5个CFPS数据高频面试题，90%的人都在这个坑里栽过

看了一堆教程还是不会写项目？别怪你笨，多半是数据清洗这一步没做对。CFPS（中国家庭追踪调查）数据是社会学和经济学研究的硬通货，但很多新手拿到数据就像拿到天书，变量名看不懂，缺失值处理乱套，最后跑出来的模型全是噪音。更扎心的是，CFPS数据处理也是不少大厂数据分析师岗位的高频面试题，面试官最爱问的就是“你如何处理多期面板数据中的重复ID”或者“如何合并个人、家庭、社区三级数据”。

今天就把我在处理CFPS数据时踩过的最痛的坑挖出来。不讲虚的，直接上代码和逻辑。如果你正在准备面试，或者手头正有一个用CFPS数据写论文的deadline，这篇文章能帮你省下至少一周的返工时间。

坑一：变量命名混乱导致的“幽灵变量”

现象描述 很多刚接触CFPS数据的朋友，打开Excel或Stata，看到几百个变量名，头都大了。比如wage、inc、salary，到底哪个才是真实的工资？更可怕的是，你明明选了“收入”变量，跑出来结果却是全0或者极端值。这是因为CFPS数据在不同年份、不同模块中，变量命名并不完全统一。有的年份用v156代表年收入，有的年份用income_annual。如果你直接用通配符或者模糊匹配，极容易混入“幽灵变量”——那些看起来像收入，实际是问卷逻辑控制项或占位符的变量。

根本原因 CFPS数据由北京大学中国家庭调查研究中心发布，其数据字典（Codebook）通常随数据包提供，但更新频率高，格式偶尔调整。很多教程只教你怎么下载，不教你怎么核对官方源码仓库里的最新变量定义。CFPS的官方数据网站会提供每一年的Data Dictionary文件，这才是真理。很多错误源于依赖过时的博客教程，而没有去核对官方发布的最新字典。

正确写法对比 错误的做法是直接凭感觉选变量。正确的做法是建立“变量映射表”。

错误代码（Stata）：

* 错误：盲目合并所有以inc开头的变量
gen total_income = inc1 + inc2 + inc3
* 这里inc2在2018年是兼职收入，在2020年变成了逻辑判断变量，直接相加会导致数据污染

正确代码（Stata）：

* 正确：基于官方Codebook确认变量含义，并做值标签检查
label list income_vars
* 假设确认了2018-2020年的工资变量分别为 v156_2018, v156_2019, v156_2020
gen wage_clean = 0
replace wage_clean = v156_2018 if year==2018 & v156_2018 >= 0
replace wage_clean = v156_2019 if year==2019 & v156_2019 >= 0
replace wage_clean = v156_2020 if year==2020 & v156_2020 >= 0
* 检查是否有异常值
sum wage_clean, detail

复现与修复

下载CFPS官方数据后，第一件事不是跑回归，而是打开Codebook.pdf。
在Stata中执行describe查看所有变量标签。
使用tab命令检查关键变量的分布。如果某个“收入”变量的最大值只有100，那它大概率是逻辑变量（0/1），而不是金额。
建立Excel映射表，列出“年份”、“原始变量名”、“含义”、“是否保留”。

规避建议 永远不要相信“变量名看起来像什么就是什么”。CFPS数据中，_d结尾通常是差分变量，_r结尾可能是反向计分变量。在Stata中，建议将原始变量重命名为更直观的别名，例如rename v156_2018 wage_2018，并在注释中注明来源。这样在面试中被问到“你如何保证数据准确性”时，你能答出“我建立了严格的变量映射与校验流程”，这就是加分项。

坑二：面板数据合并时的ID匹配陷阱

现象描述 CFPS是多期追踪调查，最核心的痛点就是“怎么把2010年的人和2020年的人对上”。很多新手直接用merge 1:1，结果报错或者匹配率极低。有的朋友更夸张，用merge m:1，结果数据量翻倍，分析结果全错。

根本原因 CFPS的ID体系包含fid（家庭ID）和pid（个人ID）。但要注意，fid在跨期合并时，家庭结构会变化，比如离婚、迁出。如果你只按fid合并，会导致家庭层面的变量污染。更隐蔽的坑是，CFPS数据中的pid在不同年份可能会有后缀变化，或者在家庭层面存在“家庭户主”与“个人户主”的混淆。

正确写法对比 错误代码（Stata）：

* 错误：直接用fid合并多期数据，忽略家庭结构变化
merge 1:1 fid using data_2020.dta
* 结果：keep=3 (matched) 很少，大量数据丢失或错误匹配

正确代码（Stata）：

* 正确：使用fid + pid组合键，并处理家庭变动
preserve
gen fid_pid = fid*10000 + pid
tempfile merged_data
merge 1:1 fid_pid using data_2020_clean.dta, keepusing(year_2020) update
* 检查匹配情况
tab _merge
* 处理未匹配个体（_merge==1），通常是因为该个体在2020年未参与调查或已去世
drop if _merge==2
rename _merge match_status
restore

复现与修复

确认你的研究单元是“个人”还是“家庭”。如果是个人研究，必须用pid；如果是家庭研究，用fid但需处理家庭主更替。
在合并前，对fid和pid进行清洗，确保它们是数值型且无缺失。
使用merge 1:1进行严格匹配。如果匹配率低，检查是否有ID格式不一致（如字符串型ID含空格）。
在Stata中，合并后务必检查_merge变量。_merge==1表示仅在新数据中存在，_merge==2表示仅在旧数据中存在，_merge==3表示匹配成功。对于面板数据，通常保留_merge==1和_merge==3，丢弃_merge==2（除非研究流失原因）。

规避建议 面试中常问：“如何构建平衡面板？”答案是：通过多期ID匹配，保留在所有期数都出现的个体，构建平衡面板；或者使用随机效应模型处理非平衡面板。切记，CFPS数据中，pid是唯一的个体标识，fid是家庭标识，两者不可混用。

坑三：缺失值处理的“一删了之”误区

现象描述 CFPS数据中，缺失值（Missing Values）比例不低，尤其是收入、教育年限等敏感变量。很多新手的做法是drop if missing()，直接删掉缺失样本。结果样本量从20000人剩8000人，且剩下的都是“高收入、高教育”群体，导致估计偏差。

根本原因 缺失不是随机的（MNAR, Missing Not At Random）。收入缺失者，往往是低技能、非正规就业者，他们的收入分布与有收入者截然不同。直接删除会导致选择偏差。

正确写法对比 错误代码（Python）：

import pandas as pd
df = pd.read_csv("cfps_data.csv")
df_clean = df.dropna(subset=["wage"])
# 错误：丢失了大量低收入样本，导致平均工资虚高
print(df_clean["wage"].mean())

正确代码（Python）：

import pandas as pd
from sklearn.impute import KNNImputerdf = pd.read_csv("cfps_data.csv")# 1. 标记缺失类型
df["wage_missing"] = df["wage"].isnull().astype(int)# 2. 对于关键变量，不要简单填充0或均值，而是使用多重插补或KNN
# 这里演示KNN插补（适合中等规模数据）
imputer = KNNImputer(n_neighbors=5)
# 注意：只能对数值型特征插补，需先对分类变量编码
features = ["age", "education", "gender", "region"]
df[features] = pd.get_dummies(df[features], drop_first=True)# 仅对wage列进行插补，其他列保持不变
wage_imputed = imputer.fit_transform(df[["wage"] + features])
df["wage_imputed"] = wage_imputed[:, 0]# 3. 分析时，同时使用原始数据（删除缺失）和插补数据，进行稳健性检验
print("原始均值:", df["wage"].mean())
print("插补均值:", df["wage_imputed"].mean())

复现与修复

在Stata中，使用mi impute命令进行多重插补（Multiple Imputation）。
在Python/R中，使用missForest或MICE包。
在论文中，必须报告缺失值比例及处理方法。如果是高频面试题，你可以说：“我采用了多重插补法生成5个完整数据集，分别估计后合并，以消除缺失带来的偏差。”

规避建议 不要怕麻烦，多重插补是学术规范，也是面试加分点。如果数据量大（>5万），KNN或均值插补可作为备选，但需在局限性中说明。

坑四：权重使用错误导致的人口推断偏差

现象描述 CFPS数据提供了抽样权重（Sampling Weights），用于从样本推断总体。很多新手忽略权重，直接用reg命令跑回归。结果虽然模型显著，但无法代表全国总体。更严重的是，有的朋友把权重当成频率权重，重复观测，导致标准误低估。

根本原因 CFPS是分层多阶段抽样，不同省份、不同家庭的抽样概率不同。权重用于校正这种不等概率抽样。忽略权重，等同于假设每个样本代表相同的人口数量，这是错误的。

正确写法对比 错误代码（Stata）：

* 错误：忽略权重
reg y x

正确代码（Stata）：

* 正确：使用svyset设定抽样设计，并在回归中使用svy:
svyset [pweight=weight_2020], strata(stratum) fpc(fpc_value)
svy: reg y x
* 注意：svy: 会自动计算设计效应校正的标准误

复现与修复

确认数据中是否有权重变量（如weight、pweight）。
在Stata中，使用svyset命令设定抽样设计。如果不知道分层变量，可以只用pweight。
在回归中，必须使用svy: reg而非reg。
检查设计效应（DEFF），如果DEFF远大于1，说明聚类效应显著，需使用cluster()选项。

规避建议 面试中问：“为什么你的标准误比普通OLS大？”回答：“因为CFPS是分层抽样，我使用了svy命令校正设计效应，这是符合统计规范的。”

坑五：时间序列对齐与滞后变量构造

现象描述 在动态面板模型中，常用L.x（滞后项）。但CFPS数据中，有些变量是时不变的（如性别、出生地），有些是时变的（如收入、就业）。新手常犯的错误是，对时不变变量也取滞后，导致多重共线性；或者对时变变量忘记对齐时间，导致因果倒置。

根本原因 时间对齐是面板数据分析的核心。CFPS数据中，year变量是关键。如果year缺失或错误，滞后项构造就会出错。

正确写法对比 错误代码（Stata）：

* 错误：对时不变变量取滞后
gen L.gender = L(gender)
* gender是时不变变量，L.gender == gender，导致完美共线性

正确代码（Stata）：

* 正确：仅对时变变量取滞后，并确保时间序列连续
bysort pid (year): gen L.wage = L(wage)
bysort pid (year): gen L2.wage = L2(wage)
* 检查时间连续性
bysort pid (year): gen time_gap = year - L(year)
tab time_gap
* 如果time_gap > 1，说明存在断档，需谨慎使用滞后项

复现与修复