OpenSkillIndex← back to search
claude-code

LLMs-Universal-Life-Science-and-Clinical-Skills- charls-reproduce

install
source · Clone the upstream repo
git clone https://github.com/mdbabumiamssm/LLMs-Universal-Life-Science-and-Clinical-Skills-
Claude Code · Install into ~/.claude/skills/
T=$(mktemp -d) && git clone --depth=1 https://github.com/mdbabumiamssm/LLMs-Universal-Life-Science-and-Clinical-Skills- "$T" && mkdir -p ~/.claude/skills && cp -r "$T/Skills/Research_Tools/Data_Analysis/charls-reproduce" ~/.claude/skills/mdbabumiamssm-llms-universal-life-science-and-clinical-skills-charls-reproduce && rm -rf "$T"
manifest: Skills/Research_Tools/Data_Analysis/charls-reproduce/SKILL.md
source content

Repository note: Access this dataset-specific guide at 

repo/Skills/Research_Tools/Data_Analysis/charls-reproduce
. Companion scripts and reference tables live in the 
references/
subdirectory.

CHARLS Reproduce — CHARLS 数据库复现指南

CHARLS 概览

项目说明
全称China Health and Retirement Longitudinal Study (中国健康与养老追踪调查)
官网https://charls.pku.edu.cn/
覆盖全国 150 县级单位、450 社区，45 岁以上居民
波次wave1(2011), wave2(2013), wave3(2015), wave4(2018), wave5(2020)
格式Stata (.dta), 也有 harmonized 版本

Harmonized 数据集 vs 原始数据

大多数 CHARLS 论文使用原始问卷模块数据，变量名以 CHARLS 问卷编号命名（如 

dc009s1
）。但很多用户拿到的是 harmonized 数据集（合并所有波次，变量已清洗重命名）。

识别方法:

  • 如果有 
    wave
    列且包含 
    wave1
    -
    wave5
    → harmonized 数据
  • 如果有 
    dc009s1
    , 
    be001
    , 
    sc004_s1
    等原始变量名 → 原始数据
  • harmonized 数据通常 ~10 万行（所有波次堆叠），原始数据每波 ~2 万行

关键差异: 变量名完全不同，缺失模式不同，编码方式不同。

核心变量映射表

认知功能

论文常用名原始变量Harmonized 变量范围说明
即时回忆
dc009s1
–
dc009s10
imrc
0-1010 个词即时回忆正确数
延迟回忆
dc012s1
–
dc012s10
dlrc
0-10延迟回忆正确数
情景记忆 (EM)自行计算
recall
或 
(imrc+dlrc)/2
0-10注意: 
recall
= 
(imrc+dlrc)/2
Serial 7
dc024
(5 次减法)
ser7
0-5100 连续减 7，正确次数
日期定向
dc003
-
dc006
orient
0-4= dw + dy + mo + yr（4 个二分项之和）
画图
dc014
draw
0-1重画展示图形是否正确
心理状态 (MS)自行计算
ser7 + orient + draw
0-10重要: 见下方详解
总认知分自行计算
total_cognition
0-21但 ≠ imrc+dlrc+ser7+orient+draw

心理状态 (Mental Status) 构建详解

论文中 MS 通常定义为 TICS 题目总分 = Serial 7 + 日期定向 + 画图 = 0-10。

但注意：

  • orient
    = 
    dw + dy + mo + yr
    （4 项，0-4），不含 
    ds
    （day of season）
  • 验证方法: 
    orient == dw + dy + mo + yr
    应 100% 吻合
  • 如果论文 MS 均值 ~5-7: 使用 
    ser7 + orient + draw
    （0-10）
  • 如果论文 MS 均值 ~3-4: 可能只用了 
    orient + draw
    （0-5），不含 ser7
  • ser7
    缺失率高    （Wave1 约 19%），如果样本量偏差大，考虑排除 ser7

关键经验: 

ser7
是 MS 定义中缺失率最高的子项。 如果筛选后样本量比论文少很多，先检查是否因 
ser7
缺失。 尝试 
ms = orient + draw
看样本量是否更接近论文。

抑郁 (CESD-10)

论文常用名原始变量Harmonized 变量范围
CESD-10 总分
dc002
系列 (10 题)
cesd10
0-30
抑郁分级CESD ≥ 10
cesd10 >= 10
二分

CESD-10 的 10 个题目中第 5 题（充满希望）和第 8 题（感到快乐）为反向计分。 harmonized 数据的 

cesd10
已经处理好反向计分。

社会隔离

社会隔离指数通常由 4 个二分维度加总（0-4）：

维度原始变量Harmonized 变量得 1 分条件
婚姻
be001
marry
非"已婚"状态
子女联系
sc004_s1
等
kcntf
(面对面) + 
kcntpm
(电话邮件)		面对面和电话都无
居住地区
resid
/ 
rsuburb
hrural
或 
rural2
农村
社会活动
dc045_s1
等
socwk
或 
act_1
-
act_8
不参加

婚姻变量编码

marry
的可能值（harmonized 中文标签）:

已婚          → 0（有伴侣同居）
已婚但不住在一起 → 视论文定义（通常算 0 或 1）
丧偶          → 1
离异          → 1
分居          → 1
从未结婚       → 1
同居          → 0

关键: "已婚但不住在一起"的编码需要根据论文定义判断。 如果论文说"unmarried or not living with a partner"，则算 1。

子女联系频率

harmonized 数据中没有直接的联系频率变量，只有：

  • kcntf
    : 是否与子女面对面联系（是/否）
  • kcntpm
    : 是否与子女电话/邮件联系（是/否）
  • kcnt
    : 是否与子女有任何联系（是/否）
  • hchild
    : 子女数量

原始数据有具体频率（每周/每月/每年），harmonized 只保留了二分变量。

经验: 如果论文用"每周少于一次"作为阈值，用 harmonized 数据只能近似。 

kcntf != '是' and kcntpm != '是'
是合理的近似。

农村/城市

  • hrural
    : 户籍所在地（农村/城市），每个人在所有波次都一样
  • rural2
    : 实际居住地（农村/城市），可能与户籍不同

hrural
和 
rural2
有交叉不一致的情况。论文通常用 
hrural
。

人口学与健康变量

论文变量Harmonized 变量编码说明
年龄
age
连续；140 个缺失值（Wave1）
性别
ragender
中文标签"男性"/"女性"；2 个缺失
教育
raeducl
3 类: "低于初中学历"/"高中和职业培训"/"高等教育"
教育（细分）
raeduc_c
4 类: "未完成小学"/"小学"/"中学"/"高中及以上"
BMI
bmi
连续；有异常值（>100），需过滤 10-60 范围
高血压
hibpe
"是"/"否"；基于"医生曾告知"
糖尿病
diabe
"是"/"否"
心脏病
hearte
"是"/"否"；含冠心病、心肌梗死等
脑卒中
stroke
"是"/"否"
当前吸烟
smoken
"是"/"否"（当前是否吸烟）
曾经吸烟
smokev
"是"/"否"（是否曾经吸过烟）
过去一年饮酒
drinkl
"是"/"否"
曾经饮酒
drinkev
"是"/"否"

社会活动变量

Harmonized 变量含义频率变量
act_1
/ 
social1
与朋友互动
freq_act_1
: 1=几乎每天, 2=每周, 3=不经常, 4=从不
act_2
/ 
social2
打牌/麻将/下棋
freq_act_2
act_3
/ 
social3
参加社区组织
freq_act_3
act_4
/ 
social4
志愿/慈善活动
freq_act_4
act_5
/ 
social5
上课/教育培训
freq_act_5
act_6
/ 
social6
炒股
freq_act_6
act_7
/ 
social7
上网
freq_act_7
act_8
/ 
social8
其他
freq_act_8
socwk
是否参加任何社会活动（汇总）—

日期定向子变量

变量含义纳入 orient
dw
星期几 (day of week)✅
dy
日 (day)✅
mo
月 (month)✅
yr
年 (year)✅
ds
季节 (day of season)❌ 不在 orient 中

验证: 

orient == dw + dy + mo + yr
应 100% 吻合。

常见缺失率（Wave1 参考）

变量缺失数缺失率影响
age
1400.8%低
ragender
2<0.1%低
imrc
3,50519.8%高
dlrc
3,62620.5%高
ser7
3,42519.3%高 — 认知筛选的主要杀手
orient
2,57114.5%中
draw
1,88010.6%中
cesd10
1,6719.4%中
bmi
4,07723.0%高
socwk
1,4848.4%中

关键: 

imrc
、
dlrc
、
ser7
的缺失率都在 ~20%。 如果论文要求所有认知变量同时不缺失，实际排除量会远超直觉。 有些论文可能只用了 EM（不含 MS）或只用了部分 MS 子项来降低缺失。

样本筛选经验

标准流程

w1 = df[df['wave'] == 'wave1'].copy()

# Step 1: 年龄筛选
step1 = w1[w1['age'] >= 50]

# Step 2: 认知完整 — 分开检查，找出缺失的主要来源
for v in ['imrc', 'dlrc', 'ser7', 'orient', 'draw']:
    na_count = step1[v].isna().sum()
    print(f"  {v} 缺失: {na_count} ({na_count/len(step1)*100:.1f}%)")

# 先排核心因变量缺失（EM），再排 MS
step2a = step1.dropna(subset=['imrc', 'dlrc'])  # EM 核心
step2b = step2a.dropna(subset=['orient', 'draw'])  # MS 基础项
step2c = step2b.dropna(subset=['ser7'])  # 可选: 如果 MS 含 ser7

# Step 3-5: 后续筛选...

样本量调试策略

如果样本量与论文偏差 >10%:

  1. 检查各变量缺失贡献: 哪个变量排除了最多人？
  2. 尝试不同的 MS 定义: 
    • ms = ser7 + orient + draw
      （标准，但 ser7 缺失率高）
    • ms = orient + draw
      （不含 ser7，缺失率低）
    • 只要求 EM 不缺失，不要求 MS 不缺失
  3. 检查婚姻编码: "已婚但不住在一起"算已婚还是未婚？
  4. 检查 BMI 异常值: 原始 BMI 有 >100 的值，是否被论文保留？

Wave 间数据合并

# 提取 Wave1 基线
w1 = df[df['wave'] == 'wave1'].copy()

# 提取 Wave3 结局
w3 = df[df['wave'] == 'wave3'].copy()
w3_outcome = w3[['ID', 'target_var']].rename(columns={'target_var': 'target_var_w3'})

# 合并
merged = w1.merge(w3_outcome, on='ID', how='left')
# 随访缺失 = merge 后 target_var_w3 为 NaN

标准化 OLS 回归模板

import statsmodels.formula.api as smf
from sklearn.preprocessing import StandardScaler

# 标准化所有变量（因变量 + 自变量 → 得到标准化 beta）
all_vars = [dv] + ivs
df_std = df[all_vars].copy()
for col in df_std.columns:
    df_std[col] = (df_std[col] - df_std[col].mean()) / df_std[col].std()

# 交互项在标准化后构建
df_std['interaction'] = df_std['var1'] * df_std['var2']

# OLS + HC3
formula = f'{dv} ~ ' + ' + '.join(ivs)
model = smf.ols(formula, data=df_std).fit(cov_type='HC3')

环境注意事项

  • 数据文件可能在 Docker 容器内，注意路径映射
  • Stata .dta 读取: 
    pd.read_stata()
    ，category 变量会自动转为中文标签
  • 大文件（>50MB）读取较慢，首次加载后考虑缓存为 parquet