摘 要：教育实证研究中的因果推断长期沿着两条相对独立的路径发展：一是基于形态结构分析的模式识别路径，二是以变量为中心的统计验证路径。两条路径在本体论假设、认知逻辑与操作方法上存在显著差异，但长期割裂导致研究难以兼顾深层机制解释与因果效应估算。为此，系统比较两种路径的理论基础与适用边界，并提出一个整合性的方法论框架，旨在超越这种二元对立。研究首先辨析了形态结构分析与变量中心分析在时空处理能力、因果逻辑与技术操作上的核心差异；继而论证二者在“模式识别”这一共同基础上存在深层互补性；最后建构了“问题导向、动态互补”的整合框架。该框架的核心在于，不以方法偏好驱动研究设计，而以研究问题为轴心，在两种路径之间建立递归验证循环——变量异常触发形态深挖，形态发现推动变量重构，政策迭代验证整合价值。该框架特别适用于政策评估、教育变迁、区域差异等研究需要，同时可以回应“为何如此”与“效应多大”的复杂教育问题。这一整合框架有助于提升教育因果推断的解释力与可靠性，为教育研究提供一种超越定性/定量、解释/验证二元对立的工具箱思维，推动积累性知识体系的建构。

关键词：因果推断；形态结构分析；变量中心方法；方法论；教育实证研究

一、两种因果分析取向的困境与整合的呼唤

目前，教育研究领域处理因果关系的基本取向可大致分为两类：一类以逻辑分析为根基，另一类则以概率统计为依托。前者可追溯至大卫·休谟（David Hume）的充分条件说、约翰·穆勒（John Stuart Mill）的共变与差异法、约翰·麦基（John Mackie）的INUS（某个充分不必要条件中的必要不充分部分）条件，以及当下广泛接受的反事实框架——尽管侧重点各有不同，但这些逻辑分析的共同之处在于将因果关系理解为两种现象或因素之间的规律性关联。后者则否认因果关系的确定性，转而以相关性作为认知基础，将原因定义为结果发生的必要条件，并以连续变量的形式表达因果强度——这便催生了实验方法与统计控制的技术路线。

然而，将因果分析简化为逻辑与概率的二分，可能遮蔽了更为根本的方法论分野。本文认为，在逻辑与概率的背后，存在着两条更具操作性的因果推断路径：一条以形态结构分析为核心，另一条以变量中心的统计模型为特征。两者的共同起点是“模式识别”——都试图从经验材料中发现规律性。但在此之后，它们走上了截然不同的道路，前者嵌入历史与空间，追求整   体性的生成机制；后者剥离了情境与时间，估算平均性的因果效应。长期以来，这两条路径在   教育实证研究中各说各话，鲜有实质性对话。形态结构的研究者批评变量中心研究“只见树   木不见森林”，变量中心的研究者则指责形态结构研究“难以复制、无法推广”。这种对峙不仅耗费学术精力，更导致一个棘手的局面，即教育研究者不得不在“深度解释”与“严谨估算”之间做痛苦的取舍。

本文试图走出这一困境。我们的核心主张是，形态结构分析与变量中心分析并非相互排斥的对手，而是可以相互补充的伙伴；形态结构分析与变量中心分析的整合不是方法的简单拼接，而是在“问题导向”的原则下，以形态结构分析锚定因果语境、生成可检验的假设，以变量中心分析验证因果效应、识别异常模式，再以前者深挖异常背后的机制——如此形成一个递归循环。这一整合框架的提出，旨在为教育实证研究者提供一种超越“定性VS定量”“解释VS验证”二元对立的工具箱思维。

二、因果推断的两条路径：形态结构与变量中心

需要说明的是，形态结构分析并非独立于逻辑取向，而是将逻辑取向中的充分/比较条件、反实施推理等原则，应用于对现象时空分布模式的识别与阐释中。在本文中，形态结构分析主要关联于定性、比较案例研究传统。变量中心分析则将概率取向中的相关性原理，通过统计模型进行量化估算。形态结构分析与以变量为中心的分析虽然都致力于从经验材料中识别模式，但它们在理论预设、操作逻辑与使用条件上均存在深刻差异。

（一）形态结构：模式识别与时间嵌入性

形态结构分析通过识别历史现象中的稳定模式，如人口分布、社会关系网络，来推断因果，其概念源于形态学——研究事物形式的学科。该方法首先要求发现时空分布中的结构性规律，常用的工具包括地理空间分析、时间周期划分、生态位描述以及社会关系网络等相互渗透的范畴。例如，生态学意义上的人口分布特征通常会与时间概念紧密相连；空间分布的结构特征又会与横向的社会关系紧密融合；生态位也可以反过来用社会关系网络来解释。通常情况下，时间维度的形态多解释重大事件的发展阶段，空间形态则揭示历史性社会结构。例如，地图聚类可直观呈现现象分布，其在地理空间上的聚类形态或特征总结甚至可以直接引出或暗示某些阐释性的概念。

在具体操作中，伊万·尔马柯夫（Ivan Ermakoff）将基于形态结构的因果分析分为时间模式和空间模式两类。从时间模式来看，依据分析的重点和倾向的不同又可以分为演化模式、序列模式和事件模式三类。演化模式主要描述和解释现象的结构变迁，如政策引发的教育志向代际演变等，其重点在于描述和解释；序列模式的主要倾向则是展示事件的连续状态，其重点在于展示；事件模式的侧重点则在于聚焦该事件发生的必要前提。从空间模式来看，又可以分为位置模式和关系模式两类。位置模式主要倾向于分析研究对象之间的相对位置，如皮埃尔˙布迪厄（Pierre Bourdieu）研究中对研究对象相对位置的强调主要是放在一种竞争性的位置关系中进行探讨。当然，研究对象中的个体也需要将其放入社会网络结构中的相对位置才能进一步解释。关系模式的主要目的是通过社会角色，如宗族成员等解码群体关系结构，其分析单元可以是个体，也可以是群体。关系模式的形态结构分析离不开分析单元的社会角色，如活动家、艺术家、合作伙伴、权利人、会员等。这些社会角色本身就体现了一种社会关系。

形态结构分析的认识论基础在于，当某种相对稳定的形态结构被意识捕捉后，它便会在认知层面生成因果意义。同时，其类比象征和时间嵌入性为因果推断提供认知框架。具体而言，这种意义生成通过三条通道实现：其一，外在现象，包含具体事态、姿态和形式等，的稳定形态为因果推断提供了可资类比的对象；其二，形态结构与抽象价值之间的关联性标记会形成具有某种特别意义的新事物，进而促成因果解释的形成；其三，形态结构在时间进程中的不同阶段，如事物处于生成、存续、发展和消亡的不同时期或各转化的临界点等，为因果关系提供了情境化的理解条件。形态结构的不同状态或发展阶段对认知者来说，其内涵信息还可以显现出不同的意义和价值，如积极的、保守的和消极的，以及是危机、是生机或是一种转机等，这些促进了或强化了对因果关系的理解。简言之，形态结构分析的优势在于其整体性与历史敏感性，尤其适用于长时段、大空间的比较研究。

在教育研究领域，张良、张文新对过去二十年我国高中生教育效用和教育志向水平的比较研究提供了一个典型案例。该研究按照年代区别和城乡差异区分出六种模式差异，并考察学业成绩、父母学历等变量的微观影响——尽管研究者采用了协方差和回归分析，但对形态结构的判断（不同年代、不同背景下的模式差异）依然是其分析基础。相对典型的是李永萍对我国农村“光棍”的区域分布及其形成机制的研究。该文从血缘结构与地缘结构的匹配方式上的差异进行区分，识别出了南方团结型村庄、北方分裂型村庄和中部分散型村庄三种模式，接着从婚姻的家庭支持度和村庄对光棍的排斥度两个维度考察“光棍”在这些村庄中的分布差异。三种村庄模式指向了不同的产生机制，进而指向不同的历史成因——这便是典型的形态结构因果推断路径。

（二）变量中心：统计关联与量化验证

基于变量统计的因果分析可以分多元统计法和比较分析法两类。多元统计法侧重分析变量之间在统计学意义上的关联显著性并对因果关系进行估算；比较分析法则侧重于探究和识别跨案例比较中的解释性因素。两种方法在应用中都要求进行有效性检验。虽然都是基于变量的因果估算，但是两者的差异还是比较明显。多元统计法主要依靠统计上的显著性和稳健性来检验因果关系假设；比较分析法则依靠逻辑推论的系列条件要求和条件标准对因果关系获得一种简单表达。

多元统计法和比较分析法首先都要依靠一组对经验类别的划分。二者均依赖经验类别的双重假设：类别间存在先验因果关系，且含义跨案例一致。一般情况下，满足这个双重假设的经验类别就可以被视为变量。无论多元统计分析法，还是比较分析法其本质都是探寻变量间的稳健关联模式。多元统计法对因果关系的判断依靠的是显著性检验与平均效应估算；比较分析法则主要依靠案例选择与变量控制。两者都是基于变量统计的因果估算，区别在于比较分析侧重定类变量，多元统计则需要定序、定距或定比变量。王艳玲等基于云南省5342位乡村教师的问卷调查，分析乡村教师离职意愿增强的原因。研究发现，教龄、家庭来源地、学校规模（学生人数）、是否寄宿制学校、学校到县城的距离、工资收入和职业体验等变量能够有效预测乡村教师的离职意愿。这一研究采用的正是典型的变量中心路径，即将复杂情境转化为可测变量，通过统计模型估算各因素的边际效应。

变量中心分析面临的主要问题是因果关系泛化以及因果估算错误。因果关系泛化，或者说因果关系不具体、不紧密就说明可能存在其他介入因素，或并发原因；因果估算错误可能是由于样本的选择偏差，忽视了有关变量，或归因错置造成。因果关系泛化与错置与两个原因相关：其一，对变量的因果效应估计错位；其二，对时间变量的因果效应估计不足。在陈超、李响看来，逻辑取向的因果分析遵循的是布尔代数法则，而概率取向的因果分析视因果关系为“量化相关”，遵循的是线性代数法则。基于布尔代数法则的逻辑因果分析中，因果关系只有不同的类型，因果效应没有不同程度的差别，即不同类型的原因对结果产生的影响都是“完全影响”；基于线性代数法则的统计因果分析中，不同原因对结果产生的影响都是“部分效应”，而且这种影响可以通过简单计算来得出原因叠加对结果的线性累积效应。因此，他们认为，很多社会科学的实证研究明明提出的是一个逻辑取向（有关充分/必要条件或条件组合）的因果框架，却用概率取向的统计思维来指导案例的选择和变量的控制，是本体论与方法论的错配。

样本选择偏差主要存在于对案例、数据和变量的选择方面。案例选择受价值判断、内生性选择偏倚、研究范围的划定等影响。为了避免选择性偏差，多元统计会强调抽样或对照组的随机性，以及对所有可能的结果都进行抽样。因此，研究中将任何一个案例排除在研究范围之内都需要对选择标准以及因果关系的稳健性重新进行检验。比较分析对抽样的理论边界非常敏感，因此案例选择上需要特别重视那些关键性解释变量，以及理论的前置条件或属性特征。如果案例中作为经验类别的解释变量的界定相当模糊，或者直接依据因变量选择自变量，这样的案例选择都是无效的。需要说明的是，与直接根据因变量选择案例不同，在检验逻辑因果假说时，有时必须要按照因变量选择案例。在数据的选择方面，虽然理论上二手数据中与研究者保持一致的概念并不必然保证研究论证能够朝着有利于研究者的方向发展，但其数据因带有隐含的历史价值倾向而备受诟病。不能忽视的是，一手的数据也可能被受访者扭曲而存在问题，因此需要对数据进行多维度检验，并对可能的潜在影响因素保持高度警惕。研究者的可能选择就是尽可能地展示研究过程的透明性。

三、形态结构与变量中心的差异与互补

实际研究中，形态结构与变量中心的因果分析并非必然互不相容。相反，在许多场景下它们可以同时应用、各司其职。对二者进行区分的意义在于：一方面有助于帮助研究者理解不同因果思维方式的特性及其影响；另一方面为研究过程中两种路径的替代或互补提供条件判断的依据。

（一）两者的核心差异性

首先看本体论与认知逻辑层面。形态结构分析将因果性视为历史生成的动态整体，强调现象在特定时空中的不可分割性。例如，李永萍研究中国农村“光棍”问题时，将村庄视为“血缘-地缘”匹配的结构性实体等，其因果解释依赖于对社会形态整体变迁的解读——光棍现象是宗族结构与经济转型互构的结果，而非孤立变量的作用。相反，变量中心路径秉持原子化还原论。例如，分析乡村教师离职意愿时，将教龄、工资等变量从具体情境中剥离，可以通过统计模型计算出，比如“通勤时间每增加1小时，离职概率提升15%”的平均效应。此处的因果逻辑本质是变量间的概率关联，它剥离了教师所处的乡土文化网络。

其次，在方法操作技术层面。形态结构分析依赖“形态模式辨识—形式化描述—因果推断”的三步框架，其操作中需要研究者具备较强的理论预设与符号编码能力，也因此容易受到解释主观性的影响。变量中心路径则依托标准化统计程序，比如研究者会将“父母学历”“城乡户籍”转化为虚拟变量，用多层回归模型检验系数显著性。这种操作虽具可重复性，却面临黑箱效应，比如模型可能会输出“农村户籍降低教育期望0.3个标准差”的结论，却无法揭示户籍歧视如何通过教师态度、同伴压力等中介机制具体作用。

再次，在时间处理能力层面。形态结构分析将时间视为内在的因果载体，擅长捕捉长时段的非线性演化。比如，比较三个年代（2000/2010/2020）高中生教育效用时，它能识别出从高校扩招政策、到学历贬值，再到志向分化的代际传导链，将政策迟滞效应融入形态变迁解释。变量中心路径则遭遇时间困境，因为布尔代数逻辑要求变量静态化，如将“政策影响”简化为二值变量，导致无法处理教育过程的时序累积效应。即便引入“教龄”这类时间变量，线性回归仍假定“工作第5年的离职风险等于第1年风险乘以5”，而现实中乡村教师可能在入职第三年因文化适应完成而风险骤降。这种动态转折恰是形态分析通过事件史追踪能捕捉的关键机制。

总之，形态结构视因果为历史编织的意义之网，变量中心将其解构为可计量的关联链条。前者以整体模式承载时间厚度，后者以统计简化牺牲过程深度。二者在解释“教育如何发生”与“教育效果多大”之间，构筑了方法论光谱的两极。

（二）两者的深层互补性

首先，两者逻辑链条的互补。形态结构分析可以为变量中心提供背景化假设。例如，通过村庄类型提炼“学校-地缘匹配度”这一变量，再纳入回归模型检验其效应。反之，以变量为中心的分析可以帮助形态结构分析识别异常案例，如回归中的离群值可能指向那些被既有模式忽略的特殊个案。例如，某村庄光棍率显著偏离预测，这一异常可触发深度模式分析，如该村特殊的历史事件的影响等。二者由此形成一个“模式→变量→深度模式”的因果链条闭环，形态结构分析为变量中心路径锚定因果语境，而变量验证为形态推断提供实证校准。比如，在解析农村教育衰落时，形态结构分析可以先识别出“村庄空心化→学校撤并→文化断代”的历时性模式，从中提炼“宗族凝聚力”这一潜在解释变量；进而变量中心方法随即通过多层模型检验该变量对辍学率的边际效应。当模型出现异常案例，如某高凝聚力村庄仍现高辍学率时，形态结构分析就再度介入。通过追踪发现该村因矿产开发突发人口流入，揭示了变量未能捕捉的情境突变。

其次，教育复杂性的分层破解。教育系统具有政策、学校、个体等多个层次的嵌套结构，同时还高度依赖文化情境。形态结构擅长解码宏观历史脉络与中观组织逻辑，变量中心路径则精于量化微观机制。以探究“双减”政策效应为例，形态分析可以通过政策文本编码与学校空间分布图，揭示沿海城市教培机构“地上转地下”的变异形态；变量方法则聚焦家庭层面，用面板数据证明政策使高收入家庭补习支出上升，而低收入家庭子女学业差距扩大。二者结合，既暴露了政策执行的区域性异化，又量化了阶层不平等的微观加剧。这种互补使研究者既能把握“国家政策如何被地方文化结构重构”——形态焦点，又能精确计算“政策冲击对不同群体的因果效应量”——变量专长。

再次，方法技术的交叉性融合。形式化描述在两者的交叉融合上起到了桥梁作用。形式化描述是用一套基于明确定义的概念符号来描述现象，并且辅以支持性的、非形式化的解释性表达。形式化描述体现在很多具体的分析技术上，如空间的聚类分析和测量、社会网络分析、编码等等。形式化描述在形态结构分析中是从模式辨识到因果推断的关键一步，在变量中心分析中也是变量操作化的重要环节。社会网络分析便是一个典型，比如，它可以生成“关系密度”变量，并将此变量纳入回归模型后验证其对教育成果的影响。方法技术上的交叉融合有助于破解因果机制的黑箱。比如，在定量识别X与Y相关性后，可以用过程追踪（一种形态结构技术）解析其具体的作用路径。例如，优质师资究竟如何提升学生成绩？是通过课堂互动质量的改善，还是通过课外辅导时间的增加，抑或是通过同伴效应的传导？

在乡村教师留任研究中，形态分析先用社会网络技术绘制教师流动的时空聚类图，识别出“县域中心校→偏远教学点”的单向流失带；将此模式转化为“校际网络边缘度”变量后，变量方法构建比例风险模型，证明边缘度每增加一级，离职风险提高若干个百分点。更关键的是，当模型发现某偏远校留任率异常高时，形态技术再度启动——通过叙事编码提取教师访谈中的“乡土认同”话语，将其操作化为保护性变量，最终形成“空间位置→统计风险→文化缓冲”的机制完整图谱。这种融合既克服了变量路径的“黑箱缺陷”，又规避了形态分析的主观泛化。

综上所述，形态结构如同绘制教育图景的经纬线，赋予变量以历史坐标与文化意义；变量方法则如精密标尺，测量经纬交织处的因果强度。二者在“解释生成”与“验证效应”的循环中，共同应对教育的语境依赖性与普适规律性之间的张力。

四、整合框架：问题导向与动态互补

由上，方法论的整合既有其必要性，也有其可行性。看似对立的逻辑差异背后也存在共性，如量化研究和定性研究的主要区别，除了样本规模不同外，还在于前者采用概率性与连续性推理，后者则使用布尔代数法则和类别性推理。对于教育实证研究而言，方法论的整合需要遵循两个基本原则：问题导向与动态互补。

所谓问题导向，就是研究目标决定方法选择。问题是教育研究的灵魂。从因果关系角度看，问题意识本质上就是关于因果规律的一种关系性想象。教育研究不仅需要按照时间序列和空间序列对事实进行排列，更需要将事实联系起来的洞察力和想象力。方法只是连接理论假设和经验事实的中介。方法技术、理论假设和经验事实最终都是为研究问题服务的。只有确定了研究问题，才能选取适当地样本，而样本的规模与性质又反过来限制了研究方法的选取。

问题导向的方法序列主要包含三个步骤：第一步：形态结构分析锚定问题语境，以空间聚类与历史追踪技术识别教育现象的核心矛盾。以乡村教师流失研究为例，先通过GIS地图可视化近十年教师流动轨迹，发现“县域中心向边缘山区辐射式流失”的模式，同时结合田野访谈提炼关键情境变量——通勤成本、乡土文化断裂、政策执行梯度差等。第二步：用变量中心路径检验因果效应。将形态分析输出的变量操作化，构建多层级模型。承接上例，在微观层面，可用生存分析模型（Cox Regression）量化通勤时间对离职风险的影响；在中观层面，以校际网络中心度衡量政策资源可达性，证明边缘学校教师获培训机会显著更少；在宏观层面，引入“方言相似度”作为文化认同的代理变量，发现与本地学生方言相通率高的教师留任概率翻倍。第三步，整合技术破解机制黑箱。采用定性比较分析（QCA）等方法，融合布尔逻辑与统计证据等。从形态模式中提取条件组合，如“高政策支持”加“低通勤”，再加“强文化认同”等，再通过变量数据校准集合关系，最终识别出三条留任核心路径：政策主导型（专项补贴加周转宿舍覆盖，即使文化适应弱仍能留任）、文化缓冲型（方言匹配度高加上宗族网络嵌入，可抵消低工资劣势）、均衡发展型（通勤小于一小时加上每周校本培训，是青年教师留存关键）。

所谓动态互补，就是在以形态结构提供研究背景，以变量为中心验证假设的基础上，实现验证的循环。需要清楚的是，以变量为基础的因果分析在主张相关性之前，本身就需要用形态结构的理论术语进行假设。对此，我们必须充分理解两种因果分析路径的逻辑，远离定性与定量、结构与行动、归纳与演绎等简单的二分法。

动态互补主要体现在验证的循环机制上。以乡村教师留任研究为例，所谓验证循环主要体现在三个方面：其一，变量异常触发形态深挖。假设统计模型发现某高原藏区小学（通勤三小时，无宿舍）的留任率仍高达90%，这一悖论便是变量异常。形态分析此时介入，比如通过参与式观察发现该校将牦牛棚改造为教师文化驿站，并依托赛马节构建社区尊师仪式。这些非正式支持网络的缓冲作用可能是定量变量未能捕捉到的。其二，形态假设推动变量重构。上述发现催生了新变量“社区文化资本整合度”。经量表开发后纳入扩展模型，结果证明该变量每提升一个标准差，比如可降低通勤风险的边际效应达37%——原模型高估通勤惩罚28%。其三，政策迭代验证整合价值。基于整合结论可以设计干预实验。在实验组（10所高危流失校）推行“文化驿站加通勤补贴组合包”，在对照组学校仅提供通勤补贴。两年后，实验组留任率比对照组高21个百分点，证实物质支持与文化嵌入的协同效应。

图1（图1略）呈现了这一动态互补验证的循环机制。整体上来看，这个整合模型拒绝机械的“先定性后定量”线性思维，而是以问题矛盾为引擎驱动方法循环。当变量路径遭遇统计异常时，形态分析提供深描式解码；当形态推断面临主观性质疑时，变量方法赋予其可证伪性。唯有在“数据规律”与“田野真相”的反复对话中，教育因果机制方能显影。简言之，教育现象的历史嵌入性或形态结构，与变量的可测性——统计路径——本质上互补。形态结构分析提供因果语境与生成机制，避免变量沦为“统计幻觉”；变量中心分析确保推断严谨性，防止形态解读陷入“叙事谬误”。二者整合的关键在于以问题驱动方法选择，如政策评估重效应量、文化变迁重过程等，并通过技术交叉，如社会网络加多层模型等，实现因果深度挖掘。教育实证研究的进步，正依赖于这种超越方法论对立的“工具箱思维”。

五、方法论整合的挑战与应对

方法论整合依然面临着三个方面的挑战，即时间变量的整合、主观性和操作化风险的控制，以及教育复杂性的处理。从方法论层面来看，时间变量的整合，既需要形态结构分析提供过程血肉，也需要变量分析赋予其时序的筋骨；主观性和操作化风险的控制则主要依靠透明度，让预设显性化、算法可溯化；教育特异性的破局则依赖研究者的情境智能，将本土的文化密码转化为可计算参数，方能在复杂中见规律。

（一）时间变量的整合

面对时间变量时，形态结构分析和变量中心分析各有隐忧。形态结构分析虽擅长长时段追踪，却难以量化关键转折时点；变量分析路径虽可引入时间变量，但线性假设常扭曲教育的累积效应，比如忽视教师前三年离职风险骤降的“生存曲线拐点”。

对于形态结构分析而言，其有效的应对方法可能是嵌入事件史分析（Event History Analysis）。比如，研究“新课改”政策对教师教学理念的影响，形态结构分析可以识别出“试点—推广—反思”的政策周期模式。在此基础上嵌入事件史分析，可量化“政策推广”这一时间发生后，不同教龄、不同学校类型的教师理念转变的风险比率，从而精确捕捉政策迟滞效应。对于变量中心的分析来说，其可能的有效手段是开发时变因果模型，如用边际结构模型（Marginal Structural Models）动态加权政策干预的滞后效应。例如，在乡村教师研究中，通过加权通勤时间、工资调整的年度波动，捕捉到“第三年文化适应期”对离职风险的阶段性抑制效应。

事实上，真正需要教育实证研究中因果分析关注的，也正是时间变量及其因果效应。现在的多元统计分析在建模时也会纳入一些时间变量的考量，如多元时间序列和多变量时间序列等。对长期相关性、迟滞效应，乃至时间上自相关数据的关注，可以帮助模型处理和识别来自时间的影响。允许参数变化的模型则有助于更好地理解不同变量之间关系的时间变化和时间断裂。总体而言，基于布尔代数法则的逻辑取向因果分析在理解和纳入时间变量及其因果效应中更有缺陷，原因在于其对时间的认知有三个基本特征：其一，变量缺乏时间的内在性，即解释变量不会随着时间而发生变化；其二，变量的因果效应也是没有时间性的，即其影响不会随着时间发生变化；其三，变量并不受时间序列的影响，即变量之间不存在时间顺序，时序的变化对结果没有影响。当然，研究者可以通过赋予这些变量以时间特征，但这会直接迅速导致变量之间因果关系和因果效应的扩张，进而导致逻辑推理的复杂化。

另外，还有一种声音认为，即便赋予了变量以时间特征，布尔代数逻辑中的变量依然只是作为原子化的单体运作，产生的依然是没有时间性的效应。这种担忧是确实存在的，而且其原因极有可能与我们使用的语言特性相关。当我们对具体事物使用经验类别的概念去描述并转化为因果关系时，事实上已经挖空了它们的经验内容和时间背景。正如李凯尔特（Henrich Rickert）对概念与现实关系的论述，认识无法完全一致地反映现实世界，必定要经历一个借助概念对直接所接与的材料进行选择的过程，而这种选择过程是对现实的简化，需要从一套经验事实元素中抽离“本质成分”。某种意义上，概念只是对经验事物的一种抽象标记，是方便使用的工具。当我们进行因果关系分析时，这些脱离了现实背景的概念变量就会在概念关系中自动地倾向于自我封闭和自我实现，并形成一种原子论形式。

（二）主观性与操作化风险的控制

对于研究者而言，基于形态结构的因果推断需要解释现象的具体模式，因此，它与逻辑学上的归纳存在很大不同。对模式特征进行解释的本意是让数据自己说话，因为这种让数据自己说话的方式可以发现模型假设和总体测量不能捕捉到的一些规律，但是如果完全没有研究经验或者理论预设的介入，研究者就有可能陷入大量的细节分析过程之中，而且有可能造成因果倒置或错配。需要指出的是，理论本身会否认数据。

研究者的研究经验，包括理论预设，必然会有意或无意地简化或忽略现象本身大量而多样的特征。另外，技术层面的形式化描述必然建立在特定的理论预设基础之上，而这些技术内含的固有理论假设会影响我们的分析判断。当我们解析社会现象时，不可避免地受到内隐的“理论”的引导，以特定的角度和方式去解释我们遇到的现象。无法避免的是，分析手段的操作化也会影响结果的可靠性。由于研究范围和研究深度的要求不同，加上可能面临的研究对象的绝对数量的差异，采用的形式化描述的技术也必然不同。人为干涉程度相对较深的分析技术包括最优匹配、网络分析、事件结构分析等。还有一些分析技术看似几乎没有人为干涉，如文本内容的共现分析等。然而，即便犹如对文本内容的共现分析这类看似非常“客观”的研究也带有一层技术的滤镜，有人为选择的影响因素存在。这些带有人为干涉印记的技术在使用中自然会倾向于自证有效。如果换一种分析技术，研究者可能马上又会发现另一种形态的结构特征或模式。

简言之，对于形态结构分析来说，它易受理论预设绑架，如将光棍现象简单归因于宗族衰落；而变量中心方法则暗藏算法黑箱，如神经网络模型无法解释为何“方言相似度”权重最高。对于形态结构分析来说，其有效的方式是实施多研究者三角验证与反身性笔记。比如，在解析“双减”政策下家长焦虑的成因时，可由教育社会学、心理学和课程论背景的研究者，分别对相同家长访谈文本进行编码。若三方对“学业竞争”这一核心概念的编码一致性过低，则需回到原始资料，反思该概念是否被“应试文化”“阶层焦虑”等更复杂的教育情境因素所中介。而对变量中心分析来说，其有效方式可能是采用预注册研究设计加敏感性分析。例如，在构建教师留任预测模型时，预先声明“社区资本”的测量假设，再通过E值分析检验结论对遗漏变量的稳健性。

（三）教育的复杂性处理

教育系统是一个多层级互嵌与文化情境高度依赖的复杂系统。这一迥异于其他社会现象的特异性常常会使普适的模型失效。目前比较有效的方式是采用嵌套分析框架（NestedAnalysis），即先进行大样本量化识别关联，再进行典型案例的过程追踪。我们需要将嵌套分析框架与教育系统的多层级特性相结合。教育数据天然具有学生嵌套于班级、班级嵌套于学校、学校嵌套于区域的多层结构。整合框架应优先采用多层模型（HLM）作为变量中心路径的工具，将形态分析识别的“学校文化类型”作为层-2变量，学生个体特征作为层-1变量，从而同事估计学校层面和个体层面的因果效应及其交互作用。同时，对于教育实证研究来说，开发情境化的复合指标也是一种选择，如政策渗透周期、文化适应弹性指数等。

此外，在具体的动态研究过程中，还需要特别注意的是：其一，概念框架的构建。研究问题也需要表述和参照物，这个表述和参照物就是概念框架。概念框架的构建需要历史哲学和文化哲学为其树立参照系。有学者坚持，不同历史语境中文化和意义世界的异质性，认为不仅意义之间而且个案之间均不可通约。对这个问题的回答需要去本质主义化。自我是通过他者建构的，只有通过“他者”才能看到自我。文化和意义的异质性能陌生化我们熟悉的世界和想当然的认识，也才能更好地揭示自身的文化结构。文化结构在跨语境比较中显现，这正是教育研究的价值内核——以异质性陌生化“熟知”，揭示自身教育系统的深层逻辑。同时，我们也认为，世界总是以多样的方式被构想出来的，如果不是这样，因果分析的理论建构就在相当程度上是预先决定的。

其二，类型划分的依据。仅仅将因果关系研究视为对共性或差异性的探求是成问题的。虽然共性和差异性是不同事物之间的一种客观联系，也是进行比较的基础，但研究质量的关键不是不同事物之间的相同点和不同点，而是研究过程中确立类型的标准以及分类的有效性。分类不可避免的要对概念、过程和理论联系进行进一步的定义和操作化，它突出了现象的不同方面，将其与不同的现象进行比较，并将其转变为一种概括，然后可以与其他领域和理论联系起来。类型的分类标准是差异性比较的核心，它与研究问题和研究目的直接相关。分类的有效性至少需要衡量是否符合以下两点要求：首先，分类的标准要有内在的一致性，如按“政策渗透深度”而非简单地用地域划分学校类型；其次，是否在具有重要差别的出发点上作出区别，如区分“宗族主导型”与“市场嵌入型”村庄教育。值得提出的是，对分类的疑虑可能需要通过不断地抽样来验证，它本身追求的是或然率。

其三，变量的有效推理。基于回归的概率论方法和基于反事实逻辑的实验方法并不是讨论变量之间因果关系的惟一方式。回归分析存在的问题是，一个变量可能与所研究的产出结果相关，但并不意味着就存在因果关系。教育实证研究中，各种定性比较分析可能更具有特殊意义。在这种方法中，对变量的定义不是回归中的可计算性，而是布尔逻辑中的充分、必要条件。定性比较分析与实验法最大的不同就是，它没有一个变量足够强大到产生结果。需要注意的是，对教育实证研究来说，仅仅用教育本身的相关变量进行解释是不够的，很多情况下需要将宏观、中观和微观层面的多重变量因素整合的纳入，这并不是一个简单的实验结果。特别是，对于有些变量，可能还需要予以动态地说明。

教育有其特殊的复杂性。对于教育实证研究者来说，可能的困难，或者说根本的困难就在于教育现象的多元性、规模性和历史性；教育概念的扩散性、模糊性和自证性；教育效应的外部性以及变量之间联系的不确定性等。在教育事件的分析中，辨别出当前参与教育事件的行为主体的行为模式的基础上，建模中还需要考虑时代效应、时期效应、周期效应，以及事件的节奏变化和持续时间等因素。教育的复杂性迫使教育实证研究者们必须走出自己的舒适区，对自己采用的变量的经验内容、提出的关于变化效果的主张，以及对数据进行形式化描述时的操作和选择等都需要进行批判性反思。但是，教育的复杂性并不意味着我们不能进行积累性研究。每当我们用坚实的证据来证实，或证伪我们关于因果关系的主张时，我们就增加了有助于积累性知识的可能性。

六、结论：超越二元对立，走向整合的方法论工具箱

教育实证研究应当如何对待方法论的多元性？我们的答案并非非此即彼。形态结构分析与变量中心分析并非不可通约的范式，而是同一方法论光谱上的两端。它们的差异——整体VS还原、历史VS静态、类型VS程度——恰好构成了互补的条件。方法论整合的关键不在于发明一种“万能方法”，而在于以研究问题为轴心，灵活调用不同路径的优势，并在二者之间建立动态递归的验证循环。

本文的整合框架，实质上是回应了赫德斯通（Peter Hedström）和斯维德伯格（Richard Swedberg）所倡导的“分析社会学”中对“社会机制”解释的追求。形态结构分析擅长揭示“情境机制”，如制度环境如何塑造行动者选择空间，而变量中心分析长于检验“行动形成机制”，如个体属性如何影响行为。二者的整合，正式为了完整呈现从宏观情境调微观行动，再到宏观后果的完整因果链条。同时，不同与常见的“顺序式”或“三角验证式”混合设计，本文提出的整合框架更强调一种“递归式”的协同。这受到了查尔斯·C·拉金（Charles C.Ragin）的“质性比较分析（QCA）”以及埃文·利伯曼（Evan S.Lieberman）的“嵌套分析”方法的启发，但进一步将分析单元从“案例”拓展到了更广阔的时空形态。

需要说明的是，这一整合框架拒绝机械的“先定性后定量”线性思维，也拒绝定性与定量、结构与行动、归纳与演绎等简单二分法。它承认，教育现象的历史嵌入性与形态结构，与变量的可测性，在本质上是互补的。形态结构分析提供因果语境与生成机制，避免变量沦为“统计幻觉”；变量中心分析确保推断严谨性，防止形态解读陷入“叙事谬误”。二者的整合需要一种“工具箱思维”。教育研究者应当像一位手艺精湛的工匠，根据自身要解决的问题，从工具箱中取出最合适的工具，并在使用过程中不断调整、反馈和迭代。

当然，这个整合本身也面临挑战。时间变量的处理、主观性风险的控制、教育复杂性的应对，都不是一劳永逸可以解决的。但这恰恰说明了方法论的开放性。没有一种方法能够垄断对教育因果关系的认识。每一次整合尝试都可能暴露新的盲点，而这些盲点又将成为下一轮方法创新的起点。

最终，教育实证研究的进步，既依赖于研究者对方法论对立的超越，也依赖于对研究问题本身的忠诚，更依赖于在“数据规律”与“田野真相”的反复对话中，不断逼近教育世界中那些真实、复杂、充满历史厚度与人性温度的因果关系。

（本文参考文献略）

Morphological Structural Approach and Variable-centered Approach: Methodological Integration of Causal Inference in Educational Empirical Research

Liu Xiaowei

Abstract: Causal inference in educational empirical research has long developed along two relatively independent paths: one is the pattern recognition approach based on morphological structural analysis, and the other is the statistical verification approach centered on variables. These two paths differ significantly in ontological assumptions, cognitive logic, and operational methods, yet their prolonged separation has made it difficult for research to simultaneously achieve deep mechanism explanation and causal effect estimation. Accordingly, the theoretical foundations and applicable boundaries of the two approaches are systematically compared, and an integrated methodological framework is proposed, aiming to transcend this binary opposition. The study first identifies the core differences between morphological structural analysis and variable-centered analysis in terms of spatiotemporal processing capacity, causal logic, and technical operations. It then demonstrates that the two approaches share a deep complementarity on the common ground of “pattern recognition.” Finally, it constructs an integrated framework characterized by “problem-orientation and dynamic complementarity.” The core innovation of this framework lies in its rejection of method-driven research design in favor of a research-question-centered approach, establishing a recursive validation cycle between the two paths: variable anomalies trigger in-depth morphological exploration, morphological discoveries drive variable reconstruction, and policy iteration validates the value of integration. This framework is particularly suited for complex educational issues such as policy evaluation, educational change, and regional disparities that require simultaneous responses to both “why it happens” and “how much effect it produces.” Thus, progress in educational empirical research depends not on methodological either-or choices, but on establishing a recursive cycle between contextual anchoring through morphological structures and effect verification through variable-centered methods, with research questions as the axis. This integrated framework helps enhance the explanatory power and reliability of causal inference in education, provides a toolbox thinking that transcends the qualitative/quantitative, explanation/verification binaries, and promotes the construction of cumulative knowledge systems.

Key words: causal inference; morphological structural approach; variable-centered approach; methodology; educational empirical research

初审：王悦桦

复审：孙振东

终审：蒋立松