发帖
雷达卡
资料名称：Social Capital Atlas 社会资本公开数据与配套的 Stata／R 复现包，Chetty、Jackson、Kuchler、Stroebel 等人 2022 年两篇 Nature 论文所用，按县、ZIP、高中、大学四层发布
帖内资料：免费区给出四层数据的行列规模、连接度指标的四种算法、凝聚度与公民参与两项的取值区间、100×100 交友比例矩阵的行列含义，以及复现包的目录构成与运行环境；回复可见区只放完整地址
时间覆盖：个体口径锁定 2022 年 5 月 28 日的账户活跃状态与居住地 ZIP；高中与大学层分别落在 1986—1996 与 1990—2000 两个出生队列；指标说明写于 2022 年 7 月，复现指南写于 2022 年 8 月 1 日
许可与引用：由 Meta 平台按自有数据许可开放，允许使用与再分发，要求同时给出该许可原文、不得用权利人或贡献者名义为衍生品背书、不得用于识别具体个人；引用按 Nature 608 卷的两篇论文著录
适用任务：社会网络与代际流动的课程素材；地区层面连接度的横截面分析；把 Facebook 聚合数据当观测组时的口径对照练习
Social Capital Atlas 是随 2022 年两篇 Nature 论文一起放出来的一套社会资本地图：把平台上的好友关系聚合成连接度、凝聚度、公民参与三大类指标，再按行政单元与学校拆到四个层级。整份资料由四层 CSV、一份 100×100 的交友比例矩阵和一个二十七兆字节上下的复现包组成，当前全部公开可取。
下面按数据怎么分层、连接度怎么算、为什么有些单元格留空，以及复现包里到底有什么，一段一段说清楚。
四层数据，粒度与列数各不相同
县层级表 3,089 行、26 列，主键是 5 位县 FIPS，另有一列县名；ZIP 层级 23,028 行、23 列，主键是 5 位 ZIP 码，同时给出所属县 FIPS；高中层级 17,525 行、21 列，主键是学校编号，另给学校名称、所属 ZIP 与县，以及 9 至 12 年级在校人数；大学层级 2,586 行、22 列，主键是院校编号，另给院校名称、所属 ZIP 与县，以及每届平均学生数。
四份表里都有「父母收入低于全国中位数的儿童数」与「2018 年人口」两项，但这两项都不来自 Facebook：前者取自 Opportunity Atlas 的公开结果，后者取自人口普查的 ACS。主样本则限定为 25 至 44 岁、居住在美国、近 30 天活跃、美国境内好友不少于 100 人，且在 2022 年 5 月 28 日那天能定位到居住地 ZIP 的账户。
连接度：同一件事有四种算法
基线口径的经济连接度，算法是「一个低 SES 个体好友里高 SES 好友占比的两倍」，再在区域内平均。取 1 意味着高 SES 好友正好占一半，所以数值在 1 上下浮动是常态。县表里 ec_county 这一列有 3,018 个县给出数值，区间是 0.295 到 1.360。
同一个概念在这份数据里还有三种变体：
- child_ec_county 只保留高中好友，并把人挂在高中所在的县，而不是现在居住的县，用来近似「成长地的连接度」
- ec_grp_mem_county 只统计能定位到具体群组里形成的好友关系
- ec_high_county 算法相同，但把对象换成高 SES 个体
第二篇论文进一步把连接度拆成两项：exposure_grp_mem_county 是低 SES 个体所在群组里高 SES 者的平均占比乘以 2，衡量「接触机会」；bias_grp_mem_county 则由前者相除再被 1 减，衡量「接触到之后愿不愿意交」。两者在县表里各有 3,012 个县有值，后者区间为 0.108 到 0.335。
凝聚度与公民参与这两组数
连接度之外的另外两类指标在四层表里分布并不整齐，县层级给得最齐整，四项都有 3,089 个县的取值：
- clustering_county 衡量朋友之间是否也互相认识，即一个人的好友两两之间仍互为好友的平均比例，区间 0.072—0.261
- support_ratio_county 是同一县内的好友关系中，两人还共享第三位共同好友的比例，区间 0.697—1.000
- volunteering_rate_county 是加入了被判为志愿服务或行动主义群组的账户占比，区间 0.010—0.309
- civic_organizations_county 是每千人对应的公益类主页数量，区间 0.003—0.195
公民参与两项里，志愿服务群组是经过机器判定后再人工复核了全美最大的 50 个群组与各州最大的 1 个群组后剔除误判的；公益类主页则要求页面同时留有网址、简介与地址，再按地址归到县。这两条口径决定了它们不是纯粹的人数或主页数。
100×100 交友比例矩阵怎么读
矩阵文件名是 100_x_100_friendship_matrix.csv，连表头共 101 行，除 own_ses_percentile 外有 100 列，从 friend_prob_p1 排到 friend_prob_p100。第 i 行第 j 列的含义是：本人处在第 i 个 SES 百分位时，好友落在第 j 个百分位的比例，原始值是 0 到 1 之间的小数。
复现代码在用它做图时会先把这一列乘以 100 换成百分比，再按「本人的 SES 百分位」分组画「好友的身份分布」。第一篇论文的补充图 16 的 B 幅就是这样画的，取第 90、95、100 三个百分位，各出一条曲线。
公开出来的数，和论文里的数为什么对不上
关键在于隐私口径：所有聚合量都按差分隐私加了噪声，达不到最小单元规模的格子直接不发布。指标说明给出的剔除规模是——29,062 个有任一项社会资本指标的 ZIP 里剔掉 6,034 个，21,483 所高中里剔掉 3,958 所，2,673 所大学里剔掉 87 所，另有 7 个县。
若单看经济连接度这一项，门槛更高，剔除比例也更大：24,231 个有连接的 ZIP 里剔掉 5,251 个，21,361 所高中里剔掉 9,753 所，2,666 所大学里剔掉 474 个。
所以拿公开数据算出来的结果与正式发表的值不会逐一相等。两篇论文的估计都是按人口加权的，因此点估计仍然接近，差的主要是进入统计的观测数量。做复现作业或写论文引用时，把「数量对不上、均值大致对得上」这一层先讲清楚，能省掉不少来回。
复现包里有什么，跑起来要装什么
包体 27,389,680 字节，内含 153 项。除存放矩阵的 Social Capital Data 之外，顶层是这几块：
- Code/Paper 1 与 Code/Paper 2，分别对应两篇论文，各含 Figures、Tables 与一份 metafile，脚本同时提供 Stata 的 do 文件与 R 脚本两种版本
- Mobility Data，县与 ZIP 两级流动数据的 dta 文件，另有单独说明
- Other public covariate data，9 份外部公开数据，含 2016 年 JAMA 表 11、2020 年 QJE 表 3（16,114,588 字节）、OPEID 与 SuperOPEID 对照表、院校特征、县与 ZIP 两级协变量、NCES 中学数据等
- Paper 1 Exhibits 与 Paper 2 Exhibits，分放论文图表的输出
环境要求写在 Social Capital I and II: Replication Guide 里，成文时间是 2022 年 8 月 1 日：需要 Stata 17.0 与 R 4.2.1，R 侧先装 readstata13；Stata 侧要装 binscatter、center、egenmore、estout、grstyle、gtools，另外经 github 装 rcall 才能在 Stata 里调起 R。
两份 metafile 的第一节会自动去公开数据仓库取那四份 CSV，只需改各自 metafile 里的 master_folder 路径即可。
需要说明的是，部分社会资本指标与人口权重并未公开，因此论文里只有一部分图与表能用公开数据重算；指南里也提到，其中若干多变量分析只用到正式论文变量的一部分，口径与发表版本不完全可比。
────────────────
四层 CSV、那份 100×100 的交友比例矩阵、复现包与它的许可原文，还有两篇论文的主页，地址都列在下面，回帖就能看到。
京公网安备 11010802022788号
