Chapitre 2, 3 - L'inférence descriptive

L’inférence descriptive

C’est quoi?

Deux types d’inférence

« Inference is the process of using the facts we know to learn about facts we do not know. » – King et al. (1994, 46)

• Si le but de toute recherche scientifique est l’inférence, on en distingue deux types, aux visées différentes :
  • descriptive : à partir des observations, apprendre quelque chose sur des faits non observés, sans chercher les causes.
  • causale : inférer, à partir des observations, les causes d’un phénomène.
• L’inférence descriptive n’a aucune visée explicative. Elle est l’objet de ce chapitre.

Décrire n’est pas seulement collecter des faits

« It is not description versus explanation that distinguishes scientific research from other research; it is whether systematic inference is conducted according to valid procedures. » – King et al. (1994, 34)

• King et al. (1994, 34) distinguent la description, la collecte des faits, de l’inférence descriptive : « the process of understanding an unobserved phenomenon on the basis of a set of observations » (p. 55).
• Toute description sélectionne, parmi une infinité de faits possibles. Cette sélection suppose un critère, donc une théorie, autant l’expliciter (p. 46).
• Décrire est particulièrement important en relations internationales : il reste beaucoup à connaître, et « our explanatory abilities are weak ». « Good description is better than bad explanation » (p. 44-45). Rappel du chapitre 1 : la description domine tant qu’un champ est jeune.

L’exemple le plus simple : le sondage

• On part d’une population bien définie, par exemple les citoyen·nes d’un pays, dont on veut connaître une caractéristique, le soutien à un candidat.
• Plutôt que d’interroger toute la population, on observe un échantillon.
• On résume l’information de l’échantillon, puis on infère vers la population, en jugeant l’incertitude de cette inférence.
• Les mêmes gestes, résumer puis inférer, valent pour toute recherche, y compris une étude de cas.

Décrire, c’est d’abord résumer

• Le premier pas de toute analyse est un résumé des données : une statistique est « an expression of data in abbreviated form » (King et al. 1994, 53). Quatre revenus, 9 000, 22 000, 21 000 et 54 292 dollars, se résument en une moyenne, 26 573 dollars.
• Deux règles (King et al. 1994, 54) : un résumé porte sur ce que l’on veut décrire ou expliquer, et il simplifie.
• Mais résumer n’est pas encore inférer : le résumé décrit les données que l’on a, et rien au-delà (p. 53).
• Même la description la plus « épaisse » simplifie énormément : la différence entre le monde et la plus riche des descriptions est bien plus grande que celle entre cette description et l’analyse la plus abstraite (p. 43).

Le systématique et le non-systématique

• Dans toute observation coexistent une composante systématique et une composante non systématique, aléatoire (King et al. 1994, 56).
• Le vote conservateur d’une circonscription britannique en 1979 tient à des facteurs durables, revenu, idéologie, soutien traditionnel à chaque parti, et à des aléas du jour du scrutin, la pluie qui fait baisser la participation, une épidémie, un scandale. Si l’on imaginait répéter l’élection chaque semaine, seuls les premiers reviendraient (p. 55-57).
• « one of the fundamental goals of inference is to distinguish the systematic component from the nonsystematic component of the phenomena we study » (p. 56).
• Les résumés visent justement à faire ressortir le systématique en atténuant l’aléatoire. Sans cet effort, savoir ce qui s’est passé un jour donné n’apprend rien sur ce qui persistera : « the lessons of history will be lost » (p. 63).

Où s’arrête l’aléatoire ?

Deux façons de voir le monde (King et al. 1994, 59‑60) :

• un monde probabiliste : « Random variation exists in nature and the social and political worlds and can never be eliminated ». Même avec toutes les variables et un recensement, la prédiction ne serait jamais parfaite.
• un monde déterministe : l’aléatoire n’est que « that portion of the world for which we have no explanation ». Avec les bonnes variables, tout serait prévisible.

Les deux perspectives sont « observationally equivalent » (p. 60) : les variables inconnues de la seconde sont l’aléa de la première, et rien dans les données ne les départage.

Le choix relève de la conviction.

Ce qui compte en pratique : c’est le chercheur·se qui trace la frontière entre le systématique et le bruit, selon les variables qu’il ou elle inclut, et seule la répétition sur d’autres cas dit si un effet persiste (p. 60-62). Ce que l’on considère du bruit est donc une décision du chercheur, laquelle doit être explicitée.

Cas et observations

• Un cas, c’est l’unité que l’on choisit d’étudier : un pays, une guerre, une élection. Une observation, c’est une mesure distincte qui met l’hypothèse à l’épreuve. KKV réservent la lettre n aux observations (p. 52).
• La distinction vaut pour toute recherche : c’est le choix de l’unité qui décide du n. Elle compte surtout pour les études de cas, où l’on confond volontiers le cas et l’observation.
• Une étude de six élections britanniques « may be, but need not be, an n = 1 study. It might also be an n = 6 study. It can also be an n = 120,000,000 study » (Eckstein, cité p. 52).
• D’où la consigne de KKV (p. 47) : chercher davantage d’implications observables de la théorie, « search for more observable implications ». Chaque vérification est une observation de plus, et une étude de cas bien conduite en contient des dizaines.

Juger une inférence descriptive : biais et efficience

KKV posent trois critères (p. 63) : l’absence de biais, l’efficience et la consistance. On s’en tient aux deux premiers, ceux qui se jugent dans toute étude, même sur un seul cas.

• Absence de biais : viser juste en moyenne, sur un grand nombre de répétitions hypothétiques. Le biais est une erreur systématique, qui pousse toujours dans le même sens.
• Efficience : peu de variabilité d’une répétition à l’autre. Une moyenne sur 25 communautés de Cisjordanie varie bien moins, si l’on recommence l’étude, qu’une observation dans une seule : les particularités se compensent (p. 66-67).

Biais et efficience : deux précisions

• Le biais n’est pas une propriété des données, mais de l’estimation : il dépend de ce que l’on cherche à mesurer avec elles. « It makes little sense to say that a particular data set is biased » (p. 64).
  • Weiner : un État indien affichait 98% d’enfants scolarisés, mais la présence n’était relevée qu’à l’inscription, puis l’enfant restait compté présent pendant sept ans. Bon pour estimer les inscriptions, mauvais pour la fréquentation réelle (p. 64-65).
• Il faut parfois arbitrer entre les deux critères. Le nombre d’observations détermine la précision de l’estimation. Le biais vient de la sélection des cas ou des observations, ou de la mesure.
  • Vingt personnes tirées au hasard : une estimation du vote sans biais, mais imprécise. Mille réponses de plus, tirées au hasard sauf dix, venues par erreur d’élus démocrates et impossibles à repérer : un léger biais, une grande précision. KKV préfèrent les 1 020 (p. 70‑71).
  • Pour mesurer la sévérité d’une réglementation, on peut compter les règles écrites dans cent secteurs : beaucoup d’observations, donc une estimation précise, mais biaisée si les règles écrites ne sont pas appliquées. Trois ou quatre études de cas de leur application mesurent mieux ce que l’on vise, avec moins de précision, et servent à corriger l’indicateur (p. 69).

L’inférence descriptive dans le domaine international

• Quelle est la population pertinente pour une question donnée ? Tous les conflits ? Toutes les paires d’États ? Toutes les missions de l’ONU ? Est-il sensé d’en tirer un échantillon ?
• Chaque cas semble unique : il n’y a eu qu’une Révolution française, il n’y a qu’une Thaïlande. Pour KKV, l’objection ne tient pas : tout événement est unique en un sens, le vote de chaque électeur·rice aussi, et cela n’empêche pas de comparer les cas sur les traits qui comptent. Le vrai problème est la complexité (King et al. 1994, 42).
• Même quand la population est mal définie, on tente toujours une inférence. On doit donc toujours se soucier de biais, d’efficience et d’incertitude.

La règle la plus importante de toute collecte de données : « report how the data were created and how we came to possess them » (King et al. 1994, 51). C’est elle qui rend une description critiquable, donc scientifique.

La paix libérale

Babst (1964) : une question, une définition

• La question : « Have there been any wars fought between independent freely elected governments? » (Babst 1964, 9), fondée sur l’idée que « the general public does not want war, if it can choose ».
• Une définition opératoire en quatre critères (p. 9-10) : un parlement élu à intervalles réguliers entre au moins deux choix, un exécutif choisi par ce parlement ou par vote direct, le vote secret et une certaine liberté d’expression et de presse, enfin l’indépendance du pays au début de la guerre.
• Une source : la liste de Quincy Wright, 116 guerres majeures de 1789 à 1941, 438 participants (p. 10). La date de 1789 s’explique : c’est l’année où entre en fonction le premier gouvernement électif au sens retenu, celui des États-Unis.
• Le constat : « no wars have been fought between independent nations with elective governments » (p. 10).

Babst : un dénominateur, puis un test

Babst : ce que le texte établit, et où il glisse

• Ce que le texte établit : une régularité. Aucune guerre entre nations électives, sur 45 puis 91 paires possibles (p. 10-13).
• Où il glisse : la conclusion, « This study suggests that the existence of independent nations with elective governments greatly increases the chances for the maintenance of peace » (Babst 1964, 14). Même prudent, l’énoncé est causal.
• Entre les deux, rien : aucun contrôle par les alliances, la distance ou le développement, aucun examen du sens de la causalité. Le passage du descriptif au causal tient en une page.

Doyle (1986) : décrire, encore

• Doyle (1986) reprend les chiffres de Rummel (1983) sur l’origine de la violence internationale selon le degré de liberté des pays, pour la même fenêtre 1976–1980 que le tableau de Rummel montré au chapitre 1.
• Il s’appuie sur les listes de guerres interétatiques pour montrer qu’aucune, ou presque, n’a opposé deux pays libéraux.
• La fenêtre d’observation décide de ce que la description montre : ces cinq années laissent hors du cadre les guerres coloniales et une bonne part des interventions de la Guerre froide.
• Il documente aussi la croissance du nombre de régimes libéraux.
• Tout cela décrit, sans expliquer. Et pourtant le même texte explique aussi : Doyle établit un lien de causalité entre la nature libérale du régime et le comportement extérieur de l’État, et il est, selon Battistella, « le premier à essayer d’expliquer cette corrélation » (Battistella 2006, 505).

Études de cas et inférence descriptive

• Elman (1997) rassemble des études de cas sur les cas qui mettent la paix libérale en difficulté, ceux où deux démocraties se sont affrontées ou ont frôlé la guerre : la Finlande durant la Seconde Guerre mondiale, par exemple.
• Une inférence descriptive y est possible, et même nécessaire : « Case studies are essential for description » (King et al. 1994, 44). À partir des archives et des acteurs, l’étude infère des faits non observés, pourquoi la Finlande s’est retrouvée du côté de l’Axe, et elle contient des dizaines d’observations, non un n de 1 (p. 52).
• Sa limite est l’inférence vers la population. Les cas sont choisis parce qu’ils sont exceptionnels, et Gartzke objecte, dans sa recension, qu’aucune étude de cas ne peut trancher une question dont le constat est quantitatif (Gartzke 1999, 481‑82).

Paix libérale : quelle incertitude ?

Méthodes quantitatives et études de cas posent les mêmes questions d’inférence descriptive :

• quel rapport entre les cas observés et le niveau général, toutes les guerres, toutes les paires d’États ?
• la case vide du tableau, aucune guerre entre deux démocraties, est-elle une régularité systématique ou un effet du hasard, la question même de Babst ?
• d’où vient l’incertitude ? D’abord de la mesure. Une guerre, ce sont 50 000 soldats engagés chez Wright en 1942, ou 1 000 morts au combat en une année dans les bases de données d’aujourd’hui, l’UCDP par exemple, et une démocratie dépend des critères retenus. Selon la définition, les cas comptés ne sont pas les mêmes.

Les missions de maintien de la paix

Des premières études surtout qualitatives

• Pendant la Guerre froide, les études étaient des histoires de cas détaillées, centrées sur le maintien de la paix interétatique. Les évaluations chiffrées restaient l’exception (Fortna et Howard 2008, 286‑87), comme celle de Haas (1983) sur la gestion des conflits par les organisations internationales depuis 1945.
• Après la Guerre froide, la littérature s’est concentrée sur les débâcles, Somalie, Rwanda, Srebrenica, alors même que plusieurs missions réussissaient, Namibie, Salvador, Cambodge, Mozambique : le pessimisme venait du choix des cas (Fortna et Howard 2008, 287‑88).
• Avant de demander si les missions produisent la paix, une question descriptive plus élémentaire : combien y en a-t-il, de quel type, mandatées par qui ?

Décrire à partir de données systématiques : MILINDA

• MILINDA, Military and Non-Military Interventions Dataset, est le jeu de données construit par Jetschke et Schlipphak (2020) : toutes les opérations de paix de 1947 à 2016, onusiennes ou non, avec leur type, le consentement de l’État hôte et l’autorisation de l’ONU. N = 293.
• L’unité d’observation est la mission : « If a mission changes its category […] we coded this as a new observation » (p. 611).
• L’unité d’observation fabrique le N : pour la même réalité, la base de données du SIPRI, l’institut international de recherche sur la paix de Stockholm, compte environ 600 observations, parce qu’elle compte les mandats et non les missions (p. 611, 624).
• Deux jeux de données antérieurs sur le même objet ne se recouvrent qu’à moitié, 140 missions communes sur les 280 qu’ils totalisent, et divergent sur les effectifs : 53 000 militaires contre 80 000 pour la même force au Sri Lanka (p. 609-611).
• MILINDA distingue quatre types de missions : imposition de la paix, maintien de la paix, observation, missions civiles (p. 612-613). Définir et coder les cas est un travail d’inférence descriptive à part entière.

MILINDA : ce qu’une bonne description permet de dire

• Rupture temporelle : 90 missions avant 1992, 203 depuis, soit environ 2 par an puis 8.2 par an (Jetschke et Schlipphak 2020, 617).
• Régionalisation : les opérations mandatées et exécutées par des organisations régionales passent de 28% à 38% des missions. Celles mandatées par l’ONU mais exécutées par une organisation régionale passent de 1% à 12% (p. 619).
• La régionalisation menace-t-elle l’autorité de l’ONU ? Non.
  • Le chiffre brut inquiète : 46% des opérations non onusiennes n’ont pas de mandat de l’ONU (p. 610).
  • Mais la Charte les autorise si l’État hôte y consent. Seule une imposition de la paix, sans consentement, contesterait l’ONU.
  • Or il n’y en a qu’une, régionale et sans autorisation du Conseil de sécurité, depuis 1990 : le Kosovo en 1999 (p. 619). D’où « despite regionalization, there is no regionality » (p. 622).
• Une moyenne mondiale masque des régimes régionaux : l’Afrique subsaharienne concentre environ 43% des interventions depuis 1992 (p. 620).
• Le test compare des proportions entre deux périodes, comme chez Babst. C’est une inférence descriptive, l’explication étant renvoyée à plus tard (p. 623).

Le piège de la sélection des cas

• D’un strict point de vue descriptif, les conclusions sur l’efficacité des missions ont fortement varié dans le temps.
• Fortna et Howard (2008, 289) montrent que, pour les premières études, cela tient à un problème de sélection : n’étudier que les conflits où une mission a été déployée.
• Comparer les conflits avec et sans mission change radicalement la description. Mais pour comparer, il faut d’abord savoir où les missions sont envoyées, et c’est déjà une question descriptive, à laquelle MILINDA permet de répondre.

L’aide au développement

Décrire les décisions d’allocation : Rai (1980)

• La question : les décisions d’allocation de l’aide américaine et soviétique sont-elles liées au comportement des pays bénéficiaires à l’ONU ?
• Deux hypothèses (Rai 1980, 269‑70). L’aide incite : elle est donnée pour obtenir un vote conforme à l’Assemblée générale. Ou l’aide récompense : elle est donnée après un vote conforme, et refusée aux autres.
• Deux mesures. L’accord, par l’Index of Agreement de Lijphart : la part des votes où le pays vote comme le donateur, de 0 à 100%, sur quatre sessions de 1967 à 1976, hors votes quasi unanimes (p. 270). L’aide, de trois façons : montant total, par habitant, en pourcentage du PIB.
• Le temps départage les hypothèses : l’aide de l’année du vote pour l’incitation, l’aide postérieure au vote pour la récompense (p. 271).

Rai (1980) : des corrélations, et une visée descriptive

Rai (1980) : où s’arrête l’inférence

• Ne pas confondre le niveau et l’association. Le niveau : les pays aidés par l’URSS votent en moyenne à plus de 70% avec elle, ceux aidés par les États-Unis à moins de 50% avec eux. L’association : recevoir plus d’aide va-t-il avec voter plus souvent comme le donateur ? C’est elle que mesure la corrélation, et un niveau élevé ne dit rien de sa force (Rai 1980, 272, 274).
• Une association peut changer avec la politique : elle s’effondre à partir de 1975, quand l’aide américaine bascule vers le Moyen-Orient après la guerre de 1973 (p. 272, 275).
• Pourquoi pas une régression ? Parce que l’aide peut être la cause du vote comme son effet. Rai choisit la corrélation, symétrique, et s’arrête là (p. 275, n. 5).

« Causality cannot be concluded from correlations, even if they are quite high, and causality between foreign aid and the General Assembly votes is not even implied in this paper. » – Rai (1980, 275)

Trois textes, trois frontières

L’inférence descriptive : ce qu’il faut retenir

• Décrire, c’est sélectionner, résumer, puis inférer : apprendre quelque chose sur des faits non observés.
• Le but est de séparer le systématique du non-systématique. La part traitée comme du bruit est en partie un choix.
• Une inférence se juge à son biais et à son efficience. Le biais dépend de ce que l’on veut estimer, pas des données seules.
• Dans le domaine international, la population est souvent mal définie et les cas sont rares. L’unité d’observation, la définition et le codage fabriquent le résultat.
• Une bonne description dit où elle s’arrête : « Good description is better than bad explanation » (King et al. 1994, 45).

UNIGE MADI