2012-2015年CEPS教育追踪调查数据深度解析与应用指南-育师

1. 从零上手：你的第一份CEPS数据长什么样？

如果你刚拿到那份传说中的CEPS数据压缩包，解压后看到一堆以.dta结尾的文件，是不是有点懵？别慌，我第一次打开的时候也这样，感觉像面对一座宝山，却不知道从哪块金子开始挖。这份数据，说白了，就是中国教育追踪调查在2012到2015年间，对全国上万名初中生、他们的家长、老师以及学校领导进行“追踪式”访问后，整理出来的原始记录。它的核心价值在于“追踪”二字——不是只看某个学生某一年的情况，而是跟着他/她从初一（七年级）或初三（九年级）开始，连续几年观察变化，这就能让我们看到很多静态数据看不到的“故事”，比如一个学生成绩的起伏跟家庭变故有没有关系，或者换了班主任对他的学习态度影响有多大。

数据文件通常按调查对象和年份分开。比如，你可能会看到student_2014.dta、parent_2014.dta、teacher_2014.dta和school_2014.dta这样一组文件，这对应的是2014年（基线调查）的学生、家长、教师和学校数据。2015年的追踪数据也会有类似的一套。每个.dta文件都可以直接用Stata软件打开，如果你用R或者Python，也有相应的包（比如R的haven， Python的pandas的read_stata函数）可以轻松读取。我个人的习惯是先用Stata快速浏览一下变量标签和值标签，因为CEPS数据在这方面做得非常规范，变量名虽然可能是简写，但都有完整的中文标签说明，这能省去你大量查字典的时间。

打开一个学生数据文件，你会看到每一行代表一个学生，每一列就是一个变量。变量多到你眼花缭乱，从最基础的学号、性别、出生年月，到家庭情况（父母教育程度、职业、家庭收入）、在校情况（班级、是否班干部、与老师同学关系），再到详细的学习行为（每天作业时间、课外辅导情况、学习态度量表得分）和心理健康（抑郁焦虑量表得分）等等。我建议你第一步别急着分析，先花半天时间，用Stata的describe命令或者codebook命令，把几个核心数据文件的主要变量清单和描述统计（比如summarize）跑一遍，心里有个全景地图。你会发现，有些变量是追踪的核心，比如学生的唯一IDids，这是连接不同年份、不同表格（学生表和家长表）的关键钥匙，一定要先搞清楚它的命名规则。

2. 数据清洗实战：把“脏数据”变成“金数据”

拿到原始数据直接跑回归，那是新手最容易踩的坑，结果往往莫名其妙。CEPS数据质量已经很高了，但依然需要经过清洗才能用于严谨的研究。数据清洗不是枯燥的体力活，而是理解数据、构建可靠分析基础的关键一步。我自己就曾因为忽略了一个缺失值编码，导致整个家庭社会经济地位指标算错，白忙活了好几天。

2.1 处理缺失值：不是简单删除那么简单

CEPS数据中的缺失值通常有明确的编码，比如用-8（“不适用”）、-9（“不知道”）、-7（“拒绝回答”）等表示。第一步就是用mvdecode命令（Stata）或类似函数，把这些特定数值转换成Stata能识别的缺失值标记（.）。这里有个细节要注意：-8（不适用）和-9（不知道）在分析时处理方式可能不同。比如，问父亲月收入，如果学生来自单亲家庭，父亲信息可能编码为-8（不适用），这属于结构性缺失，在分析父亲收入影响时，这类样本可能需要排除或单独处理。而如果是-9（不知道），则可能意味着信息缺失是随机的。

处理完编码，就要决定怎么对待缺失值。全样本删除是最简单粗暴的，但容易损失大量信息，特别是当你的研究涉及多个变量时，可能最后没剩几个样本了。我常用的策略是分情况处理：对于关键自变量（如父母教育程度），如果缺失比例不高（比如<5%），可以考虑用均值、中位数或众数进行单一插补，或者用其他相关变量进行预测（如用父母职业预测其教育水平）。对于因变量（如考试成绩），缺失通常意味着更严重的问题（如缺考），需要仔细核查原因，有时直接删除样本是更稳妥的选择。记住，一定要在论文方法部分清晰说明你对缺失值的处理方式。

2.2 变量重构与生成：打造你的研究武器

原始数据给的常常是“原材料”，我们需要根据研究问题自己“加工”出关键变量。这是最能体现研究者功力的地方。举个例子，CEPS数据里有详细的家庭藏书量、父母教育年限、父母职业和家庭收入等信息，但很少有现成的“家庭社会经济地位（SES）指数”。你需要自己构建。常见的方法是主成分分析法（PCA），把上述几个反映经济、文化和社会资本的变量合成一个综合指标。在Stata里，你可以用pca命令先跑一下，看看哪个变量载荷高，然后生成第一个主成分作为SES得分。记得要对生成的指数进行标准化（比如化为均值为0、标准差为1），这样不同研究之间才有点可比性。

再比如，你想研究“课外补习时间”对成绩的影响。原始数据可能分别问了“每周参加语文补习小时数”、“数学补习小时数”等等。你需要把这些加总，生成一个新变量tutoring_hours。但这里又有个坑：有些学生可能所有科目都没补习，这个新变量的值就是0，这没问题；但有些学生可能缺失了某一科的信息，加总后也会变成缺失。这时候你需要用rowmiss()或rownonmiss()函数先判断一下，如果所有相关变量都缺失，则新变量为缺失；如果只是部分缺失，可以考虑将缺失视为0（假设没报告就是没补习），但这需要你在研究中做出合理说明。

2.3 数据合并：连接学生、家长与学校的桥梁

CEPS数据的魅力在于多层次，但挑战也在于此。学生数据、家长数据、教师数据、学校数据是分开的，你需要根据ID把它们精准地“拼”起来。最常用的是merge命令。比如，你想把家长信息（特别是父母教育、收入）合并到学生记录里。

* 假设学生数据为 student.dta，家长数据为 parent.dta，共有关键变量 `ids` use student.dta, clear merge 1:1 ids using parent.dta

运行后，Stata会生成一个_merge变量，取值1、2、3分别表示“仅主数据有”、“仅用数据有”、“两者匹配”。你必须仔细检查_merge==2的样本，为什么有些家长数据没有对应的学生？是ID编码错误，还是抽样设计如此？同样，检查_merge==1的样本，为什么有些学生没有家长数据？是家长拒访吗？这会不会带来样本选择偏差？处理完这些问题，通常我们会只保留_merge==3的成功匹配样本。合并学校数据时，因为是多个学生属于同一所学校，所以要用merge m:1 schoolid（多对一合并）。层层合并后，你就得到了一份包含个体、家庭、学校三层信息的“丰满”数据集。

3. 变量选择与测量：问对问题，选准指标

变量选得好，研究就成功了一半。CEPS变量虽多，但不能“捡到篮子里都是菜”。你需要根据理论框架，精心挑选那些最能代表你核心概念的指标。

因变量（结果变量）的选择：CEPS最常用的因变量是标准化考试成绩（如cog3认知能力测试分数）和主科（语数外）成绩。这里要注意，原始成绩可能因学校、地区、试卷难度而异，CEPS通常会提供经过一定标准化处理的值。我建议直接使用数据中提供的标准化分数，或者自己再做一次校内标准化（比如计算学生在年级内的Z分数），以消除学校间的绝对差异，更公平地比较学生相对表现。除了成绩，学生的教育期望（想读到什么学历）、心理健康得分、问题行为（如打架、逃课）等都是非常有价值的结果变量，能拓展教育研究的边界。

核心自变量的构建：这是体现研究深度的关键。比如研究“家庭资本”：

经济资本：不要只看“家庭年收入”这个单一指标。可以结合“是否有独立书房”、“家庭藏书量”、“是否拥有电脑/互联网”等物质资源变量，甚至可以用“是否上过付费兴趣班”作为教育投资的代理变量。
文化资本：CEPS有丰富的测量。比如“父母与孩子讨论学校事务的频率”、“参观博物馆/科技馆的次数”、“家庭文化氛围量表”（可能由“家里有多少本书”、“父母是否读书”等题项合成）。这些软性的文化互动往往比硬性的经济指标影响更微妙。
社会资本：可以考察“父母与老师联系的频率”、“父母是否认识孩子同学的家长”、“家庭社会网络规模”等。这些变量反映了家庭从外部获取资源和支持的能力。

控制变量的重要性：为了尽可能干净地识别核心自变量的“净效应”，你必须加入一系列控制变量。个人层面：性别、年龄、民族、户口类型（城乡）、是否独生子女、基线认知能力（非常重要，控制先天禀赋）。家庭层面：家庭结构（是否单亲）、监护人身份等。学校层面：学校类型（公立/民办）、学校平均SES、班级规模等。控制得越充分，你的结论就越可信。

4. 统计分析方法指南：从描述到因果推断

有了干净的数据和明确的变量，接下来就是选择分析“武器”。CEPS的追踪设计为我们提供了比横截面数据更强大的分析方法。

4.1 基础分析：描述与关联

万事开头，先用描述性统计（tabulate,summarize）给你的样本画个像：学生平均成绩多少？家庭SES的分布如何？城乡学生比例怎样？接着可以做双变量关联分析，比如用独立样本T检验看男女生的成绩是否有显著差异，用方差分析（ANOVA）看不同家庭收入组的学生成绩均值是否不同。用相关系数矩阵看看你关心的主要变量之间两两相关性如何。这些初步分析能帮你形成直觉，发现一些初步模式。

4.2 多元回归模型：控制混杂因素

这是最常用的核心方法。普通最小二乘法（OLS）回归是你的基本功。模型基本形式如下：

regress math_score SES gender han hukou cog3_baseline i.school_type, robust

这里math_score是因变量（数学成绩），SES是核心自变量（家庭社会经济地位），后面跟着一系列控制变量。i.school_type表示把学校类型当作虚拟变量纳入。robust选项使用了稳健标准误，可以缓解可能的异方差问题。解读结果时，不仅要看系数是否显著（p值），更要关注系数的大小（比如SES提高一个标准差，数学成绩能提高多少分？），这代表了实际影响力度。

4.3 追踪数据的威力：固定效应模型

这是利用CEPS追踪数据优势的王牌方法。如果你有同一个学生两年或以上的数据，就可以使用个体固定效应模型。它的妙处在于，可以控制掉所有不随时间变化的个体特征（比如天生的能力、稳定的家庭文化氛围、父母不变的基因影响等），哪怕这些特征没有被观测或测量。这大大缓解了遗漏变量偏差，让我们对时间变化变量的因果推断更有信心。

比如，你想研究“父母监督作业时间的变化”是否影响“学生成绩的变化”。有些学生父母一直监督很严，有些一直很松，这种固有差异可能和家庭其他稳定特征相关。固定效应模型通过关注同一个学生从一年到下一年的变化，来剥离这些稳定因素的影响。

* 假设数据是长格式（long format），每个学生有多行记录，有年份变量`year` xtset ids year // 声明面板数据 xtreg math_score homework_supervision i.year, fe robust

fe选项表示固定效应模型。你会发现，像性别、民族这些不随时间变的变量自动被模型“吸收”了，因为它们在个体内部没有变异。固定效应模型估计出的homework_supervision系数，可以更干净地解释为：对于同一个学生，当其父母监督作业的时间增加时，他的数学成绩会如何变化。

4.4 多层线性模型（HLM）：尊重数据的嵌套结构

CEPS数据本质上是嵌套的：学生嵌套于班级，班级嵌套于学校。传统回归假设所有观测独立，这显然不符合实际——同一个学校的学生共享相似的师资、校风、资源。忽略这种嵌套结构，会低估标准误，导致容易做出“显著”的错误推断。多层线性模型（又称分层模型或随机效应模型）正是为此而生。

比如，一个经典的两层模型：

层一（学生个体层）：数学成绩_ij = β0j + β1j*(学生SES_ij) + β2*(性别_ij) + ... + e_ij
层二（学校层）：β0j = γ00 + γ01*(学校平均SES_j) + γ02*(学校资源_j) + u0jβ1j = γ10 + γ11*(学校平均SES_j) + u1j

这个模型允许截距β0j（即学校的平均成绩）和斜率β1j（即学生SES对成绩的影响程度）随学校不同而随机变化。γ01可以解释学校层面的变量（如学校平均SES）如何影响学校的平均成绩。γ11则是一个跨层交互项，它回答了“学校环境是否会调节家庭背景对个人成绩的影响？”这一重要问题。在Stata中，可以使用mixed或xtmixed命令来拟合这类模型。

5. 研究案例拆解：看别人怎么做，想自己怎么做

光讲方法有点抽象，我们结合两个（虚构但典型的）研究案例，看看如何将上述流程串起来。

案例一：家庭数字鸿沟如何影响初中生学业成绩？——基于CEPS追踪数据的分析

研究问题：家庭数字接入（如电脑、互联网）和数字使用技能（父母、学生）如何影响学生成绩？这种影响在不同城乡、不同家庭背景中是否存在差异？
变量操作化：
- 因变量：标准化语文、数学、英语成绩的平均值（或分别分析）。
- 核心自变量：
  1. 数字接入：虚拟变量（家中是否有电脑、是否能上网）。
  2. 父母数字技能：根据“父母是否会用电脑帮助孩子学习”、“父母是否限制孩子上网”等题项构建量表。
  3. 学生数字使用：分为“教育性使用”（用电脑查学习资料）和“娱乐性使用”（玩游戏、社交）时长，分别构建变量。
- 控制变量：学生性别、年龄、户口、基线认知能力、家庭SES（传统维度）、父母教育、学校固定效应等。
分析方法：
1. 描述性统计，展示城乡、不同SES家庭在数字接入和使用上的差异。
2. 使用OLS回归，初步检验数字变量对成绩的影响。
3. 关键分析：使用个体固定效应模型，控制不随时间变的个体和家庭特征，更干净地识别数字接入或使用模式变化带来的影响。
4. 进行异质性分析：在模型中加入交互项（如数字接入*城乡、数字接入*家庭SES），看影响是否对农村学生或低SES学生更大。
可能发现与解读：或许你会发现，单纯的“有电脑”对成绩影响不显著甚至为负（如果主要用于娱乐），但“教育性使用”时间则有显著正向影响。而且，数字接入对农村学生成绩的提升效应明显大于城市学生，这体现了数字资源的“补偿效应”。固定效应模型的结果能更强地支持“增加教育性数字使用能导致成绩提升”这一因果推断。

案例二：学校氛围对青少年心理健康的影响：同伴关系的中介作用

研究问题：积极的学校氛围（如师生关系、同学关系、秩序与安全）是否能降低青少年的抑郁焦虑水平？如果能，其中有多少作用是通过改善学生感知的同伴关系来实现的？
变量操作化：
- 因变量：心理健康量表得分（分值越高可能抑郁焦虑水平越高，注意方向）。
- 核心自变量：学校氛围综合指数（由多个关于师生关系、同学关系、公平感、安全感的题项通过因子分析合成）。
- 中介变量：学生自评的同伴关系质量（“我在班上有很多朋友”、“同学对我很友好”等题项均值）。
- 控制变量：个体、家庭、学校层面的一系列变量，特别是基线心理健康水平（如果有多期数据）。
分析方法：
1. 相关分析，初步确认学校氛围、同伴关系、心理健康两两相关。
2. 使用多层线性模型（HLM），因为学生嵌套于学校。先建立空模型，计算组内相关系数（ICC），看心理健康差异有多大比例是源于学校间的差异。
3. 进行中介效应检验。可以使用结构方程模型（SEM）框架，也可以采用逐步回归法（Baron & Kenny步骤）或更现代的Bootstrap法直接检验中介效应a*b的显著性。在多层数据中，需要区分层-2（学校氛围）对层-1（同伴关系、心理健康）的影响，可能涉及跨层中介分析，可以使用如Mplus或R的lavaan包进行多水平SEM分析。
可能发现与解读：空模型可能显示心理健康有相当比例的学校间差异（比如ICC=10%）。HLM分析可能发现学校氛围指数显著负向预测学生抑郁水平。中介分析可能揭示，学校氛围对心理健康的积极影响，有大约30%-50%是通过提升学生感知的同伴关系质量实现的。这为学校干预提供了精准靶点：营造包容、支持的学校整体环境，能有效促进学生间的良性互动，从而最终守护他们的心理健康。

做CEPS研究，就像玩一个复杂的、但规则清晰的拼图游戏。数据清洗和准备是打好地基，变量选择和测量是找到对的拼图块，统计方法则是正确的拼接手法。这个过程充满挑战，但当你的分析结果清晰地揭示出教育世界中的某个规律或机制时，那种成就感是无与伦比的。我自己的经验是，多读利用CEPS发表的优秀论文，看他们如何定义变量、设计模型、解释结果，然后自己动手复现一遍，这是最快的学习路径。CEPS这座富矿，值得你花时间去深入挖掘，它一定能回报你高质量的研究发现。