Capítulo 4 Desenho de Pesquisa

Objetivos do capítulo

• Compreender o que é um desenho de pesquisa e por que ele importa
• Conhecer duas visões sobre o que organiza a pesquisa: puzzles vs. problemas
• Distinguir tipos de pesquisa: normativa vs. positiva, descritiva vs. explicativa
• Compreender os três estágios de um programa de pesquisa orientado a problemas
• Formular boas questões de pesquisa e hipóteses testáveis
• Compreender a estrutura lógica de um argumento de pesquisa
• Distinguir desenhos experimentais e observacionais
• Entender validade interna e externa
• Conhecer as principais ameaças à inferência causal
• Conectar pesquisa acadêmica e projetos de políticas públicas
• Reconhecer erros comuns em desenhos de pesquisa

4.1 O que é um desenho de pesquisa?

Um desenho de pesquisa é o plano que conecta uma pergunta a uma resposta. Ele especifica: (1) qual é a pergunta, (2) que tipo de evidência responderia a essa pergunta, (3) como essa evidência será obtida, e (4) como ela será analisada. Sem um desenho de pesquisa, temos apenas dados — e dados, sozinhos, não são evidência, porque admitem múltiplas interpretações (Edmans 2025).

Pense em um desenho de pesquisa como a planta de um edifício. Assim como não faz sentido comprar tijolos antes de saber quantos andares o prédio terá, não faz sentido coletar dados antes de saber que pergunta queremos responder e que comparações faremos para respondê-la.

O desenho de pesquisa é anterior à análise estatística. Os métodos estatísticos são ferramentas para extrair informação dos dados, mas a credibilidade da inferência depende de como os dados foram gerados e coletados — isto é, do desenho. Um teste estatístico sofisticado não compensa um desenho fraco.

4.1.1 Duas visões: puzzles e problemas

Mas o que dá origem a uma pesquisa? Existem duas visões concorrentes sobre o que organiza um programa de pesquisa, e é útil conhecer ambas desde o início.

A visão tradicional — representada por manuais como King, Keohane, and Verba (1994) e Toshkov (2016) — parte de um puzzle intelectual: um fenômeno que a teoria existente não explica, ou uma lacuna na literatura. Por que democracias não entram em guerra entre si? Por que plataformas partidárias não convergem para o centro, como Downs previu? O motor da pesquisa é a curiosidade teórica.

A visão de pesquisa como resolução de problemas (problem solving), proposta por Samii (2023), parte de um problema: algo que está normativamente errado no mundo. Desigualdade racial no acesso ao voto. Erosão de direitos trabalhistas. Sub-representação feminina na política. O motor da pesquisa é o compromisso com a melhoria do mundo.

Essas visões não são mutuamente excludentes — muitas pesquisas combinam elementos de ambas. Mas elas orientam escolhas diferentes: o que conta como uma boa pergunta, que mecanismos são prioritários, e qual é o objetivo final da investigação. Ao longo deste capítulo, apresentaremos ambas e mostraremos onde convergem e onde divergem.

4.2 Tipos de pesquisa

Antes de formular uma pergunta de pesquisa, é preciso saber que tipo de pesquisa estamos fazendo. Diferentes tipos de pesquisa exigem diferentes desenhos, métodos e critérios de avaliação.

4.2.1 Pesquisa normativa vs. positiva: a visão tradicional

A taxonomia tradicional (Toshkov 2016) estabelece como distinção mais fundamental a separação entre pesquisa normativa e pesquisa positiva.

• Pesquisa normativa pergunta o que deveria ser: Qual é o melhor sistema eleitoral para representação de minorias? É justo que democracias intervenham em outros países? Essas questões envolvem valores e julgamentos éticos, e são respondidas por argumentação filosófica, não por análise de dados.

• Pesquisa positiva pergunta o que é: Democracias entram em guerra entre si? Transferências condicionais de renda reduzem a pobreza? Essas questões tratam de fatos e relações causais, e podem ser confrontadas com evidência empírica.

Essa distinção importa porque elementos normativos frequentemente se infiltram em pesquisas positivas sem que o pesquisador perceba. Palavras como “ótimo”, “adequado”, “racional” e “justo” em perguntas de pesquisa são sinais de alerta: elas podem estar contrabandeando pressupostos normativos para dentro de uma investigação empírica. Na pesquisa positiva, devemos substituí-las por formulações puramente descritivas.

4.2.2 A crítica de Samii: o normativo como ponto de partida

Samii (2023) oferece um contraponto importante a essa separação. Para ele, a distinção normativa/positiva é útil dentro de um programa de pesquisa — as etapas empíricas não fazem julgamentos de valor —, mas é enganosa no nível do programa como um todo. A própria escolha do que estudar já é normativamente orientada.

Samii define um “problema” como “um padrão empírico observado que viola princípios normativos” (“something that is normatively wrong in the world”). Não existe definição de problema que seja normativamente neutra: dizer que “a desigualdade racial no acesso ao voto é um problema” requer um compromisso prévio com o princípio de igualdade cívica. Esse compromisso normativo não contamina a pesquisa empírica — ele a motiva.

Isso diferencia a ciência política da economia clássica de uma maneira importante. A economia frequentemente usa o critério de eficiência de Pareto, que não exige defender intervenções que beneficiem um grupo em detrimento de outro. Já a ciência política trabalha com critérios como igualdade cívica, que explicitamente motivam intervenções para melhorar a posição de alguns indivíduos em relação a outros — e é isso que torna algo “político” (Samii 2023).

O ponto prático para o estudante é: não finja que sua escolha de tema é neutra. Reconheça os compromissos normativos que motivam sua pesquisa. Isso não a torna menos científica — torna-a mais honesta. E, como Samii observa, é “muito raro que teóricos políticos normativos e pesquisadores empíricos conversem diretamente para definir problemas do mundo real” — uma lacuna que prejudica ambos os lados.

4.2.3 Pesquisa descritiva, preditiva e explicativa

Dentro da pesquisa positiva empírica, podemos distinguir três objetivos (Toshkov 2016):

Pesquisa descritiva — Descreve o mundo como ele é. Descrição científica vai além de simplesmente listar fatos: ela classifica observações em categorias, faz inferências de amostras para populações e descobre associações. A afirmação “democracias tendem a não entrar em guerra entre si” é descritiva — identifica uma associação sem afirmar causalidade.

Boa pesquisa descritiva é extremamente valiosa e não deve ser menosprezada. Muitas das descobertas mais importantes da ciência política são, em essência, descritivas: a paz democrática, a vantagem do incumbente, a polarização partidária. Sem boa descrição, não há o que explicar.

Pesquisa preditiva — Projeta informações do presente para o futuro. Previsão é qualitativamente diferente de explicação: modelos preditivos podem funcionar muito bem sem qualquer modelo causal (como os modelos de previsão eleitoral de Nate Silver). Por outro lado, boas teorias causais nem sempre geram boas previsões, porque os fatores causais podem ser difíceis de medir em tempo real.

Pesquisa explicativa — Identifica as causas dos fenômenos. Busca responder “por quê?” (efeitos causais) e “como?” (mecanismos causais). A pesquisa explicativa é frequentemente considerada o objetivo mais ambicioso, pois oferece a possibilidade de intervenção: se sabemos que X causa Y, podemos manipular X para alterar Y.

4.2.4 Geração, teste e aplicação de teoria

Dentro da pesquisa explicativa, Toshkov (2016) identifica três objetivos distintos:

Geração de teoria — Parte de observações empíricas e constrói proposições teóricas. Métodos típicos: estudos de caso aprofundados, comparações de poucos casos, análise exploratória. Importante: uma teoria gerada indutivamente permanece uma “ideia intrigante” até ser testada contra novos dados.

Teste de teoria — Parte de proposições abstratas e as confronta com dados empíricos. A refutação é mais informativa que a confirmação (falsificacionismo popperiano). Métodos típicos: experimentos, análises quantitativas de grande N, estudos comparados.

Aplicação de teoria — Usa uma teoria existente para explicar um caso específico. É o objetivo mais restrito: contribui pouco para a teoria em si, mas pode ser valioso para entender eventos particulares.

Princípio fundamental: A escolha do objetivo — gerar, testar ou aplicar teoria — deve vir antes da escolha do desenho e do método. O objetivo determina o que é um desenho apropriado: experimentos são ineficientes para gerar teoria; estudos de caso únicos geralmente são inadequados para testar teoria.

4.2.5 Os três estágios de um programa de pesquisa orientado a problemas

A taxonomia de Toshkov organiza a pesquisa por tipo (descritiva, explicativa etc.). Samii (2023) propõe uma organização complementar por estágio, voltada para programas de pesquisa que buscam resolver problemas do mundo real. Os três estágios são sequenciais: cada um depende do anterior.

Estágio 1 — Estabelecer o problema. O trabalho aqui é primariamente descritivo, mas guiado por um compromisso normativo. Duas tarefas simultâneas: (a) argumentar normativamente que um certo padrão empírico seria um problema, e (b) demonstrar empiricamente que esse padrão de fato existe e tem escopo ou severidade significativos. Isso envolve mensuração, construção de dados, diagnóstico de vieses na descrição, e visualização convincente de tendências.

Samii dá um exemplo revelador: se restrições ao voto são impostas a um grupo minoritário, os números brutos de comparecimento podem não revelar a gravidade do problema, porque os eleitores se contramobilizam para manter o comparecimento. As medidas corretas do problema são o tempo e esforço gastos para votar — não apenas se o voto ocorreu.

Estágio 2 — Estabelecer mecanismos. Identificar, observacional e causalmente, que mecanismos perpetuam o problema. A inovação de Samii aqui é o critério de priorização: o mecanismo mais importante não é necessariamente o que explica a maior parte da variação, mas sim o que é passível de intervenção. Se a sub-representação feminina se deve tanto a socialização ao longo da vida quanto a barreiras institucionais à candidatura, o segundo mecanismo é mais útil — porque é mais fácil de intervir sobre ele.

Neste estágio, o pesquisador usa teoria (jogos, comportamental) para propor mecanismos, representa-os como grafos causais direcionados (DAGs), e emprega estratégias de identificação observacionais (DiD, RDD, IV, matching) para estimar a força das relações causais propostas. A relação entre teoria e empiria é iterativa: anomalias empíricas motivam revisão teórica; previsões teóricas geram testes empíricos. Teoria normativa motiva o programa; teoria positiva propõe os mecanismos.

Estágio 3 — Testar intervenções. Desenhar e executar testes de intervenções que rompam os mecanismos identificados no Estágio 2, com o objetivo de mitigar o problema. O trabalho aqui é causal-intervencionista. Idealmente, usa-se um experimento de campo (RCT); quando isso não é possível, desenhos quase-experimentais são a segunda melhor opção. A epistemologia subjacente é pragmatista: como coloca Hacking (1983), “o conhecimento se confirma quando é utilizável para gerar resultados desejados.”

Os resultados medidos no Estágio 3 devem, idealmente, corresponder aos mesmos indicadores usados no Estágio 1 para diagnosticar o problema — fechando o ciclo.

Por que os três estágios importam: a formação em métodos quantitativos tipicamente se concentra no Estágio 2 (inferência causal observacional), tratando-o como o todo da pesquisa empírica. A abordagem de Samii argumenta que metodologia descritiva (Estágio 1) e metodologia intervencionista (Estágio 3) são igualmente essenciais — e que as três abordagens são complementares, não concorrentes.

4.3 Da pergunta à hipótese

4.3.1 Objetivo geral, objetivos específicos e pergunta de pesquisa

Antes de tudo, é importante distinguir três elementos que aparecem em projetos de pesquisa e que frequentemente são confundidos:

Objetivo geral — É a meta ampla do trabalho: o que você quer alcançar. Geralmente começa com um verbo no infinitivo e declara uma intenção. Exemplo: “Investigar o efeito de desastres naturais na accountability eleitoral de incumbentes.”

Objetivos específicos — São os desdobramentos operacionais do objetivo geral: as etapas concretas que, somadas, permitem alcançá-lo. Exemplo: (1) “Mapear a ocorrência de desastres naturais nos municípios brasileiros entre 2004 e 2020”; (2) “Estimar o efeito causal dos desastres na votação dos prefeitos incumbentes”; (3) “Comparar os efeitos entre municípios com diferentes níveis de capacidade estatal.”

Pergunta de pesquisa — É a interrogação que a pesquisa responde. Diferente dos objetivos (que são declarações de intenção), a pergunta é uma questão aberta cuja resposta é desconhecida a priori. Exemplo: “Desastres naturais reduzem a votação de prefeitos incumbentes?”

A relação entre eles é hierárquica: o objetivo geral define o propósito da investigação; os objetivos específicos operacionalizam esse propósito em etapas; e a pergunta de pesquisa formula o problema como uma interrogação cuja resposta organiza todo o argumento.

Na prática acadêmica em ciência política, a pergunta de pesquisa é o elemento central — é ela que organiza o argumento, determina a estratégia empírica e define a contribuição. Objetivos gerais e específicos são mais comuns em projetos de pesquisa, dissertações e teses (especialmente por exigência formal de programas de pós-graduação e agências de fomento), mas artigos publicados em revistas internacionais raramente os declaram explicitamente. O que aparece no artigo é a pergunta e a tese — a resposta provisória à pergunta, que será defendida ao longo do trabalho.

4.3.2 Questão de pesquisa

A questão de pesquisa é o ponto de partida de qualquer investigação. Uma boa pergunta de pesquisa deve ser (Toshkov 2016; Nikolov 2023):

1. Tratável: deve ser respondível, em princípio, com evidência disponível ou coletável.
2. Relevante: a resposta deve importar — seja para a teoria, seja para decisões práticas.
3. Contestada: deve haver incerteza genuína. Perguntas com respostas óbvias desperdiçam esforço.
4. Original: deve dizer algo que a literatura ainda não estabeleceu.
5. Aberta: não deve conter a resposta embutida na própria formulação.
6. Precisa: deve ser formulada em termos gerais o suficiente para transcender o caso particular, mas específicos o bastante para ser testável.

4.3.2.1 Formulando a pergunta no nível correto de generalidade

Um erro extremamente comum em ciência política — identificado repetidamente em pareceres de revistas acadêmicas — é formular a pergunta no nível do caso específico, quando ela deveria estar no nível do fenômeno geral. A lógica é simples: o caso é o terreno de teste, não a pergunta em si.

Compare:

• Formulação ruim: “Qual é o efeito das enchentes no RS na reeleição?”

• Formulação boa: “Qual é o efeito de desastres naturais na accountability eleitoral de incumbentes?”

• Formulação ruim: “O que aconteceu com a política externa do Brasil quando a China se tornou o maior parceiro comercial em 2009?”

• Formulação boa: “Reversões discretas de ranking comercial — quando uma potência emergente substitui a potência hegemônica como principal parceiro — produzem realinhamento de política externa além do que o crescimento contínuo do comércio prevê?”

O teste diagnóstico é: leia sua pergunta isoladamente. Se ela menciona um nome de país, um ano ou uma relação bilateral específica, provavelmente está formulada no nível errado. Uma boa pergunta é falsificável por qualquer caso relevante, não apenas pelo seu.

4.3.2.2 Como encontrar uma boa pergunta

Toshkov (2016) sugere cinco caminhos:

1. Grandes problemas sociais: desigualdade, polarização, corrupção. Cuidado: são muito pesquisados e normativamente carregados.
2. Eventos e notícias atuais: mas exigem atenção sustentada além do ciclo de notícias.
3. Padrões empíricos: regularidades observadas que pedem explicação.
4. Quebra-cabeças (puzzles): eventos ou padrões que não se encaixam na teoria existente. Este é o caminho mais produtivo na visão tradicional: um puzzle só existe em relação ao conhecimento existente, o que automaticamente conecta sua pesquisa à literatura.
5. Replicação e extensão: subestimado, mas frequentemente revela erros ou abre novos contextos.

Na perspectiva de Samii (2023), há um sexto caminho — e, para ele, o mais importante:

6. Problemas do mundo real: padrões empíricos que violam princípios normativos e pedem não apenas explicação, mas intervenção. Desigualdade no acesso ao voto, erosão de direitos, sub-representação política de grupos. Aqui, a pesquisa começa pelo diagnóstico do problema (Estágio 1) e avança para os mecanismos e intervenções.

4.3.3 Hipóteses

Uma hipótese é uma resposta provisória à questão de pesquisa. Boas hipóteses são:

• Direcionais: especificam a direção do efeito esperado (positivo ou negativo), não apenas que “existe um efeito”.
• Derivadas de teoria: conectam-se logicamente a um mecanismo causal explícito. “É uma questão empírica” não é uma hipótese — é uma confissão de que não se tem teoria.
• Falsificáveis: deve ser possível especificar que evidência as refutaria.
• Discriminantes: devem distinguir sua teoria das alternativas. Uma hipótese consistente com todas as teorias concorrentes não testa nada.

Compare:

• Hipótese fraca: “Status importa para política externa.”
• Hipótese forte: “Uma reversão discreta de ranking na hierarquia comercial de um país produz uma redução na distância de política externa em direção à potência emergente, além do efeito gradual da acumulação comercial.”

A hipótese forte nomeia a variável manipulada (reversão de ranking), o resultado (distância de política externa), a direção (redução), e a classe de comparação (efeito gradual).

4.3.3.1 O teste de Bayes

Um critério útil para avaliar se uma hipótese é interessante é o teste de atualização bayesiana (Edmans 2025): após ler o resultado, o leitor atualiza significativamente suas crenças? Se a hipótese é tão esperada que qualquer pessoa informada já acreditava nela, a contribuição é mínima. Se o resultado é genuinamente surpreendente — ou contradiz uma suposição amplamente aceita — a contribuição é grande.

4.3.4 Scope conditions

Toda teoria tem condições de contorno — as scope conditions — que delimitam quando e onde ela se aplica. A teoria do eleitor mediano, por exemplo, pressupõe eleições com dois candidatos e preferências unidimensionais; fora dessas condições, suas previsões não se sustentam.

Scope conditions não são uma fraqueza da teoria; são parte constitutiva dela. Uma teoria que se pretende universal (“vale para qualquer país, qualquer época”) quase sempre é vaga demais para ser testável. Boas scope conditions fazem três coisas: (1) delimitam a população de casos à qual a teoria se aplica, (2) especificam as condições sob as quais o mecanismo opera, e (3) permitem distinguir falha legítima da teoria de aplicação fora do escopo.

Na prática, scope conditions conectam-se diretamente com o desenho de pesquisa: elas determinam a população de referência (quais casos incluir na amostra), as variáveis de controle relevantes e os limites da generalização dos resultados.

Princípio importante: scope conditions devem ser derivadas da teoria, antes de olhar os resultados, não derivadas dos resultados. Se você encontra um efeito apenas quando restringe a amostra a um subgrupo específico, e essa restrição não foi teorizada previamente, o resultado parece data mining — uma busca por especificações favoráveis. Se a restrição foi prevista pela teoria, o resultado confirma uma predição.

4.4 A estrutura de um argumento de pesquisa

Todo trabalho de pesquisa é, fundamentalmente, um argumento: uma afirmação apoiada por razões e evidências, dirigida a um leitor que pode ter objeções. Booth, Colomb, and Williams (2009) (Capítulo 7) identificam cinco elementos que todo argumento de pesquisa deve conter:

4.4.1 1. Afirmação (claim)

O ponto principal — a resposta à pergunta de pesquisa. Em uma tese ou artigo, é a conclusão central.

4.4.2 2. Razões (reasons)

Declarações que dão ao leitor motivo para aceitar a afirmação. Razões se conectam à afirmação pela palavra “porque”. Uma afirmação tipicamente requer múltiplas razões.

4.4.3 3. Evidência (evidence)

Evidência é diferente de razões. Razões são geradas pela mente (argumentos); evidência é encontrada “lá fora” — dados que o leitor pode, em princípio, observar ou verificar. A relação é: AFIRMAÇÃO → porque RAZÃO → baseada em EVIDÊNCIA.

4.4.4 4. Ressalvas e respostas (acknowledgment and response)

Um pesquisador responsável deve antecipar as objeções e alternativas do leitor e respondê-las diretamente. Nenhum argumento está completo sem reconhecer limitações e responder a contra-argumentos. Isso não é opcional — leitores cuidadosos não aceitarão uma afirmação baseada apenas na perspectiva do autor.

4.4.5 5. Garantia (warrant)

Um princípio geral que justifica a conexão entre uma razão particular e uma afirmação particular. Quando o leitor pode aceitar a verdade da razão mas questionar sua relevância para a afirmação, uma garantia é necessária. Na pesquisa empírica, a garantia frequentemente corresponde à suposição teórica que conecta a evidência à conclusão — a chamada estratégia de identificação.

4.4.6 O argumento como um todo

AFIRMAÇÃO ← porque ← RAZÃO ← baseada em ← EVIDÊNCIA
                        ↑
                    GARANTIA (princípio geral que conecta razão à afirmação)
                        ↓
        RESSALVAS E RESPOSTAS (objeções antecipadas e respondidas)

Argumentos complexos empilham essa estrutura: cada razão pode exigir sua própria evidência e garantia, e cada ressalva pode gerar sub-argumentos.

A credibilidade do pesquisador (o ethos) é construída pela completude do argumento. Um pesquisador que considera questões de todos os lados, apoia afirmações com evidência aceita e responde cuidadosamente a contra-argumentos constrói reputação de integridade intelectual — o que se torna, ele próprio, um elemento implícito do argumento.

4.4.7 A pesquisa como ato de persuasão

Samii (2023) acrescenta uma dimensão a esse quadro: a pesquisa é um ato social de persuasão. Ele usa deliberadamente o termo “persuasivo” ao definir cada estágio do programa de pesquisa: uma definição persuasiva do problema, evidência persuasiva sobre mecanismos, testes persuasivos de intervenções. Pesquisa orientada a problemas opera como um apelo para que atenção e recursos sejam direcionados a melhorar o mundo — e isso requer convencer céticos, tanto os que duvidam que o problema existe quanto os que duvidam que ele importa.

4.5 Contribuição: por que sua pesquisa importa

Não basta ter uma pergunta interessante e um desenho adequado: é preciso convencer o leitor de que a pesquisa contribui para o conhecimento existente. Uma contribuição pode vir de (Edmans 2025; Nikolov 2023):

• Um resultado novo: algo que a literatura ainda não havia demonstrado.
• Uma estratégia de identificação nova: uma forma mais credível de estimar um efeito já estudado.
• Um mecanismo novo: explicar por que um efeito ocorre, quando a literatura já sabe que ele ocorre.
• Uma generalização: demonstrar que um resultado se sustenta em outros contextos.
• Um desafio a uma suposição aceita: mostrar que algo que “todos sabem” está errado.

Na perspectiva de Samii (2023), há um tipo adicional de contribuição:

• Uma intervenção eficaz: demonstrar que uma intervenção mitiga o problema identificado. Aqui, a contribuição não é apenas ao conhecimento, mas ao mundo.

4.5.1 O teste da “célula vazia”

Uma armadilha comum é o chamado “research by matrix” (Edmans 2025): o pesquisador encontra uma célula vazia na matriz “X × Y” da literatura e assume que preenchê-la é automaticamente uma contribuição. Mas a célula pode estar vazia porque ninguém achou interessante preenchê-la. A pergunta correta não é “isso já foi feito?” mas sim “por que isso importa?”.

4.5.2 Posicionando a contribuição na literatura

A forma mais eficaz de posicionar uma contribuição não é dizer “ninguém estudou X”, mas sim “todos que estudaram questões relacionadas compartilham uma suposição Y — e nós mostramos que essa suposição é incorreta para a classe Z de eventos”. Essa formulação engaja a literatura existente em vez de descartá-la como incompleta.

4.6 Unidade de análise

A unidade de análise é quem ou o quê está sendo estudado. É a entidade sobre a qual fazemos afirmações. Em ciência política, as unidades de análise mais comuns são:

• Indivíduos: eleitores, legisladores, cidadãos.
• Grupos: partidos, coalizões, organizações.
• Unidades geográficas: municípios, estados, países.
• Eventos: eleições, conflitos, votações legislativas.
• Textos: discursos, leis, notícias.

A escolha da unidade de análise tem consequências diretas para o desenho:

1. Determina a população sobre a qual se quer generalizar.
2. Define o nível no qual variáveis são medidas.
3. Afeta os erros-padrão e a inferência estatística (dados agrupados em clusters, por exemplo, exigem tratamento específico).

Um erro frequente é a falácia ecológica: inferir sobre indivíduos a partir de dados agregados. Se estados com mais armas têm mais homicídios, não podemos concluir que indivíduos com armas cometem mais homicídios — o efeito pode operar em outro nível.

4.7 Validade interna e externa

4.7.1 Validade interna

Validade interna é a confiança de que a relação observada entre tratamento e resultado é causal, e não um artefato de confundidores, viés de seleção ou causalidade reversa. É a pergunta: “neste estudo, com estes dados, podemos acreditar que X causou Y?”

As principais ameaças à validade interna são:

• Confundidores (variáveis omitidas): uma terceira variável que causa tanto X quanto Y, criando uma associação espúria. Exemplo: países mais ricos são mais democráticos e têm melhor saúde — a riqueza confunde a relação entre democracia e saúde.
• Causalidade reversa: Y causa X, não o contrário. Exemplo: maior gasto militar causa conflito, ou conflito causa maior gasto militar?
• Viés de seleção: as unidades que recebem o “tratamento” são sistematicamente diferentes das que não recebem. Exemplo: municípios que adotam voto eletrônico são diferentes (mais urbanos, mais ricos) dos que não adotam.
• Viés de colisão (collider bias): incluir uma variável que é causada tanto pelo tratamento quanto pelo resultado pode criar uma associação espúria entre eles, mesmo na ausência de qualquer relação causal.

4.7.2 Validade externa

Validade externa é a possibilidade de generalizar os resultados para outras populações, contextos e momentos. É a pergunta: “o que descobrimos aqui vale também em outros lugares e tempos?”

Existe uma tensão frequente entre validade interna e externa. Experimentos de laboratório, por exemplo, têm alta validade interna (o pesquisador controla a atribuição do tratamento), mas podem ter baixa validade externa (o comportamento no laboratório pode diferir do mundo real). Estudos observacionais com dados de muitos países podem ter alta validade externa, mas frequentemente enfrentam problemas de validade interna (é difícil isolar o efeito causal).

Princípio: validade interna é pré-requisito para validade externa. Se não podemos confiar que o efeito encontrado é causal nos dados analisados, não faz sentido perguntar se ele se generaliza.

4.8 Desenhos de pesquisa

4.8.1 Estudos experimentais

O experimento é o padrão-ouro para inferência causal. Sua lógica é simples: o pesquisador designa aleatoriamente quem recebe o tratamento (grupo de tratamento) e quem não recebe (grupo de controle). A aleatorização garante que os dois grupos sejam, em expectativa, idênticos em todas as características — observadas e não observadas — exceto pelo tratamento. Portanto, qualquer diferença no resultado pode ser atribuída ao tratamento.

Tipos comuns de experimentos em ciência política:

• Experimentos de laboratório: realizados em ambiente controlado (sala de aula, laboratório). Alta validade interna, mas ambiente artificial.
• Experimentos de survey: tratamento é uma variação no questionário (vinhetas, framing). Permitem testar mecanismos cognitivos e de atitude.
• Experimentos de campo: tratamento é implementado no mundo real (campanha de informação, programa de incentivo). Combinam validade interna e externa, mas são caros e logisticamente complexos.

4.8.1.1 A ética dos experimentos de campo

Samii (2023) levanta uma questão ética importante sobre experimentos de campo: quando o experimento afeta genuinamente a vida das pessoas, o pesquisador tem a “obrigação ética de que o experimento opere com a intenção primária de tentar mitigar problemas do mundo real, em vez de simplesmente usar a vida de outras pessoas para fins de investigação acadêmica.”

Considere um exemplo concreto. Suponha que a teoria preveja que distância social entre grupos majoritários e minoritários reduz o apoio a direitos de minorias. Uma abordagem de teste de teoria poderia aleatorizar um aumento de distância social e medir se o apoio a direitos cai. Isso é eticamente problemático: empurra os participantes para um estado contrafactual que não queremos criar, e se os efeitos persistirem, o experimento piora o problema real.

A abordagem de resolução de problemas é diferente: primeiro, estabeleça observacionalmente que distância social é um fator real; depois, desenhe uma intervenção que reduza a distância social e teste se isso melhora o apoio a direitos. O grupo de controle é o mundo real; o contrafactual é um mundo onde o problema foi atenuado.

4.8.2 Estudos observacionais

Na maioria das questões em ciência política, não é possível realizar experimentos: não podemos aleatorizar regimes políticos, guerras ou crises econômicas. Estudos observacionais analisam dados gerados pelo mundo sem intervenção do pesquisador.

O desafio central é que, sem aleatorização, a “atribuição” ao tratamento é determinada por fatores que podem estar correlacionados com o resultado, gerando viés. Para lidar com isso, pesquisadores usam estratégias de identificação — desenhos que exploram alguma fonte de variação “quase-aleatória” (Samii 2023):

• Diferenças-em-diferenças (DiD): compara a mudança no resultado antes e depois do tratamento entre o grupo tratado e um grupo de controle.
• Regressão descontínua (RDD): explora um limiar (cutoff) que determina quem recebe o tratamento, comparando unidades logo acima e logo abaixo do limiar.
• Variáveis instrumentais (IV): usa uma variável que afeta o resultado apenas através do tratamento.
• Pareamento (matching): constrói um grupo de controle que se assemelha ao grupo tratado em características observáveis.

Cada estratégia repousa sobre suposições específicas. A credibilidade do estudo depende de quão defensáveis são essas suposições. E como Samii (2023) enfatiza, a teoria deve guiar a escolha da estratégia de identificação: não é possível escolher um método sem antes ter clareza sobre o mecanismo teórico que se acredita estar operando.

Na perspectiva de resolução de problemas, o padrão epistêmico no Estágio 2 é o que Samii chama de inferência à melhor explicação: como análises observacionais sempre envolvem ambiguidade sobre a identificação causal, o objetivo é avaliar a plausibilidade global de uma explicação mecanística — não provar definitivamente uma cadeia causal.

4.8.3 Tratamento versus manipulação

Em um experimento, “tratamento” e “manipulação” coincidem: o pesquisador designa aleatoriamente quem recebe o tratamento. Em estudos observacionais, essa distinção é crucial. O “tratamento” é a variável cujo efeito causal queremos estimar (ex.: adotar o voto eletrônico), mas não há manipulação — ninguém designou aleatoriamente quais municípios adotaram a tecnologia.

Isso tem duas consequências práticas. Primeira: em estudos observacionais, a “atribuição” ao tratamento é determinada por fatores que podem estar correlacionados com o outcome, gerando viés de seleção. Segunda: nem toda variável de interesse faz sentido como “tratamento”. Perguntar “qual o efeito causal de ser uma democracia?” exige imaginar o que significaria manipular o regime de um país — o que revela a dificuldade (e, para alguns, a impossibilidade) de certas perguntas causais com variáveis que não são manipuláveis.

Holland formulou o princípio de que “não há causalidade sem manipulação” (no causation without manipulation). Essa posição, embora controversa, é útil como exercício mental: se você não consegue imaginar como sua variável independente poderia ser manipulada, isso revela que a pergunta causal pode ser mal definida. Pesquisadores contornam essa restrição buscando fontes de variação exógena — choques, instrumentos, descontinuidades — que aproximam uma manipulação.

4.8.4 Estudos transversais e longitudinais

• Estudos transversais (cross-sectional): observam múltiplas unidades em um único ponto no tempo. Permitem comparações entre unidades, mas não controlam por fatores fixos no tempo.
• Estudos longitudinais (panel data): observam as mesmas unidades ao longo do tempo. Permitem controlar por características fixas de cada unidade (efeitos fixos) e observar mudanças.
• Séries temporais: observam uma única unidade ao longo de muitos períodos.

Dados em painel são geralmente preferíveis porque permitem estratégias de identificação mais credíveis (como diferenças-em-diferenças), mas exigem suposições adicionais (como tendências paralelas).

4.9 Causalidade: uma introdução

A noção de causalidade é central para a pesquisa explicativa. Mas o que significa dizer que “X causa Y”? Existem diferentes frameworks:

4.9.1 A abordagem dos resultados potenciais

A abordagem mais influente na ciência política quantitativa é o modelo de resultados potenciais (Rubin, 1974; Holland, 1986). A ideia é: para cada unidade \(i\), existem dois resultados potenciais — \(Y_i(1)\), o resultado se a unidade receber o tratamento, e \(Y_i(0)\), o resultado se não receber. O efeito causal do tratamento para a unidade \(i\) é:

\[\tau_i = Y_i(1) - Y_i(0)\]

O problema fundamental da inferência causal é que nunca observamos ambos os resultados potenciais para a mesma unidade. Cada unidade está no grupo de tratamento ou no grupo de controle, nunca em ambos. O desenho de pesquisa é precisamente o conjunto de escolhas que nos permite estimar o efeito causal apesar de nunca observá-lo diretamente (Samii 2023).

4.9.2 Causalidade e correlação

A famosa advertência “correlação não é causalidade” é essencial. Duas variáveis podem estar correlacionadas por três razões:

1. X causa Y: a relação é causal na direção hipotetizada.
2. Y causa X: causalidade reversa.
3. Z causa tanto X quanto Y: confundimento.

Apenas no caso 1 a correlação reflete a relação causal de interesse. O desenho de pesquisa é o que nos permite distinguir entre essas três possibilidades.

4.9.3 Mecanismos causais

Além de estimar que X causa Y (o efeito causal), frequentemente queremos saber por que — isto é, qual é o mecanismo pelo qual o efeito opera. Identificar mecanismos é mais difícil do que estimar efeitos totais e exige evidência adicional.

Um erro comum é tratar co-ocorrência temporal como evidência de mecanismo. Se X acontece, depois M acontece, depois Y acontece, isso não prova que M é o mecanismo — outros fatores contemporâneos podem ser responsáveis. Evidência de mecanismo requer mostrar que: (a) o mediador proposto de fato responde ao tratamento, (b) o mediador de fato afeta o resultado, e (c) fontes alternativas do mediador foram descartadas.

Samii (2023) acrescenta um critério de priorização: dado que o objetivo final é resolver problemas, o mecanismo mais valioso não é necessariamente o que explica mais variação, mas sim o que é passível de intervenção. Descobertas que identificam mecanismos sobre os quais é possível agir são mais valiosas do que descobertas que identificam mecanismos profundos mas imutáveis — porque permitem avançar ao Estágio 3 (testar intervenções).

4.10 Desenho de projetos de políticas públicas

4.10.1 Pesquisa e policy: atividades separadas ou estágios de um mesmo programa?

A visão convencional trata pesquisa acadêmica e projetos de políticas públicas como atividades distintas com lógicas próprias. Na pesquisa, o ponto de partida é um puzzle intelectual e o objetivo é contribuir para o conhecimento. Em policy, o ponto de partida é um problema prático e o objetivo é mudar uma realidade.

Samii (2023) desafia essa separação. Na sua abordagem, pesquisa e policy são estágios de um mesmo programa: o Estágio 1 diagnostica o problema (descritivo), o Estágio 2 identifica os mecanismos que o perpetuam (causal-observacional), e o Estágio 3 testa intervenções para mitigá-lo (causal-intervencionista). A avaliação de impacto — tipicamente vista como uma atividade de policy — é, nessa ótica, o culminar da pesquisa.

Na prática, ambas as visões capturam algo importante. A visão convencional reconhece que pesquisa básica (sem aplicação prática imediata) tem valor intrínseco. A visão de Samii reconhece que a fronteira entre pesquisa e policy é mais porosa do que a maioria dos manuais sugere. Um bom cientista político deve ser capaz de operar em ambos os registros.

As seções a seguir apresentam os elementos específicos do desenho de projetos de policy, usando a linguagem e as ferramentas do campo — mas o leitor deve notar como esses elementos mapeiam nos três estágios de Samii.

4.10.2 Teoria da mudança

Antes de detalhar as atividades de um projeto, é preciso explicitar a teoria da mudança (theory of change): a narrativa lógica que conecta o problema diagnosticado à mudança desejada, passando pelas ações propostas. A teoria da mudança responde à pergunta: “por que acreditamos que estas atividades vão produzir aqueles resultados?”

Uma teoria da mudança não é um modelo causal formal, mas sim uma explicitação das suposições que sustentam o projeto. Por exemplo, um programa de busca ativa escolar assume que: (1) as famílias não estão matriculando os filhos por falta de informação ou acesso, não por decisão consciente; (2) o contato direto com assistentes sociais pode remover essas barreiras; (3) a matrícula levará à frequência escolar efetiva. Se qualquer uma dessas suposições estiver errada, o programa pode entregar todos os seus produtos (visitas realizadas) sem alcançar nenhum resultado (redução da evasão).

Explicitar a teoria da mudança é valioso por três razões (World Bank Independent Evaluation Group 2012):

1. Força clareza: obriga a equipe a articular por que o projeto deve funcionar, não apenas o que ele fará.
2. Identifica suposições críticas: cada elo da cadeia depende de suposições que podem ser testadas e monitoradas. Se uma suposição falha, o projeto pode ser ajustado antes de desperdiçar recursos.
3. Permite avaliação: sem uma teoria da mudança, é impossível saber se o projeto falhou porque a teoria estava errada ou porque a implementação foi ruim.

Na linguagem de Samii, a teoria da mudança de um projeto de policy corresponde ao trabalho dos Estágios 1 e 2: o diagnóstico do problema e a identificação do mecanismo que a intervenção pretende romper.

4.10.3 A cadeia de resultados: insumos, atividades, produtos, resultados e impacto

A teoria da mudança se operacionaliza em uma cadeia de resultados (results chain) que conecta o que o projeto faz ao problema que ele pretende resolver (World Bank Independent Evaluation Group 2012; Gertler et al. 2016). Os elos dessa cadeia são:

Insumos (inputs) — Os recursos necessários para executar o projeto: dinheiro, pessoal, equipamentos, tempo. Exemplo: R$ 500 mil do orçamento municipal, 10 assistentes sociais, 3 veículos.

Atividades (activities) — As ações concretas realizadas pelo projeto. Exemplo: visitas domiciliares a famílias de alunos evadidos, reuniões com diretores de escola, oferta de reforço escolar.

Produtos (outputs) — Os entregáveis diretos e mensuráveis das atividades. Exemplo: 200 famílias visitadas, 15 reuniões realizadas, 50 alunos matriculados no reforço. Produtos são inteiramente sob controle do projeto — se a equipe fez as visitas, o produto foi entregue, independentemente de qualquer efeito posterior.

Resultados (outcomes) — As mudanças de comportamento, conhecimento ou condição que o projeto visa produzir na população-alvo. Exemplo: redução da taxa de evasão de 15% para 10%, aumento da frequência escolar. Resultados dependem não apenas do projeto, mas também da resposta dos beneficiários — já não estão inteiramente sob controle da equipe.

Impacto (impact) — A mudança de longo prazo na condição social que o projeto contribui para alcançar. Exemplo: aumento da escolaridade média e da renda futura dos jovens do município. Impacto envolve atribuição causal — a pergunta “essa mudança foi causada pelo projeto ou teria ocorrido de qualquer forma?” — e por isso é o elo mais difícil de medir.

A distinção entre produtos e resultados é crucial e frequentemente confundida. Um programa que distribui 10.000 livros didáticos (produto) não necessariamente melhora o aprendizado (resultado). Um programa que realiza 500 consultas médicas (produto) não necessariamente reduz a mortalidade infantil (resultado). Entregar produtos é condição necessária, mas não suficiente, para alcançar resultados.

4.10.4 Objetivos SMART

Em projetos de policy, os objetivos devem ser SMART — um acrônimo que sintetiza cinco critérios:

• S — Específico (Specific): O objetivo deve dizer exatamente o que será alcançado, para quem e onde. “Melhorar a educação” não é específico. “Reduzir a taxa de evasão escolar entre alunos do ensino fundamental no município de Caruaru” é específico.

• M — Mensurável (Measurable): Deve ser possível medir se o objetivo foi alcançado. Isso exige um indicador claro. “Melhorar a qualidade do ensino” não é mensurável sem definir o que conta como qualidade. “Aumentar a nota média no IDEB em 0,5 pontos” é mensurável.

• A — Alcançável (Achievable): O objetivo deve ser realista dados os recursos, o prazo e o contexto. Um projeto municipal com orçamento de R$ 100 mil não pode se propor a eliminar a pobreza no estado.

• R — Relevante (Relevant): O objetivo deve estar conectado ao problema diagnosticado. Se o problema é evasão escolar, o objetivo deve tratar de evasão, não de merenda (a menos que haja evidência de que merenda afeta evasão).

• T — Temporal (Time-bound): O objetivo deve ter um prazo definido. “Reduzir a evasão” não tem prazo. “Reduzir a evasão em 5 pontos percentuais até dezembro de 2027” tem prazo.

Compare:

• Objetivo não-SMART: “Combater a violência urbana.”
• Objetivo SMART: “Reduzir o número de homicídios no bairro da Liberdade, em Salvador, em 20% em relação a 2025, até dezembro de 2027.”

4.10.5 Indicadores e metas

Um indicador é uma medida observável que permite acompanhar o progresso em direção ao objetivo. Bons indicadores são:

• Válidos: medem o que pretendem medir. A taxa de registro de boletins de ocorrência é um indicador imperfeito de criminalidade, porque mudanças na taxa podem refletir mudanças na propensão a registrar ocorrências, não na criminalidade real.
• Confiáveis: produzem a mesma medida quando aplicados nas mesmas condições.
• Disponíveis: podem ser obtidos com custo e prazo razoáveis.

Para exemplos de indicadores por área temática (educação, saúde, governança, gênero, transparência, entre outros), uma referência útil é o site BetterEvaluation (https://www.betterevaluation.org), que organiza catálogos de indicadores qualitativos e quantitativos por setor, voltados para organizações da sociedade civil e formuladores de políticas.

Uma meta é o valor numérico que se espera alcançar para cada indicador em um prazo definido. Exemplo: indicador = taxa de evasão escolar; meta = reduzir de 15% para 10% até dezembro de 2027.

Todo projeto de policy deve especificar indicadores e metas para cada nível da cadeia de resultados:

Nível	Exemplo de indicador	Exemplo de meta
Produto	N° de famílias visitadas	200 famílias até junho de 2027
Resultado	Taxa de evasão escolar	Redução de 15% para 10% até dez/2027
Impacto	Escolaridade média dos jovens	Aumento de 0,5 ano até 2030

4.10.6 Avaliação: monitoramento, avaliação de resultados e avaliação de impacto

Uma vez implementado o projeto, como saber se ele funcionou? Existem três níveis de avaliação, com graus crescentes de ambição:

Monitoramento — Acompanha se as atividades estão sendo executadas e os produtos estão sendo entregues conforme planejado. Responde à pergunta: “estamos fazendo o que dissemos que faríamos?” É o nível mais básico e deve ser contínuo. Se o projeto previa 200 visitas domiciliares e fez apenas 50, o monitoramento detecta o problema antes que seja tarde.

Avaliação de resultados — Verifica se os resultados esperados estão ocorrendo. Responde à pergunta: “a situação mudou?” Compara indicadores antes e depois da intervenção. Exemplo: a taxa de evasão caiu de 15% para 10% após o programa. Avaliação de resultados é necessária, mas insuficiente para atribuir a mudança ao projeto — a evasão pode ter caído por outros motivos (melhora econômica, outra política simultânea).

Avaliação de impacto — Estima o efeito causal da intervenção (Gertler et al. 2016). Responde à pergunta mais difícil: “a mudança foi causada pelo projeto, ou teria ocorrido de qualquer forma?” Para responder a essa pergunta, é preciso construir um contrafactual — o que teria acontecido na ausência do projeto. Aqui, os métodos discutidos nas seções anteriores (experimentos, diferenças-em-diferenças, regressão descontínua) se aplicam diretamente. Na linguagem de Samii, a avaliação de impacto é o Estágio 3 do programa de pesquisa.

A diferença entre avaliação de resultados e avaliação de impacto é exatamente a diferença entre correlação e causalidade discutida nas seções anteriores. Observar que a evasão caiu após o programa (avaliação de resultados) não é o mesmo que demonstrar que o programa causou a queda (avaliação de impacto). Para isso, é preciso um grupo de comparação adequado — idealmente, municípios semelhantes que não receberam o programa.

4.10.7 Pesquisa acadêmica vs. projetos de policy: síntese

Dimensão	Visão tradicional: pesquisa acadêmica	Visão tradicional: projeto de policy	Visão Samii: programa integrado
Ponto de partida	Puzzle intelectual	Problema prático	Problema normativamente definido
Proposta	Hipótese	Intervenção	Hipótese → intervenção (sequencial)
Objetivo	Contribuir para o conhecimento	Mudar uma realidade	Ambos: conhecimento a serviço da mudança
Critério de sucesso	Atualização bayesiana das crenças do leitor	Mudança no problema (resultado e impacto)	Intervenção que mitiga o problema
Generalidade	Busca conclusões generalizáveis	Foco em contexto específico	Do caso particular à intervenção escalável
Avaliação	Validade interna e externa	Monitoramento + avaliação de impacto	Os três estágios como avaliação progressiva

4.11 Erros comuns em desenho de pesquisa

A experiência de revisão de artigos de pesquisa revela padrões recorrentes de erros. Conhecê-los ajuda a evitá-los.

4.11.1 1. Escolher o método antes da pergunta

Muitos pesquisadores começam com um método (“vou fazer um RDD”) em vez de uma pergunta. O método deve ser escolhido porque é o mais adequado para responder a uma pergunta específica, dada a estrutura dos dados disponíveis — não porque é o mais prestigioso ou o que o pesquisador domina (Toshkov 2016; Samii 2023).

4.11.2 2. Confundir descrição com explicação

Mostrar que duas variáveis estão correlacionadas é descrição, não explicação. Afirmar causalidade exige uma estratégia de identificação explícita. Muitos artigos apresentam correlações como se fossem efeitos causais, sem defender as suposições que tornariam essa interpretação legítima. Samii (2023) nota que até mesmo a pesquisa descritiva (Estágio 1) pode envolver problemas sutis de identificação: dados administrativos podem mascarar vieses sistemáticos que só um framework causal consegue diagnosticar.

4.11.3 3. Motivar um problema e depois mostrar que ele é irrelevante

Se você motiva seu artigo argumentando que o viés X é um perigo real, e depois seus resultados mostram que o viés é negligível na prática, há uma tensão. Isso não invalida o trabalho, mas exige que você discuta a tensão explicitamente: o valor pode estar justamente em mostrar que o problema é menor do que se pensava, ou em fornecer uma ferramenta para detectar os raros casos em que ele é grande.

4.11.4 4. Usar o caso gerador da teoria como teste da teoria

Se o caso brasileiro motivou sua teoria, ele não pode simultaneamente servir como teste independente dela. O teste deve vir de dados ou casos novos. Quando isso não é possível, seja explícito sobre qual análise gera a teoria e qual a testa.

4.11.5 5. Derivar scope conditions dos resultados

Se a restrição da amostra que produz resultados significativos não foi teorizada antes de olhar os dados, o resultado é vulnerável à acusação de data mining. Scope conditions devem ser derivadas da teoria e declaradas antes dos resultados.

4.11.6 6. Afirmar mais do que a evidência sustenta

Calibre suas afirmações ao tipo de evidência que você tem. Evidência correlacional sustenta “consistente com”, não “demonstra”. Evidência de um único caso sustenta “sugere”, não “confirma”. Mecanismos não identificados causalmente justificam “sugestivo”, não “evidência direta”. A regra: a afirmação mais forte no artigo deve ser sustentável pelo elo mais fraco da cadeia de evidências (Nikolov 2023).

4.11.7 7. Confundir significância estatística com importância substantiva

Um resultado pode ser estatisticamente significativo mas substantivamente irrelevante (um efeito de 0,001% com N enorme), ou substantivamente importante mas estatisticamente insignificante (um efeito grande em uma amostra pequena). Sempre discuta o tamanho do efeito e o que ele significa em termos práticos, não apenas o p-valor (Nikolov 2023).

4.11.8 8. Ignorar explicações alternativas

Todo argumento de pesquisa deve antecipar e responder às explicações alternativas mais plausíveis (Booth, Colomb, and Williams 2009). Listar apenas sua explicação preferida sem considerar rivais enfraquece dramaticamente a credibilidade do trabalho. As melhores pesquisas desenham testes que discriminam entre explicações concorrentes.

4.11.9 9. Tratar a escolha do tema como normativamente neutra

Como Samii (2023) argumenta, a escolha do que estudar já envolve compromissos normativos. Fingir neutralidade pode levar a pesquisas que são tecnicamente sofisticadas mas socialmente irrelevantes — ou, pior, que reforçam status quo ao tratar como “natural” o que é, na verdade, um problema que merece atenção.

4.12 Escrevendo sobre seu desenho de pesquisa

Uma boa pesquisa mal comunicada é uma pesquisa desperdiçada. Algumas orientações para escrever sobre seu desenho de pesquisa (Nikolov 2023; Booth, Colomb, and Williams 2009):

4.12.1 A introdução é tudo

Na ciência política empírica, leitores — incluindo pareceristas — decidem se vão ler o artigo inteiro com base na introdução. Uma boa introdução deve:

1. Abrir com um puzzle ou problema: um caso ou observação que cria uma necessidade intelectual ou prática.
2. Identificar a lacuna: o que a literatura existente não sabe.
3. Apresentar a tese: sua resposta provisória, de forma assertiva e específica.
4. Resumir a estratégia empírica: como você responde à pergunta.
5. Antecipar os resultados principais: com números concretos.
6. Explicitar a contribuição: o que muda no que sabíamos.

4.12.2 Bottom Line Up Front (BLUF)

O leitor deve saber sua conclusão principal no primeiro parágrafo. Não construa suspense em direção à conclusão — declare-a imediatamente e depois justifique-a. Isso não é spoiler: é respeito pelo tempo do leitor.

4.12.3 Precisão de linguagem

• Não diga “afeta resultados políticos” — quais resultados? Em qual direção?
• Não diga “implicações para a teoria democrática e formuladores de políticas” — quais implicações específicas?
• Sempre traduza tamanhos de efeito em termos concretos: “uma redução de 7 pontos percentuais nos votos” é informativo; “um efeito estatisticamente significativo” não é.

4.13 Exercícios

1. Classifique as seguintes questões como normativas ou positivas, e como descritivas, preditivas ou explicativas:

   1. “Qual é o melhor sistema eleitoral para o Brasil?”
   2. “Países mais desiguais têm mais conflitos?”
   3. “O Bolsa Família reduz a pobreza?”
   4. “Quem vai vencer a próxima eleição presidencial?”
   5. “É justo que democracias intervenham em outros países?”

2. Reformule as seguintes perguntas para que estejam no nível correto de generalidade:

   1. “Por que Bolsonaro perdeu em 2022?”
   2. “O que aconteceu com a economia do Brasil durante a pandemia?”
   3. “Por que o PT perdeu a classe média?”

3. Para cada uma das perguntas abaixo, identifique: a unidade de análise, uma potencial variável independente, uma potencial variável dependente, e pelo menos um confundidor plausível:

   1. “Campanhas de porta em porta aumentam o comparecimento eleitoral?”
   2. “Países democráticos crescem mais rápido?”
   3. “Notícias falsas afetam o voto?”

4. Considere a afirmação: “Municípios que adotaram voto eletrônico tiveram menos votos nulos.” Proponha:

   1. Uma explicação causal
   2. Uma explicação por viés de seleção
   3. Um desenho de pesquisa que permitiria distinguir entre as duas

5. Leia o abstract de um artigo recente de uma revista de ciência política. Identifique: a questão de pesquisa, a hipótese (implícita ou explícita), a estratégia de identificação, e a contribuição reivindicada. Avalie se as afirmações estão calibradas à evidência apresentada.

6. Considere o seguinte problema: “A taxa de mortalidade materna no estado do Maranhão é o dobro da média nacional.” Desenhe um projeto de policy para enfrentar esse problema:

   1. Formule um objetivo SMART.
   2. Descreva a cadeia de resultados (atividades → produtos → resultados → impacto).
   3. Proponha pelo menos um indicador e uma meta para cada nível da cadeia.
   4. Explique a diferença entre avaliar se o programa “funcionou” (avaliação de resultados) e avaliar se o programa causou a melhora (avaliação de impacto). Que desenho de pesquisa você usaria para a avaliação de impacto?

7. Considere o problema da sub-representação feminina na política brasileira. Usando o framework dos três estágios de Samii (2023):

   1. Como você estabeleceria o problema (Estágio 1)? Que dados descritivos seriam necessários?
   2. Que mecanismos poderiam perpetuar o problema (Estágio 2)? Qual deles seria mais passível de intervenção?
   3. Proponha uma intervenção testável (Estágio 3). Como você desenharia o teste?

References

Booth, Wayne C., Gregory G. Colomb, and Joseph M. Williams. 2009. The Craft of Research. 3rd ed. University of Chicago Press.

Edmans, Alex. 2025. “Learnings from 1,000 Rejections.” Financial Management 54 (2).

Gertler, Paul J., Sebastian Martinez, Patrick Premand, Laura B. Rawlings, and Christel M. J. Vermeersch. 2016. Impact Evaluation in Practice. 2nd ed. Washington, DC: Inter-American Development Bank; World Bank.

King, Gary, Robert O. Keohane, and Sidney Verba. 1994. Designing Social Inquiry: Scientific Inference in Qualitative Research. Princeton: Princeton University Press.

Nikolov, Plamen. 2023. “Writing Tips for Crafting Effective Economics Research Papers.”

Samii, Cyrus. 2023. “Problem Solving in Political Science.”

Toshkov, Dimiter. 2016. Research Design in Political Science. London: Palgrave Macmillan.

World Bank Independent Evaluation Group. 2012. Designing a Results Framework for Achieving Results: A How-to Guide. Washington, DC: World Bank.