如何进行数据分析

时间：2023年03月23日18：00－21：00
地点：教二2107

首先，必须对数据的抽样过程做清晰完整的描述，包括使用的抽样方式，抽样总体等。其次，在使用二手数据的过程中，我们会根据研究问题需要选择一个大样本的数据中一部分，比如使用chip数据研究教育回报率的问题，就需要删除在校生数据和儿童的数据，那么通过哪些变量进行选择，选择的结果都是需要交待。再者就是对变量缺省值的处理。还有就是变量的重新编码和根据已有变量生成新的变量，这些都需要交待清楚。更为复杂的是涉及到不同来源数据的合并，以及数据结构的变形等。在数据清理工作完成以后，做单个变量的描述性统计的工作，离散性变量，计算频数、占比，连续性变量，计算均值与方差。

在完成以上工作以后，根据研究问题的类型不同开展不同的工作，如果是描述性的研究，接下来可以做一些简单的分组比较的工作，这时可以使用一些相关性检验（t,chi, anova, correlation等）的技术。如果使用多元回归的技术，则需要根据解释变量的数据类型选择不同的回归模型，而先进行核心解释变量与被解释变量之间的回归，而后逐步加入控制变量进行回归。对于使用自然实验方法进行因果推断的研究，刚回归模型之后，还需要检验方法背后的假设，比如双重养分的同步假设，工具变量的排斥性假设等等。

本周主题

  1. 数据的清理，涉及数据的合并与变形；样本的选择、缺省值的处理；变量的命名、重新编码、新生成等；
  2. 单个变量的描述性统计，比如频数、占比，均值与方差等；
  3. 两个变量相关性的分析，涉及t, chi, anova, correlation等；
  4. 初步回归工作，核心变量之间的回归，添加不同控制变量回归，采用非线性回归；

阅读材料

  • Cinelli, C., Forney, A., & Pearl, J. (2022). A Crash Course in Good and Bad Controls. SSRN Electronic Journal, (March), 1–30. https://doi.org/10.2139/ssrn.3689437

  • Elwert, F., & Winship, C. (2014). Endogenous selection bias: The problem of conditioning on a collider variable. Annual Review of Sociology, 40, 31–53.https://doi.org/10.1146/annurev-soc-071913-043455

课程课件

第五节课件
提示：按左右方向键可浏览PPT，按F键可全屏显示。