1 QCA步骤
（1）数据校准（calibrate）：基于理论将连续变量校准成清晰集（crisp set：二值或者多值）或模糊集（fuzzy set）
（2）创建真值表（truthTable），得到所有观测到（和未观测到）的组态causal conditions
（3）对真值表进行简化(minimize)，得到对结果=0和结果=1的因果关系的逻辑表达式
2 由于因果树是反事实的框架，QCA如何进行反事实的操作呢？
理想情况是，按照处理变量的取值将样本分成2部分，一部分使用关系，一部分不使用关系，然后执行上述操作，得到四个结果：不使用关系高收入，不使用关系低收入，使用关系高收入，使用关系低收入四组结果。 如果对于使用关系高收入的结果，能够在不使用关系、低收入的结果中找到其他条件完全一致的情况，那么就可以认为，使用关系对收入有正向作用（相当于构造了匹配的样本），反之亦然。而根据"其他条件完全一致"的这一条件的组态，我们就可以得到使用关系对收入有正向作用的人群的特征。
然而，在现实中，这四种结果非常复杂，我们要通过肉眼去识别 “其他条件完全一致，且处理变量取值和结果取值”相反就变得非常困难（见附录）。
3 假设2可以顺利完成，那么QCA的结果与因果树如何结合？
由于QCA是一种二值逻辑，即使将连续变量转化成了模糊集，其本质也是二值的。例如将收入这个连续变量变成了模糊集，我们在做模糊集的操作时，首先对收入有一个“二值”的定义，即高和低，将收入变成模糊集后，新生成的这个变量所代表的含义是：个案的收入在多大程度上（A）属于高收入，就有在1-A的程度上属于低收入。可见，虽然A是一个在0-1之间的连续值，其本质也是也是“高、低”二分类的。
假设以上的第2步可以实现，我们通过QCA找出了在哪些人群中，使用关系的作用是正的，在哪些人群中使用关系的作用是负的。由于QCA是二值逻辑，我们得到的结果是：受教育程度低的，入职年份早的，且在体制内的党员……使用关系的作用是负的，其中，我们将受教育程度第操作化为没上过大学，将入职年份早操作化为1995年之前入职，这种划分是基于理论的，但基于理论的划分未免过于粗糙和武断。因此，在QCA之后，如果我们能够用因果树，用纯数据驱动计算出划分的阈值恰好能够与QCA的结果相符，那么不仅验证了QCA的结果，也验证了理论——在R的QCA包中，可以用intersection（QCA的解，“理论上的因果关系”）来计算理论与实证的交集，来看实证多大程度上与理论吻合。
当然，前提是以上第二步能够实现。
【附录】
不使用关系，高收入
GENDER*CEDU*tizhi_f*party_f*CFW_B*CWORK_YEAR_F +
CEDU*tizhi_f*party_f*HUKOU_F*CFW_B*CWORK_YEAR_F +
CEDU*TIZHI_F*PARTY_F*HUKOU_F*CFW_B*CWORK_YEAR_F +
gender*CEDU*tizhi_f*PARTY_F*HUKOU_F*CFW_B*cwork_year_f => CLNINC_F
不使用关系，低收入
gender*cedu*TIZHI_F*party_f + gender*cedu*party_f*hukou_f +
cedu*party_f*hukou_f*cfw_b +
cedu*party_f*HUKOU_F*cwork_year_f + gender*TIZHI_F*party_f*hukou_f*CFW_B +
gender*party_f*hukou_f*CFW_B*cwork_year_f +
gender*party_f*HUKOU_F*cfw_b*cwork_year_f +
GENDER*cedu*tizhi_f*party_f*cfw_b + GENDER*TIZHI_F*party_f*cfw_b*cwork_year_f +
cedu*tizhi_f*hukou_f*CFW_B*cwork_year_f +
gender*cedu*TIZHI_F*hukou_f*CFW_B*CWORK_YEAR_F +
gender*cedu*TIZHI_F*HUKOU_F*cfw_b*CWORK_YEAR_F +
GENDER*cedu*tizhi_f*hukou_f*cfw_b*CWORK_YEAR_F +
GENDER*cedu*TIZHI_F*hukou_f*cfw_b*cwork_year_f +
GENDER*CEDU*TIZHI_F*HUKOU_F*cfw_b*cwork_year_f +
GENDER*cedu*tizhi_f*PARTY_F*HUKOU_F*CFW_B*CWORK_YEAR_F +
GENDER*CEDU*tizhi_f*party_f*hukou_f*CFW_B*CWORK_YEAR_F => clninc_f
使用关系，高收入
GENDER*CEDU*TIZHI_F*PARTY_F*HUKOU_F*CWORK_YEAR_F +
GENDER*CEDU*TIZHI_F*PARTY_F*cfw_b*CWORK_YEAR_F +
GENDER*TIZHI_F*PARTY_F*HUKOU_F*cfw_b*CWORK_YEAR_F +
gender*CEDU*tizhi_f*PARTY_F*HUKOU_F*CFW_B*cwork_year_f +
GENDER*CEDU*tizhi_f*PARTY_F*hukou_f*CFW_B*cwork_year_f +
GENDER*CEDU*TIZHI_F*party_f*hukou_f*CFW_B*CWORK_YEAR_F +
GENDER*CEDU*tizhi_f*party_f*HUKOU_F*CFW_B*CWORK_YEAR_F +
gender*CEDU*TIZHI_F*PARTY_F*hukou_f*CFW_B*cwork_year_f => CLNINC_F
使用关系，低收入
cedu*party_f*cwork_year_f + gender*cedu*party_f*CFW_B + cedu*tizhi_f*party_f*cfw_b +
cedu*party_f*hukou_f*cfw_b + gender*tizhi_f*party_f*hukou_f*cwork_year_f +
gender*TIZHI_F*party_f*hukou_f*CFW_B + GENDER*cedu*TIZHI_F*PARTY_F*hukou_f +
TIZHI_F*party_f*HUKOU_F*cfw_b*cwork_year_f +
GENDER*cedu*PARTY_F*hukou_f*CFW_B*CWORK_YEAR_F +
GENDER*CEDU*tizhi_f*party_f*hukou_f*CFW_B*CWORK_YEAR_F => clninc_f
