Secondary Analysis Expert

基本信息

名称: secondary-analysis-expert (二手数据分析专家) 版本: 2.0.0 理论基础: Kiecolt & Nathan (1985) · Stewart & Kamins (1993) · Riley (2018) · Smith (2008) 许可证: MIT

🖥️ Python 工具

工具链

使用示例

# 1. 数据质量评估
python tools/data_quality_assessor.py \
  --data-info data/quality_info.json \
  --output results/quality.json

# 2. 趋势分析
python tools/trend_analyzer.py \
  --input data/time_series.json \
  --output results/trend.json

# 3. 变量重构
python tools/variable_reconstructor.py \
  --input data/original_vars.json \
  --output results/reconstructed.json

核心能力

1. 二手数据分析方法论

Kiecolt & Nathan (1985) 二手分析特点：

二手数据分析 = 使用他人收集的数据回答新研究问题

优势:
  ├── 经济性: 不需要自己收集数据
  ├── 大样本: 可利用大型调查
  ├── 历史数据: 可研究历史现象
  └── 比较可能: 跨数据集比较

挑战:
  ├── 概念不匹配: 原变量 ≠ 你的概念
  ├── 测量差异: 不同时期/研究测量不同
  └── 伦理复杂: 被研究者同意用于当前研究？

2. Stewart & Kamins (1993) 数据质量评估

DataQualityAssessor 工具使用：

# 定义数据信息
data_info = {
    "conceptual_validity": 0.8,         # 概念效度
    "sample_representativeness": 0.7,    # 样本代表性
    "data_completeness": 0.9,           # 数据完整性
    "measurement_reliability": 0.75,     # 测量可靠性
    "documentation_quality": 0.85        # 文档质量
}

assessor = DataQualityAssessor()
result = assessor.assess(data_info)

# 输出: overall_score / dimensions / suitability / limitations / recommendations
# 综合评分: 加权平均 (conceptual:25%, sample:25%, completeness:20%, reliability:15%, docs:15%)

质量评估五维度：

3. Riley (2018) 大型调查数据分析

大型调查数据使用注意事项：

复杂抽样设计:
  - 调查通常使用分层/整群/多阶段抽样
  - 需要加权才能获得总体估计
  - 标准误计算需考虑设计效应

权重使用原则:
  ├── 分析权重: 用于描述总体特征
  ├── 重新标准化权重: 用于子群分析
  └── 不使用权重: 当样本本身代表总体时

设计效应:
  - 复杂抽样的标准误 > 简单随机抽样
  - 需要使用特殊方法（Taylor展开/刀切法/自助法）

4. Smith (2008) 比较研究中的二手数据

跨数据集比较的挑战：

测量等价性（Measurement Equivalence）:
  - 同样的概念在不同时期/群体是否测量相同？
  - 例: "教育程度"在不同时期的分类标准可能不同

历史情境化:
  - 变量含义随时间变化
  - 例: 1960年代的"家庭收入" vs 2020年代的"家庭收入"
  - 需要历史知识来正确解释数据

数据集整合:
  - 变量命名不一致
  - 编码系统不同
  - 需要仔细的匹配和转换

⚠️ 六大绝对禁止原则

1. 禁止忽视原始研究设计

错误做法:

研究设计黑箱:
  - 把数据当作"自然产生"的
  - 不问原始研究的抽样设计
  - 不考虑原始研究的局限性

示例:
  "这个全国调查数据显示X"
  （未问：这个调查的抽样设计是什么？是否有覆盖率问题？）

正确做法:

研究设计追溯:
  Step 1: 找到原始研究设计文档
    - 抽样设计是什么？
    - 问卷是如何设计的？
    - 收集过程是怎样的？

  Step 2: 评估对当前分析的适用性
    - 原始设计是否满足当前研究需要？
    - 有哪些设计局限需要承认？

  工具辅助:
    python tools/data_quality_assessor.py --data-info data_info.json --output quality.json

2. 禁止忽视数据收集局限

错误做法:

数据客观幻觉:
  - 把数据当作"客观事实"
  - 不问数据是如何产生的
  - 忽略产生过程中的偏差

示例:
  "数据显示A导致了B"
  （未问：数据收集过程中是否有系统性偏差？）

正确做法:

数据产生批判:
  - 数据是如何收集的？（自填/访谈/观察）
  - 收集者是谁？（研究者/政府/商业机构）
  - 收集目的是什么？（与当前研究目的匹配吗？）
  - 有什么已知的收集局限？

3. 禁止过度解释数据

错误做法:

数据过度延伸:
  - "相关性证明了因果性"
  - 不考虑替代解释
  - 忽略统计不确定性

示例:
  "数据显示使用社交媒体与抑郁正相关，因此社交媒体导致抑郁"
  （未问：是否是反向因果？是否有混淆变量？相关性有多强？）

正确做法:

解释约束:
  - 明确区分相关与因果
  - 报告效应量和置信区间
  - 讨论替代解释
  - 承认统计不确定性

  因果推断需要:
    1. 时间顺序（因在果之前）
    2. 关联（因与果相关）
    3. 无替代解释（排除混淆）
    4. 机制（因果如何发生）

4. 禁止忽视测量等价性

错误做法:

测量等同假设:
  - 假设同样的变量在不同时期测量相同
  - 跨群体比较时不考虑测量差异
  - 用名义上有相同名称的变量直接比较

示例:
  直接比较1960年和2020年的"职业地位"
  （未问：职业分类标准是否改变？）

正确做法:

测量等价性检验:
  Step 1: 检查变量定义
    - 变量在不同时期/群体是否定义相同？
    - 编码系统是否一致？

  Step 2: 检验测量等价性
    - 如果有多个指标，是否在群体间测量相同？

  Step 3: 谨慎比较
    - 如果不等价，比较需加注
    - 考虑变量重构

  工具辅助:
    python tools/variable_reconstructor.py --input data.json --output reconstructed.json

5. 禁止忽视样本代表性

错误做法:

代表性问题:
  - 把样本发现推广到更大的总体
  - 不问样本如何选取
  - 不考虑无响应偏差

示例:
  "大学生样本显示X，因此年轻人普遍有X特征"
  （大学生能代表所有年轻人吗？）

正确做法:

代表性评估:
  Step 1: 评估样本与目标总体的差异
    - 抽样框架是什么？
    - 响应率是多少？
    - 无响应者与响应者有何差异？

  Step 2: 调整推断范围
    - 结论可以推广到哪个总体？
    - 在哪里需要加注？

  Step 3: 敏感性分析
    - 在不同假设下结论是否稳健？

6. 禁止忽视伦理问题

错误做法:

伦理豁免:
  - "数据是匿名的所以没问题"
  - 不考虑被研究者同意范围
  - 不报告二次使用的伦理审查

示例:
  "使用了政府发布的公开数据集进行研究"
  （未问：原始被研究者是否同意了这种二次使用？）

正确做法:

伦理审查:
  Step 1: 检查数据使用协议
    - 原始研究是否允许二次使用？
    - 是否需要额外同意？

  Step 2: 评估隐私风险
    - 即是匿名数据，是否可能间接识别？
    - "马赛克效应"：多处信息可识别身份

  Step 3: 报告伦理情况
    - 说明伦理审查情况
    - 讨论数据使用限制
    - 在发表时注明数据来源和使用合规性

适用场景

• ✅ 档案数据再分析（政府统计/历史调查）
• ✅ 大型调查数据利用（CGSS/CFPS/CSS等中国数据）
• ✅ 跨时间趋势分析（追踪社会变迁）
• ✅ 跨群体比较（年龄/地区/阶层）
• ✅ 元分析数据整合（多研究数据合并）
• ✅ 政策评估数据二次利用

实施流程

Phase 1: 数据源识别与获取

步骤:
  1. 识别潜在二手数据源
  2. 评估数据可获取性
  3. 获取数据使用许可
  4. 了解数据收集背景

Phase 2: 数据质量评估

使用 data_quality_assessor.py:
  python tools/data_quality_assessor.py \
    --data-info data/quality_info.json \
    --output results/quality.json

  输出: overall_score / dimensions / suitability / limitations / recommendations

Phase 3: 变量重构

使用 variable_reconstructor.py:
  python tools/variable_reconstructor.py \
    --input data/original_vars.json \
    --output results/reconstructed.json

  重构类型:
    - 分类变量合并
    - 连续变量离散化
    - 跨数据集变量对齐
    - 新指标构建

Phase 4: 趋势分析

使用 trend_analyzer.py:
  python tools/trend_analyzer.py \
    --input data/time_series.json \
    --output results/trend.json

  分析: 线性/非线性趋势 / 断点检测 / 周期性分析

Phase 5: 综合分析与报告

综合以上分析:
  1. 数据质量报告（明确标注局限性）
  2. 变量重构说明（定义变更/处理方法）
  3. 测量等价性评估（跨群体/跨时间）
  4. 结论的推断范围（代表性限制）
  5. 伦理情况说明（二次使用合规性）

质量标准

分析规范性：

• ✅ 有数据质量评估报告
• ✅ 有变量重构说明
• ✅ 有测量等价性讨论
• ✅ 有推断范围标注

方法论合规：

• ✅ 基于Kiecolt & Nathan (1985)二手分析框架
• ✅ 体现Stewart & Kamins (1993)数据质量评估
• ✅ 有Riley (2018)大型调查数据处理
• ✅ 有Smith (2008)比较研究视角

解释规范性：

• ✅ 不混淆相关与因果
• ✅ 报告效应量和不确定性
• ✅ 承认多重解释可能
• ✅ 明确标注数据局限性

Secondary Analysis Expert v2.0.0 — SocienceAI 理论基础: Kiecolt & Nathan 1985 · Stewart & Kamins 1993 · Riley 2018 · Smith 2008