下载了 CFPS/CHARLS 却不会写论文?这份＂从选题到回归＂的完整路径,少走两年弯路
从数据库到论文：CFPS 与 CHARLS 微观实证的完整落地路径，写给每一个正在选题的你
在经济学、社会学、公共管理乃至医学院的实证研究圈子里，有两个名字几乎是绕不开的—— CFPS （中国家庭追踪调查）和 CHARLS （中国健康与养老追踪调查）。
这两个数据库几乎是每一位做微观实证研究的研究生、青年教师的”起手式”。打开知网一搜，以 CFPS 或 CHARLS 为关键词的论文动辄数千篇，仅截至 2023 年 9 月，仅以 CHARLS 为基础发表的论文就超过 4,500 篇，其中 SCI/SSCI 英文期刊论文超过 2,000 篇。
但奇怪的现象是： 大多数人下载完数据之后，就卡死在了第二步 。有人对着成百上千个变量发呆，不知道该从哪里下手；有人好不容易跑出了回归，却被审稿人一句”你的识别策略是什么”打回原形；还有人辛辛苦苦搭了模型，才发现选题本身就不成立。
问题从来不在工具，而在 逻辑 。这篇文章，我想把一条从数据库到论文的完整主线，拆给你看。
先认识你的”武器”：CFPS 与 CHARLS 到底是什么
很多新手在一开始就搞混了——CFPS 和 CHARLS 都叫”追踪调查”，到底差别在哪里？
CFPS（China Family Panel Studies） ，由北京大学中国社会科学调查中心（ISSS）于 2010 年正式实施，目标样本规模 16,000 户，覆盖全国 25 个省、市、自治区。问卷分四类：社区问卷、家庭问卷、成人问卷、少儿问卷。它的特点是 大而全 ——经济活动、教育、婚姻家庭、人口迁移、身心健康，几乎囊括了一个中国家庭与个体所能被度量的方方面面。官网是 isss.pku.edu.cn/cfps/。
CHARLS（China Health and Retirement Longitudinal Study） ，由北京大学国家发展研究院主持，目前与武汉大学共同执行。基线调查于 2011—2012 年开展，覆盖全国 150 个县级单位、450 个村（社区），初始样本约 1.7 万人，聚焦于 45 岁及以上中老年人群 。它的参照系是美国 HRS、英国 ELSA 和欧洲 SHARE，这意味着它天然具备国际可比性。官网是 charls.pku.edu.cn。
CFPS 关注”一家人的生活全貌”，CHARLS 关注”中老年人的健康与养老”。
所以你会发现，做劳动力市场、教育回报、代际流动、子女养育的研究，CFPS 几乎是首选；而做养老保险、健康老龄化、认知功能、慢病管理的研究，CHARLS 则是不二之选。
这两个数据库在国际同行评议中的认可度都很高，加上样本规模足够大，天然满足大样本下的渐进性质， 模型的稳健性有保障，实证结果也更有说服力 。这就是为什么我常对学生讲：只要你的选题够扎实，用这两个数据库投稿时外审老师的第一印象分就不会差。
选题：不是从”我想做什么”开始，而是从”数据告诉我能做什么”开始
很多新手拿着一个朦胧的想法——”我想研究数字经济对老年人幸福感的影响”——就一头扎进数据里。三天之后，他会发现问卷里找不到”数字经济”的直接度量，而”幸福感”又有好几个不同的量表在打架。
我的建议是： 先读文献，再看问卷，最后定选题 。打开知网，在”篇关摘”字段输入”CFPS”或”CHARLS”，把近三年发表在核心期刊的十几篇论文拉出来，通读一遍。你会很快建立起两种认知：
-
这个数据库中哪些变量是被反复使用的”硬通货”（比如 CHARLS 里的 CES-D 抑郁量表、ADL 日常活动量表）；
-
哪些研究方向已经饱和（比如单纯的”互联网使用对主观幸福感的影响”），哪些方向还存在缝隙。
适合 CFPS 与 CHARLS 的好选题，通常具备三个特征 ：
-
有明确的因果识别逻辑问卷里要能找到天然的外生冲击或工具变量，比如政策时点、地区差异、家庭事件（丧偶、子女外出）等；
-
有中国特色但又能对话国际文献比如中国独有的户籍制度、新农合、计划生育政策，都是 SSCI 审稿人会感兴趣的情境；
-
不要去硬造问卷里没有的概念，很多学生的”创新”其实只是”为难自己”。
变量：从问卷条目到可回归的变量，中间差的是”构造”
一份 CFPS 的成人问卷，有数百个问题；一份 CHARLS 的家户问卷，同样如此。从原始问卷到最终进入模型的 $y$、$x$、控制变量组，中间需要一整套严谨的构造逻辑。
以”心理健康”为例，CFPS 和 CHARLS 都提供了 CES-D（流行病学研究中心抑郁量表） 。CFPS 里常用 8 项版本，每一项按 0—3 分编码后加总，得到一个连续的抑郁指数。 这不是选择题，而是研究者自己构造出来的合成变量 。CHARLS 也提供了类似的量表，此外还有 ADL（日常生活活动能力）、IADL（工具性日常生活活动）这类功能度量。
比如你要研究”家庭金融负债对心理健康的影响”，那么”是否有负债”可以是 0/1 变量，”负债规模”可以是连续变量，还可以进一步按负债类型（房贷、消费贷、民间借贷）分组。一个解释变量的不同构造方式，往往意味着完全不同的故事。
这是新手最容易偷懒的地方，往往习惯性地塞进”性别、年龄、受教育年限、婚姻、收入、户籍”——然后就没了。
但真正严谨的实证，会按 个人层面—家庭层面—社区层面—省份层面 的多层结构去搭建控制变量组。比如做老年人健康的研究，除了个人特征，还需要控制家庭结构（子女数量、是否同住）、社区条件（是否有卫生室、是否集中供暖）、地区固定效应。这些信息在 CFPS 和 CHARLS 里其实都有，只是藏得深，需要你去翻社区问卷和跨年度数据匹配。
一句话总结变量处理的精髓 ：变量不是”找”出来的，是”造”出来的。
关于模型选择，我见过最大的误区，是学生一上来就想做 DID（双重差分）或者 RDD（断点回归），理由是”这样审稿人喜欢看”。
根据 CFPS 和 CHARLS 的数据结构，常用模型大致可以分成几类：
（如收入、抑郁得分、认知得分）——OLS 是基础，面板数据下优先考虑 固定效应模型 （个体固定效应 + 年份固定效应），这是近几年顶刊里最常见的基础设定；
（如是否患慢病、自评健康等级）——用 Logit / Probit 或 Ordered Logit；
——工具变量法（IV）、Heckman 两步法、倾向得分匹配（PSM）是常见工具；
（如新农合推广、延迟退休）——DID、事件研究法（Event Study）、PSM-DID 组合拳；
（如首次患病时间、死亡时间）——Cox 比例风险模型，这是 CHARLS 发医学二区期刊的常见套路。
最关键的一点 ：你用什么模型，取决于数据能支持什么。CFPS 是每两年一轮的严格追踪面板，适合做固定效应和 DID；CHARLS 同样是每两年一轮，截至目前已经发布了五轮数据（2011、2013、2015、2018、2020），其中 2020 年第五轮数据于 2023 年 11 月正式公开发布，时间跨度足够做生命历程研究和队列分析。
写了这么多，最后我想把一些带学生的经验浓缩成几句话：
-
第一，不要迷信”清洗好的数据” 。市面上有很多打包好的”CFPS 已清洗版本”，看似省事，其实埋了大量的坑。真正能打磨出论文的人，一定是自己动手从原始问卷合并、清洗、构造变量的人。这个过程才是你真正理解数据的过程。
-
第二，代码可以复刻，逻辑不能复刻 。你可以完整复现一篇顶刊论文的所有回归，但你不会因此写出下一篇顶刊论文。真正的创新来自 在别人已有的框架上，问一个新的问题，或换一个新的视角 。
-
第三，先跑出一个”丑陋但完整”的稿子 。很多人卡在”精致的拖延症”里，非要把每个变量处理到完美才敢跑回归。但实证研究的真相是： 写作是在回归中完成的，不是在回归之前完成的 。先跑出一份能读的初稿，再反复打磨，才是高效的路径。
-
第四，数据之外，永远有一个真实的中国 。CFPS 记录了上亿个中国家庭的经济活动与代际关系，CHARLS 记录了数以万计的中老年人从壮年走向衰老的轨迹。当你在 Stata 里敲下命令的时候，不要忘记——每一行数据背后，都是一个人、一个家庭、一段时代的缩影。好的研究，是让这些沉默的数字重新开口说话。
从数据库到论文，真正考验的从来不是代码能力，而是 把一个现实问题翻译成可验证的计量语言 的能力。选题、变量、模型，每一步都互为因果——选题决定了你需要哪些变量，变量决定了你能用哪些模型，而模型反过来又会倒逼你去检视选题的稳健性。
CFPS 和 CHARLS 这两个数据库，是中国微观实证研究最肥沃的两块土壤。土壤本身足够好，剩下的，就看你能不能耐下心来，把这条从数据到论文的路，扎扎实实走一遍。
夜雨聆风
