Análisis cualitativo comparado (QCA y fsQCA) según Ragin: condiciones necesarias y suficientes (2026)
Cuando tu investigación tiene demasiados casos para hacer un estudio de caso en profundidad, pero demasiado pocos para aplicar con garantías un análisis estadístico inferencial, el análisis cualitativo comparado (QCA) de Charles Ragin ofrece una salida metodológica rigurosa. Desarrollado a partir de 1987 y refinado en sucesivas publicaciones hasta la actualidad, el QCA combina la lógica del álgebra booleana con el pensamiento configuracional propio de la tradición cualitativa, y hoy es una referencia consolidada en ciencias políticas, sociología, estudios organizacionales, educación y políticas públicas.
La pregunta que responde el QCA no es «¿cuánto influye cada variable?», sino «¿qué combinaciones de condiciones son necesarias o suficientes para que ocurra el resultado?». Ese cambio de enfoque —de la covariación lineal a la causalidad configuracional— es precisamente lo que lo hace tan útil cuando los fenómenos sociales son complejos, contextuales y equifinales: cuando rutas causales distintas conducen al mismo desenlace.
Origen y fundamento teórico: la lógica configuracional de Ragin
Charles C. Ragin publicó en 1987 The Comparative Method, donde presentó el Qualitative Comparative Analysis (QCA) como respuesta a una tensión clásica en las ciencias sociales: los métodos orientados a variables (regresión, ANOVA) capturan relaciones de covariación promediadas, pero a costa de disolver la especificidad de cada caso; los estudios de caso mantienen esa especificidad, pero a costa de la comparabilidad sistemática. El QCA propone un tercer camino mediante la formalización lógica del razonamiento comparativo.
Ragin conceptualiza la causalidad social como causalidad múltiple conjuntural: los resultados emergen de combinaciones de condiciones (conjunciones), y diferentes combinaciones pueden producir el mismo resultado (equifinalidad). Este supuesto contrasta radicalmente con el modelo aditivo-lineal de la regresión, donde cada variable aporta de forma independiente y simétrica. En el QCA, la ausencia de una condición no equivale simplemente al polo negativo de su presencia; se trata de información causalmente distinta.
En sus obras posteriores —Fuzzy-Set Social Science (2000) y Redesigning Social Inquiry (2008)— Ragin amplió el aparato formal para incorporar la teoría de conjuntos difusos, lo que permitió trabajar con grados de pertenencia en lugar de categorías binarias, un avance decisivo para los conceptos sociales que no se prestan a dicotomizaciones limpias.
Las tres variantes del QCA: csQCA, fsQCA y mvQCA
Comprender qué variante aplicar depende del nivel de medición de tus condiciones y del resultado, así como del sustrato teórico disponible para justificar los umbrales de codificación.
| Variante | Tipo de pertenencia | Valores posibles | Ejemplo de aplicación |
|---|---|---|---|
| csQCA (crisp-set) | Binaria (nítida) | 0 o 1 | ¿El partido obtuvo mayoría absoluta? (sí/no) |
| fsQCA (fuzzy-set) | Gradual (difusa) | 0 a 1 (continuo o semigradual) | Grado de democratización de un país (0,2; 0,6; 0,9…) |
| mvQCA (multi-value) | Multicotómica | Valores categóricos (0, 1, 2…) | Sistema de partidos: bipartidismo / multipartidismo / partido dominante |
El csQCA es la forma original y la más sencilla computacionalmente. Resulta adecuado cuando las condiciones admiten una dicotomización teóricamente defensible y empíricamente clara. Si se fuerza la dicotomía sobre conceptos continuos sin apoyo teórico, se pierde información y pueden aparecer contradicciones lógicas en la tabla de verdad.
El fsQCA es actualmente la variante más empleada en la literatura, especialmente en ciencias sociales, psicología organizacional y estudios de gestión. Permite que las condiciones asuman cualquier valor entre 0 (plena no pertenencia) y 1 (plena pertenencia), con 0,5 como punto de indiferencia o umbral de cruce (crossover point). Esta flexibilidad es especialmente valiosa cuando se trabaja con constructos como «alto nivel educativo», «grado de apertura económica» o «intensidad del conflicto».
El mvQCA se ha utilizado menos y presenta limitaciones propias; es preferible cuando las condiciones son genuinamente nominales con más de dos categorías que no pueden ordenarse en un continuum significativo.
Al elegir la variante, conviene tener en cuenta que el número máximo de configuraciones lógicas posibles es 2k en csQCA y fsQCA, donde k es el número de condiciones. Con cinco condiciones, hay 32 combinaciones posibles; con seis, 64. Por eso se recomienda no superar cinco o seis condiciones en estudios con N intermedia: el riesgo de complejidad limitada (limited diversity) se dispara cuando hay muchas celdas vacías en la tabla de verdad, lo que obliga a usar remanentes lógicos (logical remainders) de forma más intensiva.
Para profundizar en cómo operacionalizar las condiciones del QCA de forma coherente con el marco teórico, resulta útil definir con precisión los indicadores antes de comenzar la calibración.
Condiciones necesarias y condiciones suficientes
La distinción entre condición necesaria y condición suficiente es el núcleo conceptual del QCA. Confundirlas —algo frecuente incluso en revisores de revistas académicas— invalida la interpretación de los resultados.
Condición necesaria
Una condición X es necesaria para el resultado Y cuando, siempre que ocurre Y, también está presente X. Dicho en términos de conjuntos: el conjunto Y está incluido en el conjunto X (Y ⊆ X). La presencia de X no garantiza Y (no es suficiente), pero la ausencia de X hace imposible Y. Un ejemplo: el acceso a financiación puede ser una condición necesaria para el lanzamiento de una startup tecnológica, pero no es suficiente por sí sola.
Condición suficiente
Una condición o combinación de condiciones es suficiente para el resultado cuando, cada vez que se da esa combinación, el resultado también aparece. En términos de conjuntos: X ⊆ Y. La condición suficiente no excluye que el resultado pueda producirse por otras rutas (equifinalidad). Volviendo al ejemplo: la conjunción de financiación + equipo experimentado + nicho de mercado definido puede ser suficiente para el lanzamiento exitoso, sin que sea la única senda posible.
Relación asimétrica
Un error conceptual habitual es tratar la no presencia de una condición suficiente como una condición suficiente de la no presencia del resultado. El QCA asume asimetría: las condiciones que explican la presencia del resultado pueden ser distintas de las que explican su ausencia. Por eso se recomienda analizar ambos lados —resultado presente y resultado ausente— como análisis separados.
La naturaleza configuracional del QCA conecta bien con la idea de construir un marco teórico que justifique la selección de condiciones: en QCA, las condiciones no se eligen por su correlación con el resultado, sino por su plausibilidad teórica como elementos de la explicación causal. Esta exigencia se solapa con los criterios de rigor en investigación cualitativa de Lincoln y Guba —credibilidad, transferibilidad y confirmabilidad—, que en el QCA se traducen en la transparencia de los anclajes de calibración y en la justificación explícita de cada condición incluida.
La tabla de verdad y la minimización booleana
La tabla de verdad (truth table) es el instrumento central del QCA. Cada fila representa una configuración lógica posible de las condiciones —una combinación específica de presencias y ausencias— y registra qué casos reales pertenecen a ella y si esa configuración está asociada al resultado o a su ausencia.
Para construirla correctamente hay que seguir estos pasos:
- Codificar las condiciones y el resultado para cada caso, respetando el tipo de pertenencia elegido (binaria en csQCA; graduada en fsQCA).
- Calcular la consistencia de cada configuración como indicador de hasta qué punto los casos que presentan esa combinación también presentan el resultado.
- Decidir el umbral de consistencia por encima del cual una configuración se codifica como «1» (asociada al resultado). El estándar habitual en la literatura es ≥ 0,80, aunque algunas tradiciones exigen ≥ 0,85.
- Tratar los remanentes lógicos: configuraciones sin casos empíricos que, sin embargo, deben declararse como presentes o ausentes del resultado para completar la minimización.
Una vez construida la tabla de verdad, se aplica la minimización booleana mediante el algoritmo Quine-McCluskey (QMC). El principio es sencillo: si dos configuraciones que difieren solo en una condición producen el mismo resultado, esa condición es causalmente irrelevante para ese par y puede eliminarse, generando un implicante primo más parsimonioso. El proceso se repite iterativamente hasta que no es posible más simplificación.
El resultado de la minimización son las llamadas fórmulas de solución, que pueden adoptar tres formas:
- Solución parsimoniosa: usa todos los remanentes lógicos disponibles, maximizando la simplificación. Puede incluir implicantes teóricamente indefendibles.
- Solución conservadora (o compleja): no usa ningún remanente lógico. Es la más cercana a los datos, pero puede ser difícilmente interpretable si hay mucha complejidad limitada.
- Solución intermedia: usa solo los remanentes lógicos compatibles con la dirección esperada del efecto, basándose en expectativas teóricas. Es la más recomendada en la literatura actual.
La convención establecida por Ragin y Fiss es presentar las tres soluciones, pero centrar la interpretación sustantiva en la solución intermedia, usando la parsimoniosa para identificar los núcleos causales y la conservadora como referencia de contraste.
Consistencia y cobertura: interpretar los parámetros
La consistencia y la cobertura son los dos parámetros fundamentales para evaluar la calidad de las relaciones causales identificadas por el QCA. Análogamente —aunque no de forma equivalente— a la significación estadística y al tamaño del efecto, respectivamente.
Consistencia
Mide en qué proporción los casos que presentan la condición (o configuración) también presentan el resultado. En términos formales, para una condición suficiente X respecto al resultado Y:
Consistencia(X ⊆ Y) = Σ[min(Xi, Yi)] / Σ[Xi]
Para condiciones suficientes, el umbral mínimo aceptado en la práctica investigadora es 0,80. Para condiciones necesarias, la consistencia debe aproximarse a 1,0 (habitualmente ≥ 0,90). Valores de consistencia inferior al 0,75 indican contradicción lógica: el resultado ocurre tanto con la condición como sin ella, lo que señala una especificación teórica inadecuada.
Cobertura
Mide qué proporción del resultado total queda explicada por la condición o configuración. Una solución con alta consistencia pero baja cobertura es causalmente válida pero empíricamente marginal: explica pocos casos. La cobertura total de la solución (unión de todas las rutas) nunca debe confundirse con la cobertura exclusiva de cada ruta individual.
| Parámetro | Tipo de relación | Umbral mínimo recomendado | Interpretación |
|---|---|---|---|
| Consistencia | Condición suficiente | ≥ 0,80 | Al menos el 80 % de los casos con la condición presentan el resultado |
| Consistencia | Condición necesaria | ≥ 0,90 | La condición está presente en al menos el 90 % de los casos con resultado |
| Cobertura | Solución completa | Sin umbral fijo | Indicador de relevancia empírica; debe interpretarse sustantivamente |
Un error habitual en los TFG y tesis que aplican QCA es reportar solo la consistencia sin discutir la cobertura, o a la inversa. Ambos parámetros deben presentarse conjuntamente y justificarse a la luz del problema de investigación. Este aspecto se relaciona estrechamente con la validación de instrumentos e indicadores en investigación: la calidad de los datos de entrada condiciona la fiabilidad de los parámetros obtenidos.
Calibración en fsQCA: asignar puntuaciones de pertenencia
La calibración es el proceso por el que cada caso recibe una puntuación de pertenencia al conjunto fuzzy para cada condición y para el resultado. Es, posiblemente, la decisión más delicada de todo el proceso fsQCA, porque introduce el juicio teórico del investigador de forma explícita.
El procedimiento estándar requiere definir tres anclajes cualitativos:
- Umbral de plena pertenencia (valor de referencia = 0,95): puntuación por encima de la cual se considera que el caso está totalmente incluido en el conjunto.
- Punto de indiferencia o cruce (crossover point, valor = 0,5): puntuación que indica que el caso está igualmente dentro que fuera del conjunto. Ningún caso debe quedar exactamente en 0,5 tras la calibración, porque ese valor es ambiguo para el análisis de necesidad y suficiencia.
- Umbral de plena exclusión (valor de referencia = 0,05): puntuación por debajo de la cual el caso está plenamente fuera del conjunto.
Estos anclajes deben fijarse a partir de conocimiento teórico y empírico sobre el dominio, no de la distribución estadística de la muestra. Calibrar mecánicamente usando cuartiles o percentiles sin justificación sustantiva es una práctica desaconsejada, porque convierte los anclajes en propiedades de la muestra más que del concepto.
El paquete QCA de R ofrece la función calibrate(), que permite transformar variables crudas en puntuaciones fuzzy mediante interpolación logística (logistic) o lineal directa, indicando los tres puntos de anclaje como argumentos.
Software disponible: R (paquete QCA) y fsQCA
Para implementar el análisis existen dos herramientas principales:
Paquete QCA en R
El paquete QCA (Dusa, 2019 y actualizaciones posteriores), disponible en CRAN, es la solución más completa y reproducible. Permite realizar csQCA, fsQCA y mvQCA, construir tablas de verdad con la función truthTable(), minimizar con minimize() mediante el algoritmo Quine-McCluskey clásico o mejorado, y calcular todos los parámetros de necesidad y suficiencia. Su integración con el entorno R facilita la creación de scripts reproducibles y la combinación con otras técnicas estadísticas.
Software fsQCA (Ragin y Davey)
El programa de uso libre fsQCA, desarrollado directamente por el equipo de Ragin y disponible en el sitio COMPASSS, ofrece una interfaz gráfica que reduce la curva de aprendizaje. Es especialmente útil para primeros acercamientos al método, aunque tiene menos flexibilidad para la automatización y la reproducibilidad.
Tanto si usas R como el software fsQCA, el flujo de trabajo estándar sigue la misma secuencia: (1) preparación y calibración de datos, (2) análisis de necesidad, (3) construcción y umbralización de la tabla de verdad, (4) minimización y (5) interpretación de las soluciones. Este flujo encaja bien con la lógica de los diseños cualitativos que combinan varios instrumentos de recogida de datos, como los diseños con grupos de casos comparados típicos de la metodología experimental o cuasiexperimental.
Cuándo usar QCA en tu TFG o tesis
El QCA no es la herramienta adecuada para toda investigación. Aplicarlo mal o en un contexto inapropiado puede ser tan problemático como ignorarlo cuando sería el método correcto. Estas son las señales de que el QCA encaja bien con tu diseño:
- N intermedia: tienes entre 10 y 50 casos (aunque la literatura reporta estudios con hasta 100-150 casos en fsQCA).
- Causalidad configuracional: sospechas que el resultado emerge de combinaciones de condiciones, no de efectos aditivos independientes.
- Equifinalidad: diferentes rutas pueden llevar al mismo resultado; descartar esa posibilidad a priori sería teóricamente injustificado.
- Conocimiento de los casos: conoces en profundidad los casos —o puedes conocerlos— y puedes justificar los anclajes de calibración desde el conocimiento sustantivo.
- Marco de conjuntos: tus hipótesis teóricas pueden reformularse en términos de relaciones de subconjuntos (necesidad, suficiencia) en lugar de correlaciones.
Por el contrario, el QCA no es apropiado cuando el N es grande (varios cientos o miles de casos), cuando la variación de interés es fundamentalmente cuantitativa y continua sin referentes cualitativos para la calibración, o cuando el objetivo es la predicción probabilística y no la explicación configuracional. Si tus datos están anidados en grupos o niveles —por ejemplo, alumnos dentro de centros educativos o empleados dentro de empresas—, los modelos multinivel jerárquicos suelen ser una alternativa más adecuada que el QCA para capturar esa estructura. Y si todavía no tienes claro qué técnica emplear, el árbol de decisión para elegir la prueba estadística correcta puede orientarte antes de comprometerte con un diseño.
En el contexto de un TFG de Ciencias Políticas, Sociología o Administración Pública, el QCA puede aplicarse, por ejemplo, para explicar qué combinación de factores institucionales, económicos y de capacidad administrativa determina el éxito de la implementación de una política pública en distintas comunidades autónomas. En Ciencias de la Educación, puede emplearse para analizar qué condiciones escolares producen resultados de aprendizaje excepcionalmente altos o bajos en una muestra de centros. En Administración de Empresas, para comparar qué combinaciones de factores estratégicos explican la internacionalización exitosa de empresas medianas.
La selección del QCA también conecta con decisiones sobre el tipo de muestreo, ya que en QCA la selección de casos debe ser teóricamente relevante y no aleatoria: se elige la diversidad de casos para cubrir el espacio de configuraciones posibles, no para representar una población estadísticamente.
Desde el punto de vista de la presentación bibliométrica, el QCA tiene una producción científica creciente y consolidada. Un análisis de co-citación muestra que los trabajos fundacionales de Ragin (1987, 2000, 2008), el manual de Rihoux y Ragin (2009) y los artículos metodológicos de Fiss, Wagemann y Schneider concentran la mayor parte de las citas. Revisiones recientes usando herramientas de análisis bibliométrico con R y Bibliometrix permiten mapear con rapidez los frentes de investigación activos en QCA y seleccionar las fuentes más relevantes para el marco teórico de tu tesis.
También es útil conocer cómo el QCA se relaciona con métodos mixtos y con otras técnicas de análisis de complejidad causal, como el meta-análisis, que aborda la síntesis cuantitativa de evidencias cuando el N de estudios es suficientemente grande, o la saturación teórica en la investigación cualitativa convencional. En este último caso, el QCA ocupa el espacio metodológico situado entre el caso único y el gran N estadístico, reclamando un lugar propio como estrategia de investigación sistemática y comparativa.
Preguntas frecuentes (FAQ)
¿Cuántos casos necesito para hacer un análisis QCA?
El QCA está diseñado para estudios con N intermedia, lo que la literatura sitúa orientativamente entre 10 y 50 casos. Algunos estudios en fsQCA trabajan con hasta 100-150 casos cuando el número de condiciones es bajo y se puede gestionar la complejidad limitada. Por debajo de 10 casos, el análisis pierde robustez empírica; por encima de 100, los métodos estadísticos convencionales suelen ser más informativos. Lo determinante no es el número exacto, sino que el investigador pueda conocer sus casos en profundidad y justificar la calibración con criterios teóricos sustantivos.
¿Qué diferencia hay entre csQCA y fsQCA en la práctica?
La diferencia fundamental es el tipo de pertenencia al conjunto. En csQCA, cada caso está dentro (1) o fuera (0) de cada condición; la dicotomización puede ser adecuada para fenómenos genuinamente binarios (aprobado/suspenso, democracia/autocracia en sistemas muy polarizados), pero fuerza distinciones que pueden resultar arbitrarias en fenómenos continuos. En fsQCA, cada caso tiene una puntuación de pertenencia entre 0 y 1, lo que permite representar matices como «bastante democrático» (0,75) o «marginalmente democrático» (0,35). Esta precisión adicional exige mayor inversión en la calibración, pero produce soluciones más finamente ajustadas a la variación real de los casos.
¿Cómo se interpretan las fórmulas de solución del QCA?
Las fórmulas de solución del QCA se leen como expresiones booleanas: la letra mayúscula representa la presencia de la condición y la letra minúscula (o el operador de negación ~) representa su ausencia. El asterisco (*) indica conjunción (AND lógico) y el signo (+) indica disyunción (OR lógico). Por ejemplo, A*b + C*D*e se lee: «la combinación de A presente y B ausente, O bien la combinación de C presente, D presente y E ausente, es suficiente para el resultado». Cada término del OR es una ruta causal alternativa.
¿Es el QCA compatible con la investigación mixta?
Sí, y de hecho existen estrategias consolidadas de investigación multimétodo que combinan QCA con process tracing (trazado de procesos). El QCA identifica qué configuraciones causales producen el resultado; el process tracing verifica si el mecanismo causal propuesto opera efectivamente en los casos individuales que representan esa configuración. Esta combinación se denomina QCA+PT y está respaldada por autores como Schneider y Rohlfing. También puede combinarse con análisis de redes, entrevistas cualitativas y análisis documental para triangular los hallazgos.
¿Cómo se manejan las contradicciones lógicas en la tabla de verdad?
Una contradicción lógica aparece cuando dos o más casos comparten exactamente la misma configuración de condiciones pero difieren en el resultado. En csQCA esto bloquea la minimización de esa fila. Las soluciones habituales son: (1) revisar la codificación de los casos para detectar errores; (2) añadir una condición adicional que discrimine entre los casos contradictorios; (3) eliminar casos que distorsionen el análisis por razones teóricamente justificables; o (4) en fsQCA, revisar los anclajes de calibración. Una consistencia ≥ 0,75 por encima del punto de corte es el criterio habitual para considerar una configuración como suficientemente consistente para incluirla en la solución.
¿Cómo se cita el QCA en APA 7?
Las referencias fundacionales más citadas son: Ragin, C. C. (1987). The Comparative Method: Moving Beyond Qualitative and Quantitative Strategies. University of California Press. Y Ragin, C. C. (2008). Redesigning Social Inquiry: Fuzzy Sets and Beyond. University of Chicago Press. Para el manual de variantes: Rihoux, B., & Ragin, C. C. (Eds.) (2009). Configurational Comparative Methods: Qualitative Comparative Analysis (QCA) and Related Techniques. SAGE. Si usas el paquete R, cita también: Dusa, A. (2019). QCA with R: A Comprehensive Resource. Springer.
Leave a Reply