Fichamento: Good Description
de Kadt, D., & Grzymala-Busse, A. (2025). Good Description [Working paper]. London School of Economics and Political Science; Stanford University.
Ficha Analítica Crítica
Esta seção segue o formato IA Planilhando Textos v17.4.
Mapa Argumentativo
| Seção | Título / Tema | Função argumentativa | Contribuição para a tese central |
|---|---|---|---|
| Introdução | O paradoxo do baixo status da descrição | Apresentação do puzzle | Estabelece a tensão entre o desprezo disciplinar pela descrição e sua onipresença em trabalhos premiados, motivando a necessidade de um framework avaliativo. |
| Seção 2 | Teorias, perguntas e descrição | Fundamento teórico | Define descrição via critério de manipulabilidade (Holland, 1986) e constrói a “escada” de seis tipos de pergunta derivada de uma teoria causal estilizada, distinguindo teoria de pergunta de pesquisa. |
| Seção 2.1 | Descrição teoricamente informada | Fundamento teórico | Argumenta que toda boa descrição pressupõe compreensão teórica prévia do fenômeno e de seu contexto relacional, aplicando-se tanto a descrição qualitativa quanto quantitativa. |
| Seção 2.2 | As metas da boa descrição | Fundamento teórico | Especifica três metas científicas da descrição — refletir, construir e avaliar teoria — com exemplos de medição, geração de hipóteses e desconfirmação de implicações teóricas. |
| Seção 3 | Características da boa descrição | Extensão do argumento | Propõe os três critérios avaliativos centrais — clareza, comparabilidade, completude — que operacionalizam as metas teóricas da Seção 2 em padrões de avaliação de qualquer análise descritiva. |
| Seção 3.1 | Da pergunta à análise | Qualificação | Discute o mapeamento entre tipo de pergunta (“degrau” da escada) e método analítico apropriado, criticando o uso acrítico de regressão multivariada como ferramenta “puramente descritiva”. |
| Seção 4 | A boa descrição na prática | Análise empírica (ilustrativa) | Demonstra, com exemplos da literatura publicada, como a descrição especifica contextos relevantes para comparação e identificação causal, e ilumina o desdobramento de fenômenos no tempo e no espaço. |
| Seção 4.1 | Diversidade de contextos | Análise empírica (ilustrativa) | Mostra como a comparação entre contextos (ex.: uso de celular e saúde mental de adolescentes, SUVs e mortes no trânsito) revela a incompletude de explicações monocausais, e discute distribuições estatísticas (leis de potência) como informação teórica relevante. |
| Seção 4.2 | Tempo, lugar e desdobramento de fenômenos | Análise empírica (ilustrativa) | Conecta descrição a process tracing e estudos de legado histórico, mostrando como medir persistência, difusão e sequência de eventos ajuda a isolar (ou questionar) mecanismos causais, sem necessariamente estabelecê-los. |
| Conclusão | Síntese do framework | Síntese e implicações | Reafirma que descrição é etapa fundamental e exercício científico autônomo, avaliável por clareza, comparabilidade e completude, situando-a como parceira — não subordinada — da inferência causal. |
1 Fichamento Parágrafo a Parágrafo
1.1 Introdução (pp. 1–4)
1.1.1 O paradoxo do status da descrição [§1–§4]
O artigo abre com a constatação de que a descrição é frequentemente vista como um tipo inferior de investigação científico-social, tanto na ciência política quanto em outras disciplinas. Os autores citam Gerring (2012), que observa que a descrição é comumente “escarnecida em favor da análise causal”, revelando não apenas uma preferência disciplinar pela pesquisa causal, mas um desgosto ativo pela “mera” descrição. Essa preocupação, segundo de Kadt e Grzymala-Busse, tem se tornado cada vez mais compartilhada — os autores citam Kreuzer (2019) e Holmes et al. (2024) como exemplos recentes dessa discussão — e chegou ao ponto de motivar a criação de novos periódicos dedicados especificamente ao trabalho descritivo, como o Journal of Quantitative Description (Munger et al., 2021).
Ao mesmo tempo, os autores notam um paradoxo: artigos descritivos importantes e altamente citados continuam sendo publicados regularmente nos principais periódicos de ciência política, cobrindo temas como transições democráticas, censura estatal, representação, condicionalidade internacional, ideologia política, tipos de regime e polarização. Como evidência, listam uma extensa série de trabalhos (Przeworski e Limongi, 1997; Coppedge et al., 2011; King et al., 2013; Bonica, 2014; Tausanovitch e Warshaw, 2014; Hughes et al., 2019; Davenport, 2016; Holland, 2016; Benoit et al., 2019; Schimmelfennig e Sedelmeier, 2020; Gerring et al., 2021; Jefferson, 2023). Complementarmente, apontam que livros proeminentes e premiados na ciência política recente também fazem uso extensivo de descrição (Beissinger, 2022; Blaydes, 2018; Daly, 2022; Stasavage, 2020; Wang, 2022).
Nota 1: os autores citam Grimmer (2015, p. 80), segundo o qual “muito do trabalho empírico dos cientistas políticos e das teorias que eles constroem é um produto direto da descrição” — uma citação que reforça o paradoxo entre baixo status formal e alta relevância prática da descrição, mas que não é desenvolvida além dessa menção pontual no corpo do texto [nota incluída por relevância argumentativa].
Fundamentalmente, os autores argumentam que a descrição não é um modo inferior de investigação, mas um componente fundamental do empreendimento científico-social. Segundo eles, seu status contestado decorre da ausência de um framework coerente que permita separar o trabalho descritivo geralmente valorizado daquele que não o é. Essa lacuna gera duas implicações: sem uma articulação clara do propósito científico da descrição, permanece incerto o que torna uma pergunta descritiva “boa”; e sem uma articulação das propriedades ideais dos esforços empíricos para responder a perguntas descritivas, permanece incerto o que torna uma análise descritiva “boa”. Em contraste, os autores notam que existem perspectivas muito mais desenvolvidas sobre o propósito científico da inferência causal, bem como um conjunto razoavelmente claro de padrões para medir o trabalho aplicado — mencionando a existência de numerosos manuais e artigos do tipo “checklist” ou “how to” sobre métodos específicos.
Diante disso, os autores anunciam que desenvolverão um framework para a avaliação tanto de perguntas descritivas quanto de análises descritivas, buscando distinguir “boa” de “mera” descrição de um modo que seja útil tanto para quem pratica a descrição quanto para quem a avalia como leitor, orientador, revisor ou editor. A premissa de partida é que descrição e inferência causal não representam modos distintos de investigação científico-social: embora diferentes tipos de pergunta possam exigir desenhos de pesquisa, pressupostos, dados e métodos diferentes, todas essas perguntas — e as análises subsequentes — contribuem para o mesmo objetivo científico fundamental, o desenvolvimento incremental e a avaliação de teorias e explicações do mundo social.
1.1.2 As duas contribuições do artigo [§5–§7]
Os autores detalham suas duas contribuições centrais. A primeira consiste em articular os objetivos científicos da descrição, explicando o que constitui uma boa pergunta descritiva: o objetivo da boa descrição deve ser engajar-se com fenômenos que sejam significativos e importantes, o que torna a boa descrição invariavelmente orientada pela teoria — mesmo quando serve para destacar a ausência de teoria bem desenvolvida. A boa descrição pode ajudar a construir teoria ao informar os pesquisadores sobre fenômenos que necessitam de explicação, revelando “padrões”, “fatos”, “anomalias” ou “quebra-cabeças” que exigem consideração; conhecer (algo sobre) o estado do mundo é uma tarefa empírica necessária, ainda que não sempre suficiente, no processo de geração de teoria. A boa descrição também pode ajudar a avaliar teoria — sua plausibilidade ou sua completude — ao aferir se as implicações da teoria se sustentam, e ao avaliar a plausibilidade de diferentes abordagens para estudar essa teoria.
A segunda contribuição consiste em articular as características ideais das boas análises descritivas: os autores propõem que a boa descrição requer análises claras, comparáveis e completas. Análises claras são aquelas fortemente e transparentemente ligadas à teoria e bem calibradas à pergunta específica de interesse. Análises comparáveis são aquelas bem contextualizadas, de modo que quaisquer insights aprendidos possam ser compreendidos no contexto de evidências pré-existentes (e futuras). Análises completas são aquelas tão abrangentes quanto possível em termos de mensuração e especificação. Os autores concluem a introdução anunciando que, na Seção 4, oferecerão exemplos de como a boa descrição pode aprimorar outras análises, especificando contextos analíticos relevantes e examinando mecanismos causais.
1.2 Seção 2: Teorias, Perguntas e Descrição (pp. 4–14)
1.2.1 Teoria causal, questão de pesquisa e o exemplo estilizado A→B [§1–§4]
Os autores estabelecem que a pesquisa científico-social empírica conecta teorias, perguntas de pesquisa derivadas dessas teorias, e análises empíricas que buscam responder a essas perguntas. Por “teorias científico-sociais” os autores especificamente se referem a teorias causais — teorias sobre conexões causais entre variáveis ou conceitos. Citam Humphreys e Jacobs (2023, p. 163), que enfatizam que a teoria científico-social tende a ser explicitamente causal, um tipo de explicação que “fornece um relato de como ou sob quais condições um conjunto de relações causais opera”. Em nota de rodapé, os autores qualificam essa posição, observando que sua conceituação de teoria não é exaustiva, pois alguns pesquisadores argumentam pela existência de “teorias ontológicas”, que conceituam e categorizam fenômenos, remetendo a Goertz e Mahoney (2012).
Ao longo do artigo, os autores trabalham com um exemplo estilizado — uma teoria causal simples: o fenômeno A afeta o fenômeno B de algum modo e magnitude não especificados, representável formalmente em grafos acíclicos dirigidos (DAGs) como A→B. A partir dessa teoria estilizada, os pesquisadores poderiam formular um amplo espectro de perguntas de pesquisa plausíveis: perguntas sobre a natureza conceitual de A e B (quais propriedades conceituais os constituem?); perguntas sobre propriedades ou características empíricas de A e B (o que são empiricamente, quando ocorrem, com que frequência?); perguntas sobre a associação entre A e B (A e B costumam co-ocorrer? essa co-ocorrência é condicional a alguma variável de fundo?); perguntas causais (A de fato afeta B? A é necessário e/ou suficiente para B? sob quais condições essa relação causal se sustenta? qual é a magnitude de qualquer relação causal?); e perguntas mecanísticas (de que maneira A afeta B?).
Os autores destacam dois pontos sobre esse conjunto de perguntas. Primeiro, todas derivam da teoria, e é isso que lhes confere sentido e interesse científico — se não existe teoria científico-social que envolva o fenômeno A, o valor de descrever suas propriedades é geralmente (embora talvez não sempre) baixo. Segundo, as respostas a essas perguntas podem fornecer insights importantes sobre a plausibilidade da teoria tal como enunciada, mesmo sem um teste explícito e dispositivo — em um nível muito simples, se não sabemos se ou quando A e B ocorrem, então sabemos muito pouco sobre a afirmação teórica central de que A afeta B. As teorias, então, podem gerar tanto proposições causais quanto descritivas, que por sua vez podem inspirar diferentes perguntas de pesquisa.
1.2.2 O critério de manipulabilidade como distinção entre pergunta causal e descritiva [§5–§9]
Os autores questionam como se pode distinguir perguntas causais de perguntas descritivas. Observam que há uma tradição nas ciências sociais de tentar definir descrição usando linguagem natural. Gerring (2012, pp. 72–73) argumenta que perguntas descritivas focam em perguntas do tipo “o quê” (quando, quem, a partir de quê, de que maneira) sobre um fenômeno ou conjunto de fenômenos, distintas de perguntas causais que tentam responder perguntas do tipo “por quê”. De modo similar, Holmes et al. (2024) definem perguntas descritivas como aquelas que perguntam “quem, o quê, quando, onde e como”. Embora tais definições baseadas em linguagem sejam úteis, os autores argumentam que elas permanecerão sempre imprecisas.
Nota 2: em nota de rodapé, os autores dão um exemplo dessa imprecisão: poder-se-ia formular a pergunta “o que aconteceu quando a intervenção A ocorreu?” — que, sob as definições de Gerring (2012) e Holmes et al. (2024), pareceria descritiva, mas que na realidade é uma pergunta canonicamente causal [nota incluída por relevância argumentativa].
Em vez disso, os autores propõem uma definição alternativa, apoiada em Holland (1986): o traço distintivo entre perguntas causais e descritivas é a manipulabilidade. Se pelo menos um conceito ou variável em uma dada pergunta de pesquisa precisa ser manipulável para que a pergunta seja respondível, então essa pergunta é causal; se a manipulabilidade não é necessária para responder à pergunta, então ela é descritiva. Por exemplo, se perguntamos se A e B se correlacionam, não exigimos manipulabilidade de A ou de B — não estamos engajados em raciocínio contrafactual, e portanto a pergunta é descritiva.
Os autores ilustram esse critério com um exemplo substantivo: há um consenso amplo de que a raça de um indivíduo não pode afetar seus salários, porque a raça não pode ser manipulada; já a discriminação racial no mercado de trabalho, que é manipulável, pode e de fato afeta os salários de um indivíduo, remetendo a Sen e Wasow (2016). Assim, pode-se perguntar se pessoas de um grupo racial ganham menos que pessoas de outro — entendendo que essa é uma pergunta descritiva precisamente porque a raça não é manipulável, pois pergunta sobre o estado do mundo, não sobre o estado contrafactual do mundo sob manipulação. Em contraste, pode-se perguntar se determinadas intervenções ou arranjos do mercado de trabalho reduzem (ou exacerbam) qualquer disparidade racial de ganhos, formulando assim uma pergunta causal. Sob uma perspectiva baseada em linguagem, os autores caracterizam a descrição como endereçando perguntas da forma “como é o mundo?”, enquanto a inferência causal aborda perguntas da forma “como teria sido algum estado contrafactual do mundo?”.
1.2.3 A “escada” de perguntas de pesquisa derivada da teoria [§10–§14]
Retornando ao exemplo estilizado A→B, os autores observam que muitas perguntas que se pode formular sobre os conceitos ou fenômenos A e B são o que se poderia considerar canonicamente perguntas descritivas — elas buscam apenas descrever o estado do mundo. Ainda assim, a teoria subjacente de interesse, da qual essas perguntas derivam, é causal. Há aqui uma distinção nítida entre a teoria que um pesquisador postula ou espera avaliar, e a pergunta de pesquisa específica que o pesquisador pode esperar avaliar, conceitual ou empiricamente. Em muitos contextos de pesquisa, essa distinção não é adequadamente especificada, o que gera uma tensão entre a linguagem que os pesquisadores usam para descrever o objetivo de sua pesquisa e as afirmações empíricas que efetivamente fazem.
Os autores apresentam uma “escada ilustrativa de possíveis perguntas de pesquisa”, derivada da teoria simples A→B, organizada em seis degraus: (1) conceito — o que são A e B?; (2) característica — com que frequência A e B ocorrem?; (3) associação — A e B co-ocorrem?; (4) associação condicional — A e B co-ocorrem ceteris paribus?; (5) efeito causal — A causa a ocorrência de B?; (6) mecanismo explicativo — de que modo A causa um efeito em B? Os autores notam dois pontos sobre esse exercício: primeiro, embora os degraus (destacados em negrito) pretendam ser quase exaustivos, a figura não é exaustiva no sentido de que existem muitas perguntas mais específicas que poderiam ser formuladas para cada degrau específico; segundo, o uso da palavra “escada” não pressupõe que qualquer pergunta seja mais importante que outra, mas pressupõe que não se pode responder às perguntas “mais profundas” (mais abaixo na escada) sem um meio de responder às perguntas “mais superficiais” (mais acima na escada).
No topo da escada estão perguntas sobre o estatuto conceitual dos fenômenos A e B — por exemplo, o que precisamente são os fenômenos de interesse, seja em nível conceitual (perguntas ontológicas sobre o que constitui conceitualmente a coisa) ou em nível observacional (uma pergunta empírica sobre o que regularmente constitui a coisa). Um degrau abaixo estão perguntas relacionadas a características dos fenômenos de interesse, como a frequência com que cada um deles ocorre. Um degrau adicional abaixo estão perguntas associativas, por exemplo se A e B podem ser ditos co-ocorrer. Abaixo dessas estão perguntas de associação condicional — condicional a outros fatores, a co-ocorrência de A e B ainda se sustenta? No quarto degrau encontram-se relações causais, perguntas como se A aumenta a probabilidade de B, ou se A é necessário e suficiente para que B ocorra. Finalmente, na base da escada estão mecanismos explicativos, perguntas sobre como qualquer efeito de A sobre B acontece.
Nota 3: os autores exemplificam a pergunta conceitual do topo da escada com Chandra (2006), que conceitua identidade étnica como identidades determinadas por atributos baseados em descendência — a descrição como exercício empírico poderia ajudar a identificar as partes constituintes da “identidade étnica” e testar se essas partes constituintes existem, sem desempenhar papel na criação do próprio conceito [nota incluída por relevância argumentativa].
Os autores discutem qual desses tipos de pergunta é tipicamente concebido como “descritivo”. Os degraus 1, 2 e 3 são talvez os mais claramente descritivos. O degrau 4 é um caso ostensivamente ambíguo, em que os pesquisadores devem exercer bastante cautela — esse caso reflete a disposição comum dos cientistas sociais no período anterior à “revolução da credibilidade”, quando pesquisadores estabeleciam comparações ceteris paribus e usavam essas associações condicionais como evidência de relações causais. Muitas perguntas do degrau 4 foram reformuladas para se encaixarem no degrau 5 (efeitos causais). Ainda assim, na ausência de tais reformulações, co-ocorrências condicionais são elas mesmas perguntas descritivas, porque não requerem manipulabilidade.
Como exemplo, os autores discutem debates sobre a diferença salarial de gênero: os pesquisadores frequentemente não argumentam que o gênero causa salários; em vez disso, a afirmação é que há uma co-ocorrência sistemática entre gêneros particulares e salários (mais baixos/altos) mesmo quando condicionada a uma série de fatores explicativos (tipo de emprego, setor, nível educacional, etc.). Ou seja, permanece uma diferença residual de salários entre homens e mulheres que não é explicada por outros fatores incluídos na análise. Isso não significa, e não pretende implicar, que “gênero afeta salários”, mas em vez disso descreve uma diferença condicional sistemática de salários com base no gênero. Esses tipos de pergunta frequentemente parecem ocupar um espaço liminar entre inferência descritiva e causal, mas é a necessidade de manipulabilidade que separa as duas de modo agudo.
Essa discussão enfatiza, segundo os autores, quão importante é que os pesquisadores sejam explícitos e claros sobre os tipos de pergunta que estão tentando responder com qualquer conjunto de análises. Citam Hernán (2018), que observa haver uma tendência dos pesquisadores a falar eufemisticamente sobre as perguntas que estão interessados em responder: idealmente, pesquisadores poderiam esperar responder a uma pergunta de pesquisa causal (degrau 5), mas usam a linguagem da descrição porque não acreditam ter um desenho de pesquisa ou estratégia de identificação apropriados. Contudo, a qualidade da evidência disponível não pode alterar o tipo de pergunta que os pesquisadores estão interessados em fazer — essa pergunta em si é enunciada em abstração da evidência. Se a evidência disponível só pode facilitar respostas a perguntas descritivas, isso é um argumento para especificar boas perguntas descritivas (por exemplo, dos degraus 1, 2, 3 ou potencialmente 4). A boa descrição, então, não é simplesmente inferência causal de segunda categoria; essa linguagem eufemística ou “ambígua” parece tornar a interpretação mais desafiadora para os leitores, remetendo a Haber et al. (2022).
1.2.4 Descrição teoricamente informada [Seção 2.1, §15–§18]
Para que a descrição seja valiosa, ela deve estar fundamentada na teoria científico-social. A descrição exige uma articulação clara de precisamente o que os pesquisadores estão tentando descrever, e o estatuto de suas perguntas e afirmações de interesse. Isto é, pesquisadores engajados em descrição precisam ter uma compreensão bem formada do fenômeno de interesse — a coisa — e uma compreensão bem formada do contexto relacional desse fenômeno — a pergunta. Esse critério se aplica independentemente de estarmos engajados em descrição qualitativa ou quantitativa (ou, em outros termos, descrição “histórica” ou “estatística”, remetendo a Kreuzer, 2019). Tudo isso pressupõe uma compreensão bem formada da teoria mais ampla de interesse.
Os autores retomam o exemplo estilizado A→B, oferecendo uma “escada ilustrativa” de perguntas científico-sociais que se poderia fazer sobre esses dois conceitos, correspondente à Figura 1 discutida anteriormente. Note-se que este mesmo esquema fundamenta tanto a Seção 2 quanto a subseção 2.1, funcionando como eixo estrutural do artigo.
1.3 Seção 2.2: As Metas da Boa Descrição (pp. 11–14)
1.3.1 Refletir, construir e avaliar teoria [§1–§4]
Dada a escada analítica e o papel central da teoria, os autores sustentam que a boa descrição é um exercício empírico desenhado para descrever fenômenos de interesse com um ou mais dos seguintes objetivos: (1) refletir ou invocar teoria de modo consciente e claro — as coisas que estamos medindo ou caracterizando são objetos teoricamente relevantes; (2) construir teoria ao descrever fenômenos que queremos explicar — padrões de ocorrência, como características, associações ou associações condicionais, podem ajudar a ligar potenciais causas a resultados, e mecanismos a causas, sem jamais testar explicitamente uma teoria; (3) avaliar teoria ao aferir se as implicações da teoria se sustentam — algumas teorias causais têm implicações observáveis não-causais, e a descrição pode atualizar nossas crenças ao estudar essas relações hipotetizadas.
O primeiro desses objetivos representa a medição, o único papel que os cientistas sociais concordam muito claramente ser exercido pela descrição. Há uma rica tradição de medir — e portanto descrever — o estado do mundo, com exemplos que incluem a medição de democracia, representação e clivagens políticas (Przeworski e Limongi, 1997; Tausanovitch e Warshaw, 2014; Huijsmans e Rodden, 2024), embora isso apenas arranhe a superfície do tema. Segundo os autores, esses esforços de medição sempre foram claramente orientados pela teoria; estudantes de pós-graduação são ensinados desde o início de suas carreiras sobre a importância da “validade de construto”, e sobre as formas pelas quais as observações não são independentes das teorias que elas se destinam a testar, remetendo a Kuhn (1970), Lakatos (1970) e Hall (2003). Boas medidas devem capturar acurada e validamente conceitos teóricos de interesse, sejam eles derivados de teoria positiva ou normativa.
Muitos desses conceitos são o que se poderia chamar de “primitivos”, blocos fundamentais de construção do mundo social, como o tipo de regime, a riqueza de uma nação, ou o nível de desigualdade. Ainda assim, mesmo esses “primitivos” são importantes precisamente porque são (talvez trivialmente) objetos teoricamente relevantes — por exemplo, nos importamos em medir a prevalência da democracia porque, em nível fundamental, acreditamos que a própria democracia é teoricamente importante. Refletir a teoria é uma condição necessária (embora não suficiente) para uma medição valiosa. Medidas com baixa validade de construto pouco têm a oferecer a pesquisadores engajados em argumentos descritivos ou causais.
Nota 4: os autores exemplificam com Huijsmans e Rodden (2024), que medem divisões partidárias urbano-rurais em democracias ocidentais — exercício que requer uma compreensão teórica do conceito de voto partidário e lealdades partidárias em cada contexto, e de por que se esperaria que diferissem entre cidades e áreas rurais, ponto invocado pela discussão anterior de comparabilidade [nota incluída por relevância argumentativa].
1.3.2 Construção e avaliação de teoria via descrição [§5–§8]
A descrição é muito mais que medição, segundo os autores: ela pode ajudar pesquisadores a construir argumentos teóricos ao descrever o mundo social de maneira mais acurada ou abrangente, criando assim oportunidades para perceber padrões ou quebra-cabeças que de outro modo não teriam sabido explorar ou explicar. Anomalias e outliers só existem à luz de expectativas teóricas preexistentes, e contabilizá-los pode ajudar a fortalecer a teoria (ou minar o arcabouço teórico original). Alguns pesquisadores têm defendido um movimento recursivo (e transparente) entre empiria e modelos teóricos ou causais, refinando modelos à luz de observações empíricas e efetivamente entrelaçando observação e generalização teórica, remetendo a Geddes (2003), Tavory e Timmermans (2014), Yom (2015) e Humphreys e Jacobs (2023).
A descrição também pode ajudar a avaliar teorias e explicações já bem desenvolvidas. Teorias causais podem ter implicações não-causais, e a descrição é especialmente útil em desconfirmar tais implicações. Uma forma muito simples de avaliar teorias causais por meio da boa descrição é usar correlações observacionais para estabelecer se existem outras relações consistentes com as causais. Se uma teoria prediz um determinado estado do mundo (por exemplo, uma correlação entre duas variáveis), uma análise descritiva pode avaliar se esse estado do mundo existe. Se não existe, ou se esse estado ocorre com menos frequência do que se esperava, isso é uma indicação de que a teoria é incompleta ou está equivocada — pode ser que a predição não decorra da teoria, ou que a relação seja condicional a algum outro fator que a teoria não especificou. Aqui, o valor desconfirmatório de não encontrar uma correlação supera o valor confirmatório de encontrar a correlação esperada: a descrição pode ajudar a minar potenciais explicações e assim tanto avaliar teorias quanto ajudar a construir novas.
Nota 5: os autores citam Blackwell et al. (2024), que demonstram que mesmo análises bem-intencionadas nesse espírito podem induzir a erro quando a teoria subjacente é incorretamente especificada — reforçando a importância de declarar explicitamente a teoria da qual as perguntas de pesquisa derivam [nota incluída por relevância argumentativa].
Embora claramente separada da inferência causal, permanece uma forte conexão entre as duas. Uma admoestação típica na prática da inferência causal (e na pesquisa empírica de modo mais amplo) é que os pesquisadores avaliem e desafiem as suposições que sustentam seu desenho de pesquisa. Essas suposições geralmente se relacionam às crenças do pesquisador sobre o mecanismo de designação — como é que os níveis da variável causal são designados às unidades no desenho dado, remetendo a Imbens e Rubin (2015). Ainda assim, essas suposições são elas mesmas parte de uma teoria mais ampla, frequentemente formalmente especificada por meio de DAGs, que contabiliza as crenças do pesquisador sobre as variáveis que determinam, conjunta ou independentemente, tanto A quanto B. Os autores propõem que a evidência descritiva pode desafiar ou questionar essa teoria, seja questionando especificamente o mecanismo de designação, seja questionando alguma outra parte do DAG hipotetizado.
A inferência descritiva também pode ser útil ao avaliar a plausibilidade de suposições subjacentes a estratégias empíricas. Como exemplo, em desenhos de descontinuidade de regressão espacial (RDD), o pesquisador estuda o efeito de uma política que se aplica apenas dentro de uma fronteira espacial específica. O RDD se apoia na continuidade dos resultados potenciais em torno da fronteira, o que geralmente é implausível se outras coisas (por exemplo, outras políticas) também mudam na fronteira, como frequentemente é o caso, ou se a própria fronteira é função do tratamento. Contudo, como Kocher e Monteiro (2016) e Verghese (2024) demonstram, tais suposições podem se tornar insustentáveis por meio de uma descrição histórica cuidadosa das designações ao tratamento. As fronteiras estatais na África, por exemplo, não são linhas retas desenhadas aleatoriamente por potências colonizadoras, mas refletem um processo muito mais complicado envolvendo negociações com governantes indígenas e a consideração de pontos focais geográficos estratégicos, remetendo a Paine et al. (2025).
1.4 Seção 3: As Características da Boa Descrição (pp. 14–19)
1.4.1 Clareza [§1–§3]
Os autores sintetizam que o propósito científico-social da descrição é muito semelhante ao propósito da inferência causal: aprimorar nossa compreensão do mundo social. Para esse fim, a descrição deveria ser teoricamente informada, e focar em descrever objetos teoricamente relevantes. A forma como os pesquisadores abordam esses objetos deveria se dar por meio de perguntas de pesquisa precisamente articuladas, e análises bem calibradas a essas perguntas precisas. Diante disso, os autores propõem que a boa descrição é clara, comparável e completa.
Descrição clara é aquela fortemente ligada às teorias e explicações de interesse, e em que a abordagem analítica ou empírica é bem ajustada às perguntas de pesquisa derivadas dessas teorias. Deve haver uma correspondência aparente entre a teoria de interesse, a pergunta de pesquisa descritiva enunciada, e as análises descritivas conduzidas. Deve ser evidente por que a análise descritiva é valiosa em termos de teoria científico-social e/ou teoria política normativa (por que queremos descrever este fenômeno?), precisamente o que a análise pretende avaliar (qual é a pergunta descritiva precisa?), e como a análise foi conduzida (qual é o método de descrição?).
Em suma, perguntas de pesquisa descritivas deveriam ser formuladas com referência clara a objetos conceituais ou teorias que conectam esses objetos entre si, e métodos apropriados deveriam ser escolhidos dada essa pergunta de pesquisa. Os autores notam que muitos exercícios descritivos servirão para construir teoria, e assim a teoria pode ser invocada de modo indutivo ou abdutivo, e não dedutivo.
1.4.2 Comparabilidade [§4–§9]
Descrição comparável presta atenção a como o contexto afeta a mensuração e o significado, de modo que as comparações sejam feitas em base consistente. Pesquisadores deveriam considerar explicitamente as condições subjacentes embutidas em qualquer exercício descritivo específico. Não é óbvio que um exercício descritivo conduzido em um contexto (população, tempo ou lugar) seja comparável a um exercício descritivo similar conduzido em contexto diferente. Isso é especialmente importante já que muitos exercícios descritivos servirão a análises comparativas, seja através de diferentes populações, diferentes tempos ou diferentes lugares.
Para pesquisadores, isso implica pelo menos três considerações a respeito de mensuração, significado e análise. Primeiro, a mensuração precisa levar em conta as condições locais de geração de dados — por exemplo, a confiabilidade de dados provenientes de governos autocráticos e democráticos pode variar; do mesmo modo, medidas de riqueza dos séculos XII e XXI provavelmente refletem diferenças subjacentes na capacidade estatal de mensurar riqueza. Segundo, medidas podem ter significados diferentes e incompatíveis — tome-se como exemplo medidas de violência contra jornalistas (Coppedge et al., 2019; Little e Meng, 2023): em alguns contextos, uma pontuação alta nessa medida pode sugerir erosão democrática, e uma pontuação baixa, força democrática; em outros contextos, uma pontuação alta pode indicar a fraqueza de um regime autoritário e sua incapacidade de intimidar jornalistas com sucesso. Pontuações baixas de violência contra jornalistas também podem significar controle por outros meios, como um padrão bem-sucedido de propriedade e manipulação da mídia estatal, remetendo a Carey e Gohdes (2021).
Nota 6: os autores dão o exemplo empírico de que nenhum jornalista foi morto na Hungria em anos recentes (CPJ, 2025), mas isso pode ser porque mais de 80% da mídia é de propriedade, direta ou indiretamente, do governo — um dado numérico não desenvolvido além dessa menção pontual, mas ilustrativo do problema de comparabilidade de significado entre contextos [nota incluída por relevância argumentativa].
Terceiro, a mesma estratégia analítica ou empírica pode não significar a mesma coisa em contextos diferentes. Uma regressão que controla por Z e Q pode não significar a mesma coisa em lugares diferentes se o processo subjacente de geração de dados que conecta (ou não conecta) Z e Q às variáveis dependente e independente de interesse for diferente. Finalmente, pesquisadores deveriam também ser sensíveis a distribuições subjacentes distintas nos dados. A tendência central, como uma média ou mediana, pode ser uma representação adequada de uma distribuição de riqueza em lugares relativamente igualitários como Noruega ou Dinamarca, mas em lugares altamente desiguais como Brasil ou África do Sul tais quantidades poderiam ser altamente enganosas.
Comparabilidade significa, então, que as mensurações são consistentes o suficiente de lugar a lugar e ao longo do tempo, e que essas medidas de fato refletem o contexto que produziu os dados. Isso, por sua vez, implica que pode haver um trade-off entre generalização e mensuração sensível ao contexto e refinada. A mensuração não é útil se for idiossincrática e única a um lugar ou tempo, porque isso não permite comparação; mas a mensuração também precisa considerar o que está sendo medido, e o contexto que produziu essas estimativas — de outro modo, embora se tenham medições consistentes, elas podem se referir a fenômenos muito diferentes. Este é um problema difícil para a descrição, e o trabalho descritivo capaz de equilibrar essa tensão de forma justa e transparente é altamente valioso.
1.4.3 Completude [§10–§11]
Descrição completa responde tantas perguntas descritivas quanto possível dada uma teoria de interesse, ou avaliou uma amostra apropriada dada uma (super)população de interesse. A boa descrição deveria se esforçar para fornecer uma imagem tão abrangente quanto possível dos fenômenos de interesse. Isso pode ser entendido de várias formas; os autores enfocam três. Primeiro, a completude pode ser referida ao conjunto de perguntas de pesquisa descritivas derivadas da teoria de interesse — isto é, dada uma teoria de interesse, o exercício descritivo estudou de modo abrangente tantas (úteis e importantes) perguntas descritivas quanto possível, ou permanecem perguntas (úteis e importantes) sem resposta? Segundo, a completude pode ser referida à população inferencial de interesse — isto é, o pesquisador especificou uma população teoricamente apropriada, e o exercício descritivo avaliou uma amostra apropriada a partir da qual se podem extrair inferências significativas em nível populacional? Terceiro, a completude pode implicitamente trocar profundidade por amplitude: um pesquisador pode estudar profundamente um único caso em poucos pontos no tempo, ou pode estudar amplamente muitos casos em muitos pontos no tempo. Qualquer uma dessas abordagens tende à completude, mas o fracasso em fazer qualquer uma delas sugeriria incompletude.
1.5 Seção 3.1: Da Pergunta à Análise (pp. 16–19)
1.5.1 O desafio de mapear pergunta e método [§1–§2]
Para que análises descritivas sejam claras, comparáveis e completas, a abordagem analítica adotada pelo pesquisador precisa ser cuidadosamente mapeada à pergunta de pesquisa específica. Isso pode ser desafiador, particularmente para perguntas nos degraus 3, 4 e 5 da Figura 1. Os autores consideram, como exemplo, um dos trabalhos descritivos academicamente mais bem-sucedidos dos últimos anos, o de Chetty et al. (2014) sobre mobilidade econômica nos Estados Unidos, cujo achado central é que “um aumento de 10 percentis na renda dos pais está associado a um aumento de 3,4 percentis na renda de uma criança”. Embora esse achado esteja claramente caracterizando uma associação (degrau 3 ou 4 da escada, dependendo de a associação ser condicional), o valor científico da afirmação depende da pergunta específica e da teoria subjacente sendo testada. Para que a inferência descritiva dos autores seja cientificamente valiosa dada sua teoria de interesse, eles tentam excluir explicações concorrentes fazendo uma afirmação do tipo ceteris paribus, remetendo a Spirling e Stewart (2022).
1.5.2 O uso (e mau uso) de regressão multivariada como descrição [§3–§6]
Essa tensão está rotineiramente embutida nas escolhas analíticas dos pesquisadores, embora frequentemente não seja uma consideração explícita. Uma metodologia descritiva comum na ciência social quantitativa, por exemplo, é o uso de regressão multivariada para estabelecer associações condicionais entre variáveis. Nesse exercício, o pesquisador tenta caracterizar “o que vai com o quê” (uma afirmação associacional, no degrau 3 da escada), mas invariavelmente o exercício se assemelha mais a “o que vai com o quê, condicional a outras variáveis” (degrau 4). Se esse exercício faz sentido dependerá — como no caso de Chetty et al. (2014) — de quais teorias ou conceitos teóricos os autores estão tentando medir, construir ou avaliar.
Os autores questionam como se deve interpretar esse exercício. Se o pesquisador acredita firmemente que não está engajado em raciocínio contrafactual — que quer apenas “descrever os dados” — então o uso de regressão multivariada é em si uma escolha peculiar, pois a regressão por desenho envolve projeções em partes contrafactuais dos dados, isto é, extrapolação além do suporte dos dados. Se alguém espera “controlar” por variáveis em uma análise descritiva, é porque tem um modelo teórico subjacente sobre como essas variáveis estão causalmente conectadas. Os autores citam Stanley Lieberson (1987, pp. 213–4), que famosamente advertiu contra o mau uso de variáveis de controle como algo além de um dispositivo descritivo: “a variável de controle é um dispositivo descritivo perfeitamente apropriado; o problema ocorre quando variáveis de controle são vistas como um procedimento analítico. É uma coisa perguntar, qual é a realização ocupacional de negros e brancos de um dado nível educacional? É outra perguntar, levando em conta ou controlando pela influência da educação na realização, qual é a influência da raça na realização?”.
Tal condicionamento pode se justificar com base em um desenho de pesquisa de inferência causal, como seleção sobre observáveis, em que um modelo teórico subjacente afirma que um tratamento é designado “como se aleatoriamente”, condicional a covariáveis pré-tratamento. Alternativamente, pode se justificar sem qualquer modelo causal explícito, como no caso do paradoxo de Simpson, em que o sinal de uma relação global pode de fato se inverter ao se estudar a relação para subconjuntos dos dados, remetendo a Simpson (1951). Esse tipo de configuração é frequentemente usado para justificar o condicionamento de variáveis: sem ajustar pela(s) covariável(is) correta(s), somos levados a erro e tiramos a conclusão “errada” dos dados; apenas quando ajustamos é que a relação “correta” emerge. Contudo, isso só faz sentido como exercício quando reflete teoria: se a teoria prediz uma correlação não ajustada entre duas variáveis, o condicionamento não é necessário. Do mesmo modo, se a pergunta de pesquisa especificada de interesse é simplesmente “X se correlaciona com Y”, o condicionamento não é necessário. Contudo, se a teoria sugere uma relação condicional, ou uma relação condicional é declarada na pergunta de pesquisa, então o condicionamento é necessário. “Correção” e “incorreção” só podem ser compreendidas em termos de uma pergunta de pesquisa explícita conectada à teoria — o sinal global em um caso de paradoxo de Simpson não está “errado” a menos que se esteja mirando o sinal condicional.
O objetivo de tal exercício raramente é explicitamente explicado pelos pesquisadores, segundo os autores. Pode ser uma tentativa de estudar associações condicionais (degrau 4). Contudo, pode ser, e mais frequentemente é, um exercício de raciocínio contrafactual (degrau 5), no qual se controla de modo a “excluir explicações alternativas”, remetendo novamente a Spirling e Stewart (2022, p. 17). Se alguém quer puramente “descrever os dados”, poderia fazê-lo sem regressão; ainda assim, invariavelmente o instinto de controlar domina. Poder-se-ia até argumentar que estudos de inferência causal focados em um único caso podem ser pensados como “descrição” desse caso específico — isto é, uma tendência dominante na ciência social tem sido o uso de ferramentas de inferência causal para analisar estudos de caso específicos, não para engajar em comparação entre múltiplos casos, seja no sentido tradicional do “método comparativo” ou por meio de meta-análises. Pode-se pensar nesses estudos de caso, que usam a tecnologia da inferência causal moderna, como estudos descritivos em si mesmos: eles fornecem estimativas ou avaliações precisas de um ponto de dado para que pesquisadores futuros considerem ao conduzir análises comparativas ou meta-científicas. Ao pensar cuidadosamente sobre onde na “escada” da Figura 1 suas perguntas se situam, pesquisadores deveriam ser capazes de estabelecer os métodos apropriados para estudar suas perguntas.
1.6 Seção 4: A Boa Descrição na Prática (pp. 19–26)
1.6.1 Introdução à seção [§1]
Tendo articulado três objetivos científicos que boas perguntas descritivas podem ajudar pesquisadores a perseguir, e três características de boas análises descritivas, os autores exploram duas formas pelas quais a boa descrição pode ser aplicada. Primeiro, a boa descrição pode especificar os contextos teóricos e empíricos relevantes para comparações valiosas e identificação crível, fornecendo linhas de base e denominadores para comparação, ajudando a avaliar teoria e fornecer condições de escopo plausíveis. Segundo, a descrição ajuda a compreender o desdobramento de fenômenos ao longo do tempo e do lugar, podendo assim iluminar as trajetórias e mecanismos subjacentes a relações causais.
1.7 Seção 4.1: Diversidade de Contextos (pp. 19–22)
1.7.1 Contexto, comparação e explicações monocausais [§1–§4]
A boa descrição fornece contexto teoricamente relevante e situa mensurações e achados. Essa sensibilidade ao contexto inclui um conhecimento mais profundo de cultura, normas, pontos de referência e detalhes que melhoram a qualidade da coleta e interpretação de dados (Cirone et al., 2021), e atenção às formas pelas quais os fenômenos de interesse podem variar através do tempo e do espaço (Hall, 2003, p. 383; Tavory e Timmermans, 2014, p. 72). Essa é uma forma importante pela qual a boa descrição tanto depende de, quanto produz, boa medição. A boa descrição também especifica o contexto comparativo teoricamente relevante no qual se analisa um dado resultado: outras situações em que um resultado ocorre, a distribuição à qual os resultados pertencem, e as linhas do tempo cronológicas ou linhas de base empíricas contra as quais avaliamos o resultado. Aqui, a descrição ajuda a construir teoria ao especificar tanto as condições de escopo nas quais a teoria pode se aplicar, quanto a variação no fenômeno que a teoria busca explicar.
Diferentes resultados são frequentemente observados em contextos similares, o que pode colocar em questão relatos causais. Os autores consideram exemplos fora da ciência política. Há uma preocupação crescente sobre adolescentes e seu uso de celulares como fonte de depressão e ansiedade, com base em dados dos Estados Unidos, remetendo a Haidt (2024). Um dado importante para avaliar a plausibilidade e completude dessa explicação seria se adolescentes com taxas similares de uso de celular em outras democracias ricas mostram níveis similares de ansiedade e depressão. Se não mostram, qualquer narrativa que atribua o sofrimento mental unicamente ao uso de celular na adolescência se torna mais suspeita, ou ao menos mais complicada. De fato, apesar de taxas similarmente altas de uso de celular, taxas de ansiedade e depressão entre adolescentes europeus parecem ser menores do que nos Estados Unidos, remetendo a Sacco et al. (2024) — achado que sugere que uma explicação monocausal é incompleta.
De modo similar, estudos sobre mortes automobilísticas mostram que, embora as compras de veículos utilitários esportivos (SUVs) cada vez maiores tenham disparado após 2000 nos Estados Unidos, Canadá, Austrália e Nova Zelândia, as mortes automotivas diminuíram em todos os lugares exceto nos EUA, remetendo a Burn-Murdoch (2024). O tamanho ou prevalência crescente dos SUVs, portanto, não é a (única, independente, incondicional) causa das mortes automobilísticas. Se observarmos resultados similares através de diferentes contextos, isso também pode nos dar pistas valiosas sobre relações potenciais entre os dados. Por exemplo, se observássemos que pais em todo lugar favorecem seus filhos, então seria improvável que níveis mais altos ou mais baixos de “individualismo” isoladamente possam explicar seu comportamento, remetendo a Henrich (2020).
Nota 7: os autores fazem uma ressalva explícita: não estão sugerindo que a ausência de correlação observável necessariamente implique ausência de causação; em vez disso, pode sugerir que a teoria do pesquisador sobre como a variável causal é designada, ou como a variável dependente é gerada, está sub-especificada ou incompleta de maneiras importantes [nota incluída por relevância argumentativa].
A descrição pode, assim, não apenas fornecer contexto para comparação, mas enfraquecer nossa confiança em algumas causas potenciais ou demandar teoria mais matizada e testes subsequentes. Um exame cuidadoso do contexto pode sugerir uma incompletude, seja em termos de confundidores não especificados que mascaram (amplificam) a verdadeira relação fora (dentro) dos EUA, seja em termos de heterogeneidade de efeito de tratamento, em que o efeito só emerge quando outros fatores de fundo também existem, ou onde outros fatores contrabalanceadores estão ausentes. De modo similar, a maioria dos fenômenos políticos resulta de causas múltiplas e interativas, além de causas únicas e independentes: uma variável explicativa A pode ser uma das muitas causas de mudanças em Y, mas também pode ser uma causa condicional, operando na presença de, ou em algum nível de, outros fatores causais.
1.7.2 Moderadores, distribuições e denominadores [§5–§9]
A boa descrição pode ajudar a especificar essas potenciais relações condicionais, por exemplo por meio do uso de moderadores ou termos de interação, remetendo a Clark et al. (2006) e Hainmueller et al. (2019). Se Z é a variável condicionante ou modificadora, a força de qualquer efeito de A sobre B pode variar dependendo do valor de Z. Perguntas sobre efeitos de tratamento heterogêneos são elas próprias descritivas — Z não precisa ser manipulável para responder a essa pergunta. A boa descrição mede A, B e Z, e ajuda a especificar as formas pelas quais qualquer efeito marginal de A é condicional a Z, sendo que apenas parte disso pode ser consistente com a teoria original, remetendo a Berry et al. (2012, p. 654).
Outra forma de descrever contexto é avaliar as distribuições plausíveis das quais o resultado pode ser extraído. Queremos saber quão específico ou geral é um dado conceito, e quão estáveis ou variáveis são seus atributos através de contextos, remetendo a Kreuzer (2023, cap. 5). Empiricamente, perguntas relevantes incluem se os casos ou relações observadas são extraídos das proximidades da média de uma distribuição normal de resultados, ou se constituem um outlier, vários desvios-padrão distantes da média — ou seja, quão inusual é a relação ou os resultados que estamos observando. Tal descrição pode ser útil teoricamente e empiricamente: por exemplo, um agrupamento bimodal de resultados não apenas exige testes diferentes, mas pode também indicar resultados substantivos de interesse, como fragmentação, polarização ou distanciamento social.
As distribuições em si são altamente informativas. Por exemplo, resultados podem seguir uma distribuição de lei de potência 1/x, como a lei de Zipf ou a lei de Pareto. Essas distribuições têm “caudas” mais gordas do que distribuições normais, o cavalo de batalha das ciências sociais, e isso tem implicações consideráveis tanto para a construção quanto para o teste de teoria. Primeiro, é mais provável encontrar eventos raros com muito mais frequência (cidades muito grandes, palavras comuns, pessoas muito ricas) do que se esperaria com uma distribuição normal. Segundo, isso sugere que tais resultados podem ser autossimilares: pequenos conflitos são simplesmente uma versão fractal de grandes guerras, e vice-versa. Terceiro, enquanto distribuições normais são resultado da adição de variáveis independentes, distribuições de lei de potência resultam de variáveis ou eventos sendo multiplicados ou correlacionados, remetendo a West (2017) e Miller e Page (2009). Assim, feedback positivo pode resultar em distribuição de lei de potência, e não normal. Ao construir teoria, isso implica que é preciso especificar o tipo de interdependência que leva a esses padrões — nesses casos, suposições de independência podem ser violadas, e modelos empíricos que se apoiam em distribuições normais são enganosos.
Finalmente, denominadores, linhas de base históricas e taxas basais podem fornecer contexto crítico para pesquisadores empíricos. Trivialmente, se perguntamos se um dado fenômeno está em ascensão ou em declínio, precisamos conhecer a linha de base histórica. Se medimos um fenômeno em termos absolutos, também precisamos saber o número de unidades e quaisquer mudanças nesse número ao longo do tempo. Por exemplo, um número crescente de democracias no mundo pode indicar o triunfo da democracia liberal — ou simplesmente refletir a mudança no número de países e novos estados (o denominador). Debates recentes sobre retrocesso democrático giram em parte em torno dos indicadores de democracia — mas também questionam se as tendências históricas indicam uma crise democrática ou resiliência continuada, remetendo a Little e Meng (2023) e Treisman (2023). A menos que se tenha uma compreensão clara dos valores de “democracia” relativos a outros regimes, e a democracias no passado, é difícil concluir se as democracias são resilientes ou frágeis.
De modo similar, Chang e Wang (2024) examinam a difusão do poder estatal através da presença de instituições estatais específicas, como unidades policiais, escritórios do Ministério Público, tribunais e agências fiscais. Eles constatam que há menos agências em regiões densamente povoadas, resultado da diminuição dos custos marginais de governança. Esse é um recordatório importante da necessidade de especificar a população como denominador antes de fazer afirmações sobre a eficiência relativa da autoridade estatal.
1.8 Seção 4.2: Tempo, Lugar e Desdobramento de Fenômenos (pp. 22–26)
1.8.1 Descrição, process tracing e o desdobramento no tempo e no espaço [§1–§3]
A análise de como fenômenos se desdobram através do tempo e do lugar é outra contribuição crítica da boa descrição. Já existe um vasto e relacionado corpo de trabalho sobre process tracing (Bennett e Checkel, 2015; Checkel, 2008; Kittel e Kuehn, 2013; Collier, 2011) e modelagem de história de eventos (Box-Steffensmeier e Jones, 1997; Boehmke, 2005; Blossfeld et al., 2014). Contribuições proeminentes nessa vertente se preocupam explicitamente em estabelecer causação (Collier et al., 2010; Collier, 2011; Mahoney, 2012). Ainda assim, esforços empíricos mais modestos também podem ser valiosos: especificamente, descrever como eventos ocorrem e como legados históricos se desdobram sem necessariamente estabelecer vínculos causais.
É frequentemente útil descrever como um dado evento ou fenômeno se espalha (ou recua) através do tempo, território, redes sociais ou instituições. Outros pesquisadores têm defendido maior atenção a tendências geográficas e históricas, transformações ao longo do tempo, e continuidades e descontinuidades como parte de afirmações causais, remetendo a Kreuzer (2023), mas tal análise se encaixa igualmente bem em um arcabouço descritivo. Primeiro, boa mensuração descritiva é necessária para identificar as unidades teoricamente relevantes de tempo e território, instituições ou redes, subdividindo fenômenos mais amplos em suas partes constituintes, remetendo a Cirone e Pepinsky (2022, p. 255). Isso pode significar dias, anos ou décadas, unidades de tempo feitas pelo homem (como períodos de luto religiosamente mandatados ou feriados, ciclos eleitorais ou períodos censitários), ou períodos específicos em que dados eventos se desdobraram (conflito armado e guerras, fomes ou colapsos de regime). Essa mensuração precisa ser relativa à população relevante.
Ao rastrear a presença de uma dada variável ou evento através do tempo e do espaço, pode-se aprender quão sustentado ele foi, quando e como se esgota e se atenua, e pode-se ser capaz de eliminar algumas causas ou mecanismos subjacentes potenciais. Pode-se então rastrear se e como uma dada variável ou mecanismo é transmitido ao longo do tempo e do lugar. Algumas perguntas relevantes aqui incluem: quem adotou a prática e quando? Quando unidades contíguas começam a mostrar as mesmas características? Em que ponto um dado ambiente está saturado? Para responder a essas perguntas, precisamos saber onde e quando vemos um dado fenômeno, e ser capazes de avaliar evidência do mecanismo de “contágio” ou disseminação.
1.8.2 Legados históricos, mecanismos e o debate sobre os Länder alemães [§4–§7]
Segundo, a boa descrição pode medir a manutenção, o crescimento ou a contração de um fenômeno ao longo do tempo e do lugar. Em argumentos de legado histórico, incluindo estudos de persistência de longo prazo, pesquisadores estabelecem um efeito causal de um fenômeno histórico sobre um fenômeno contemporâneo de interesse, usando as ferramentas da inferência causal ou abordagens mecanísticas que rastreiam a interação de agentes e a reprodução de um dado legado, remetendo a Gailmard (2024) e Simpser et al. (2018). Exemplos desses argumentos históricos incluem estudos que ligam padrões de assentamento colonial a resultados econômicos e políticos contemporâneos (Acemoglu et al., 2001), governo autocrático a padrões de competição democrática (Grzymala-Busse, 2002; Riedl, 2014; Wittenberg, 2006), o regime nazista a desenvolvimento econômico subsequente (Charnysh, 2019; Charnysh e Finkel, 2017; Homola et al., 2020), ou a escravidão histórica a confiança social e atitudes modernas (Nunn e Wantchekon, 2011; Acharya et al., 2016).
Relatos que invocam legados históricos frequentemente argumentam que fenômenos podem persistir muito depois de as condições que lhes deram origem terem desaparecido (De Kadt, 2017; Simpser et al., 2018). Críticos apontam que tais argumentos frequentemente não especificam como os resultados de longo prazo surgem, deixando o mecanismo de transmissão sub-especificado. A boa descrição pode fornecer a “abundância de dados de resultados intermediários e múltiplos estudos qualitativos que atendem a critérios rigorosos de seleção de caso” necessários para relatos mecanísticos, remetendo a Cirone e Pepinsky (2022, p. 254). Pode-se mostrar que uma causa histórica foi sustentada ao longo do tempo, com níveis similares do fator causal ao longo do tempo e do lugar, ou que deu origem a outro fator causal, que se pode então medir ao longo do tempo — aproximando-se assim de demonstrar como uma dada causa foi sustentada e reproduzida ao longo do tempo.
Argumentos de legado histórico também são pouco específicos sobre as “meias-vidas” dos legados invocados: quando tais legados se atenuam, onde o fazem, e se alguns são mais duráveis que outros. Também são circunspectos sobre a distribuição do impacto dos legados: onde e quando esses legados desempenharam o maior papel, ou mostram a maior associação. De modo similar, os autores argumentam que se quereria saber não apenas como a difusão territorial da autoridade estatal ou do domínio imperial se difunde a partir do centro, mas também se e como se contrai. Aqui, a boa descrição pode medir se o legado é sustentado ao longo do tempo e do lugar, por meio de múltiplas e repetidas mensurações dos níveis observáveis dos antecedentes do legado histórico.
A boa descrição pode ajudar a descobrir (ou desafiar) certas explicações históricas. Por exemplo, Voigtländer e Voth (2012) ligam pogroms medievais ao antissemitismo do século XX, sugerindo que isso pode ser o resultado da socialização dentro das famílias e da imitação de normas parentais. De modo similar, Homola et al. (2020) argumentam que a proximidade a campos de concentração nazistas levou a um aumento no voto por partidos de extrema-direita, resultado da exposição a instituições nazistas e da dissonância cognitiva que essa experiência produziu; assim como em Voigtländer e Voth (2012), a socialização familiar e as normas parentais são o mecanismo que transmite crenças através do tempo.
Contudo, esse relato também foi questionado com base em conhecimento descritivo. Pepinsky et al. (2024b) argumentam que os Länder da Alemanha variam grandemente em termos de currículos escolares e educação civil, o que provavelmente afeta crenças e comportamentos sociais contemporâneos, e pode atuar como confundidor. Eles propõem, portanto, que efeitos fixos de Länder deveriam ser incluídos no conjunto de condicionamento (ver Homola et al., 2024 e Pepinsky et al., 2024a para uma continuação desse debate). Mais amplamente, como Voigtländer e Voth (2012) apontam, é preciso especificar as condições sob as quais fatores históricos são preservados e transmitidos, e quando se atenuam em resposta a choques, evolução política ou exposição cultural via comércio ou educação.
1.8.3 Temporalidade, sequência e processos dependentes de trajetória [§8–§10]
Terceiro, atentar cuidadosamente ao desdobramento territorial e temporal de um fenômeno pode ajudar a isolar os mecanismos causais que possam estar em jogo, e mais especificamente, quais elementos são improváveis dados os padrões observados. Elementos de temporalidade, como duração, ritmo, momento e sequenciamento, ajudam a diferenciar mecanismos causais: “a construção rápida de instituições é improvável que envolva deliberação, construção de consenso entre amplas constituências, ou múltiplos jogadores com poder de veto”, remetendo a Grzymala-Busse (2011, p. 1271). Em vez disso, é mais provável que envolva habilidades, redes e modelos preexistentes. Tal mudança rápida também pode impedir que outros fenômenos ocorram — por exemplo, repressão rápida pode impedir que um protesto evolua para uma revolução.
Medir o crescimento também pode identificar padrões exponenciais, do tipo observado em grandes mudanças comportamentais em escala, como a virada nas normas sociais e políticas (Mackie, 1996; Nyborg et al., 2016). Por exemplo, as atitudes em relação ao casamento entre pessoas do mesmo sexo mudaram subitamente e radicalmente ao longo do início dos anos 2000, atingindo aprovação majoritária até 2011, remetendo a Gallup (2025). Uma propriedade crítica de tal crescimento geométrico é que o aumento inicial pode ser muito difícil de observar nos estágios iniciais, consistindo, como consiste, na multiplicação de quantidades muito pequenas, de modo que, ao momento em que observamos a expansão enorme e súbita, o mecanismo já vinha se desdobrando por um período considerável de tempo. Tais mecanismos são especialmente críticos em epidemiologia (explicando por que conter a disseminação inicial de doenças altamente infecciosas é crítico e difícil), finanças (corridas bancárias tendem a assumir essa forma), revoluções (e por que só se pode observar que elas “não são feitas: elas vêm”, nas palavras de Wendell Phillips) e a disseminação de ideias.
Rastrear a sequência de eventos é particularmente importante em processos dependentes de trajetória, nos quais os resultados dependem do ordenamento dos eventos que conduzem tanto a um resultado em um período, quanto a um equilíbrio de longo prazo, remetendo a Page et al. (2006). Distinguir entre processos dependentes de trajetória e mera persistência necessita documentar a sequência de eventos e o acúmulo de externalidades ao longo do tempo. O raciocínio contrafactual baseado em descrição delineado anteriormente na Seção 2, e exercícios como testes placebo, também podem mostrar como essas sequências e acumulações excluíram outros caminhos possíveis.
1.9 Conclusão (pp. 26–27)
1.9.1 Descrição como parceira da inferência causal [§1–§3]
A ciência social passou por diversos desenvolvimentos metodológicos amplos nas últimas décadas, indo de avanços estatísticos, computacionais e qualitativos que aprofundaram e ampliaram a caixa de ferramentas analítica, à modelagem formal que ensinou a especificar as microfundações e interações estratégicas em nossas teorias, até a revolução da identificação, que enfatiza a importância dos desenhos de pesquisa subjacentes e suas suposições para a inferência causal. Uma característica comum a todos esses avanços é o desenvolvimento de critérios avaliativos claros. Os autores buscam construir esse mesmo arcabouço para a descrição, que conecta e sustenta todos esses empreendimentos.
A descrição é, segundo os autores, a arte científica de conectar teoria bem especificada — que é invariavelmente causal — a análises computacionais, estatísticas e qualitativas apropriadas, para oferecer insights sobre perguntas importantes. A descrição é, portanto, um modo de investigação científico-social teoricamente informado. Quando pesquisadores tentam responder às perguntas que derivaram da teoria, o fazem conduzindo análises empíricas. A descrição é tanto um passo fundamental para várias formas de inferência quanto um exercício científico-social valioso em si mesmo. Os autores encorajam pesquisadores engajados em trabalho descritivo a argumentar de modo claro e explícito sobre onde reside o valor científico-social de seu trabalho.
A “boa descrição” engaja teoria, ao invocar teorias existentes, motivar novos modelos teóricos e seu refinamento, e em alguns casos até avaliar teoria. Ela o faz especificando fenômenos de interesse, apontando desvios em relação a distribuições esperadas de dados, ou demonstrando padrões que deveriam (ou não deveriam) existir dada nossa teoria. Serve para especificar as
1.10 Seção 4.2: Tempo, lugar e desdobramento de fenômenos (pp. 22–26) — continuação
1.10.1 Legados históricos, mecanismos e o debate sobre os Länder alemães [§4–§7]
Relatos que invocam legados históricos frequentemente sustentam que fenômenos persistem muito depois de as condições que os geraram terem desaparecido. Os autores citam De Kadt (2017) e Simpser et al. (2018) para mostrar que esse tipo de argumento é frequente, mas observam que os críticos têm razão ao apontar que esses relatos muitas vezes não especificam como os resultados de longo prazo surgem, deixando o mecanismo de transmissão subespecificado.
A boa descrição pode preencher essa lacuna ao fornecer a “abundância de dados de resultados intermediários e múltiplos estudos qualitativos que atendem a critérios rigorosos de seleção de caso” necessária para relatos mecanísticos, conforme Cirone e Pepinsky (2022, p. 254). Os autores argumentam que, por meio de mensurações repetidas e contextualizadas, é possível mostrar que uma causa histórica foi sustentada ao longo do tempo e reproduzida no espaço, ou que ela deu origem a outro fator causal que então pode ser seguido empiricamente. Nesse sentido, a descrição contribui para mostrar não só que o legado existe, mas como ele é mantido e reproduzido.
Os autores observam ainda que argumentos de legado histórico costumam ser vagos quanto às suas “meias-vidas”: não sabemos com precisão quando tais legados se enfraquecem, onde o fazem e se alguns são mais duráveis do que outros. Tampouco é claro, em muitos casos, onde e quando o impacto é mais forte. O mesmo raciocínio vale para a difusão territorial da autoridade estatal ou do domínio imperial: a boa descrição pode ajudar a medir não apenas a expansão, mas também a contração desses fenômenos, por meio de mensurações múltiplas e repetidas dos níveis observáveis dos antecedentes históricos do legado.
A seção também mostra como a descrição pode desafiar ou aperfeiçoar explicações históricas concretas. Voigtländer e Voth (2012) são citados por ligar pogroms medievais ao antissemitismo do século XX, enquanto Homola et al. (2020) relacionam proximidade a campos de concentração nazistas ao aumento do voto em partidos de extrema-direita. Em ambos os casos, os autores destacam mecanismos como socialização familiar, imitação de normas parentais, exposição a instituições nazistas e dissonância cognitiva como veículos da transmissão temporal das crenças.
Contudo, o relato de continuidade histórica é contestado por evidência descritiva alternativa. Pepinsky et al. (2024b) argumentam que os Länder alemães variam amplamente em currículo escolar e educação cívica, o que provavelmente afeta crenças e comportamentos contemporâneos e pode atuar como confundidor. Por isso, sugerem a inclusão de efeitos fixos de Länder. Os autores usam esse debate para mostrar como a descrição pode revelar variáveis omitidas e complicar narrativas causais elegantes, exigindo especificação mais cuidadosa das condições sob as quais legados são preservados, atenuados ou desviados por choques, evolução política ou exposição cultural via comércio e educação.
1.10.2 Temporalidade, sequência e processos dependentes de trajetória [§8–§10]
O terceiro uso prático da boa descrição é ajudar a isolar mecanismos causais ao observar atentamente o desdobramento temporal e territorial dos fenômenos. Elementos como duração, ritmo, momento e sequência ajudam a distinguir mecanismos diferentes. Os autores citam Grzymala-Busse (2011, p. 1271) para argumentar que uma construção rápida de instituições é improvável que envolva deliberação ampla, construção de consenso e múltiplos vetos; em vez disso, é mais provável que envolva habilidades, redes e modelos preexistentes. Mudanças rápidas também podem impedir que outros fenômenos ocorram, como quando repressão rápida bloqueia a evolução de protestos em revoluções.
Os autores mostram também que medir crescimento pode revelar padrões exponenciais. Eles usam como exemplo a mudança radical nas atitudes em relação ao casamento entre pessoas do mesmo sexo ao longo do início dos anos 2000, que atingiu maioria de aprovação até 2011, citando Gallup (2025). O ponto analítico é que tais mudanças geométricas são difíceis de enxergar nos estágios iniciais, pois começam como multiplicações de quantidades pequenas. Por isso, quando a expansão parece súbita, o mecanismo já vinha operando há muito tempo. Essa lógica é importante em epidemiologia, finanças, revoluções e difusão de ideias.
A última parte da seção destaca a importância da sequência de eventos em processos dependentes de trajetória. Os autores citam Page et al. (2006) para afirmar que, nesses casos, o resultado depende da ordem dos eventos, tanto no curto prazo quanto no equilíbrio de longo prazo. Diferenciar dependência de trajetória de mera persistência exige documentar a sequência de eventos e o acúmulo de externalidades ao longo do tempo. Exercícios contrafactuais baseados em descrição, assim como testes placebo, também podem ajudar a mostrar como certas sequências excluíram caminhos alternativos.
1.11 Conclusão (pp. 26–27)
1.11.1 Síntese final do argumento [§1–§3]
Na conclusão, os autores situam seu argumento no contexto mais amplo da evolução metodológica das ciências sociais. Eles lembram que a disciplina passou, nas últimas décadas, por avanços estatísticos, computacionais e qualitativos, pela modelagem formal e pela revolução da identificação. O traço comum a todos esses avanços é o desenvolvimento de critérios claros de avaliação, e o objetivo do artigo foi construir o mesmo tipo de arcabouço para a descrição.
A descrição é definida como a arte científica de conectar teoria bem especificada — que os autores reiteram ser invariavelmente causal — a análises computacionais, estatísticas e qualitativas apropriadas, de modo a produzir insights sobre perguntas importantes. Assim, a descrição é um modo de investigação teoricamente informado. Quando pesquisadores tentam responder às perguntas derivadas da teoria, eles conduzem análises empíricas; nesse sentido, a descrição é simultaneamente um passo fundamental para várias formas de inferência e um exercício científico-social valioso em si mesmo. Os autores encorajam pesquisadores descritivos a explicitar onde está o valor científico-social de seu trabalho.
Por fim, eles reiteram que a boa descrição envolve engajar teoria, motivar ou refinar modelos teóricos e, em certos casos, avaliá-los; isso é feito especificando fenômenos de interesse, apontando desvios em relação a distribuições esperadas e mostrando padrões que deveriam ou não existir dada a teoria. Em vez de ser subordinada à causalidade, a boa descrição é parceira da inferência causal no empreendimento mais amplo de entender o mundo social.