数据分类那么多，我们都要学吗？学了有什么用？

一、开篇：数据不就是数字吗？

初学计量的人，第一波冲击往往来自数据的分类方式。

老师在讲台上熟练地列举：定量数据、定性数据、横截面数据、时间序列、面板数据、实验数据、观测数据、平衡面板、非平衡面板……

你坐在下面，脑子里只有一个问题：这些分类到底有什么用？不都是数字吗？往里扔回归不行吗？

不行。而且"往里扔回归"恰恰是初学者最常见的错误来源。

数据的类型，决定了你能用什么模型、能回答什么问题、能得出什么结论。 选错模型，不是精度问题——而是整个分析框架都不成立。

这篇文章沿着三条最主要的分类线索，帮你建立数据的"分类地图"，让你以后拿到一份新数据，第一时间就能判断：这是什么数据？它适合做什么？有什么坑？

核心信息：数据分类不是分类学游戏——每一种分类维度，都对应着一种分析策略的选择。

---

二、第一条分类线索：按变量的测量尺度——定量、定性与定序

这是最基础的分类，也是所有数据分析的起点。

2.1 三种类型的定义与例子

定量数据（Quantitative Data）：变量的取值本身就是数字，而且数字之间的差距有实际含义。

• 连续型：工资（元）、GDP（亿元）、身高（cm）、温度（℃）
• 离散型：子女数量（个）、专利数量（件）、公司成立年限（年）

定量数据的核心特征：你可以对它做算术。 100元是50元的两倍，这个运算有意义。

定性数据（Qualitative Data）：变量的取值是类别，数字只是标签，不能做算术。统计上通常称为分类数据（Categorical Data）。

• 性别（男/女——编码为0/1，但0+1或0×1毫无意义）
• 婚姻状态（未婚/已婚/离异/丧偶）
• 行业分类（制造业/服务业/农业/……）
• 地区（东部/中部/西部/东北）

定性数据的核心特征：你只能比较"是不是一样"，不能比较"谁比谁大"。

定序数据（Ordinal Data）：介于两者之间。取值有顺序、能比大小，但差距没有数值意义。

• 教育程度（小学 < 初中 < 高中 < 大学 < 研究生——但"大学减高中"不等于"研究生减大学"）
• 满意度评分（非常不满意/不满意/一般/满意/非常满意——"满意"和"非常满意"的差距，不等于"不满意"和"一般"的差距）
• 比赛中你可以给这场表现打 1-5 分

定序数据的核心特征：你可以排序，但不能算差距。 把定序变量直接当连续变量放进回归，是初学者最容易犯的错误之一。

2.2 为什么要区分它们？——三个实战理由

理由一：决定你用什么模型。

因变量类型	适用的基本模型
连续定量变量	OLS（普通最小二乘法）
0/1 二值变量（定性）	Logit / Probit（二值选择模型）
多类别变量（定性）	多项 Logit（Multinomial Logit）
定序变量	定序 Logit / Probit（Ordered Logit/Probit）
计数变量（离散定量）	泊松回归 / 负二项回归

把0/1变量用OLS跑——你得到的预测值可能是-0.3或1.2，这在逻辑上说不通。本科计量课上，"Y是二值变量为什么不能用OLS"通常是最先讲的内容之一。

理由二：决定你怎么解释系数。

同样是"X增加1单位，Y变化多少"这个问题：

• 连续因变量 + OLS：$\beta_1$ = X增加1单位，Y平均变化 $\beta_1$ 单位。直觉清晰。
• Logit模型：系数本身不能直接解释。你需要计算边际效应（marginal effect）或几率比（odds ratio）——这是初学者最容易懵的地方。
• 定序Logit模型：系数告诉你"X增加1单位，进入更高一类的几率对数变化多少"——解释门槛更高。

理由三：决定你能否做某些操作。

• 对定性变量求均值？没有意义。（"性别的平均值"是什么？）
• 对定序变量求标准差？数学上能算，但含义不清。（"满意度的标准差为0.8"——这是什么？）
• 把定序变量当作连续变量放入回归？在很多场合是通行做法（如用受教育年限代表教育程度），但你必须意识到你在做什么、假定了什么——你实际上假定了"从小学到初中的跳跃"和"从高中到大学的跳跃"在效应上是相等的。这个假定一旦不成立，你的估计就可能出错。

一句话：变量的测量尺度，是选择模型和解释结果的第一道门槛。走错这道门，后面的路都是歪的。

---

三、第二条分类线索：按数据的时空结构——横截面、时间序列、面板与混合截面

这条分类线索和"数据是怎么收集的"直接相关，它决定了你能不能用某些模型、以及你主要回答的是什么类型的问题。

3.1 四种类型的定义

横截面数据（Cross-Sectional Data）：在同一个时点（或近似同一时点）上，对多个个体进行观测得到的数据。

• 典型例子：2020年第七次全国人口普查数据——在同一年里调查了全国所有人。
• 在经济学中：中国家庭追踪调查（CFPS）的某一轮数据、某一年上市公司的年报数据、某次问卷调查的全部回收样本，都是横截面数据。

关键提醒——"同一时点"往往是一个近似： 在实际操作中，横截面数据的"同一时点"通常是被忽略微观时间差异后近似出来的。比如CFPS某一轮调查的入户访谈可能从当年1月持续到次年3月，跨越了十几个月份。但在分析中，我们通常把这些数据当作"同一时点"来处理——因为十几个月的差异相对于我们要研究的问题（如教育对收入的长期影响）来说，可以忽略不计。

但要注意：如果调查时间跨度内发生了重大事件（如疫情期间的调查跨越了封控前后），这种"近似"就可能出问题。不同受访者在不同时间接受访谈，他们的回答可能反映了截然不同的外部环境——而你在建模时却假设他们在"同一时点"。

时间序列数据（Time-Series Data）：对同一个主体，在多个时点上进行重复观测。

• 典型例子：中国1990—2023年每年的GDP数据、某只股票每天的收盘价、某城市每月的CPI指数。
• 核心特征：只有一个观测主体（或一个加总后的经济体），但观测了很长时间。

面板数据（Panel Data）：横截面和时间序列的交集——对多个个体，在多个时点上进行追踪观测。也叫纵向数据（Longitudinal Data）。

• 典型例子：CFPS追踪同一批家庭每两年回访一次，形成了"多个家庭 × 多轮调查"的结构。中国工业企业数据库追踪同一批企业多年，也是面板数据。
• 核心特征：同样的个体被反复观测，你在时间维度上掌握了每个人的变化轨迹。

混合截面数据（Pooled Cross-Sectional Data）：最容易和面板数据搞混的类型。 它也是"多个时点 × 多个个体"，但——每次抽的是不同的样本，同一个体不会被追踪。

• 典型例子：中国综合社会调查（CGSS）每年做一次，但每年抽的都是不同的受访者。你无法追踪"同一个人"在2015年和2020年的变化。
• 与面板数据的核心区别：面板数据追踪的是同一批个体，混合截面每次抽的是不同个体。

3.2 一张表区分四种结构

数据类型	个体维度	时间维度	是否追踪同一样本	典型例子
横截面	多个	一个时点（近似）	不适用	某年人口普查
时间序列	一个	多个时点	不适用	历年GDP
面板数据	多个	多个时点	是	CFPS追踪调查
混合截面	多个	多个时点	否，每次独立抽样	CGSS年度调查

3.3 为什么要区分它们？——每个类型能回答的问题不同

横截面数据主要能回答：个体之间的差异。

你发现"受教育高的人工资更高"——这是在横截面上比较不同的人。但你无法回答"一个人如果多读一年书，他的工资会涨多少"——因为你看不到同一个人的变化。你看到的只是"高教育的人工资高"，这可能是因为教育提高了他们的生产力，也可能是因为能力更强的人本来就倾向于读更多书——这在横截面上无法区分。

时间序列数据主要能回答：一个变量随时间的变化规律。

GDP增长率、通胀率、失业率的走势分析——这些都是时间序列的经典应用。但时间序列的无能为力之处在于：你不能用单个主体的时间序列来研究个体之间的异质性。 你看到的是中国整体的GDP增长，看不到"为什么广东增长比东北快"——因为数据已经加总了。

面板数据能回答的问题最多——这也是它成为现代实证研究主流数据结构的原因。

因为面板数据同时有个体间差异和个体内的时序变化，它能做的事远多于前两者：

• 控制个体固定效应：每个个体做自己的对照组。你能控制掉所有不随时间变化的遗漏变量——比如能力、性格、家庭背景、文化传统。这是面板数据最强大的武器。
• 研究动态调整过程：从冲击到响应需要多长时间？工资对政策变化的反应是即刻的还是渐进的？
• 区分年龄效应、世代效应和时期效应——这在纯横截面或纯时间序列中几乎无法做到。

混合截面数据介于横截面和面板之间。 它比纯横截面多了一个"时间维度"，允许你比较不同时期的总体特征（如"2010年和2020年居民收入分布的对比"）；但它做不到面板数据的"个体内追踪"——因为你每次抽的是不同的人。不过，混合截面也有它的独特优势：你可以加入时间虚拟变量来控制宏观趋势，或者在政策评估中利用"不同时点的不同个体"来构建对照组。

3.4 容易忽略的要点

（1）横截面中的"微观时间差异"问题。

如前所述，横截面数据的"同一时点"通常是近似出来的。在数据描述中你应该注明调查的具体时间跨度，并在稳健性检验中考虑：如果我只用前三个月的数据，结果还成立吗？

（2）面板数据的" attrition（样本流失）"问题。

面板数据追踪同一批人，但人会搬家、会拒访、会死亡。如果你发现"流失的人"和"留下的人"在关键特征上系统性地不同（比如低收入者更容易流失），那么你的估计就可能出现选择性偏误。

（3）混合截面不能替代面板。

初学者常犯的错误是：拿CGSS 2015和CGSS 2020的数据，当面板数据跑固定效应模型。但CGSS每次抽的是不同的人——你没有追踪到个体的变化，固定效应模型根本无从谈起。混合截面只能当"带时间维度的横截面"来用，不能当面板来用。

（4）时间序列的"非平稳性"问题。

如果两个变量都随时间向上走（比如GDP和电话保有量都在增长），它们的回归可能看起来非常显著——但这只是时间趋势的虚假相关，不是真实的因果关系。时间序列分析中必须首先做平稳性检验，这在横截面分析中是完全不需要的。

---

四、第三条分类线索：按数据的生成过程——实验数据与观测数据

这条分类线索直接决定了你能不能、好不好做因果推断。

4.1 两者的定义与区别

实验数据（Experimental Data）：研究者主动操纵某个处理（treatment），然后随机分配被试到处理组和控制组，在控制条件下记录结果。

• 核心要素：操纵 + 随机化 + 控制
• 典型来源：医学RCT、心理学实验室实验、发展经济学中的田野实验（field experiment）、A/B测试

观测数据（Observational Data）：研究者不干预数据的生成过程，只是收集和记录已经发生或自然发生的事实。

• 核心特征：你在事情发生之后才去观测它
• 典型来源：调查数据、行政记录、上市公司年报、卫星遥感数据、社交媒体数据

4.2 为什么这个区分至关重要？

用一个例子来感受：

你想研究"上大学是否提高收入"。

• 如果有实验数据：你随机抽一群人，随机分配一半去上大学、一半不上，等他们毕业了比较工资。因为随机化，两组人在能力、家庭背景、动机上都是可比的——工资差异只有一种解释：上没上大学。
• 如果你只有观测数据：你拿到的是一群已经上完大学和工作的人的数据。上大学的人在能力、家庭背景、学习动机上和没上大学的人系统性地不同——他们本来就更可能拿高工资，不管上不上大学。你观测到的工资差异，不全是教育的因果效应。

这个逻辑区分就是整个因果推断领域的起点。

4.3 观测数据的核心问题清单

核心问题一：选择偏误（Selection Bias）——"人们不是随机出现在他们所在的位置上的。"

高收入地区的人更健康——是因为高收入改善了健康，还是因为健康的人更容易获得高收入？ 上培训班的人工资更高——是因为培训有效，还是因为上进的人既会报培训班、又本来就会拿高工资？

在观测数据中，你永远需要问自己：这些个体为什么会处于他们现在所处的状态？这个"为什么"里是否包含了会影响结果的系统性因素？

核心问题二：反向因果（Reverse Causality）——"你看到的相关，方向可能与你假设的相反。"

你发现"警察越多的地方犯罪率越高"——是警察导致了犯罪，还是犯罪高的地方派驻了更多警察？ 你发现"使用社交媒体的时长和抑郁程度正相关"——是社交媒体导致抑郁，还是抑郁的人更倾向于长时间刷手机？

在横截面观测数据中，反向因果和正向因果看起来一模一样——你拿同一个相关系数，两个故事都讲得通。

核心问题三：遗漏变量（Omitted Variable Bias）——"你没有测到的因素可能在驱动一切。"

冰淇淋销量和溺水死亡人数高度正相关——这是因为吃冰淇淋会导致溺水吗？不，是因为天气热——天热→吃冰淇淋，天热→游泳→溺水。如果你没有测"气温"，你就会把冰淇淋和溺水之间的相关错误地解读为因果。

核心问题四：测量误差（Measurement Error）——"你测到的不等于你想要的。"

用"自报身高"代替"实际身高"——大家倾向于往高报一点。 用"企业报告的利润"代替"真实利润"——有避税动机的企业会低报。

当关键自变量存在测量误差时，经典的结果是：OLS估计会向零衰减（attenuation bias）——你低估了真实的效应。这件事最可怕的地方在于：许多实证研究因为数据的局限必然存在测量误差，但研究者可能并没有意识到它如何影响了自己的结论。

4.4 实验数据就一定完美吗？

不是。实验数据也有自己的问题：

• 外部效度：实验室里的发现能推广到真实世界吗？
• 霍桑效应：被试知道自己在被观察，行为会改变。
• 遵从问题：随机分配了，但有人不按分配来（不遵从）——这时需要工具变量来估计"依从者平均处理效应（LATE）"。
• 伦理限制：不是所有问题都能用实验来回答。你不能随机让一组人吸烟、一组人不吸烟，等20年看谁得肺癌。

实验数据的核心优势在于内部效度（你可以确信X导致了Y），但外部效度（结论能推广多远）需要额外的论证。观测数据的核心弱点在于内部效度（你难以干净地识别因果关系），但优势在于外部效度——你研究的就是真实世界中正在发生的事情。

---

五、额外的重要分类——四组不能漏掉的概念

除了上面三条主线，还有几组数据分类概念在实际研究中反复出现，值得单列一节。

5.1 按分析层级：微观数据 vs 宏观数据

微观数据（Micro Data）：观测单位是个体——个人、家庭、企业、学校。每条记录代表一个具体的微观决策单位。

宏观数据（Macro Data）：观测单位是加总后的经济体或区域——国家、省份、行业。每条记录代表一个加总水平上的统计量。

为什么重要？

这两个层级的数据之间有一个著名的陷阱：生态学谬误（Ecological Fallacy）——用宏观层面的相关关系来推论微观层面的个体行为。

经典案例：在省级层面，你发现"外来人口比例越高的省份，本地居民的工资越高"。但这不代表"一个本地居民如果接触到更多外来人口，他自己的工资就会涨"——省级相关关系反映的可能是"外来人口倾向于迁入经济更好、工资更高的省份"，而不是个体层面的因果关系。

反过来也有陷阱：原子谬误（Atomistic Fallacy）——用微观个体的行为直接推论宏观现象。个人的节俭在个体的层面是美德，在宏观层面可能导致"节俭悖论"——所有人都节俭，总需求崩塌。

5.2 按面板完整性：平衡面板 vs 非平衡面板

平衡面板（Balanced Panel）：每个个体在每个时期都有观测值。像一个完整的矩形——N个个体 × T个时期，一个空都没有。

非平衡面板（Unbalanced Panel）：有些个体在某些时期缺失。企业成立之前没数据，企业破产之后也没数据，受访者某一年拒访了——这都是非平衡。

为什么重要？

• 非平衡面板更普遍——现实世界的数据几乎都是非平衡的。
• 但非平衡可能引入选择性偏误：如果"消失的观测"不是随机的——比如坏企业在面板中提前消失（破产），你只对幸存企业做分析，会高估平均表现（幸存者偏差）。
• 大多数面板数据模型的软件实现（如Stata的xtreg）自动处理非平衡面板，但不会自动处理导致非平衡的选择性问题——这个需要你自己判断和论证。

5.3 按数据来源：一手数据 vs 二手数据

一手数据（Primary Data）：研究者自己设计工具、自己收集的数据。你设计问卷、你招募被试、你做实验——数据是"你的"。

二手数据（Secondary Data）：别人收集的、你拿来用的数据。你用CFPS、用CGSS、用上市公司年报、用卫星数据——数据是"借来的"。

为什么重要？

• 一手数据：你可以精确地测量你想要的变量。缺点是成本极高，样本量通常有限，外部效度需要额外论证。
• 二手数据：样本量大、覆盖范围广、成本低，很多还是公开的。但变量定义不是你定的——你想研究"社会资本"，数据库里没有直接叫"社会资本"的变量，你只能用"是否参加社区活动""邻里信任程度"等代理变量来凑。这种"用可用的变量去逼近你想要的概念"的操作，几乎贯穿了所有使用二手数据的实证研究。
• 判断标准：阅读一篇使用二手数据的实证论文时，你应该特别注意作者如何论证"这个代理变量真的代表了我说的那个概念"。这不是啰嗦——这是二手数据研究的核心说服力所在。

5.4 按数据结构：长格式 vs 宽格式

这是数据处理层面的分类，但每个做实证的人都绕不开。

宽格式（Wide Format）：每个个体一行，不同时期的变量横向展开。

ID   income_2018   income_2019   income_2020
1    50000         52000         55000
2    38000         40000         .

长格式（Long Format）：每个个体—时期组合一行。

ID   year   income
1    2018   50000
1    2019   52000
1    2020   55000
2    2018   38000
2    2019   40000

为什么重要？

• 大多数计量软件（Stata, R, Python的statsmodels）的回归命令默认要求长格式（面板格式）。
• 从宽格式转换为长格式（reshape long / pivot_longer）是数据清洗中最高频的操作之一。
• 人类阅读习惯偏好宽格式，统计软件偏好长格式——你得在这两者之间熟练转换。虽然不是理论问题，但搞不清宽转长的时间可能比理解模型的本质还要多——这是实证研究的日常。

---

六、总结：分类地图 + 实战心法

拿到一份新数据时，该问自己的四个问题：

问题1：每个变量属于哪种测量尺度？（定量/定性/定序）
      → 决定我能用什么模型、怎么解释系数

问题2：数据在时空上是什么结构？（横截面/时间序列/面板/混合截面）
      → 决定我能回答什么类型的问题、能否控制不可观测因素

问题3：数据是怎么生成的？（实验/观测）
      → 决定我离因果推断有多远、需要花多大力气排除替代性解释

问题4：数据有什么隐含的局限？（层级、缺失模式、来源、格式）
      → 决定我需要对哪些潜在的偏误保持警觉

三条信息

这些分类不需要背，但需要"认得"。

下次你打开一篇论文的数据描述部分，看到"we use a balanced panel of 2,345 firms from 2010 to 2020"，你马上就应该意识到：平衡面板 → 可能存在幸存者偏差，企业数据 → 观测数据 → 因果识别需要说服力，面板结构 → 可以用固定效应控制不随时间变化的遗漏变量。

分类的价值不在分类本身，而在于它告诉你能做什么、不能做什么。

当你知道了自己的数据是"观测性横截面定性因变量数据"的那一刻，你已经排除了80%的不适用方法，知道自己必须面对选择偏误的挑战，也知道自己需要用Logit而非OLS——这就是分类的意义。它不是给数据贴标签，而是帮你在进入操作之前先看清地形。

学数据分类的终极回报，不是你记住了多少个分类名词——而是以后你看到一个"R² = 0.98"的研究结论时，能下意识地问一句：

"这个数据是什么类型的？这个模型和方法匹配吗？那个高R²，是因为模型真的好，还是因为时间序列的两个变量恰好在同一条趋势线上？"

这种本能，就是数据分类知识融进血液之后的样子。

---

七、B站/公众号呈现建议

• B站视频：四条分类线索（测量尺度、时空结构、数据生成过程、其他补充）建议用"四条路进同一座城"的动画比喻，每条线索展开时配具体的案例画面（如"定量vs定性"用秤和标签本做视觉联想）。
• 公众号：表格较多（共4张对照表），建议做成统一配色的信息图系列；代码块（宽格式→长格式转换）建议用手写体风格呈现，降低"代码恐惧感"。
• 推荐标题：
  • 主标题：《数据分类那么多，我们都要学吗？》
  • 备选标题：《拿到数据第一件事不是跑回归——而是搞清楚它是什么数据》
• 金句提炼（适合封面卡/结尾定格）：

  "数据的类型，决定了你能用什么模型、能回答什么问题、能得出什么结论。选错模型，不是精度问题——是整个分析框架都不成立。"