umso besser ist,
umso mehr Fakten sie erklären kann (ceteris paribus). Beobachtungen, die von der
eigenen Theorie vorausgesagt werden, können somit eine alternative Theorie
untergraben, wenn sie von dieser nicht erklärt werden können. Diese Argumentation
basiert auf der Annahme, dass die meisten Aspekte eines Ereignisses durch eine
kausale Kette zusammengehalten werden. Wenn eine Theorie einige dieser Aspekte
nicht erklären kann, verliert sie an Glaubwürdigkeit, auch wenn die Beobachtungen
der Theorie nicht direkt widersprechen. Die Prozessanalyse kann somit die Anzahl
der alternativen Theorien, die eine plausible Erklärung für ein Ereignis liefern
können, verringern; jedoch lässt sie nicht notwendigerweise nur eine Theorie übrig.
2.
DIE EIGENE THEORIE VERBESSERN: Das Verbessern der eigenen Theorie kann
13
einem Forscher ebenfalls neue Möglichkeiten geben, mit alternativen Theorien
umzugehen. Theorien sind häufig unterspezifiziert; das heißt, sie legen nicht alle
Schritte dar, die für einen kausalen Mechanismus relevant sind. Die Ausarbeitung
dieser Zwischenschritte kann einem Forscher helfen, mit konkurrierenden Theorien
umzugehen, indem sie die Zahl der wahrnehmbaren Implikationen einer Theorie
erhöht. King, Keohane und Verba drücken diese Idee folgendermaßen aus: „Wenn
eine Theorie richtig spezifiziert ist […] kann sie viele wahrnehmbare Implikationen
haben und unsere Daten, besonders wenn qualitativer Natur, werden
gewöhnlicherweise schon Beobachtungen für viele dieser Implikationen enthalten“
(King u.a. 1994: 120-21). Besonders ergiebig ist die Spezifizierung kausaler
Mechanismen in der Form a→f→y. Eine solche Aufgliederung kausaler Schritte
erlaubt dann die Verwendung der oben erwähnten Technik der Prozessanalyse zur
Auswahl zwischen rivalisierenden Theorien (Brady u.a. 2004: 256-58).
Dennoch ist diese Strategie nur dann erfolgreich, wenn sich zwei Theorien in ihren
Vorhersagen in Bezug auf die Zwischenschritte unterscheiden. Die Ableitung
trivialer Zwischenschritte hilft einem Forscher somit nicht bei der Unterscheidung
zwischen konkurrierenden Erklärungsansätzen. Wenn Zwischenschritte zu einer
kausalen Kette hinzugefügt werden, ist es auch wichtig, anzugeben, ob die
ursprünglichen Ereignisse hinreichende oder nur notwendige Bedingungen für die
Zwischenschritte sind (Goertz/Levy 2005: 22-26). Dass dies eine wichtige
Unterscheidung ist, zeigt folgendes Beispiel: angenommen, a ist nur eine notwendige
Bedingung für f. In diesem Fall ist die Verknüpfung zwischen a und y abhängig vom
14
Vorhandensein von f. Wenn die Verbindungen zwischen a, f und y hinreichender Art
sind, sollte y hingegen jedes Mal wahrnehmbar sein, wenn a präsent ist. Letztlich
bleibt zu warnen, dass dieser Vorschlag nicht dazu verleiten sollte, eine Theorie
grundlegend umzuwandeln, nur weil die eigentlich interessante Aussage schwierig
zu testen ist.
3.
ALTERNATIVE THEORIEN EINGEHEND UNTERSUCHEN UND BESSER
SPEZIFIZIEREN: Eine genaue Analyse einer konkurrierenden Theorie ergibt oft
logische Unstimmigkeiten, die sie als Alternative ausschließen, oder zusätzliche
Implikationen, die zur empirischen Überprüfung verwendet werden können. Ein
Beispiel einer logischen Inkonsistenz in einer einflussreichen Theorie wird von
Bruce Bueno de Mesquita (2003: 57) erwähnt: der Realismus als Theorie der
Internationalen Beziehungen, wie er von Hans Morgenthau (1978: 215-17)
entwickelt wurde, basiert auf der Annahme, dass alle Staaten Macht maximieren
wollen. Zugleich argumentiert Morgenthau jedoch, dass es zwei Arten von Staaten
gibt, jene die Macht maximieren, und jene, die das nicht tun. Diese Unstimmigkeit
macht es möglich, den Realismus als logische Alternative zurückzuweisen, ohne eine
umfangreiche empirische Untersuchungen unternehmen zu müssen.
Eine bessere Spezifizierung einer alternativen Theorie kann auch zusätzliche
wahrnehmbare Implikationen dieser aufdecken, die dann zur Auswahl zwischen
Theorien verwendet werden können. Leider sind viele sozialwissenschaftliche
Theorien nicht ausreichend spezifiziert, um überhaupt eine Falsifizierung zuzulassen.
Hubert M. Blalock betont zum Beispiel, dass in der Soziologie „viele Theorien vage
15
formuliert sind, keine Voraussagen machen und üblicherweise genügend unscharf
definierte Konzepte und implizite Annahmen beinhalten, dass es Forschern einfach
gemacht wird, sich aus peinlichen Ergebnissen mit einfachen Erklärungen
herauszureden“ (Blalock 1984: 140, meine Übersetzung). In einer solchen Situation
kann eine bessere Spezifizierung von Theorien eventuell zeigen, dass die
Voraussagen für den zu erwartenden Wert auf der abhängigen Variable, die von zwei
rivalisierenden Theorien gemacht werden, nicht gleich sind. Eine Auswahl zwischen
den beiden Theorien ist dann schon möglich, wenn ein Forscher nur die Werte der
unabhängigen und abhängigen Variablen für einen Fall misst.
Die Explizitierung impliziter Vorhersagen über kausale Mechanismen kann einem
Forscher zudem die Möglichkeit eröffnen, eine Prozessanalyse zur Auswahl
zwischen Theorien zu verwenden. Es ist jedoch wichtig zu betonen, dass ein
Forscher vermeiden sollte, die konkurrierende Theorie in diesem Vorgang zu
karrikatieren, da sonst die Resultate nicht überzeugend sind. Außerdem sollte
bedacht werden, dass eine Theorie mit mehreren kausalen Ketten vereinbar sein
kann. Sollte das der Fall sein, genügt es nicht, zu zeigen, dass eine dieser Ketten
nicht vollendet wurde, um Zweifel an der Gültigkeit einer Theorie für einen Fall zu
wecken. Der Versuch, rivalisierende Theorien zu spezifizieren, ist somit ein heikler
Prozess, der Fingerspitzengefühl vom Forscher erfordert, um die Behauptung
vorwegzunehmen, dass eine alternative Theorie absichtlich falsch interpretiert
wurde, um sie verwerfen zu können.
16
4.
DIE ZAHL DER FALLSTUDIEN ERHÖHEN: Zusätzliche Fallstudien erhöhen die
Zahl der Beobachtungen und können folglich helfen, Unbestimmtheit zu vermeiden.
Wenn mehrere Fälle untersucht werden und bestimmte strenge Anforderungen erfüllt
sind, können qualitative Methoden der Kongruenz und der Co-Variation (Mills
Methoden der Übereinstimmung, des Unterschieds und der gleichzeitigen
Veränderung) zu zuverlässigen Resultaten führen (George/Bennett 2005: 153-60;
181-204). Dazu müssen die Fälle, die einer Studie zu diesem Zweck hinzugefügt
werden, nicht unbedingt gleich gut ausgearbeitet werden, wie die Fälle, die eigentlich
von Interesse sind; kleinere, „explorative“ Fallstudien, die nur auf Sekundärliteratur
basieren, reichen oft dazu aus (siehe auch den Beitrag von Leuffen in diesem Band).
Die zusätzlichen Fallstudien können eventuell eines least likely oder most likely Typs
sein (Eckstein 1975; Yin 2002). Bei least likely Fallstudien ist die
Wahrscheinlichkeit, dass eine Theorie auf einen Fall anwendbar ist, sehr klein. Somit
gilt, dass wenn eine Hypothese für einen solchen Fall Gültigkeit hat, sie für alle Fälle
Gültigkeit besitzt. Most likely Fallstudien hingegen zeichnen sich dadurch aus, dass
die untersuchten Fälle von einer bestimmten Theorie sehr leicht erklärt werden
sollten. Wenn sich zeigt, dass eine Theorie an einem solchen Fall scheitert, wird ihr
Gültigkeitsanspruch folglich für alle Fälle untergraben. Solche Fallstudien können
somit entscheidende Tests für eine alternative Theorie darstellen. Das Auffinden von
brauchbaren Fällen ist jedoch eine recht schwierige Aufgabe, besonders weil die
Logik nur dann gut anwendbar ist, wenn eine verhältnismäßig kleine Anzahl von
Fällen dieses Phänomens existiert (zum Beispiel, vollwertige Revolutionen) und
17
wenn der Abstand zwischen beobachtetem und erwartetem Wert groß ist. Der Grund
dafür ist, dass nur unter diesen Bedingungen die Wahrscheinlichkeit gering ist, auf
Grund eines Messfehlers einen Wert zu finden, der der Theorie widerspricht.5 Eine
probabilistische Interpretation des abweichenden Resultates kann somit vermieden
werden.
Zusammenfassend sind zusätzliche Fallstudien nützlich, da sie die Möglichkeit
schaffen, Vergleiche über Fälle hinweg mit detaillierten Analysen der Fälle selbst zu
verbinden. Der Rat, die Zahl der Fallstudien zu erhöhen, ist jedoch nicht immer
angemessen. Das Hinzufügen von Fällen kann zur Einbeziehung von Bereichen
führen, für die „Messmethoden ungültig sind, oder kausale Homogenität fehlt“
(Brady u.a. 2004: 261, meine Übersetzung). Bei der Anwendung dieser Anregung
sieht sich ein Forscher somit mit einem Zielkonflikt konfrontiert, in dem er
entscheiden muss, ob er vom Heranziehen eines zusätzlichen Falles mehr gewinnt
oder verliert.
5.
EINE X-YENTRIERTE ANALYSE PRIVILEGIEREN: Wenn keiner dieser Schritte
zum Erfolg führt und einige rivalisierende Hypothesen nicht ausgeschlossen werden
können, kann ein Forscher die Ausrichtung der Studie ändern und kausale Effekte
analysieren, anstatt zu versuchen, spezifische Resultate zu erklären. Die Frage ist
dann: wie viel trägt a zu y bei, wenn alle anderen Variablen konstant gehalten
werden? Diese Änderung in der Ausrichtung kann ihm erlauben, die Zahl der
5
Flyvbjerg (2004: 423) erwähnt ein “kritisches” Experiment, das nur das zweite dieser Kriterien erfüllte,
und trotzdem sehr einflussreich war: eine Metallkugel und eine Feder, die in einem Vakuumrohr mit der
selben Geschwindigkeit fallen. Nur ein Experiment war notwendig, um Aristoteles Gesetz der Schwerkraft
zu widerlegen.
18
unabhängigen Variablen zu begrenzen, für die kausale Inferenzen gemacht werden
müssen. Der Forscher kann einige kausale Faktoren ausblenden, indem er sie
konstant hält, eine Technik, die in y-zentrierter Forschung nicht angewendet werden
kann. Das Problem ausgelassener Variablen kann jedoch weiterhin präsent sein.
Zusätzlich sollte eine Änderung des substantiellen Fokus eines Forschungsprojektes
eigentlich nicht aus methodologischen Gründen erfolgen.
Die ersten drei Anregungen sind miteinander kompatibel und sollten in jedem
Forschungsprojekt beachtet werden. Beim vierten Vorschlag ergibt sich ein Zielkonflikt,
da er eine Ausweitung der Forschung auf Fälle erfordert, die offensichtlich nicht dasselbe
substantielle Interesse wecken. Der letzte Vorschlag ist am problematischsten, da er eine
grundlegende Änderung in der Ausrichtung eines Forschungsprojekts erfordert. Aus
diesem Grund ist meine Empfehlung, dass er nur in Fällen angewendet wird, in denen
alle anderen Versuche, ein determiniertes Forschungsdesign zu entwerfen, erfolglos
geblieben sind.
/Ü1/Anwendung
Vor dem Zweiten Weltkrieg waren die Handelspolitiken der meisten Staaten
protektionistisch geprägt. Durch den Hinweis auf die Verteilungseffekte von Freihandel,
der Gewinne für einige und Kosten für andere schafft, konnten Forscher eine plausible
Erklärung für diese protektionistischen Maßnahmen anbieten. Kollektive
Handlungsprobleme erschweren die Organisation der potentiellen Gewinner von
19
Freihandel, weshalb nur die Verlierer handelspolitische Entscheidungen beeinflussen
können (Anderson/Baldwin 1987). Zusätzlich machen Probleme zwischenstaatlicher
Kooperation in einem anarchischen internationalen System Handelsliberalisierung
schwierig (Grieco 1990). Protektionismus scheint folglich unter vielen Bedingungen eine
politisch vernünftige Strategie darzustellen (Milner 2002).
Gerade als diese Erklärung allgemein anerkannt wurde, begannen Staaten, weitreichende
Schritte zur Handelsliberalisierung zu vereinbaren. Obwohl dieser Prozess zuerst vor
allem die Vereinigten Staaten (USA) und Europa erfasste, ist Handelsliberalisierung
mittlerweite weit verbreitet und praktisch alle Staaten nehmen an diesem Prozess teil.6 In
den letzten Jahren wurde eine Vielzahl an Erklärungen, einige fallspezifisch, aber die
meisten genereller Natur, vorgestellt, die versuchen, diese Entwicklung zu erfassen.
Forscher, die einen Fall von Handelsliberalisierung analysieren wollen, müssen somit
verschiedene Theorien in Betracht ziehen. Im folgenden zeige ich anhand einer Reihe
von Beispielen, dass verschiedene Autoren die oben angeführten Anregungen
angewendet haben, um alternative Erklärungen von Handelsliberalisierung zu entkräften
und dadurch der eigenen Theorie größere Plausibilität zu geben.
Beobachte so viele Implikationen der eigenen und der alternativen Theorien wie möglich:
Dieser Vorschlag wird ziemlich häufig in der Literatur zur Handelsliberalisierung
angewendet, wie die folgenden zwei Beispiele veranschaulichen. Eine Erklärung für die
US-amerikanische Handelsliberalisierung seit den 1930iger Jahren betont, dass die
6
Von 53 Ländern, für die Zolldaten für 1974-75 und 1994-95 erhältlich sind, hatten 38 (72 Prozent)
niedrigere Zollsätze in der zweiten Periode (basierend auf Daten von Rodríguez/Rodrik 1999, Tabelle
VIII.1).
20
Weltwirtschaftskrise der dreißiger Jahre des letzten Jahrhunderts den Mitgliedern des
Kongresses die Gefahren protektionistischer Maßnahmen lehrte (Goldstein 1993;
Lohmann/O’Halloran 1994). Sie erkannten dieser Erklärung zufolge, dass der in hohem
Grade protektionistische Smoot-Hawley Zoll von 1930 ein Schritt in die falsche Richtung
gewesen war. Dieses Gesetz war durch Logrolling – ein Prozess, in dem ein Gesetzgeber
anderen hilft, ihre Gesetzesprojekte durchzubringen, im Gegenzug für Hilfe von den
anderen für eigene Projekte – zustande gekommen. Indem sie im Reciprocal Trade
Agreements Act (RTAA, 1934) die Kompetenz, Zölle zu verändern, an den Präsidenten
abtraten, überkamen die Gesetzgeber dieser Interpretation zufolge das Problem des
Logrolling und ermöglichten Handelsliberalisierung. Karen E. Schnietz (2000: 420)
widerlegte diese und ähnliche Erklärungen, die die amerikanische Handelsliberalisierung
seit 1934 als Resultat eines Lernprozesses sehen, jedoch in überzeugender Manier. Dazu
überprüfte sie eine Implikation dieser „Lernhypothese“, nämlich dass eine Mehrzahl der
Gesetzgeber, die über den Smoot-Hawley Zoll von 1930 und den RTAA von 1934 im
Repräsentantenhaus abstimmten, ihre Stimme geändert haben sollten. Ihre Analyse zeigt
jedoch, dass von 95 Gesetzgebern in dieser Kategorie keine(r) seine/ihre Stimme änderte,
was der Lernhypothese klar widerspricht.
Schnietz (2000) selbst schlägt eine alternative Erklärung für amerikanische
Handelsliberalisierung vor, der zufolge die demokratische Partei den RTAA verwendete,
um niedrigere Zölle langfristig festzuschreiben. Ihrem Argument folgend bevorzugte die
demokratische Partei niedrige Zölle, weil das im Interesse ihrer damaligen Klientel,
Großgrundbesitzer im Süden der USA, war. Nachdem die Partei schon mehrfach versucht
21
hatte, Zollreduktionen zu erreichen, diese aber immer wieder nach kurzer Zeit
aufgehoben wurden, ermöglichte der RTAA endlich eine längerfristige Lösung, da er
dem Kongress die Möglichkeit nahm, Zölle eigenmächtig zu erhöhen. Wiederum
ermöglicht jedoch die Beobachtung einer spezifischen Implikation dieser Theorie ihre
Widerlegung: die Erklärung impliziert, dass die Demokraten den RTAA in einer Art und
Weise gestalten haben sollten, die seine Rücknahme äußerst schwierig machen würde.
Tatsächlich war der RTAA jedoch zeitlich befristet; der Kongress musste ihn nach nur
drei Jahren erneuern, eine Beobachtung, die schwer mit der Erklärung von Schnietz in
Einklang gebracht werden kann (Dür 2007).
Verbesserung der eigenen Theorie: Versuche zur Überprüfung der hegemonialen
Stabilitätstheorie veranschaulichen die Anregung, durch Verbesserungen der eigenen
Theorie eine Auswahl zwischen alternativen Erklärungen zu ermöglichen. Eine Variante
dieser Theorie besagt, dass die Existenz einer hegemonialen Macht, die das internationale
System dominiert, Handelsliberalisierung nach sich zieht (Krasner 1976). Die Erwartung,
die daraus folgt, ist die Beobachtung einer Korrelation zwischen Phasen, in denen Macht
im internationalen System konzentriert ist, und Perioden der Handelsliberalisierung.
Forscher, die diese Theorie überprüfen wollten, sahen sich aber mit dem Problem
konfrontiert, dass sie nur zwei Fälle von Hegemonie unterscheiden konnten: britische
Hegemonie im 19. Jahrhundert und US-amerikanische Hegemonie nach dem Zweiten
Weltkrieg. In Ermangelung von Vorhersagen, die durch eine Prozessanalyse überprüft
werden hätten können, basierte die empirische Unterstützung der Theorie somit nur auf
22
einer Korrelation mit sehr wenigen Beobachtungen.7 Ein effektives Zurückweisen
alternativer Theorien war in dieser Situation nicht möglich. Ohne viel von der Eleganz
der ursprünglichen Theorie zu verlieren behob Edward D. Mansfield (1994) dieses
Problem, indem er die Machtverteilung im internationalen System als stetige Variable
(und nicht als dichotome Variable wie zuvor) konzeptualisierte. Diese
Konzeptualisierung ermöglichte es ihm, die Anzahl der Fälle stark zu erhöhen und eine
quantitative Analyse des Arguments durchzuführen.
Rivalisierende Theorien eingehend überprüfen und besser spezifizieren: Die gründliche
Analyse und genauere Spezifizierung einer alternativen Theorie kann logische
Unstimmigkeiten oder neue Implikationen aufdecken, die empirisch überprüft werden
können. Mit Bezug auf das Aufdecken logischer Unstimmigkeiten bietet Michael
Hiscoxs (1999) Widerlegung des Arguments, dass ein Schritt Richtung
Handelsliberalisierung weitere Handelsliberalisierung ermöglicht, eine gute Illustration.
Dieses alternative Argument postuliert, dass Handelsliberalisierung über einen längeren
Zeitraum hinweg zu einer Reduzierung von protektionistischem Lobbying führt, da die
resultierende Zunahme an Importen nicht-wettbewerbsfähige Produzenten aus dem Markt
verdrängen sollte (Bailey u.a. 1997: 328-29). Hiscox verwirft dieses Argument basierend
auf der Einsicht, dass die Zunahme an Importen als Konsequenz von Zollkürzungen
protektionistische Kräfte stärken sollte, da sich immer neue Sektoren internationalem
Wettbewerb ausgesetzt fühlen sollten. Das Aufzeigen von Unstimmigkeiten im
7
In Wirklichkeit unterschied Krasner (1976) sechs unterschiedliche Fälle hegemonialen Auf- und Abstiegs.
Obwohl dies die Zahl der Beobachtungen erhöhte, konnte dieser Schritt nicht das Problem lösen, dass eine
Korrelation, die auf sowenig Fällen basiert, nicht überzeugen kann. In Krasners Fall kam noch dazu, dass
mehrere Fälle seiner eigenen Theorie widersprachen.
23
alternativen Argument ermöglichte Hiscox somit die Zurückweisung der alternativen
Theorie.
Meine eigene Arbeit veranschaulicht den Versuch, eine rivalisierende Theorie besser zu
spezifizieren, um weitere wahrnehmbare Implikationen aufzudecken (Dür 2007).
Institutionalistische Erklärungen der US-amerikanischen Handelsliberalisierung sehen
den RTAA von 1934 als Ursache der nachfolgenden Zollreduktionen. Eine Implikation
dieses Argumentes, die nie explizit gemacht wurde, ist, dass der Liberalisierungsprozess
mehr oder weniger linear vonstatten gegangen sein sollte. Da mein eigenes Argument ein
nicht-lineares Muster voraussagte, ermöglichte eine einzige Beobachtung einen Test der
beiden Theorien. Die empirische Beobachtung eines nicht-linearen Prozesses zog die
alternative Theorie in Zweifel und stärkte das eigene Argument.
Die Zahl der Fallstudien erhöhen, die in die Analyse einbezogen werden: Zusätzliche
Fallstudien, idealerweise einer „most likely“ oder „least likely“ Art, können helfen, das
Problem eines nicht determinierten Forschungsdesigns zu lösen. Ein Beispiel für den
Gebrauch solcher Fallstudien ergibt sich wiederum in meiner eigenen Arbeit. Einige
Autoren vertreten die Ansicht, dass geopolitische Interessen die Hauptantriebskraft hinter
der US-amerikanischen Handelsliberalisierung nach dem Zweiten Weltkrieg waren
(Eckes 1995). Das Argument lautet, dass die USA ihre Handelsschranken verringerten
und dadurch Exporte aus Europa und freundlich gesinnten Entwicklungsländern in den
amerikanischen Markt erlaubten, um diese Länder im Kampf gegen die Sowjetunion an
sich zu binden. Das Ziel dieser Politik war, die Wirtschaft dieser Länder zu stärken, und
24
ihnen somit keinen Anreiz zu geben, ein Bündnis mit der Sowjetunion einzugehen.
Dieses Argument führt zu einer präzisen Vorhersage: US-amerikanische
Handelsliberalisierung sollte vor allem Ende der vierziger Jahre und in der frühen
fünfziger Jahre des zwanzigsten Jahrhunderts vorangetrieben worden sein, als die
Bedrohung, die von der Sowjetunion ausging, am größten war. Tatsächlich verfolgten die
USA in dieser Zeit jedoch eine nach innen gerichtete Politik mit protektionistischen
Zügen (Dür 2007). Die Analyse des kritischen Falles der US-amerikanischen
Handelspolitik nach dem Ende des Zweiten Weltkriegs konnte somit als entscheidende
Evidenz verwendet werden, um die geopolitische Deutung generell zu unterminieren.
Eine x-zentrierte Analyse privilegieren: Wenn alle weiteren Anregungen, die oben
umrissen wurden, entweder unausführbar sind oder unbefriedigende Ergebnisse liefern,
lautet mein Vorschlag, das Ziel der Studie umzuorientieren und den Effekt einer
bestimmten unabhängigen Variable zu messen, anstatt ein bestimmtes Ereignis zu
erklären. Die Studie von Helen Milner (1988) zur Handelsliberalisierung in den USA und
Frankreich in den siebziger Jahren veranschaulicht diesen Rat. Ihr Ausgangsinteresse
scheint gewesen sein, zu erklären, warum in den siebziger Jahren Staaten trotz eines
Konjunkturabschwungs weniger protektionistisch waren, als in den dreißiger Jahren
(Milner 1987; 1988: 12). Da sich die Beantwortung dieser Frage als schwierig erwies,
analysierte Milner letztendlich die Auswirkungen einer unabhängigen Variable, nämlich
der Existenz multinationaler Firmen, auf die Präferenzen von Staaten. Dies erwies sich
als einfacher als der Versuch, die Handelspolitik der entwickelten Staaten in den
25
siebziger Jahren zu erklären, da ihr der x-zentrierte Zugang erlaubte, spezifische
alternative Variablen konstant zu halten.
/Ü1/Schlussfolgerungen
Das Kapitel stellte eine Reihe von Hilfsmitteln vor, die y-zentrierten Forschern helfen
können, die Gültigkeit ihrer Erklärung für einen Fall zu untersuchen. Die Vorschläge, die
ich erwähnte, sind: so viele Implikationen der eigenen und der alternativen Theorien zu
beobachten, wie möglich; die eigene Theorie zu verbessern, um weitere Implikationen
abzuleiten; alternative Theorien auf Unstimmigkeiten zu untersuchen und zu präzisieren;
weitere Fallstudien mit spezifischen Eigenschaften hinzuzufügen; und zu einem xzentriertem Forschungsdesign zu wechseln, wenn alle anderen Mittel scheitern. Diese
Anregungen sollten es Forschern ermöglichen in qualitativer Forschung erfolgreich mit
konkurrierenden Erklärungsansätzen umzugehen.
Das Kapitel leistete somit einen Beitrag zur Frage, wie eine Erklärung für ein
spezifisches Ereignis etabliert werden kann. Vorsichtig ist jedoch geboten, wenn von
einer y-zentrierten Studie auf ein Universum von Fällen geschlossen werden möchte.
Selbst wenn interne Gültigkeit gegeben ist (das heißt, dass ein Forscher in der Lage ist,
zu zeigen, genau welche Faktoren einen Fall erklären können), sind Schlussfolgerungen
auf andere Fälle schwierig und notwendigerweise auf der Annahme begründet, dass die
Welt durch beständige Muster gekennzeichnet ist. Trotz dieser Beschränkung ist die
Forschung, die ich in diesem Kapitel propagierte, auf keinen Fall a-theoretisch oder
26
idiosynkratisch. Ganz im Gegenteil war es der Zweck des Kapitels, zu zeigen, wie
Forscher bestimmte kausale Mechanismen etablieren können. Richtig ausgeführt erfüllt
y-zentrierte Forschung eine wichtige Aufgabe in den Sozialwissenschaften und kann
einen bedeutenden Beitrag zum Verständnis der sozialen Welt beitragen.
Ich beende das Kapitel mit drei weiteren Ratschlägen, die y-zentrierte Forschung
erleichtern sollten. Im Hauptteil des Kapitels betonte ich, dass die Nichtbeachtung
alternativer Erklärung erhebliche Gefahren mit sich bringt. Dennoch ist es kaum je
möglich, alle potentiellen alternativen Erklärungen für ein Ereignis in einer einzelnen
Publikation, häufig mit Wortbegrenzung, anzugehen. Angesichts dieser Beschränkung
muss ein Forscher bewusst jene alternativen Theorien auswählen, die er anpacken
möchte. Eine erste Richtlinie in dieser Hinsicht ist, dass Theorien, die angesichts der
vorhergehenden Forschung schon sehr unplausibel erscheinen, nicht wieder
aufgenommen werden müssen. Ein weiterer Rat lautet, dass nicht sehr breite Theorien
(manchmal euphemistisch als „grand theories“ bezeichnet) oder sogar Metatheorien
(„Theorie des rationalen Handelns“) als alternative Erklärungen gewählt werden sollten.
Diese Theorien sind mit vielen kausalen Ketten vereinbar und machen deshalb eine
Falsifizierung sehr schwierig. Die Vorschläge, die ich in diesem Kapitel vorgestellt habe,
lassen sich besser auf Theorien anwenden, die von Robert Merton (1949) als „middlerange“ bezeichnet wurden, da diese präzise genug sind (oder präzise genug gemacht
werden können), um einen empirischen Test zu untergehen.
27
Zweitens ist das Vertrauen, das eine Theorie vor Beginn der Überprüfung in der Disziplin
genoss, ein wichtiges Kriterium, wenn die Resultate einer neuen Studie interpretiert
werden. Die Widerlegung einer Theorie, die in der Vergangenheit von vielen Studien
gestützt wurde, erfordert eine striktere Herangehensweise als die Widerlegung einer
weniger plausiblen Erklärung. Bent Flyvbjerg (2004: 428) drückt diesen Punkt
folgendermaßen aus: „Der Wert der Fallstudie hängt von den Gültigkeitsansprüchen ab,
die Forscher für ihre Studien anmelden können, und dem Status, den diese Ansprüche im
Dialog mit anderer Gültigkeitsansprüchen [...] erreichen.“ Jene Rivalen, die im
anvisierten Diskurs die höchsten Gültigkeitsansprüche genießen, müssen am besten
getestet werden, um den Gültigkeitsanspruch der eigenen Erklärung zu bekräftigen.
Empirische Daten, die anfällig für Messfehler sind, sind nicht hinreichend, um eine
solche etablierte Theorie zurückzuweisen. Wenn ein Mangel an guten Daten es in einer
solchen Situation unmöglich macht, eine alternative Erklärung auszuschließen, ist es
wichtig, diesen Vorbehalt zumindest zu erwähnen und anzugeben, welche
Beobachtungen, wenn sie gemacht werden könnten, helfen würden, zwischen den zwei
Theorien zu entscheiden.
Schließlich können sich im Prozess des Testens Schwierigkeiten mit der eigenen Theorie
ergeben. In diesem Fall ist eine gewisse Loyalität zu ihr notwendig, um
wissenschaftlichen Fortschritt zu ermöglichen, da Beobachtungen, die der eigenen
Theorie widersprechen, eventuell Resultat eines Messfehlers oder falscher
Operationalisierung sein können. Die Etablierung einer neuen Erklärung für ein Ereignis
erfordert somit etwas Standfestigkeit angesichts oft komplexer Beobachtungen. Dieser
28
Rat entspricht der Idee von Imre Lakatos (1974), dass ein Forschungsprogramm nicht
gleich aufgeben werden sollte, nur weil eine Beobachtung ihm zu widersprechen scheint.
Gleichzeitig muss natürlich auch der entgegengesetzte Fehler vermieden werden, dass
immer nur die eigenen Vorurteile bestätigt werden. Die Beachtung dieser Ratschläge
sollte gewährleisten, dass auch y-zentrierte Forscher wichtige neue Erkenntnisse liefern
können, die unser Verständnis von sozialen Prozessen verbessern.
/Ü1/Literatur
Anderson, Kim/Baldwin, Robert (1987), ‘The Political Market for Protection in Industrial
Countries’, in: Ali El-Agraa (Hg.), Protection, Cooperation, Integration and
Development: Essays in Honour of Hiroshi Kitamura, London, S. 20-37.
Bailey, Michael/Goldstein, Judith/Weingast, Barry (1997), ‘The Institutional Roots of
American Trade Policy: Politics, Coalitions, and International Trade’, World
Politics, Jg. 49, H. 3, S. 309-38.
Blalock, Hubert M. (1984), Basic Dilemmas in the Social Sciences, Beverly Hills.
Brady, Henry/Collier, David/Seawright, Jason (2004), ‘Sources of Leverage in Causal
Inference: Toward an Alternative View of Methodology’, in: Henry Brady/David
Collier (Hg.), Rethinking Social Inquiry: Diverse Tools, Shared Standards,
Boulder, S. 229-71.
Bromley, D.B. (1986), The Case-Study Method in Psychology and Related Disciplines,
Chichester.
29
Bueno de Mesquita, Bruce (2003), Principles of International Politics: People’s Power,
Preferences, and Perceptions, Washington, D.C.
Bunzl, Martin (1979), ‘Causal Overdetermination’, The Journal of Philosophy, Jg. 76, H.
3, S. 134-50.
Campbell, Donald T. (1975), ‘Degrees of Freedom and the Case Study’, Comparative
Political Studies, Jg. 8, H. 2, S. 178-93.
Chima, Jugdep S. (2005), ‘What’s the Utility of the Case-Study Method for Social
Science Research? A Response to Critiques from the Quantitative/Statistical
Perspective’, Paper delivered at the 2005 Annual Meeting of the American
Political Science Association, Washington, D.C., 1-4 September.
Conybeare, John A. (1984), ‘Public Goods, Prisoner’s Dilemmas and the International
Political Economy’, International Studies Quarterly, Jg. 28, H. 1, S. 5-22.
Dür, Andreas (2007), ‘Protection for Exporters: Foreign Discrimination and U.S. Trade
Liberalization’, International Studies Quarterly, Jg. 51, H. 2.
Eckstein, Harry (1975), ‘Case Study and Theory in Political Science’, in: Fred I.
Greenstein/Nelson W. Polsby (Hg.) Handbook of Political Science, Vol. 7:
Strategies of Inquiry, Reading, S. 79-137.
Flyvbjerg, Bent (2004), ‘Five Misunderstandings About Case-Study Research’, in: Clive
Seale u.a. (Hg.), Qualitative Research Practice, London, S. 420-34.
George, Alexander L./Bennett, Andrew (2005), Case Studies and Theory Development,
Cambridge.
George, Alexander L./McKeown, Timothy (1985), ‘Case Studies and Theories of
Organizational Decision Making’, in: Robert Coulam/Richard Smith (Hg.)
30
Advances in Information Processing in Organizations, Vol. 2, Greenwich, S. 2158.
Goertz, Gary/Levy, Jack S. (2005), ‘Causal Explanation, Necessary Conditions, and Case
Studies’, in: Gary Goertz/Jack S. Levy (Hg.), Causal Explanations, Necessary
Conditions, and Case Studies: World War I and the End of the Cold War,
Buchmanuskript.
Goldstein, Judith (1993), Ideas, Interests, and American Trade Policy, Ithaca.
Goldthorpe, John H. (1997), ‘Current Issues in Comparative Macrosociology: A Debate
on Methodological Issues’, Comparative Social Research, Jg. 16, S. 1-26.
Grieco, Joseph M. (1990), Cooperation Among Nations: Europe, America, and NonTariff Barriers to Trade, Ithaca.
Hiscox, Michael (1999), ‘The Magic Bullet? The RTAA, Institutional Reform, and Trade
Liberalization’, International Organization, Jg. 53, H. 4, S. 669-98.
King, Gary/Keohane, Robert/Verba, Sidney (1994), Designing Social Inquiry, Princeton.
Krasner, Stephen D. (1976), ‘State Power and the Structure of International Trade’,
World Politics, Jg. 28, H. 3, S. 317-47.
Lakatos, Imre (1974), ‘Falsification and the Methodology of Scientific Research
Programmes’, in: Imre Lakatos/Alan Musgrave (Hg.), Criticism and the Growth
of Knowledge, Cambridge, S. 91-196.
Lohmann, Susanne/O’Halloran, Sharyn (1994), ‘Divided Government and US Trade
Policy: Theory and Evidence’, International Organization, Jg. 48, H. 4, S. 595632.
Mackie, John L. (1980), The Cement of the Universe: A Study of Causation, Oxford.
31
Mahoney, James and Goertz, Gary (2006), ‘A Tale of Two Cultures: Contrasting
Quantitative and Qualitative Research’, Political Analysis, Jg. 14, H. 3, S. 227-49.
Mansfield, Edward (1994), Power, Trade, and War, Princeton.
Merton, Robert K. (1949), Social Theory and Social Structure, New York.
Milner, Helen V. (1987), ‘Resisting the Protectionist Temptation: Industry and the
Making of Trade Policy in France and the United States during the 1970s’,
International Organization, Jg. 41, H. 4, S. 639-65.
Milner, Helen V. (1988), Resisting Protectionism: Global Industries and the Politics of
International Trade, Princeton.
Milner, Helen V. (2002), ‘International Trade’, in: Walter Carlsnaes u.a. (Hg.) Handbook
of International Relations, London, S. 448-61.
Morgenthau, Hans J. (1985), Politics among Nations: The Struggle for Power and Peace,
5. Aufl., New York.
Rodríguez, Francisco/Rodrik, Dani (1999), ‘Trade Policy and Economic Growth: A
Skeptic’s Guide to the Cross-National Evidence’, CEPR Discussion Paper, Nr.
2143.
Schnietz, Karen E. (2000), ‘The Institutional Foundation of U.S. Trade Policy: Revisiting
Explanations for the 1934 Reciprocal Trade Agreements Act’, Journal of Policy
History, Jg. 12, H. 4, S. 417-44.
Yin, Robert K. (2002), Case Study Research: Design and Methods, 3. Aufl., London.
32