斯坦福教授：如何从案例中发展出理论？三个步骤！

编译/袁雨桐

校订/兰雅婷

排版/婉燕

在做过田野调查后，面对各具特征的案例，我们往往会陷入迷茫——

如何把海量的事实数据、繁琐的经验材料发展成理论？

如果我们对不同公司进行调查，我们可能会看到各种面目形态：有的人数众多、规模庞大；有的可能只拥有几名员工、内部结构简单。

通过案例研究，我们看到的是不同的“树木”。但是，要如何才能看到“森林”呢？如何抽象出那些共性的“理论”，让自己看到事物的关联与全貌，使自己的研究脱离“就事论事”的阶段？

本文将为你介绍“用案例构建理论”的方法，简单概括起来分为两步：首先从案例样本中的经验证据中提炼出新的命题，随后在同一样本中对它们进行检验。

这两个步骤具体应如何操作呢？下面将以斯坦福大学战略与组织学教授凯瑟琳·艾森哈特（Kathleen M.Eisenhardt）的一项与公司决策有关的研究为例，为你介绍如何使用这种方法来处理案例、形成理论。

*Kathleen M.Eisenhardt教授，图源：Google

本文首发自“宇凡聊学术”公众号。

这是我们的另一个公众号，专注分享论文发表的干货技能与学习书单资源。点击关注👇 一起发表、一起毕业！

在目前的文献中，只有一种有影响力且经常被引用的构建方法，即Yin-Eisenhardt方法。

“Yin-Eisenhardt案例理论建构方法”的核心包括三个步骤：

(a)案例内分析（Within-case analysis）

(b)跨案例模式搜索（Cross-case pattern search）

(c)复制（Replication）

我们来逐一理解这三个步骤，并分析每个步骤具体如何完成。以凯瑟琳·艾森哈特的研究为例：她根据八家微型计算机公司收集的经验证据，提出了与“高速运转的环境中，公司形成快速战略决策的决定因素、影响因素”有关的理论。

而她是如何处理证据，并最终提出“公司的实时信息使用得越多，战略决策过程的速度就越快”这个命题的呢？

*图源：Google

(a)案例内分析

这一过程通常包括对每个事件进行详细的研究分析，但多只对现象进行描述。

总体的分析思路是——研究者将每个案例作为一个独立的实体去熟悉。

许多对计算机公司进行决策研究的学者，都将“决策”定为自己的分析单位。本文所引用的研究在这一步骤提炼出了一个“决策故事”，它将收集到的数据加以组合，并搭建出一条能够囊括所有与决策相关的事件的时间线。

(b)跨案例模式搜索

在这一步骤中，研究者可以使用许多“策略”：

第一种策略是选择一个类别或维度，然后寻找群体内的相似性和群体间的差异。

第二种策略是选择成对的案例，然后列出每对案例之间的相似点和不同点。

这些跨案例搜索的策略的背后理念，就是迫使研究人员超越其对事物最初所形成的印象。

例如下表中这一对案例（表1)：

（表1）

从“案例内分析”中产生的证据出发，我们开发了一些指标，例如(a)财务副总裁的存在，(b)定期审查的绩效指标和目标的数量和种类，(c)定期安排审查当前业务的会议次数。

表1给出了这些指标的得分，以及两个案例情景下分别的决策持续时间。

通过这两个案例提供的证据，我们就能够得到“实时信息使用越多，战略决策过程的速度就越快”这样的命题。

(c)复制

Yin-Eisenhardt的方法认为，有必要对每种情况之下的“命题”和“证据”的契合情况进行检验。

这与传统假设检验研究中的验证过程相类似，但其特殊的关键在于：每个假设都是针对每个具体案例进行检验的，而不是针对总体案例。

因此，它潜在的逻辑是复制，也就是“将一系列案例视为一系列实验”的逻辑。在这种逻辑中，每个案例都被用于去确认或否定假设。

复制是Yin-Eisenhardt方法的核心，因此大多数声称应用了这种方法的研究都会去证明他们使用了复制。

然而，目前没有一个能真正应用复制的实际案例。造成这样缺失的一个可能原因是，在单个案例中往往不可能进行复制。

让我们再考虑一下“实时信息的使用越多，战略决策过程的速度就越快”这一命题。该命题指出，实时信息使用的变化或差异，与决策速度的变化或差异相关。我们无法应用每一个单独的案例对这个观点的正确性进行检验，因为它不是一个关于单个案例的特征的命题。

这一过程中存在的潜在问题是，没有区分：(a)关于个案特征的命题，(b)关于案例之间差异的命题。

因此，我们必须对Yin-Eisenhardt方法进行修正：理论构建必须包含最后的、第三步的检验。其与Yin-Eisenhardt方法的主要区别在于，它从一开始就区分了不同类型的命题。

修订后的理论构建方法，依旧需要三个步骤：

(a)案例内分析（Within-case analysis）

(b)跨案例模式搜索（Cross-case pattern search）

(c)测试（Testing）

让我们依次来看：

(a)案例内分析

案例内分析也就是其他研究策略中所谓的“测量”。

具体来说，研究者需要收集有关变量所展现的“证据”，并将这些证据转化为分数，表明这些变量的值的相关水平，以便于后续在案例之间进行比较。

这些分数可以以矩阵的形式呈现（如表2所示）。数据矩阵将每个单独案例中的自变量/因变量的分数进行列表、组合。

这些数据可以是定性的，也可以是定量的；研究者可以通过自身收集新数据，或从现有数据库中提取信息。

（表2）

(b)跨案例模式搜索

我们建议研究人员在应用数据矩阵发现关系的过程中，应该首先确定是否存在充分条件(即自动导致结果的原因)的证据，然后确定存在必要条件(即必须存在导致结果发生的原因)的证据，最后确定变量值变化或差异之间的关系。

本文将描述可用于每种搜索策略之下的方法，其中一些方法将使用表3（表2的重新编码版本）中所示的数据进行说明。

这种需要标准的重新编码对于发现充分条件和具有离散变量的必要条件是必要的（例如，只有两个分数的变量，如“present”和“absent”，或具有有限的变量值集，如“high”，“medium”和“low”）。

（表3）

1.充分条件

这类命题中，陈述因果变量的特定值总是导致特定的结果(即因变量的特定值)。

在数据矩阵中寻找这类条件的方法包括：确定一个不止一次出现的自变量的每一个值，是否总是与相同的结果相关。

表4（假设“未观察到”为0的“目标数”）表明，拥有多个（即超过四个）目标（在数据矩阵中出现4次）总是与快速决策相关。

（表4）

因此，数据矩阵所支持的第一个候选命题是：拥有多个（>4个）常规指标，是快速（≤4个月）决策的充分条件。

表5显示，每周举行三次业务会议（在数据矩阵中出现两次的分数）总是与4个月或更短的决策速度相关。

（表5）

因此，这一数据矩阵支持的另一个候选命题是：每周拥有三次业务会议是快速（≤4个月）决策的充分条件。

2.必要条件

这类命题指出，只有当因果变量的特定值存在时，结果才能存在。

在数据矩阵中寻找这种条件的方法包括：识别在结果存在时，总是出现的自变量的值。

因此，在本例中，只使用结果发生的情况（见表6），在这些情况下，识别在所有情况下都出现的条件的值。

我们可以具体识别出三个必要条件:

-拥有财务副总裁是快速决策的必要条件；

-拥有许多(=4+)常规定量目标是快速决策的必要条件；

-每周召开至少两次业务会议是快速决策的必要条件。

（表6）

结合上述关于必要条件和充分条件的相关发现，我们可以形成一个综合命题：拥有许多（=4+）常规的量化目标，是快速决策的充分必要条件。

3.关系

研究者发现观察不断增加或减少（线性或更复杂）关系的主要方法是——比较排名。

在表7和表8中，这两个案例分别根据其日常可量化目标的数量（表7）和每周业务会议的数量（表8）进行排名。

对于这些排名，研究使用表2的原始分数。

（表7）

我们可以用以下命题来解释表7中数据所呈现的关系：日常可量化的目标越多，决策越快。

表7并没有显示出决策持续时间序列的完美增加。散点图将显示两个完全独立的集群，每个集群有四个案例（如果“未观察到”被重新编码为零）。

上面的命题将关系表述为一个充分必要条件（“拥有许多常规可量化的目标，是快速决策的充分必要条件”），这更好地表达了表7中两列中值之间的关系。

（表8）

在表8中，我们在因变量的序列中几乎可以观察到完美的数据增长趋势，这是构建以下命题的有力基础：每周举行的运营会议次数越多，决策速度越快。

至此，我们已经建立了许多候选命题。但并不是所有的命题对该理论都同样有用。

例如，如果条件总是存在的话，必要条件命题可以是微不足道的。因为在这个数据集中，除了一家公司外，几乎所有公司都有财务副总裁，所以关于财务副总裁的必要条件命题可能被认为是无足轻重的。有可能在这三个必要条件中，只有一个看起来是“真实的”的必要条件，而其他两个只是碰巧与该数据集中的条件共同出现。

*图源：Google

如果我们以这种方式看待候选命题列表，可以在其中选择出两个最重要的：

1.拥有许多(=4+)日常可量化的目标，是快速决策的充分必要条件；

2.每周举办业务会议的次数越多,决策就越快。

这两个命题是互补的。第一个命题提出了企业快速决策的必要条件，并且这个条件似乎也是快速决策的充分条件。后者解释/预测了在快速或缓慢决策速度的对照组中，速度的额外变化。

这是一个比Eisenhardt从同样的数据中所得到的更具体的结果。因此，它证明了我们应用这里所描述的修正方法去构建命题是有用的。

(c)测试

在跨案例搜索中建立的命题，必须在数据集中进行测试。

Eisenhardt没有建立必要或充分条件命题。有趣的是，作为Yin-Eisenhardt方法的一部分而制定的复制方法（每种情况都用于证实或不证实假设），并不适用于构建关于变量值差异之间关系的命题，但它可以应用于构建必要或充分条件命题。

复制包括将理论检验单一案例研究的方法，应用于数据集的每个案例。如果将在理论检验的条目中描述的两种方法应用于表2建立的两个命题，将不会发现排斥现象。

总而言之，本文提出的——用案例构建理论的修正方法，需要与Yin-Eisenhardt方法相同的三个步骤。

在第一步“案例内分析”中，我们应该为每个案例构建具有自变量和因变量分数的数据矩阵。

这些分数可以是定量的，也可以是定性的，可以通过收集新数据或从现有数据库中提取数据来获得信息。

在第二步“跨案例模式搜索”中，我们应用不同的策略来发现不同类型的命题：充分条件、必要条件和关系。

在第三步“测试”中，我们用案例对理论进行测试，去确认命题是否已经被正确构建