开始之前

  • 首先要明确自己的数据清洗需求，我的需求如下：
    • 构建一个面板数据，其中需要包含所有我需要的变量。
  • 其次是拆分需求：
      1. 面板数据需要由截面数据来合并；
      1. 变量需要的保留与否暂不清晰，但根据已读文献，有初步方向。

开始清洗

制定根目录

  • 为了方便合作清洗/给他人检查代码，先确定目录如下：
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
clear all
clear matrix
set more off

global root         = "/Users/finneas/Desktop/CFPS数据库中国家庭追踪调查数据库"
global cfps2020     = "$root/CFPS2020"
global cfps2018     = "$root/CFPS2018"
global cfps2016     = "$root/CFPS2016"
global cfps2014     = "$root/CFPS2014"
global cfps2012     = "$root/CFPS2012"
global dofiles      = "$root/Result_data/Dofiles"
global logfiles     = "$root/Result_data/Logfiles"
global temp_data    = "$root/Result_data/Temp_data"
global working_data = "$root/Result_data/Working_data"
*log using "$logfiles/cfpsclean.log", replace

清洗截面数据

筛选变量

  • 首先清洗2012年数据，用keep指令保留所有需要的变量
1
2
3
4
5
6
7
8
*-----------------------2012年--------------------------------
*- 提取变量
use "$cfps2012/cfps2012adult_201906.dta", clear
keep pid fid12 fid10 provcd countyid cid urban12

gen year = 2012
gen age = year - cfps2012_birthy_best //年龄
label variable 年龄

考虑到只靠do文件清理变量会面临一些问题：

  1. 变量太多，很容易乱
  2. 无法核对我需要的变量是否已清洗
  3. 无法核对已清洗的变量和问卷中被keep掉的变量

故而决定采用表格来整理已经清洗的变量

  • 在excel表格构建表格如下
变量 变量名称 变量定义 2012 2014 ……
cig 是否吸烟 是否吸烟 qq201
cig_num 吸烟数量 每天吸多少支 qq202
cig_quit 是否曾经戒烟 是否曾经戒烟 qq204
cig_quit_age 戒烟年龄 戒烟年龄 qq205
  • 变量名为rename之后的变量名称，即用在后续回归中的变量名称；
  • 变量定义为问卷中变量的定义/自己构建的变量定义；
  • 其中年列代表每年问卷中的问题代码。