社会科学研究中的二手数据集查找指南

英文原文：Finding Secondary Datasets for Social Science Research（2024年9月5日发布）

一手数据与二手数据对比

Primary data是由研究人员专门针对当前课题直接从第一线收集的数据信息。这通常涉及问卷调查、深度访谈、科学实验或直接实地观察。一手数据收集允许研究人员完全围绕自身的研究问题量身定制数据收集方案，但其耗时漫长、经费高昂，且在组织协调上面临诸多挑战。

相比之下，Secondary data指的是其他研究者或机构预先收集的数据，其最初的采集目的可能与当前的研究问题相关，也可能并无直接关联。这包括政府统计数据、其他研究的调查数据、行政管理档案，或是过往科研课题沉淀的数据集。

社会科学研究中的数据类型

在介绍具体的数据资源库之前，了解社会科学研究中常见的数据结构类型大有裨益。三种最核心的数据结构为：横截面数据、重复横截面数据以及纵向追踪数据。每种数据结构均拥有其独特的学术优势与局限性。

1. 横截面数据

横截面数据提供了特定目标总体在单一时间节点上的横截面快照。

• Characteristics:
  • 在同一时间节点从众多不同个体或分析单元收集数据
  • 展现总体在特定时间截面上的广泛特征分布
  • 适用于研究患病率以及变量之间的统计关联性
• Example: 大选前针对选民投票偏好开展的单次民意调查
• Limitations:
  • 无法追踪个体随时间的纵向变化轨迹
  • 难以严格确立因果推断关系

2. 重复横截面数据

重复横截面数据涉及在多个不同的时间节点，从同一目标总体中分别抽取不同的独立样本进行数据收集。

• Characteristics:
  • 在时间跨度上接续开展的一系列横截面调查
  • 每次调查抽取的个体不同，但均代表相同的目标总体
  • 能够用于分析总体层面的发展趋势与时代演变
• Example: 自1972年起定期开展的General Social Survey（GSS）
• Advantages:
  • 能够追踪宏观社会随时间的变迁趋势
  • 有效规避了追踪调查中的样本流失偏差问题
• Limitations:
  • 无法追踪微观个体层面的发展变化
  • 容易受到世代效应的潜在混淆

3. 纵向追踪数据

纵向追踪数据在较长的时间跨度内持续跟踪相同的个体或分析单元，并在多个时间点重复收集数据。

• Characteristics:
  • 随时间持续追踪完全相同的样本个体
  • 支持对个体层面的变化与发展轨迹进行分析
  • 有助于确立因果关系
• 类型：
  • 面板研究：对相同个体进行多次重复访谈
  • 队列研究：追踪具有共同特征（如出生年份）的群体
• 示例：Panel Study of Income Dynamics自1968年起对美国家庭进行持续追踪
• Advantages:
  • 能够追踪个体随时间的变化
  • 更有利于因果关系推断
  • 支持对生命历程轨迹的研究
• Limitations:
  • 实施成本更高且耗时更长
  • 可能面临样本流失问题（参与者随时间推移失访退出）

数据来源

1. ICPSR (Inter-University Consortium for Social and Political Research)

ICPSR是社会科学研究领域规模最大的数据档案库：

• 可访问超过19,000个数据集
• 提供多种检索途径，包括针对特定变量的检索与主题浏览
• 提供利用其数据文件发表的研究文献检索目录
• 免费注册后即可获取完整访问权限

2. IPUMS (Integrated Public Use Microdata Samples)

IPUMS提供跨时空整合的全球人口普查与调查数据。IPUMS的数据整合与文档支持，使得研究变迁、开展比较研究、合并跨类型数据以及在家庭与社区背景下分析个体变得更加便捷。所有数据与服务均免费提供。

• IPUMS USA：人口数据（US Census与American Community Survey）
• IPUMS CPS：人口数据（Current Population Survey）
• IPUMS NAPP：
• IPUMS Global Health：来自全球的健康调查数据，包括协调统一的数据
• IPUMS IHGIS：来自全球人口、住房与农业普查的表格与GIS数据
• IPUMS Time Use：从1930年至今的历史与当代时间利用数据
• IPUMS Higher Ed：高等教育数据（NSF STEM数据 – SESTAT）
• IPUMS Health Surveys：健康数据（MEPS与NHIS）
• IPUMS CDOH：健康的背景决定因素（CDOH）

3. The General Social Survey (GSS)

General Social Survey（GSS）是自1972年起在全美成年人中开展的具有全国代表性的调查。GSS系统收集有关现代美国社会的数据，旨在监测并解释人们在观点、态度和行为方面的变化趋势。

• 自1972年起持续开展
• 收集公众在社会、经济与政治议题上的观点数据
• 提供重复截面数据（非面板数据）
• GSS包含一组标准化的人口统计学、行为与态度核心问题，以及特定兴趣主题。所涵盖的主题包括公民自由、犯罪与暴力、群际宽容、道德观念、国家财政支出优先级、心理福祉、社会流动性，以及压力与创伤性生活事件等。

4. California Health Interview Survey (CHIS)

CHIS是全美规模最大的州级健康调查。CHIS对20,000多个家庭进行访谈，涵盖广泛的健康议题，包括医疗服务的利用与可及性、健康状况与健康行为，以及影响健康的诸多议题：公共项目参与、住房、收入与就业、气候变化、食品保障、枪支暴力、童年期不良经历等众多领域：

• 涵盖加利福尼亚州多元种族与族裔群体的数据
• 以多种语言开展调查——除英语外，CHIS还提供西班牙语、中文（普通话和粤语方言）、韩语、越南语和他加禄语版本。
• 分别针对成年人 （18岁及以上）、青少年 （12–17岁）与儿童 （出生至11岁）进行独立访谈。

5. Youth Risk Behavior Surveillance System (YRBSS)

Youth Risk Behavior Survey（YRBS）从9至12年级学生中收集数据，重点关注导致青少年期与成年期主要死因和疾病的关键健康风险行为及经历。

• 提供重复截面数据（非面板数据）
• 同时提供全美层面以及州/学区层面的数据

6. Add Health (National Longitudinal Study of Adolescent to Adult Health)

National Longitudinal Study of Adolescent to Adult Health（Add Health）是一项具有全美代表性的纵向研究，其样本为1994-95学年在读的20,000多名7至12年级青少年，迄今已完成五轮追踪调查（最近一轮为2016-18年）。多年来开展的附属研究进一步扩充了该数据库。

• 多年来，Add Health系统收集了受访者及其父母丰富的人口统计学、社会学、家庭、社会经济、行为、心理社会、认知与健康调查数据；涵盖受访者所在学校、社区和居住地理环境的大量背景数据；以及受访者的入户生理与生物学数据，包括遗传标志物、血液检测指标、人体测量学指标和用药记录。
• 面板数据
• 提供具有全国代表性的样本

7. Panel Study of Income Dynamics

PSID始于1968年，覆盖了全美5,000个家庭中的18,000多名个体，具有全国代表性。

• 该研究对这些个体及其后代的信息进行了持续收集，涵盖就业、收入、财富、支出、健康、婚姻、生育、儿童发展、慈善捐赠、教育等诸多议题的数据。
• 面板数据
• 提供关于初始受访者及其后代的连续数据

8. Future of Families and Child Wellbeing Study

Future of Families and Child Wellbeing Study（FFCWS）基于1998年至2000年间在全美大城市（人口超过20万）出生的约5,000名儿童的分层多阶段抽样样本，其中对非婚生育母亲按照3比1的比例进行了过抽样。

• 该抽样策略使得样本中包含了大量的黑人、西语裔和低收入家庭。
• 母亲在产后不久接受访谈，父亲则在医院接受面谈或通过电话进行访谈。
• 核心主题：从1998-2000年的基线访谈开始，该核心研究最初旨在重点回答研究者与政策制定者高度关注的四个关键问题：(1) 未婚父母（尤其是父亲）的境况与能力如何？(2) 未婚父母之间关系的本质是什么？(3) 在这些家庭中出生的儿童成长状况如何？(4) 政策与环境条件如何影响这些家庭与儿童？
• 面板数据

9. Health and Retirement Study (HRS)

Health and Retirement Study（HRS）是由密歇根大学社会研究所（Institute for Social Research）主持开展的纵向家庭调查。其多学科数据为研究人员深入探究与美国人口老龄化相关的诸多议题提供了宝贵机会。

• 通过其独特而深入的追踪访谈，HRS提供了极具价值且持续扩充的多学科数据体系，研究人员可借此探讨关于老龄化挑战与机遇的关键问题。
• 面板数据

10. The Generation Study

Generations 研究是首个跨越五年、旨在考察女同性恋、男同性恋与双性恋（LGB）三个世代群体健康与福祉的长期研究。该研究探讨了在不同历史背景下成年的三代LGB人群的身份认同、压力、健康结局以及医疗与社会服务利用情况。关于该研究的更多信息请参见 此处。

• 定量调查流程识别了全美的黑人、拉丁裔与白人LGB个体。受访者参与了为期5年的追踪调查，以捕捉随着人们年龄增长所经历的社会环境变化。
• 面板数据

11. Pew Research Center Datasets

Pew Research Center公开发布其电话调查数据，以及在其具有全美代表性的在线American Trends Panel（ATP）上施测的民调数据——后者是其绝大多数基于美国的调查研究的主要来源。您可以访问此页面查看可用的全部ATP数据集完整列表及其涵盖的主题。查找可供下载的数据集主要有两种途径：您可以访问其网站顶部的“Tools & Resources”标签页，该页面提供了所有可用数据集的下载链接，调查按主要研究领域分类并按时间倒序排列。

• 截面数据
• American Trends Panel – 重复截面数据

二手数据分析的操作流程

1. 以您偏好的格式下载数据（例如Stata、SPSS、CSV）。
   • 根据您使用的统计软件选择合适的文件格式（例如Stata选用.dta，SPSS选用.sav，通用分析选用.csv）。如果数据未提供您偏好的格式，可下载兼容格式并使用统计软件或文件转换工具进行转换。
2. 查阅代码本与变量列表
   • 代码本是数据集的说明文档，通常包括：
   • 编制一份与您的研究问题相关的变量列表。
   • 重点关注以下方面：
     • 样本规模与各子样本大小
     • 涵盖的时间跨度
     • 包含的地理区域
     • 各轮调查之间变量定义的任何变动（针对纵向或重复截面数据）
   • 如果未提供代码本，可考虑使用Stata命令生成代码本。
3. 研读使用该数据集的已发表论文
   • 检索使用了您感兴趣的数据集的学术论文。
   • 这有助于深入了解：
     • 数据的优势与局限性
     • 常用的分析方法
     • 使用该数据时的潜在陷阱或挑战
     • 启发您自身的研究问题或分析策略
4. 考察抽样设计与权重
   • 理解样本的抽取方式以及所采用的分层方案。
   • 核实是否提供了抽样权重以及在何种情况下应当应用权重。
5. 评估数据质量
   • 查看有关数据质量问题的说明，例如某些题项较高的无应答率。
   • 检查离群值、缺失数据模式以及任何数据不一致性。
   • 明确数据集中缺失数据的编码方式。
6. 准备用于分析的数据
   • 必要时合并数据文件
   • 根据需要对变量进行重新编码