楼主: 战争论48223
206 1

[非券商报告] CFPS跨年变量怎么统一:2010—2022个人核心变量库清理报告(CFPS-46,PDF 10页) [推广有奖]

  • 0关注
  • 0粉丝

等待验证会员

学前班

0%

还不是VIP/贵宾

-

威望
0 级
论坛币
0 个
通用积分
0
学术水平
0 点
热心指数
0 点
信用等级
0 点
经验
10 点
帖子
0
精华
0
在线时间
0 小时
注册时间
2026-11-2
最后登录
2026-11-2

楼主
战争论48223 发表于 2026-11-2 11:01:07 |AI写论文

+2 论坛币
k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群
赵安豆老师微信:zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

感谢您参与论坛问题回答

经管之家送您两个论坛币!

+2 论坛币

中国家庭追踪调查(CFPS)从 2010 年基线开始,每两年做一轮全国追踪,每轮都有人新加入、有人离开。跨年个人核心变量库就是把所有曾经进入过 CFPS 的人按人整理成一行,再把每轮的访问状态和常用变量接在后面。《跨年个人核心变量库清理报告》(CFPS 技术报告系列 CFPS-46,2025 年 12 月,吴琼、戴利红、甄祺、谷丽萍、张凯雯著,系列编辑谢宇,责任编辑赵逸文,10 页 PDF)讲的就是这张库怎么建、每个变量怎么来的、哪些地方不能想当然。

 

79,304 人,三类身份,一种记法

 

截至 CFPS2022 调查完成,跨年库共涉及 79,304 位个人:66,778 位是基因成员,8,873 位至少在一轮调查中属于核心成员,其余 3,653 位为非核心成员。三者的区别在于身份认定方式——基因成员是 2010 年基线界定出的与家庭有血缘、婚姻、领养关系的成员,以及他们后续新生的血缘或领养子女,属于永久追踪对象;从 2012 年追踪开始,基因成员在家中的非基因直系亲属(父母、配偶、子女)记为当期核心成员;两边都不是的,才算非核心成员。

 

这里有个容易搞错的前提:CFPS 对"家庭"的界定看的是有没有经济联系,并不要求成员住在同一个地址。所以跨年库里的"一户",与户口本、与实际居住地都不是一回事,做家庭层面汇总时不能直接拿地址去对。

 

变量分三类,后缀就是年份

 

第一类是基线信息,理论上只有一个真值、不随时间变化,一般只在样本第一次进入调查时采集,所以在库里只出现一次:pid、出生年、性别、民族,以及基线源头家户号 fidbaseline、抽样子总体 subpopulation、是否属于全国再抽样样本 subsample、基线 PSU。第二类是跨年更新变量,每轮都可能重采,变量名用后缀标年份:教育系列四组(cfps20XXedu 最高学历、cfps20XXsch 离校或上学阶段、cfps20XXeduy 已完成教育年限、cfps20XXeduy_im 插补值)、城乡状态 urbanXX 与户口状态 hkXX、婚姻状态 marriage_XX、就业状态 EMPLOYXX。第三类是访问状态变量:首次进入年份 entrayear、当年是否在家庭关系库 inrosterXX、当年家户号 fidXX、个人数据集类型 indsurveyXX、是否有个人自答问卷 selfrtpXX、是否经济上归属该家户 co_aXX_p,以及健在与死亡相关的一组(aliveXX、deceased、death_year、death_month、deathcause_code,和按 ICD-10 重编码的 deathcause_code_icd)。

 

有两个细节值得先记住:2020 轮次起户口变量尾缀多了一个字母 R(hk20r、hk22r),因为选项里新增了"居民户口",与之前轮次的取值不能直接比;教育系列里,没有个人问卷的样本,最高学历取自家庭关系库,其余三项直接记 -8(不适用)。

 

pid 是唯一的链接钥匙,但有两处会"不准"

 

pid 在个人第一次进入 CFPS 时由访问系统自动生成,一旦确立就不再变动,是跨轮次、跨数据集链接同一个人的唯一依据,构成为"进入时的家户号(前六位)+个人户内三位代码"。第一处例外:样本进入调查时被原家庭认为"有经济联系但住在外",而离家单元自认经济独立,系统生成的 pid 前六位家户号就可能与该样本当年的实际家户号不一致。第二处要分清:pid 不变,但家户号 fidXX 会变——分家、子女结婚组建小家庭、离婚都可能产生新家户,所以不要把 fidXX 当成人的编号用。

 

跨年库的数为什么和已发布数据集对不上

 

报告明说了两个原因。一是清理时对跨年不一致的观测做过调整:能结合其他信息形成明确判断的,直接改进一致性,因此部分变量取值与已发布数据集存在少量差异;无法明确判断的保留原值,留给使用者按研究需要处理。二是样本口径:如果某个家庭不含任何归属该家庭的基因成员,按问卷生成规则该家庭不需要产生户内其他问卷,构建当年跨年库时这类家庭会从家庭关系库中删除,于是跨年库显示的家庭与个人完访情况,会和已发布的家庭关系库、个人库略有出入。

 

另外几处口径也各有讲究:此次发布不含出生月份,要看出生月份得去 CFPS2010 关系库或具体年份的发布数据;就业状态里代答样本答"过去一周未工作满 1 小时"的无法再判断,2016、2018 年记 -8,2020 年及以后记 -10;个人数据集类型从 2018 年起不再区分成人与少儿问卷,新增 3、4、5 三个取值;deceased 显示的死亡人数比家庭关系库多,因为它也收了"他人汇报全家去世"和访问中发现已故的样本,而这类样本没有采集去世时间与原因。

 

清理时到底碰到多少不一致

 

报告把数摆得很实:出生年只有一条记录的样本 12,608 个,占 15.83%;有两条记录的 31,170 个,占 39.13%;其余多为三条及以上;全部个人观测中有 3,648 条出生年信息不一致,在两条记录的样本里约占 3.5%。性别有 688 条出现过往年份不一致记录。婚姻状态经过"保留自答、删除矛盾代答"处理后,仍有 300 多条跨年矛盾,多数是受访者在当轮确认上一轮状态时直接否认并改写。教育系列里"后面轮次的教育阶段反而低于早期"的矛盾,报告选择保留原值不强行处理。这些都不是瑕疵,而是提醒:跨年面板做清洗时,这几个变量必须自己再过一遍逻辑检验。

 

2020 年起,两处定义变了

 

新进基因的判定方式从 CFPS2020 起调整:过去依赖家庭成员问卷里的人员类型表定义,现在改为"首次进入当前轮次的基因成员"才算新进基因,因家户重组再次进入的不再算。流动基因的定义也统一了:早期基因成员当期家户号与最近一次完访家户号不同,即记为流动基因成员。用 2020 年前后数据拼面板时,这两条会直接影响样本分类,不能按老口径一路套下去。

 

────────────────

回复本帖可见:这份报告的官方 PDF 与 CFPS 数据申请入口、建议引用格式,以及用这张跨年库之前最好先确认的四件事。


游客,如果您要查看本帖隐藏内容请回复

 

 


把经管之家装进你常用的 AI 智能体中

一键快捷安装经管之家 MCP/技能,让 AI 帮你查教程、找数据、读论坛帖子。

检索、阅读公开帖子不收费,安装可申请领取:3 通用积分+100 论坛币+3 元论坛资金

请点击查看安装教程与福利 →

说明: AI 算力按所用平台规则计算;附件按原帖条件获取;福利领取条件以活动页面为准。

二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝


沙发
自然增长率38336 发表于 2026-11-2 12:03:32
正好要写这个,谢了

您需要登录后才可以回帖 登录 | 我要注册

本版微信群
扫码
拉您进交流群
GMT+8, 2026-11-18 06:28