CHARLS Reproduce — CHARLS 数据库复现指南

CHARLS 概览

Harmonized 数据集 vs 原始数据

大多数 CHARLS 论文使用原始问卷模块数据，变量名以 CHARLS 问卷编号命名（如 dc009s1）。但很多用户拿到的是 harmonized 数据集（合并所有波次，变量已清洗重命名）。

识别方法:

• 如果有 wave 列且包含 wave1-wave5 → harmonized 数据
• 如果有 dc009s1, be001, sc004_s1 等原始变量名 → 原始数据
• harmonized 数据通常 ~10 万行（所有波次堆叠），原始数据每波 ~2 万行

关键差异: 变量名完全不同，缺失模式不同，编码方式不同。

核心变量映射表

认知功能

心理状态 (Mental Status) 构建详解

论文中 MS 通常定义为 TICS 题目总分 = Serial 7 + 日期定向 + 画图 = 0-10。

但注意：

• orient = dw + dy + mo + yr（4 项，0-4），不含 ds（day of season）
• 验证方法: orient == dw + dy + mo + yr 应 100% 吻合
• 如果论文 MS 均值 ~5-7: 使用 ser7 + orient + draw（0-10）
• 如果论文 MS 均值 ~3-4: 可能只用了 orient + draw（0-5），不含 ser7
• ser7 缺失率高（Wave1 约 19%），如果样本量偏差大，考虑排除 ser7

关键经验: ser7 是 MS 定义中缺失率最高的子项。 如果筛选后样本量比论文少很多，先检查是否因 ser7 缺失。 尝试 ms = orient + draw 看样本量是否更接近论文。

抑郁 (CESD-10)

CESD-10 的 10 个题目中第 5 题（充满希望）和第 8 题（感到快乐）为反向计分。 harmonized 数据的 cesd10 已经处理好反向计分。

社会隔离

社会隔离指数通常由 4 个二分维度加总（0-4）：

婚姻变量编码

marry 的可能值（harmonized 中文标签）:

已婚          → 0（有伴侣同居）
已婚但不住在一起 → 视论文定义（通常算 0 或 1）
丧偶          → 1
离异          → 1
分居          → 1
从未结婚       → 1
同居          → 0

关键: "已婚但不住在一起"的编码需要根据论文定义判断。 如果论文说"unmarried or not living with a partner"，则算 1。

子女联系频率

harmonized 数据中没有直接的联系频率变量，只有：

• kcntf: 是否与子女面对面联系（是/否）
• kcntpm: 是否与子女电话/邮件联系（是/否）
• kcnt: 是否与子女有任何联系（是/否）
• hchild: 子女数量

原始数据有具体频率（每周/每月/每年），harmonized 只保留了二分变量。

经验: 如果论文用"每周少于一次"作为阈值，用 harmonized 数据只能近似。 kcntf != '是' and kcntpm != '是' 是合理的近似。

农村/城市

• hrural: 户籍所在地（农村/城市），每个人在所有波次都一样
• rural2: 实际居住地（农村/城市），可能与户籍不同

hrural 和 rural2 有交叉不一致的情况。论文通常用 hrural。

人口学与健康变量

社会活动变量

日期定向子变量

验证: orient == dw + dy + mo + yr 应 100% 吻合。

常见缺失率（Wave1 参考）

关键: imrc、dlrc、ser7 的缺失率都在 ~20%。 如果论文要求所有认知变量同时不缺失，实际排除量会远超直觉。 有些论文可能只用了 EM（不含 MS）或只用了部分 MS 子项来降低缺失。

样本筛选经验

标准流程

w1 = df[df['wave'] == 'wave1'].copy()

# Step 1: 年龄筛选
step1 = w1[w1['age'] >= 50]

# Step 2: 认知完整 — 分开检查，找出缺失的主要来源
for v in ['imrc', 'dlrc', 'ser7', 'orient', 'draw']:
    na_count = step1[v].isna().sum()
    print(f"  {v} 缺失: {na_count} ({na_count/len(step1)*100:.1f}%)")

# 先排核心因变量缺失（EM），再排 MS
step2a = step1.dropna(subset=['imrc', 'dlrc'])  # EM 核心
step2b = step2a.dropna(subset=['orient', 'draw'])  # MS 基础项
step2c = step2b.dropna(subset=['ser7'])  # 可选: 如果 MS 含 ser7

# Step 3-5: 后续筛选...

样本量调试策略

如果样本量与论文偏差 >10%:

1. 检查各变量缺失贡献: 哪个变量排除了最多人？
2. 尝试不同的 MS 定义:
   • ms = ser7 + orient + draw（标准，但 ser7 缺失率高）
   • ms = orient + draw（不含 ser7，缺失率低）
   • 只要求 EM 不缺失，不要求 MS 不缺失
3. 检查婚姻编码: "已婚但不住在一起"算已婚还是未婚？
4. 检查 BMI 异常值: 原始 BMI 有 >100 的值，是否被论文保留？

Wave 间数据合并

# 提取 Wave1 基线
w1 = df[df['wave'] == 'wave1'].copy()

# 提取 Wave3 结局
w3 = df[df['wave'] == 'wave3'].copy()
w3_outcome = w3[['ID', 'target_var']].rename(columns={'target_var': 'target_var_w3'})

# 合并
merged = w1.merge(w3_outcome, on='ID', how='left')
# 随访缺失 = merge 后 target_var_w3 为 NaN

标准化 OLS 回归模板

import statsmodels.formula.api as smf
from sklearn.preprocessing import StandardScaler

# 标准化所有变量（因变量 + 自变量 → 得到标准化 beta）
all_vars = [dv] + ivs
df_std = df[all_vars].copy()
for col in df_std.columns:
    df_std[col] = (df_std[col] - df_std[col].mean()) / df_std[col].std()

# 交互项在标准化后构建
df_std['interaction'] = df_std['var1'] * df_std['var2']

# OLS + HC3
formula = f'{dv} ~ ' + ' + '.join(ivs)
model = smf.ols(formula, data=df_std).fit(cov_type='HC3')

环境注意事项

• 数据文件可能在 Docker 容器内，注意路径映射
• Stata .dta 读取: pd.read_stata()，category 变量会自动转为中文标签
• 大文件（>50MB）读取较慢，首次加载后考虑缓存为 parquet