因果推論・実験因果推論集合論複数経路等結果性中規模N
質的比較分析
Qualitative Comparative Analysis
別名: QCA、Boolean分析、集合理論的比較分析
集合論の論理（必要条件・十分条件）を用いて、複数の条件（原因）の組み合わせが結果を生む経路を体系的に特定する手法。中規模N（10〜50事例程度）で等結果性（複数の異なる経路）を分析できる。
難易度 上級 ●●●費用 中 ●●●期間 設計・データ準備に1〜2か月、分析・解釈に2〜4週間
概要
質的比較分析（QCA）は、Charles Ragin が1987年の著作『The Comparative Method』で提案した手法で、少数〜中規模の事例を体系的に比較するための集合理論的アプローチ。変数間の線形的な統計的関連を求める量的手法と、単一事例の深い文脈理解を目指す質的手法の「橋渡し」的な位置づけを持つ。
QCAの核心は、結果が「複数の異なる原因条件の組み合わせ」によって生まれうる（等結果性: equifinality）という考え方。たとえば、高い成果を達成する経路がABC条件の組み合わせとDEF条件の組み合わせの2種類存在する場合を明示的に扱える。
3種類のバリアントがある。csQCA（クリスプQCA）はすべての変数を0/1の二値に変換する。mvQCA（多値QCA）は複数のカテゴリを扱う。fsQCA（ファジーQCA）は変数を0〜1の連続的なメンバーシップスコアに変換し、部分的なメンバーシップを扱える（Ragin 2008）。開発援助・社会政策・組織研究での応用が拡大している。
✓ こんな時に使う
- 10〜50程度の中規模の事例（国・組織・プログラムサイト等）を比較し、どの条件の組み合わせが成功/失敗と関連するかを特定したい
- 成功事例と失敗事例が存在し、その違いを体系的に比較して「何が重要か」の教訓を導きたい
- 一つの結果が複数の異なる経路（条件の組み合わせ）で達成されうると考えられる場合（等結果性の分析）
- 量的手法（回帰分析等）には事例数が少なすぎ、プロセストレーシングには事例数が多すぎる中規模Nの比較研究
✕ 向かない場面
- 事例数が多い（100以上）大規模サンプルでは、QCAより回帰分析等の統計的手法が適する
- 「どの条件が平均的に最も効果的か」という線形的な変数効果の推定が求められる場合
- 事例のメンバーシップスコアや条件のキャリブレーション（変数のスコア化）を正当化できる理論的・実証的根拠がない場合
実施手順
- 研究設計：事例・条件・結果の設定分析の事例の範囲（ユニバース）を定義し、結果変数（Y）と説明的な条件変数（X1〜Xn）を理論的根拠に基づいて選択する。条件は3〜6個が現実的（多すぎると複雑性が爆発的に増加する）。
- キャリブレーション（変数のスコア化）各条件・結果をメンバーシップスコアに変換する。csQCAでは0/1の二値。fsQCAでは「完全に集合に属する（=1）」「完全に属さない（=0）」「境界ケース（=0.5）」の3点を理論的・実証的根拠でアンカーとして設定し、残りの値を補間する。キャリブレーションの根拠を透明に報告する。
- 真理値表の作成すべての条件の組み合わせ（2^k通り）と各組み合わせに該当する事例・結果の頻度を真理値表に整理する。事例数が少ない周辺的な組み合わせの扱い方針（contradictions の処理）を決める。
- 必要条件の分析結果が生じたすべての事例において、ある条件（またはその否定）が常に成立しているか——必要条件分析を行う。consistency（一貫性）とcoverage（カバレッジ）で条件の重要性を評価する。
- 十分条件の分析（Boolean最小化）真理値表をブール代数（Quine-McCluskey法等）で最小化し、結果を生む十分条件の組み合わせ（解）を求める。複雑解・省略解・節約解の3種を比較し、理論的根拠のある解を選択する。
- 解の解釈と事例との照合得られた解（条件の組み合わせ）を各事例と照合し、解が実際の事例の経験と整合するか確認する。解のconsistency（一貫性）とcoverage（カバレッジ）を報告する（consistency ≥ 0.80、coverage ≥ 0.25 が目安）。
長所と限界
長所
- 複数の異なる因果経路（等結果性）を明示的に扱えるため、「一つの正解経路」を前提とする統計的手法では見えない複雑な因果構造を明示できる
- 中規模Nで量的手法と質的手法の橋渡しができ、比較事例研究を体系化できる
- 必要条件・十分条件という集合論の論理は、「この条件がなければ成功しない」「この組み合わせがあれば成功する」という政策的含意を明確に言語化しやすい
- 真理値表と解は透明であり、他の研究者・実践者が追試・批判しやすい
限界
- 結果の信頼性はキャリブレーション（変数のスコア化）の質に大きく依存するが、キャリブレーションには評価者の判断が介入し、異なる設定では異なる結論が出うる
- 因果の方向性（Xが先か後か）は必ずしも確定されない——時間的順序の確認が理論的・記述的に必要
- 論理的な十分条件・必要条件の発見が、実際の因果メカニズムを証明するわけではない——相関と因果の区別はQCA単独では不十分
- 事例数が10未満になると解の安定性が低下し、結論の信頼性が下がる
⚠ よくある落とし穴
- キャリブレーションの根拠を示さない——「直感的に0.5に設定した」などの主観的なキャリブレーションは分析の信頼性を大きく損なう。アンカーポイントの設定根拠（実質的な閾値・先行研究・専門家知識）を必ず記録・報告する
- 解の種類（複雑解/省略解/節約解）の意味を理解せずに選択する——省略解はデータにない反事実的前提を含む場合があり、理論的根拠なく選択すると誤った結論を導く。中間解（intermediate solution）の使用を推奨
- consistency と coverage の両方を確認しない——consistencyのみが高くてもcoverageが低ければ、解が結果の僅かな部分しか説明しない。両指標を合わせて報告する
- QCA単独で因果を主張する——QCAが示す条件の組み合わせは相関関係のパターンであり、因果メカニズムの検証にはプロセストレーシング等との組み合わせが不可欠