政治科学研究越来越强调寻找因果机制。许多合乎逻辑的实证研究，均以各种方法分析因素和变量间因果关系，指明其作用如何产生、其结果何以形成，以探求其中的作用机制。随着互联网及大数据技术的蓬勃发展，大数据方法丰富了社会科学研究方法、拓展了政治科学研究议题，但与此同时，不能忽视传统小数据研究方法的必要性，二者在推进因果解释中具有互补性优势。

　　政治科学中的因果分析

　　伴随着实验方法的发展和应用场景的丰富，政治科学研究经历了从因果关系（或称因果效应）分析到因果机制解释的关注转变。

　　因果关系主要回答“X影响Y”的问题，因果机制主要在于提供“X如何影响Y”的解释。在因果关系分析中，现已形成运用充分必要条件逻辑的休谟（David Hume）传统、遵循共融性（Cotenability/反事实与现实前提逻辑一致）原则的反事实推理（Counterfactuals）、控制关键变量分离单一变量对结果影响的实验方法等不同视角。因果机制是探讨原因如何导致结果的过程，致力于揭示因果关系形成的作用机制，是在因果关系基础上的重要补充。二者的区别在于：因果关系分析侧重寻找结果的原因（Causes of Effects），即从一个结果回溯其原因何在，强调系统地检验社会现象之间的关系；因果机制更加强调识别原因的影响（Effects of Causes），即始于从原因追问如何对结果产生影响。因此，近年来越来越多的研究者不再满足于识别变量之间的因果关系，转而致力于寻求因果关系背后机制的阐释。

　　目前，学界对因果机制的界定各异。从马奥尼（Mahoney）总结的24个定义，到格零（Gerring）归纳的10种类型来看，学者对因果机制是否易于观察、是普遍性理论还是有限性理论、是偶然性解释还是常规性解释、属中观理论还是微观理论等认知，存在诸多争议。但是，上述有关争议还是形成了一些共识，即认为因果机制是介于社会现象描述和社会定律之间的中层层面，是打开原因和结果的“黑箱”，是探寻因果关系的过程、路径、环节和链条；在研究方法上，既可通过个案资料等数据的搜集进行质性分析，也可通过数学模型进行量化分析、呈现理论。在探索因果机制的多重路径和方法中，主要基于各种形式实证数据的分析归纳来建构与经验相符的理论。

　　大数据拓展因果分析方法路径

　　大数据时代的来临，对传统政治科学的因果分析研究客观上形成了巨大冲击，甚至有国外专家提出，大数据使传统科学研究方法过时了。同时，大数据方法因更重视相关性而非因果性分析亦饱受诟病。由此，国内外学者从实践、方法论层面展开了广泛讨论。

　　例如，一些政治学者早期在探究因果机制过程中，通过降低分析层次、寻求微观基础，来打开因果关系“黑箱”。他们研究隐藏在政治现象背后的社会整体趋势和运转模式，通过案例观察、深度访谈、抽样调查、实验研究等方式，获得了社会个体的态度、认知、行为和互动数据。而伴随互联网的发展，大数据技术为获取这些数据以及揭示以往难以直接观察的行为，创造了可操作的空间。

　　有学者提出，大数据所凸显的相关关系，在实践层面实质性地推进了对传统因果概念的深入反思。其展示的正负、强弱相关关系指向“我们解开既存结果——事物现象的密码”。在把握全量数据的变量相互作用基础上，人们从既存结果推展到潜在结果，可对即将产生的社会现象形成原因和结果的精确预判。大数据所刻画的这一因果结构，是运用数据分析因果的基础，为探索性分析和生成假设开辟了新的可能性，增加了实证检验的理论意涵。

　　此外，相对于传统研究方法，大数据提供了更加多元的方法论工具包，且在推进因果推论的功能上逐步完善。特别是在描述性推论（分类、聚类方法）、相关性推论（主题分析、情感关系分析）、因果推论（可与传统统计方法、实验方法等结合）和预测性分析（机器学习等）方面，日渐成熟的方法创新推动着政治科学研究范式的变迁。