数据清理之青木时代

昨天的推进十分顺利，今天虽然发生了点小插曲，但是问题不大，剩下的时间还是能做不少事情。

单库逻辑，实际上是厘清了问题逻辑、数字逻辑与编码逻辑。

放宽到多库逻范畴，问题就变得相对复杂了一些，但是并非完全无章可循。

先说什么叫做多库逻辑。CFPS2010有成人库、少儿库、家庭库、家庭关系库、社区库五库；CFPS2012有成人库、少儿库、家庭库、家庭关系库、跨期关系库五库；CFPS2014有成人库、少儿库、家庭库、家庭关系库、社区库五库。其中，同一年份的数据库可以merge，不同年份的数据库可以append，我最后要做的那些计量分析，需要这十五个独立的数据库中的数据。根据我现在的技术水平，想要得出最后的结果，唯一的路径便是将这十五个数据库整合到一个数据库中，整合过程的指导思想便是我所谓的多库逻辑。

数字逻辑的那些工作，到计量分析之前临时一搞便可，这里不再赘述。

最最关键的依然是问题逻辑：我应该选取哪些库的哪些变量？小样本的微观数据，谈研究设计有点浮夸，要提高打靶的命中率，一定要跟着变量的丰富程度走。丰富不丰富，只有tab了才能知道。想到这里，我似乎又意识到了一件有意思的事情：对于一篇追求速度而非精度的无使命感约束文章，能解民生之多艰固然是好，但在那之前先要开展救亡图存的pose运动。即选变量时应兼顾问题与样本量，这应该是一个边走边爱的过程。

昨天的一个想法是，跟踪10-15岁拥有自答能力的少儿。因为这部分人自己回答的问题较多，可供研究的Y应该也不少，尤其是高中成绩这一块。可是后来发现这一分段的孩子大多数都在上小学和初中，高中总共也就三年，2012年这些孩子的年龄段变成了12-17，有部分孩子读到了高一（A）和高二（B）；到2014年的时候，这群孩子的年龄段到了14-19，A读高三，B高中毕业，,又有了新的高一（C）和高二（D）学生。我们可以看到，在这所谓的三年期面板数据中，高中的问题没有任何队列的孩子可以连续回答三次，且只有A这一个队列可以回答两次，B、C、D只能回答一次。

想明白这个问题之后，其实也就不耽于问题丰富的高中组同学了。X取自少儿库的思想不会变，但是Y就应该加入成人库的因素了。问题逻辑先放一放，因为有一个问题一直以来并没有被我重视，那就是数据库并非披露了问卷中的全部问题。先来看看编码逻辑很有必要。这个编码逻辑其实也只用先看2012和2014的少儿库，因为成人库中我们需要的东西也很是寥寥。第一步要做的事情：编码对照。首先，利用stata中的svvarlbl using varlabel.log命令，将2010,2012,2014少儿库中的所有变量以及标签全部都导成log形式、其次，利用excel中的left、mid以及分列命令，将log格式转化成excel格式。第二步，将跨年份的问题一一对应上，其中2014有两版，第一版是中文的，更新了之后有些变化，也成了英文的，2014年的需要单独对照。第三步，将跨年份的ID全部统一，则神功初成矣。