二手数据的来源。①政府统计数据：国家统计局、教育部、卫健委等发布的公开数据。适合宏观研究。②国际数据库：World Bank Open Data、OECD Data、WHO Global Health Observatory、IMF Data。适合跨国比较研究。③学术数据集：ICPSR（政治与社会研究校际consortium）、UK Data Archive、GESIS（德国社会科学数据）。④专项调查数据：CGSS（中国综合社会调查）、CFPS（中国家庭追踪调查）、CHARLS（中国健康与养老追踪调查）。⑤企业/平台数据：部分平台开放API（如Twitter API、GitHub API），部分企业发布研究报告。⑥文献中的数据：从已发表论文的表格/图表中提取数据（用于元分析或再分析）。

数据获取的途径与流程。①公开数据：直接下载（通常免费）。注意查看使用协议（License）——有些数据要求引用、有些限制商业使用。②受限数据：需要申请。例如CFPS需要注册账号、签署数据使用协议、说明研究目的。部分数据需要IRB审批。③合作获取：与企业或政府机构合作，签署保密协议后获取数据。④数据请求：给原始数据作者发邮件请求共享（很多期刊要求作者公开数据，所以成功率不低）。

二手数据分析的核心挑战：数据-问题匹配。数据不是为你的问题设计的，所以你需要回答：①这些变量能回答我的研究问题吗？如果不能，即使数据再好也不能用。②测量方式适合吗？例如，你想研究"学习动机"，但数据集中只有"每周学习时长"——这是行为指标，不是动机本身。③时间范围够吗？你想研究长期趋势，但数据只覆盖了2年。④样本范围够吗？你想研究全国，但数据只来自一个省份。⑤变量定义一致吗？如果你合并多个数据集，同一个概念在不同数据集中的定义可能不同（如"收入"在A调查中含奖金，在B调查中不含）。

二手数据的清洗与准备。①变量重编码：原始数据的编码方式可能不符合你的分析需要。例如，把"年龄"从连续变量分组为"青年/中年/老年"。②缺失值处理：二手数据的缺失值往往比你自己收集的数据更多。处理方法：列表删除（Listwise Deletion）、均值替代（Mean Imputation）、多重插补（Multiple Imputation，推荐）。③异常值检测：用箱线图、Z-score等方法识别异常值，决定保留、删除或Winsorize。④数据合并（Merging）：如果你使用了多个数据集，需要按关键变量（如ID、地区代码）合并。注意一对一、一对多、多对多的匹配关系。⑤变量标准化：如果不同变量的量纲差异大（如"收入"以万元计，"年龄"以年计），需要标准化后再做某些分析。

二手数据分析的伦理规范。①遵守数据使用协议：每个数据集都有使用条款。仔细阅读，遵守署名要求、不重新分发要求、不用于特定用途的禁止条款。②保护隐私：即使数据是"匿名化"的，重新识别（Re-identification）的风险始终存在（特别是小样本+多个数据集交叉时）。不要在论文中披露可能导致个人被识别的信息。③引用数据来源：每个数据集都应该在参考文献中引用（包括数据集的作者/机构、年份、版本号、DOI/URL）。④透明报告：在论文的方法部分详细说明数据来源、获取方式、清洗过程、版本信息。⑤敏感数据的特殊要求：涉及健康、收入、犯罪记录等敏感数据，即使已匿名化，也可能需要额外的伦理审批。

二手数据分析的常见错误。①"数据决定问题"（因为手头有什么数据就研究什么，而不是从研究问题出发）；②忽略数据局限性（在讨论中不提数据的测量误差、缺失值问题）；③生态谬误（Ecological Fallacy）：用聚合数据（如省级平均）推断个体行为；④变量误用（把代理变量当作直接测量）；⑤数据版本混乱（用了不同版本的数据集，结果不可复现）；⑥引用不规范（使用了数据集但没有在参考文献中恰当引用）。

二手数据的来源。①政府统计数据：国家统计局、教育部、卫健委等发布的公开数据。适合宏观研究。②国际数据库：World Bank Open Data、OECD Data、WHO Global Health Observatory、IMF Data。适合跨国比较研究。③学术数据集：ICPSR（政治与社会研究校际consortium）、UK Data Archive、GESIS（德国社会科学数据）。④专项调查数据：CGSS（中国综合社会调查）、CFPS（中国家庭追踪调查）、CHARLS（中国健康与养老追踪调查）。⑤企业/平台数据：部分平台开放API（如Twitter API、GitHub API），部分企业发布研究报告。⑥文献中的数据：从已发表论文的表格/图表中提取数据（用于元分析或再分析）。

数据获取的途径与流程。①公开数据：直接下载（通常免费）。注意查看使用协议（License）——有些数据要求引用、有些限制商业使用。②受限数据：需要申请。例如CFPS需要注册账号、签署数据使用协议、说明研究目的。部分数据需要IRB审批。③合作获取：与企业或政府机构合作，签署保密协议后获取数据。④数据请求：给原始数据作者发邮件请求共享（很多期刊要求作者公开数据，所以成功率不低）。

二手数据分析的核心挑战：数据-问题匹配。数据不是为你的问题设计的，所以你需要回答：①这些变量能回答我的研究问题吗？如果不能，即使数据再好也不能用。②测量方式适合吗？例如，你想研究"学习动机"，但数据集中只有"每周学习时长"——这是行为指标，不是动机本身。③时间范围够吗？你想研究长期趋势，但数据只覆盖了2年。④样本范围够吗？你想研究全国，但数据只来自一个省份。⑤变量定义一致吗？如果你合并多个数据集，同一个概念在不同数据集中的定义可能不同（如"收入"在A调查中含奖金，在B调查中不含）。

二手数据的清洗与准备。①变量重编码：原始数据的编码方式可能不符合你的分析需要。例如，把"年龄"从连续变量分组为"青年/中年/老年"。②缺失值处理：二手数据的缺失值往往比你自己收集的数据更多。处理方法：列表删除（Listwise Deletion）、均值替代（Mean Imputation）、多重插补（Multiple Imputation，推荐）。③异常值检测：用箱线图、Z-score等方法识别异常值，决定保留、删除或Winsorize。④数据合并（Merging）：如果你使用了多个数据集，需要按关键变量（如ID、地区代码）合并。注意一对一、一对多、多对多的匹配关系。⑤变量标准化：如果不同变量的量纲差异大（如"收入"以万元计，"年龄"以年计），需要标准化后再做某些分析。

二手数据分析的伦理规范。①遵守数据使用协议：每个数据集都有使用条款。仔细阅读，遵守署名要求、不重新分发要求、不用于特定用途的禁止条款。②保护隐私：即使数据是"匿名化"的，重新识别（Re-identification）的风险始终存在（特别是小样本+多个数据集交叉时）。不要在论文中披露可能导致个人被识别的信息。③引用数据来源：每个数据集都应该在参考文献中引用（包括数据集的作者/机构、年份、版本号、DOI/URL）。④透明报告：在论文的方法部分详细说明数据来源、获取方式、清洗过程、版本信息。⑤敏感数据的特殊要求：涉及健康、收入、犯罪记录等敏感数据，即使已匿名化，也可能需要额外的伦理审批。

二手数据分析的常见错误。①"数据决定问题"（因为手头有什么数据就研究什么，而不是从研究问题出发）；②忽略数据局限性（在讨论中不提数据的测量误差、缺失值问题）；③生态谬误（Ecological Fallacy）：用聚合数据（如省级平均）推断个体行为；④变量误用（把代理变量当作直接测量）；⑤数据版本混乱（用了不同版本的数据集，结果不可复现）；⑥引用不规范（使用了数据集但没有在参考文献中恰当引用）。