CFPS数据清洗实战：如何处理-9、-8、-2等特殊缺失值？

CFPS数据清洗实战：如何处理-9、-8、-2等特殊缺失值？

如果你正在处理中国家庭追踪调查（CFPS）的数据，那么你大概率已经和那些令人困惑的“-9”、“-8”、“-2”等特殊编码打过照面了。这些数字并非简单的数值，而是数据背后一套精密的逻辑语言，直接删除或随意填补都可能让你的研究结论产生偏差。对于社会科学研究者、数据分析师而言，理解这些特殊缺失值的本质，并掌握一套清晰、可复现的处理流程，是确保分析结果稳健可靠的第一步。这篇文章，我将结合自己多次使用CFPS数据的经验，抛开教科书式的理论，直接切入实战，为你拆解不同类型缺失值的处理逻辑、提供可直接上手的代码示例，并分享几个容易踩坑的细节。我们的目标很明确：让你不仅能“处理”数据，更能“理解”数据，做出更明智的清洗决策。

1. 解码CFPS缺失值：不只是“数据缺失”

在开始写任何一行代码之前，我们必须先搞清楚CFPS数据中这些特殊值到底代表了什么。这绝非简单的技术问题，而是理解调查设计逻辑的关键。

1.1 特殊缺失值的类型学：从-1到-9

CFPS数据中的缺失值编码是一个精心设计的系统，每种编码都对应着数据缺失的特定原因。盲目地将所有负值都视为“缺失”并一删了之，会损失大量有价值的信息，甚至引入系统性偏差。

• -9：系统性缺失或“不知道”。这通常意味着由于数据内部更新、定义变更或信息不可得，系统无法提供有效值。例如，某个变量的计算方式在后续调查轮次中发生了变化，早期数据无法按新标准回溯。处理建议：在大多数分析中，-9可以直接视为缺失值（missing）进行处理，因为它通常不包含可用于推断的额外信息。

• -8：跳转缺失。这是CFPS数据清洗中最需要动脑筋的一类。它表示受访者因为符合问卷的跳转逻辑（Skip Pattern）而没有回答此题。例如，在收入模块中，若受访者回答“无工作收入”，则后续关于工资细节的问题会自动跳过，并被赋值为-8。处理建议：-8不能简单删除！你必须回到问卷，理解跳转逻辑。对于因“无”而跳转的变量（如无收入），-8往往可以合理替换为0；对于其他逻辑跳转，则需要根据研究问题判断是保留为缺失，还是利用其他信息进行插补。

• -2 与 -1：受访者主观缺失。-2通常表示“拒绝回答”，-1表示“不知道”或“不适用”。这类缺失直接反映了受访者的状态。处理建议：需要谨慎处理。如果这类缺失比例不高，且完全随机，可以按一般缺失值处理。但如果比例较高，或集中于特定群体（如高收入者更可能拒绝回答收入问题），则可能意味着数据并非随机缺失，直接删除或简单插补会导致样本选择性偏差。

注意：不同年份或不同模块的CFPS数据，其缺失值编码规则可能微调。动手前，务必查阅对应年份的《用户手册》和《问卷》，这是最高准则。

为了更直观地区分，我们可以用下表来概括：