发帖
雷达卡
把 CGSS 2021 和 CGSS 2023 拼成一张表，最容易犯的错不是合并命令写错，而是把两批不同的人当成了同一个人的两次观测。CGSS 是连续性截面调查（repeated cross-section），每年抽的是新的样本，年与年之间没有个体追踪关系。合并后的数据只能做「年份之间的比较」，不能做「个体层面的变化」——一旦按 id 跑固定效应或算「某人两年间的变化」，结论就是假的。
确认了这一点，接下来的活才是技术性的：变量对照、编码统一、标记追加、权重处理。下面按这四步拆，每一步都给出判断依据和检查方法。
两年的数据规模与结构差在哪
先把两年摆在一起看，差异一目了然（数字取自 CNSDA 项目页的项目文档信息）：
| 项目 | CGSS 2021 | CGSS 2023 |
| 有效样本量 | 8,148 | 11,326 |
| 变量数 | 700 | 437 |
| 调查模式 | 面访 | 面访＋电话调查 |
| 抽样程序 | 多阶分层抽样 | 面访用多阶分层抽样；电话调查用「固定样本＋RDD」 |
| 分析单位 | 个人、家庭 | 个人、家庭 |
| 覆盖与年龄 | 中国大陆，18+ | 中国大陆，18+ |
| 项目编号 | 65635422 | 11256439 |
| 随数据发布的文档 | 问卷（PDF）、Stata、SPSS 各一份 | 入户问卷 PDF、电话问卷 PDF、2023 编码表 Excel、CGSS2010—2023 采访地点统一编码表 PDF、Stata 数据 |
三处差异会直接决定合并方案。
第一，变量数从 700 掉到 437，意味着 2023 并不是 2021 的超集，不能「以 2021 为模板补齐」；共同变量得靠编码表逐个对。
第二，2021 只有面访，2023 是面访＋电话双模式，同一份问卷在两套模式下可能触发不同的跳转逻辑，缺失值形态会不一样。
第三，2023 多了一份「CGSS2010—2023 采访地点统一编码表」，这是跨年合并最省事的一份材料——地点类变量（省、市、区县）的编码在各年之间有变动，用这份统一码表对齐，比自己去猜代码含义可靠。
第一步：拿编码表做变量对照
不要凭变量名合并。CGSS 的变量名（如 a 系列人口属性、q 系列态度题）在年际间大体稳定，但题号会调整、选项会增减，光看名字对齐很容易把「5 级量表」和「7 级量表」拼到一列里。
正确做法是建一张三列对照表：变量名（21）／变量名（23）／是否可比。判断「可比」的标准有三个——题干问的是不是同一件事、选项集合是否一致、取值范围是否一致。三者齐了才算直接可比；题干相同但选项变了（比如增加了「不好说」），只能算「需重编码后可比」；题干变了就是不可比，即使变量名相同也不能合。
这一步最花时间，但省不掉。实际操作中可以先把两年编码表（2023 的编码表是 Excel，2021 的编码表在问卷 PDF 里）并排打开，只挑你模型里要用的那十来个变量做对照，而不是全表对齐——全表对齐既没必要，也容易出现「看起来对齐了其实含义不同」的错觉。
第二步：统一缺失编码与「不适用」
合并后最常见的错误结果，是某个变量在合并数据里「样本量突然变大」。原因通常是两边的缺失编码不一致：一年用负数（-1、-2、-3 分别表示不知道、拒答、不适用），另一年用 8／9 或 98／99，还有的年份直接把「不适用」写成空白。合并时如果只做 append 不做重编码，这些码会被当成有效数值进入回归。
处理顺序建议是这样：先把各年的特殊码全部映射成统一的一套（例如 -1 不知道、-2 拒答、-3 不适用、-8 其他缺失），并保留一份原始码在新变量里（如 q1_raw），再做数值化。保留原始码这一步救过很多人——等你发现某个变量均值异常时，回头还能查是哪种缺失混进来了。
第二件要注意的是跳转题。CGSS 有大量「如果上一题选 A 则回答本题」的结构，2023 的电话模式在跳转实现上与面访不完全一致，同一个人群在两种模式下「不适用」的比例可能差很多。检查办法很简单：合并后按年份、按调查模式分别算每个关键变量的缺失率，如果 2023 电话样本的缺失率明显异常，就要怀疑是模式效应而不是真实差异。
第三步：追加年份标记与调查方式标记
合并前一定要加两个变量，这不是可选项。
第一个是年份标记（year，取 2021／2023）。没有它，合并数据就是一堆无法区分来源的行，任何「按年比较」的分析都做不了。
第二个是调查方式标记。2023 有面访与电话两种模式，而 2021 只有面访，所以这个变量的取值集合在两年之间天然不同。它的用途是做敏感性分析：把 2023 的电话样本剔除后重跑一遍，如果结论大变，说明你测到的「年份差异」里混了「模式差异」。
除了这两个，还建议加一个「原始数据来源」标记（记录是哪一个项目编号的数据），以及一个行序号（合并后行序会被打乱，出问题时靠它回溯到原始文件）。
第四步：纵向合并与权重处理
Stata 里是 append，R 里是 bind_rows，Python 里是 pd.concat——命令本身没有难度，难在合并前后的检查。
合并前检查三件事：两边变量名是否已经统一到同一套（建议直接在合并时重命名，别指望事后补）、两边类型是否一致（数值 vs 字符，尤其注意「未处理过的字符型变量」这类情况）、两边是否有同名但含义不同的变量（这类必须先改名，否则合并会把两列悄悄并成一列）。
合并后检查三件事：总行数是否等于两年之和（8,148＋11,326＝19,474，对不上就是有行被丢）、每列的缺失率是否落在预期范围内、关键变量的取值范围是否仍然合理（比如年龄段不该出现负数或 999）。
权重是最容易被忽略的一块。CGSS 各年会提供设计权重与事后分层调整，但 2023 因为有电话样本，权重的构造口径与纯面访年份不同。合并后如果直接用一套权重做加权，等于假设两年的权重含义相同——这个假设通常不成立。稳妥的做法是：分年加权做描述统计，合并样本里把权重当作「分年内可比、跨年需谨慎」的变量处理，并在方法部分写明你用的是哪一套权重、有没有做跨年可比性检查。
合并后必须报的三件事
第一，分年描述统计表。样本量、关键变量的均值与缺失率按年分别列，读者才有办法判断「年份差异」是不是样本结构变化造成的。
第二，模式敏感性。2023 剔除电话样本后重跑主模型，把两套结果并排给出。这一步做了，审稿人基本不会再追问「你的年份效应是不是问卷模式效应」。
第三，可比性说明。明确写清这是混合截面不是追踪面板、哪些变量因为选项变化做了重编码、哪些变量因为不可比而被放弃。这一段不是免责声明，是让读者能判断你的结论边界在哪。
顺带一句：如果研究问题本质上是「同一批人随时间怎么变」，CGSS 就不是合适的 data——它是重复截面，没有个体追踪。这种问题该去找有追踪设计的调查（如 CFPS、CHARLS 一类），而不是硬在 CGSS 上凑。
────────────────
回复本帖，可见 CGSS 2021 与 2023 两个数据集在 CNSDA 的官方项目页与编号、下载与注册流程、官方的数据引用说明原文，以及本帖整理的变量对照表模板（含可比性判定列）与合并后的检查清单，方便你直接照着做一遍。
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 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。 |
京公网安备 11010802022788号
