知道了研究数据与数据的区别 知道了数据的各种形态，那么数据从哪里来呢？实证研究要用数据
都需要自己去采集吗？ 为了理解数据的来源，我需要再次强调没有数据就没有研究。
不过这并不意味着，研究需要的数据都需要研究者自己去采集
即使需要搜集数据，也不一定需要研究者到现场去采集。
认为实证研究的数据都是研究者自己采集的 那是一个很大的误区，尽管只要有实证研究，就一定要有数据。
正因为如此，实证研究其实已经积累了 很多的数据。经常有同学跟我说：“老师，我要做一个研究”
我可能反馈他的第一句话就是：“你的数据从哪里来?” 而不会问他怎么调查数据。
数据从哪里来和怎么调查数据是两回事，希望大家能够明白。
那么，用于研究的数据到底从哪里来呢？还记得北京大学本科生
入学机会的地区不平等的例子？其中涉及地区划分的数据从哪里来？
从政府部分来，对不？Morphy等人的研究数据从哪里来？
从新西兰和英国的调查数据中来，也不是他们自己搜集的。
这就是研究数据的第一类来源：已经存在的数据。
研究数据的第二类来源，是将要产生的数据。
不管采用什么方式产生，调查也好，自动 积累也好，现在没有，但是不久的将来会有的数据。
先来看看已有的数据，注意，已有并不意味着
所有已经存在的数据都可以拿来做研究，理论上是可以，但实践中
还有诸多的影响因素。已有的数据，指的是已经公开的，且可以直接使用的数据。
一般来讲，凡是公开的数据正是出版的数据、发布的数据，都是可以 直接使用的数据，譬如
政府的各类统计数据，包括经济、就业、人口、健康、教育、产业
等等的统计数据，不仅仅中国政府，任何一个运作正常的政府 都有这样的数据；再比如，上市公司的公开数据
根据上市相关的法律，公司的财务数据、生产数据 应该都是公开的；还有呢，研究机构或者研究者个人公开的数据
这一类数据有很多都可以直接拿来用；在所有这些已经存在的数据中
有相当的部分是无需授权就可以使用的数据，比如，正式出版物提供的数据
只需要在使用说明中正式说明出处，就不需要授权。
除了无须授权的公开数据，也有一部分数据是需要授权的。
其中既包括了公开的数据，也包括未公开的数据。
有些已经公开的数据，尤其是学术性的调查数据
按照学术规范呢，虽然已经公开了，不过，如果你要使用，还是需要申请并且被授权。
大多数的学术研究数据，无论是机构性的还是个人性的数据 都采用了这样的规则。
一些没有公开的数据呢，通过授权形式，也是可以使用的，比如说，行为痕迹管理机构的数据- ，包括政府数据
赢利和非赢利服务机构的数据；什么叫政府数据？ 大家每年的收入，政府是了解的。
按照世界上主要国家的法律，公民是有义务向国家申报每年收入状况的
国际要根据这些数据来收取个人所得税；在中国
几乎任何一笔收入，只要不是灰色收入，都是经过机构的，都有管理
只要有管理的，都有痕迹数据；再比如说，银行数据，每个人
都有银行账号，各位都有，每年的收入支出，只要是经过银行卡的，都有数据。
这些都叫行为管理机构的数据。还有电性数据，包括电脑呀、电话呀
只要是通过网络通信的数据，都有人帮你记着。
有的同学可能会担心了：“老师，他们保存多长呀？”，很难说啊。
北京大学的李晓宁教授，专门搜集网页数据 中国自互联网诞生以来所有中文网页的数据，他都收着。
说到网上行为，建议大家看一本书，讲的就是行为痕迹数据，叫《删除》，Schonber- ger写的。
这一类的数据，对于社会科学研究而言
是一座金矿，老一代的学者已经没有技术能力来运用这些数据了 但是对青年学者，对你们，是一座金矿。
除此以外呢，一些主要的数据管理机构做了一些数据集成的工作。
对学术研究而言，比如说，ICPSR，是大家不应该忽视的
一个数据源，目前看来，似乎是世界上最大的学术数据源。
在中国国内也有，比如北京大学呀，中国人民大学、清华大学、中国疾病控制中心 都有类似的数据。接下来我要给大家介绍几个主要的数据来源
ICPSR，美国大学联盟的数据集成中心，机构呢是在密歇根。
ISSS，北京大学中国社会科学调查中心，我创办的
主要的数据源为CLPS；“中国家庭跟踪调查”也是北京大学委托我创立的
NSRC，中国人民大学中国调查与数据中心，主要的数据源是CGSS，中国综合社会调查
CDC，中国疾病控制中心，主要的数据源包括了慢病、流行病、艾滋病等多种 涉及健康与疾病的调查。
每一个机构的网页，大家通过搜索引擎就可以找到，这里呢，我就不花时间了。
如果大家有需要，请在讨论版上提出来，我们可以专门录一段视频 供大家参考。如果依据数据使用的时序
对大多数研究者来说，已有的数据就是二手数据。
二手数据指什么？指已经被使用过的，我们拿来再做分析
同样的数据集，使用不同的方法，甚至不同的研究主题和研究目的。
当然对于二手数据的再分析，可以使用不同的数据集，也可以采用相同的方法，相同的主题
或者不同的主题。前者呢，是为了检验或者商榷；后者，则可以用于不同的研究目的。还有
也可以用不同的数据集，不同的方法以达成特定的研究目的。
问题是二手数据从哪里来呢？可以从研究主持者那里来
也有研究主持者，在自己的研究完成之后，就把数据交给了数据管理机构
数据管理机构呢，是最大的二手数据来源，我提醒一下，按照学术规范
研究者发表研究成果需要说明数据来源，千万别忘记了。
要使用二手数据，就免不了产生技术性的问题 比如数据格式的转换呀，从编码呀，数据的加工呀等等
技术性的问题，可以参考哈佛大学和MIT联合建立的IQSS
他们一直在探讨非常前沿的数据加工方法。
基本的技术，我们在数据整理的部分再详细讲。
除了已经存在的数据，第二大类来源就是将要产生的数据。
没有人会无缘无故地搜集数据，只要是搜集数据，总是有目的的。
那么，将要产生的第一类数据，就是系统采集的数据，比如说
政府统计数据呀，公司统计数据呀，各类来源的大数据呀 再比如学术机构，作为基础设施建设的系统调查数据
这里，像美国的GSS，由芝加哥大学调查的数据 PSID，密歇根大学调查的数据；HRS，密歇根大学调查的
数据；Understanding Society，艾塞克斯大学调查的数据等等。
几乎主要的国家都有大型的以学术研究为目的的综合性数据。
中国也有，大家已经知道一些了
比如，CFPS，CGSS，GSS(c)，CHIPS，CHNS，CHFS等等
这一些数据，大家运用搜索引擎一搜，就能搜到，因为它们太有名了。
除了综合性的数据，还有专题性的数据，比如，北京大学曾毅 教授主持的中国老人健康长寿影响因素研究
清华大学李强教授主持的中国城镇化与劳动移民 类似的数据非常地多，大家可以根据自己的兴趣
用相关的数据来试一试。
对初学者而言呢，大家在试的时候，千万要注意数据的优势与不足
任何一个数据集，只要不是专门为某个研究目的设计的，都会希望
尽量照顾到更多的需求。这就构成了一个难题 到底是用综合数据，还是用专题数据？
如果着眼于综合数据，就不一定能够满足专业兴趣的要求和需求。
还是我们的例子：入学机会不平等研究， 做这项研究需要用到地区性的当年高中毕业生人数
地区性的当年的经济收入数据、地区性的当年城乡户籍人口数据。
如果用综合数据，这些专题数据显然就找不着。
在政府数据中，倒是可以找到一些，但是，你需要根据专题去清理、去加工。
除此以外，考入北京大学的学生人数和iii 北京大学的招办就有，其实这种困难是比较好克服的，怕就怕
你非常有兴趣地研究问题，去哪儿却也找不到数据。
如果没有办法从既有的综合性数据中获取必须的数据
那就得自己加工数据了，我举一个例子：“个性化”研究的数据。
阎云翔教授使用了人类学的数据 我自己呢，则从CFPS和CJSS两个数据集中
加工了一些数据，尽管如此，还是不能完全满足我的研究要求 这个时候就得自己开始采集数据了。
将要采集的数据包括你自己采集的数据，其中的一类
就是社会调查数据；注意，社会调查数据在这里是一个比较狭窄的说辞
社会调查数据，理论上，我们找到的数据都是调查数据，虽然调查方式不一样，那也是调- 查数据呀
比如说，你请计算机系的同学帮你使用网络爬虫爬下来的数据，那也是调查数据 但是在这里，特指专题性的
通过自己设计、调查执行获得的研究数据
包括刚才讲的大数据。所以需要特别提醒大家的是：自己调查数据是一个
不得已的选择，对任何研究者而言，都应该是第二选择
而不是第一选择，如果你的研究能够使用已经存在的数据，尤其是很多人用过的数据
最好用这样的数据；为什么呢？第一，数据的可靠性已经被检验过了；第二呢，研究的成果具- 有可比性
有同样的数据做不同的研究，具有很好的可比性。
如果依据研究设计
需要通过调查来获取数据，这需要一项专门的能力，包括组织能力 也是这我们这门课希望培养的能力，它包括了，比如说
获取数据的能力呀、评估数据质量的能力呀、有效运用 数据的能力呀，更重要的是，如果需要通过调查获取数据
还一定要有资源；如果说没有数据，就无法做实证研究，那么没有资源就无法通过调查获- 取数据。
无论是运用已经存在的数据，还是自己通过调查采集的数据
为了有效地运用数据，我们还需要知道数据的时间维度特征。
从数据之间在时间维度上的关联性来看，我们可以把数据分为 截面数据和跟踪数据。截面数据，cross
section data 就是一个始点上的数据；我们知道事物的发展总是在时间维度上展开的。
大多数的专题研究 只要没有声明跟踪研究，那都是截面数据。在综合性的调查中，比如说：GSS,
CGSS 都是截面数据。如果每一个始点的调查 调查内容具有可比性，例如，用于计算CPA的调查
在这类调查中获得的数据就是缺失数据，最典型的缺失数据还有人口普查数据。
跟踪数据，经济学中又叫“面板数据”，是pannel data的直译
非常糟糕的翻译，让人无法理解 我们还是叫跟踪数据比较好。这是一类锁定调查对象以后，不更换调查对象
在时间维度上不断进行调查的数据，经过多长时间调查一次，需要根据变量属性的特征来确定。
在学术界，最悠久的一个数据集就是PSID
从1968年到现在，还在跟踪调查；我创立的CFPS也是这一类
两种数据各有优缺点，运用方法呢，也有不同的要求。
这些已经属于研究生课程的内容，在这里就不讲了 知道有这些不同的数据就好。下边对这一节的内容做一个小结。
十年前在中国做研究也许找不到数据 十年以后的今天，情况就不一样了，数据不那么短缺了。
研究数据有多种、多重的来源 好好运用既有的数据是研究者的第一选择；第二
获取已经存在的数据有很多个方法，也有多种途径 第三，万一没有办法获取需要的研究数据，那就只好自己动手。
有同学说：“既然有这么多的数据，这门课是不是可以不学了？” 我的回答是：“这门课你不仅要学，而且要认认真真地学”
因为，如果你不了解数据是怎么获得的，你就没有能力甄别 已有的数据到底可不可靠、可不可用，你甚至都不知道上哪儿去找数据。
无论是运用已有的数据，还是自己调查数据，都需要知道 截面数据、跟踪数据的特征、优势、劣势。
这一部分的内容就到这里。这一周的内容跨度比较大
从研究问题到研究数据，内容也比较多，从知识到技能。
这里呢，做一个简要的归纳。
在实证研究中，研究问题是社会情境下 事物之间关系模式的概念化或者变量化表述。
这一些问题主要来自于理论与现实之间的张力，既可以从理论演绎中来 也可以从生活实践的归纳中来。
对研究者而言呢，选择研究问题，需要满足可行、妥当、重要三原则。
可行，自己要有能力做，才是最重要的。
研究问题的操作化，就是把研究问题转化为具体的研究题目。
研究题目，表述的是两个概念或者变量之间的关联。
研究数据，指的是结构化的、反应事物属性的、满足研究目的的数据集。
在不同的情境下，数据具有不同的形态 原始数据一般不能直接用于研究。
研究数据有多种多样的形态，对研究而言，重要的是 结构化的、有变量、数值、变量、属性标签的数据。
研究数据的来源多样，自己调查数据是研究者不得已的选择。
即使如此，掌握数据采集的知识与能力，是用好数据的基础。
这一周的内容就到这里，谢谢大家。
邱泽奇 （Qiu Zeqi）教授 (Professor)
