CHNS数据库，即中国健康与营养调查数据库，是由美国北卡罗来纳大学教堂山分校与中国疾病预防控制中心营养与食品安全所合作开展的长期追踪调查项目数据，该数据库自1989年起开始收集数据，覆盖了中国不同地区、不同社会经济特征的家庭和个人信息，内容涵盖健康状况、膳食营养、社会经济状况等多个维度，是公共卫生、营养学、经济学、社会学等领域研究的重要数据资源，本文将从数据获取、数据结构、变量说明、分析方法及注意事项等方面,系统介绍CHNS数据库的使用方法。
数据获取与授权流程
使用CHNS数据库的第一步是完成数据申请与授权，用户需通过CHNS官方网站（http://www.cpc.unc.edu/china）提交申请，填写个人信息、研究目的及数据使用计划，申请材料通常包括：研究课题简介、数据使用承诺书（承诺仅用于学术研究，不向第三方泄露数据，不用于商业用途等），审核通过后，用户需签署数据使用协议，随后可下载对应年份和模块的数据文件，需要注意的是，CHNS数据库分为公开数据和 restricted 数据（包含更详细的地理标识、健康检查结果等敏感信息）,后者可能需要额外的研究证明或机构审核。
数据结构与文件组成
CHNS数据库的数据结构以调查年份为划分，每年数据包含多个独立文件，主要分为三类：
- 个体数据文件：包括成人问卷、儿童问卷、健康检查数据等，每个文件以个体ID为关键字段，记录受访者的人口学特征（年龄、性别、教育程度、职业等）、健康状况（慢性病患病史、体检指标如血压、血糖等）、生活方式（吸烟、饮酒、运动习惯等）。
- 家庭数据文件：记录家庭基本信息（家庭规模、住房类型、财产状况等）、家庭膳食支出、食物消费频率等数据，通过家庭ID与个体数据关联。
- 社区数据文件：包含社区层面的社会经济指标（人均GDP、医疗资源可及性、教育设施等）、环境特征（空气质量、饮用水源等），用于宏观层面的分析。
数据还提供配套的“代码本”（Codebook），详细说明每个变量的名称、含义、取值范围、缺失值处理方式及单位,是理解数据的关键工具。
数据清洗与预处理
原始数据往往存在缺失值、异常值和一致性问题，需通过预处理提升数据质量。
- 缺失值处理：首先检查缺失值的分布情况，若某变量缺失率较高（如超过20%），需考虑剔除该变量或通过多重插补法填补；若缺失率较低，可采用均值/中位数填充、或根据变量相关性进行预测填充（如用教育程度缺失者的年龄、职业信息推断其受教育水平）。
- 异常值识别：通过描述性统计（如最小值、最大值、箱线图）识别异常值，若某受访者的BMI值（体重指数）为80（正常范围18.5-24），需核实是否为录入错误，结合体检报告或逻辑判断决定修正或剔除。
- 数据转换：根据研究需求进行变量转换，如将分类变量（如“吸烟状况”：从不吸烟、偶尔吸烟、经常吸烟）转换为虚拟变量；将连续变量（如年龄）分组（如18-30岁、31-50岁、>50岁）；或对偏态分布数据（如收入）进行对数转换。
- 数据整合：通过个体ID、家庭ID、社区ID将个体、家庭、社区数据合并，形成多层数据结构,便于后续的回归分析或多层模型建模。
变量选择与研究设计
CHNS数据库的变量丰富，需结合研究目标合理选择，若研究“膳食结构对肥胖的影响”，需重点提取膳食数据（食物消费频率、能量及营养素摄入量）和健康指标（BMI、腰围）；若研究“教育程度对收入的影响”，则需关注教育变量、职业变量及个人收入数据。
在研究设计上，需注意：
- 横断面数据与追踪数据的区别：CHNS部分年份为追踪调查（如同一受访者多次被调查），可使用面板数据模型（如固定效应模型）控制个体异质性；若仅使用单年数据，则为横断面研究，需避免因果推断。
- 权重变量的使用：为样本数据具有全国代表性，CHNS提供了抽样权重、后分层权重等变量，分析时需在统计模型中加入权重（如Stata中使用
svy命令），否则可能导致估计偏差。
常用分析方法与工具
根据研究问题，可选择不同的统计方法：
- 描述性分析：使用均值、标准差、频率、百分比等概括样本特征，如不同地区居民的膳食结构差异、慢性病患病率分布，工具包括Excel、SPSS、R等。
- 关联性分析：通过卡方检验（分类变量）、t检验/方差分析（两组或多组连续变量）、相关分析（连续变量间相关性）初步探索变量关系。
- 回归分析：
- 线性回归：分析连续型结果变量（如收入）的影响因素；
- Logistic回归：分析二分类结果变量（如是否患高血压）的危险因素；
- 多层模型：当数据具有层次结构（如个体嵌套于社区）时，控制层次效应。
- 趋势分析：利用多轮追踪数据，通过时间序列分析或队列研究，观察健康指标或社会经济指标的变化趋势（如1989-2015年中国居民肥胖率的变化）。
常用统计软件包括Stata（推荐，因其内置复杂的抽样调查分析命令）、R、SPSS、SAS等，分析时需注意设置抽样设计参数（如分层变量、聚类变量）,确保标准误估计的准确性。
注意事项与伦理规范
- 数据保密：CHNS数据包含个人隐私信息，分析时需对数据进行匿名化处理（如删除姓名、身份证号等直接标识符），避免泄露受访者身份。
- 结果解释：横断面数据无法确定因果关系，需谨慎使用“导致”“影响”等因果表述；追踪数据虽能推断 temporal 顺序，但仍可能存在混杂偏倚，需通过控制混淆变量（如年龄、性别）或倾向值匹配等方法减少偏倚。
- 引用规范：使用CHNS数据发表论文时，需在方法部分明确说明数据来源，并引用官方指定的引用格式（如“China Health and Nutrition Survey, ICPSR, University of North Carolina at Chapel Hill”），同时在致谢中提及数据提供方。
相关问答FAQs
Q1：CHNS数据库是否免费获取？如何判断自己是否符合申请条件？
A1：CHNS数据库对学术研究免费开放，但需通过官网提交申请并签署数据使用协议，申请者需为高校、科研机构的研究人员或学生，提供真实的研究计划（如课题名称、研究目标、拟使用的数据模块），承诺仅将数据用于非商业学术研究，且不对外泄露敏感信息，非学术用途（如商业咨询、政策制定参考等）需额外联系数据管理方获取授权。
Q2：CHNS数据中的缺失值较多，有哪些推荐的填补方法？需要注意什么？
A2：针对缺失值，可根据缺失机制（完全随机缺失MAR、随机缺失MNAR、非随机缺失MNAR）选择方法：
- 少量缺失：若某变量缺失率<5%，可直接删除该样本（listwise deletion）或用均值/中位数填补；
- 中等缺失：可采用多重插补法（Multiple Imputation，如R包
mice、Stata命令mi impute），通过变量相关性模拟多个填补值并整合结果； - 时间序列数据：对于追踪调查的缺失值，可用前一期数据填补（如“末次观测值结转法，LOCF”）或构建线性混合效应模型进行预测。
需注意：删除样本可能引入选择偏倚，填补方法需基于变量间的合理相关性（如用年龄、性别填补教育程度缺失），且需在论文中报告缺失值处理过程及敏感性分析（如比较填补前后结果是否稳健）。