一条 bcuse 401k 就能把 1,534 家美国企业的 401(k) 计划数据调进 Stata,不用注册、不用找网盘、不用解压。这是伍德里奇《计量经济学导论》的官方配套数据,二十多年一直挂在波士顿学院经济系的数据页上:一个索引页列全 68 组,合计 92,586 条观测。
目录页上到底有多少组数据
68 组,按数据结构可以分成四类,观测数按页面标注汇总:
| 类型 | 组数 | 合计观测 | 典型数据集 |
| 横截面 | 50 | 41,000 余 | 401K、BWGHT、CARD、CATHOLIC |
| 时间序列 | 11 | 1,198 | CEMENT、INTQRT、BEVERIDGE |
| 面板 | 5 | 15,247 | KEANE、JTRAIN、CORNWELL、INFMRT、KIELMC |
| 混合横截面 | 2 | 2,168 | CPS78_85、CPS91 |
规模跨度很大:最大的 KEANE 有 12,723 条个人面板记录,最小的 FAIR 只有 21 条——1916 到 1992 年每逢大选年的数据,四组观测刚好够做一届选举的横截面估计。中间还有三组抽样副本(401K-50、BWGHT50、GPA2-20),分别是原数据的 50%、50%、20% 子样本,用来说明"样本量变了对标准误有什么影响"。
页面是按数据集名字母排的,不是按章节
这一点和常见说法不一样:打开目录看到的是 A 到 Z 的字母序,401K 在最前,MATHPNL 在最后,没有任何"第几章"的分组。教材某一章要用哪个数据集,得看正文里 Data Set 的提示,或者章末习题开头写的那一行。
想在 R 里按章找更省事:CRAN 上的 wooldridge 包给每组数据都写了对应页码和原始出处,还附一份复现各章例题的 vignette,比目录页的字母序好用。
一条命令取数:先装 bcuse
- ssc install bcuse
- bcuse 401k
第一行装命令(只需一次),第二行按数据集名把数据取进内存。bcuse 是波士顿学院 Baum 写的 SSC 命令,作用就是按名字去站点取 .dta 再 use。全程需要联网,取完想留在本地就 save 一份。页面给的数据集名是小写写法,Stata 里大小写不敏感,bcuse 401K 一样能取。
不想联网运行时,SSC 装好的 bcuse 也可以指向本地目录,把 .dta 批量下到硬盘后改路径即可。
不用 Stata 也能拿:.dta 直接下载
每组数据在站点上只有两种文件:数据本体 .dta 和变量说明 .des。目录页里每个数据集名都是一个链接,点开就是 .des;把同一个位置的文件名换成 .dta,就是数据本体。
需要提醒的是格式单一:这里只有 Stata 的 .dta,没有 xls 也没有 csv。要 Excel 得自己转——Stata 里 use 之后 export excel,或者用 R 的 haven 读进来再写出去。想直接读 .dta 又不想装 Stata,haven、pandas 的 read_stata 都能读,8 位版本以上的 .dta 都兼容。
常用数据集的实际规模
挑读者最常引用的十几组,观测数与内容按页面原文对照:
| 数据集 | 观测 | 内容 | 常见用途 |
| KEANE | 12,723 | 男性工资与工作经历的多年记录 | 面板、动态劳动供给 |
| 401KSUBS | 9,275 | 401(k) 参与率与匹配率,样本更大版 | 比例因变量 |
| CATHOLIC | 7,430 | 天主教高中与大学入学 | 处理效应、probit |
| INJURY | 7,150 | 工伤严重程度与安全培训 | 计数模型 |
| AIRFARE | 4,596 | 航线票价、距离与城市对 | 对数模型、虚拟变量 |
| FERTIL2 | 4,361 | 女性生育子女数与教育 | 计数、工具变量 |
| CARD | 3,010 | 受教育年限与就近上大学的成本 | 就近大学作工具变量 |
| CRIME1 | 2,725 | 逮捕次数与犯罪史 | 泊松、负二项 |
| LOANAPP | 1,989 | 抵押贷款申请是否被拒 | 二元选择 |
| 401K | 1,534 | 计划参与率与公司匹配率 | 一元回归入门 |
| BWGHT | 1,388 | 出生体重与母亲吸烟 | 遗漏变量偏误 |
| GPA1 | 141 | 大学 GPA、高中成绩与 ACT | 多元回归第一例 |
| HPRICE1 | 88 | 房价、面积与地块大小 | 函数形式比较 |
| FAIR | 21 | 大选年选举结果与个人特征 | 小样本教学 |
同一个主题往往有几组规模不同的版本(BWGHT 与 BWGHT2、CRIME1 到 CRIME4、HPRICE1 到 HPRICE3、CEOSAL1 与 CEOSAL2),教材是先用小样本讲方法、再用大样本看稳健性。做作业时先看清用的是哪一组,系数对不上多半是版本不同。
.des 里给的是变量名和定义
以 401k.des 为例,正文前半是变量名清单,后面是逐条定义:
- prate mrate totpart totelg age totemp sole ltotemp
- Obs: 1534
- 1. prate participation rate, percent
- 2. mrate 401k plan match rate
- 3. totpart total 401k participants
- 4. totelg total eligible for 401k plan
- 5. age age of 401k plan
- 6. totemp total number of firm employees
- 7. sole = 1 if 401k is firm's sole plan
- 8. ltotemp log of totemp
八个变量,一眼能看出哪些是需要自己造的变换(ltotemp 是 totemp 取对数)。另一种排版是 Stata describe 直接导出的表格,列 variable name、storage type、variable label,同样能查到定义。看不到定义就别硬猜——变量名里带
l、ln 前缀的多半是对数变换,带 d 的常是差分或虚拟变量。
三个容易踩错的地方
第一,JTRAIN3 在目录里被标成了 JTRAIN2。连着两行都写 JTRAIN2,第一行观测 445 条、指向 jtrain2,第二行观测 2,675 条、链接却是 jtrain3.des、命令也是 bcuse jtrain3。按名字找会拿错,认观测数最稳。
第二,MATHPNL 的描述写成 cross-sectional,实际是学区乘年度的面板(3,850 条),做固定效应时如果按横截面处理,会把同一学区七年的观测当独立个体,标准误直接算错。
第三,三组抽样副本不等于原数据。401K-50 是 767 条、BWGHT50 是 694 条、GPA2-20 是 827 条,跑出来和教材正文的系数有出入属于正常,别以为自己做错了。
────────────────
目录页地址、几个常用数据集的直下地址、以及 bcuse 与 R 包的安装入口,都整理在下面的回复里;需要的回帖留下,可见后自取。
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。 |


雷达卡


京公网安备 11010802022788号







