统计计量 ｜ 人大葛玉好：学术写作中数据处理需要注意哪些问题？

本文转载自公众号E校挺好

作者：葛玉好

业界写报告，重视美观，因为它要取悦于客户。学者写论文，重视事实呈现，重视变量与变量之间的关系，作用在于说服。今天要讨论的数据处理，仅限于学术论文中统计描述部分，不涉及因果关系识别，后者与学术理念有关，对它的讨论很大可能上升到“理念差异”，无休无止。在我看到的文献中，因果关系大多跟统计描述是吻合的，那些不吻合的短期给人以惊艳的感觉，长期往往是经不起检验的。经由严谨数据数理得到统计描述结果对学术论文至关重要，那么，学术写作中的数据处理需要注意哪些问题呢？下面想基于自己的经历谈一些简单看法。

    第一，  如果能选择就选择样本量大的数据库。类似于“一白遮百丑”，样本量大可以天然地解决很多问题，得到的结论也比较稳定。不要盲信“全国代表性样本”的说辞，做过实地调研的人都知道怎么回事。微信朋友圈里面有学者转了一篇通过7个观测值得到显著影响的文章。对不起，这类文章，打死我，我也不信。

    第二，  尽量拯救每一条数据。无论样本量大，还是小，都应该这么做。在使用CFPS和CHARLS数据库时，大家还会发现前后年份同一个人教育信息不同，甚至性别信息不同的情况，尽量不要删除这些数据，仔细观察是可以找到拯救办法的，例如对调丈夫和妻子的编码等等。在整理高校教师数据库时，我对学生说过这样的话：”每一条数据都是活生生的人，他们可能是教过你的人大老师，你都能清楚地记得他们的音容笑貌，因为某个变量而删除数据的话，心里要像杀死他们那样难受“。虽然我的话说得比较过分，但也反应出使用真实数据和抽样数据的区别。使用别人的抽样数据时，你不会因为删除某条数据感到难受，使用真实数据完全是另外一种感觉。

    第三，  保存好数据处理的全套程序，例如Stata里面的dofile。如果不保存好数据处理程序的话，一段时间以后自己都不能完全复制最初结果，尤其是数据处理有手动处理的情况。我建议再简单的数据处理，也使用程序完成，不要使用Excel手动处理，避不开手动时，也要在程序中以注释语句的形式表明如何进行地手动处理。安装系统时，更换电脑时，一定要把相关数据处理程序保存好，我自己在这方面吃过大亏。

    第四，  一篇论文会涉及许多个变量，每个变量都可能有缺失值，都会对回归使用的样本造成影响，建议按某种次序逐一记录数据量如何随着加入变量的增多而减少。CFPS个人层次上的数据有58000多条，如果最后回归使用的数据不足1000条，那就需要好好考虑数据是怎么丢失的。我的学生徐南辉同学使用python编写过实现上述功能的程序，有需要的可跟他联系。

    第五，  学术论文中一般都会有个表，汇报各主要变量的均值和标准差。严格地来说，我们应汇报变量均值和与变量均值对应的标准差，而不是原变量的标准差。均值的标准差等于原标准差除以根号N，N为变量观测值的条数。此外，这个表格使用的样本，最好跟下文回归使用的样本相同，这样统计性描述结果和回归结果才有进行对比的共同基础。

    第六，  为了清楚地看出解释变量X对被解释变量Y的影响，建议做一个X和Y的散点图。在散点图里面，尽量不要画线性拟合线，这样做多少有点误导性。我们画散点图的目的，本来就想去估测X和Y的关系，假设其为线性在逻辑有些颠倒。如果一定画拟合线的话，可尝试使用非参数回归。

·END·

星标⭐我们不迷路！

想要文章及时到，文末“在看”少不了！

点击搜索你感兴趣的内容吧

往期推荐

数据Seminar

这里是大数据、分析技术与学术研究的三叉路口

推荐 | 谈佳辉

    欢迎扫描👇二维码添加关注    

点击下方“阅读全文”了解更多