fcQCA模糊集定性比较分析法-学习笔记
模糊集定性比较分析（fsQCA，Fuzzy-set Qualitative Comparative Analysis） 是一种结合了定性和定量元素的研究方法，用于分析中小样本数据中的复杂因果关系。
1. 理解基础概念
QCA的核心思想：
基于集合论和布尔代数，关注条件（变量）的组合如何导致结果（而非单一变量的独立效应）。
区分必要性条件（必须存在的条件）和充分性条件（足以导致结果的条件）。
fsQCA的特点：
使用模糊集（0到1之间的隶属度），允许更精细的校准（如“部分隶属”）。
适用于案例数量较少（通常10~50个）但变量较多的研究。
1.1 集合论
论点：男人会长小JJ。
同义表达：
如果是一个男人，那么他会长小JJ。
长小JJ是男人的一个充分条件。
长小JJ是男人的一个子集。
1.2 模糊集
1.3 为什么需要“模糊”？
解决传统QCA的局限：
-
清晰集（csQCA） 要求严格二分，但现实中的社会现象（如“民主程度”“创新能力”）往往是渐进的。
-
模糊集 更贴合实际，允许“部分隶属”（如一个国家“某种程度上是民主的”）。
捕捉复杂因果关系
-
可分析条件不同程度的组合（如“高R&D投入+中等培训” vs. “中等R&D投入+高培训”）。
-
避免因粗暴二分导致信息丢失。
2 方法适用范围
fsQCA 适合研究中小样本（比如10-50个案例）中多个条件如何组合导致结果，尤其当这些条件不是独立起作用，而是依赖组合（比如‘高研发+低竞争’比单独某个因素更重要）。
类比：
回归分析像做菜时单独尝盐、糖的效果（线性关系）。
fsQCA像尝一道菜的整体味道（盐+糖+火候的组合效应）。
案例：研究“学生成绩优秀的原因”
适用 fsQCA 的情况：
样本：20个学生。
条件：学习时间（小时）、动机（评分1-5）、教师反馈（评分1-5）→ 需要模糊校准。
问题：是“高动机+中等反馈”还是“中等动机+高学习时间”更有效？
3.fsQCA的步骤
3.1 条件选择与模型构建
根据理论框架、参考权威文献的选择。
3.2 案例选择
基于已构建的研究框架，我首先确定研究样本，随后开展数据收集工作。在具体实施过程中，我通常根据框架中的研究结果和条件变量，设计相应的问卷量表来系统性地收集所需数据。
3.3 条件与结果校准
这部分比较重要。一般有两种
- 直接校准：人工设定锚点（适合理论明确时）。
# R语言示例：校准R&D投入
data$R_D_fs <- calibrate(data$R_D, thresholds = "e=0.05, c=0.10, i=0.20") # e=完全不隶属, c=交叉点, i=完全隶属
- 分位数校准：用数据分布（如P95=完全隶属，P50=交叉点，P5=完全不隶属）。
thresholds <- quantile(data$R_D, probs = c(0.05, 0.50, 0.95))
data$R_D_fs <- calibrate(data$R_D, thresholds = thresholds)
3.4 必要性分析
必要性分析是检查某个条件是否必须存在才能导致结果发生，就像‘氧气对火灾是必要的’（没有氧气一定没火灾，但有氧气不一定有火灾）
3.5 组态分析
下面两个部分，以及可视化，移步B站
总体讲解
图表美化