教育分层视角下 CHARLS 认知数据跨波次校准新策略

1. 为什么我们需要校准CHARLS的认知分数？

如果你用过CHARLS（中国健康与养老追踪调查）的数据，特别是研究认知功能变化，那你大概率踩过一个坑：不同波次（wave）的认知测试分数，好像不能直接拿来比。我刚开始用的时候也纳闷，明明是同一个人，怎么2011年测的和2015年测的分数，看起来像两套标准？这感觉就像你用一把刻度不准的尺子，今年量身高是175cm，明年用另一把尺子量，变成了178cm，你到底是长高了，还是尺子的问题？

问题的根源在于，CHARLS作为一个长期的追踪调查，为了适应研究需要和避免练习效应，在不同波次中调整了认知测试的题目、形式甚至计分方式。比如，有的波次用的是“即时回忆”和“延迟回忆”的词语列表，有的波次则加入了图形绘制等任务。这就导致原始分数（raw score）本身缺乏跨时间的可比性。直接使用这些原始分数进行纵向分析，比如研究认知衰退，结果很可能会被测量工具的差异所污染，导致我们误判了真实的认知变化轨迹。

之前，学界普遍采用一种叫做**加权等百分位等值法（Weighted Equipercentile Equating）**的方法来尝试解决这个问题。这个方法的核心思路很直观：它假设在不同波次中，如果两个人处于相同的能力百分位（比如都排在前10%），那么他们的“真实”认知水平应该是相当的。所以，它会找一个“基准波次”（比如Wave 3），然后建立其他波次分数与这个基准波次分数之间的转换关系。简单说，就是帮你把不同波次的分数，“翻译”到同一把尺子上。

这个方法由Wu等学者在2024年提出并应用，确实向前迈进了一大步，让跨波次比较成为可能。但是，它有一个很强的、甚至可能不太符合现实的前提假设：它默认不同波次的受访人群，在排除了测量工具差异后，其潜在的认知能力分布是相同的。换句话说，它假设2011年的60岁人群和2018年的60岁人群，如果教育水平等背景相似，他们的认知“底子”是一样的。这个假设忽略了老龄化过程中个体认知能力的自然衰退，也忽略了不同出生队列可能经历的不同历史环境对认知储备的影响。用个不太恰当的比喻，这就像假设2011年的智能手机和2023年的智能手机，只要价格档位相同，其核心性能就完全一样，而忽略了芯片技术的代际进步。

因此，当我们发现使用这种方法校准后，某些波次的认知分数均值反而比前一波次更高时，我们就需要警惕了：这到底是校准方法的问题，还是我们忽略了一些重要的分层因素？教育水平，就是其中一个被长期关注，但在跨波次等值中未被充分纳入考量的关键变量。

2. 教育分层：一个被忽视的校准关键

为什么教育水平如此重要？在认知老化研究中，这几乎是一个共识：更高的教育程度通常与更强的认知储备相关。这意味着，面对同样的认知老化速度，教育程度高的人可能表现出更平缓的下降曲线，或者在面对复杂认知任务时，有更强的“代偿”能力。

但在跨波次测试等值中，教育的影响是双重的：

1. 直接影响答题表现：教育程度高的人，可能更擅长应对记忆测试、更理解测试指令，从而在相同潜在能力下获得更高的原始分数。
2. 影响对测试形式变化的适应性：当测试题目或形式发生变化时（比如从简单的词语回忆变为更复杂的图形记忆），不同教育背景的人群受到的影响程度可能不同。高教育群体可能因为更强的学习能力和策略灵活性，更能适应新题型，从而在分数上表现出更小的波动。

传统的等百分位等值法，是将所有受访者“一视同仁”地进行分数转换。它隐含的假设是，测试形式变化对所有人的影响是均质的。但Chen & Donnell (2025) 的研究敏锐地指出，这个假设可能不成立。他们推测，高教育群体在面对更复杂的测试清单和更严格的测试条件时，可能具备更强的应对能力。因此，如果不区分教育水平，直接将所有人的分数放在一起进行等值，可能会系统性地高估低教育群体的认知水平，或低估高教育群体的认知衰退。

这就好比学校考试，一次用A卷，一次用B卷，B卷整体更难。如果不分学生水平，直接用总分排名去等值，那么那些擅长应对难题的尖子生（高教育）在B卷上的相对优势可能被低估，而基础薄弱的学生（低教育）在简单A卷上的相对劣势也可能被掩盖。Chen & Donnell (2025) 的新策略，核心就是要把“学生”按“基础水平”（教育程度）先分班，然后在不同的“班级”内部，分别进行试卷难度的等值调整。

3. 新策略详解：混合等值法如何运作？

Chen & Donnell (2025) 在《Social Science & Medicine》上提出的方法，我称之为 “分层的混合等值法” 。它不再是“一刀切”，而是“因材施教”，具体操作可以分为三步走：

3.1 第一步：按教育水平分层

首先，他们根据受访者自我报告的最高教育程度，将样本分为三个层次：

• 低教育组：文盲或未完成小学教育。
• 中教育组：完成小学但未完成高中教育。
• 高教育组：至少完成高中教育。

这个分层虽然简单，但抓住了影响认知测试表现的核心社会人口学变量。分层之后，所有的等值计算都将在各层内部独立进行。这意味着，一个低教育组里排名前10%的分数，只会与低教育组内部的基准进行比较和转换，而不会去和高教育组的前10%直接挂钩。

3.2 第二步：针对不同波次，选择不同的等值技术

这是该方法最精妙的地方，它没有固守一种等值方法，而是根据波次间测试形式的一致性程度，灵活选用两种主流技术：

1. 频率估计法（Frequency Estimation Equating）：适用于测试形式高度一致的波次。在CHARLS中，第1、2、3波以及第5波（针对即时回忆部分）的认知测试核心——词语列表回忆——保持了高度的一致性。对于这些波次，Chen & Donnell (2025) 采用了频率估计法。它的原理是利用一个“锚题”（anchor）或共同部分来估计两个测试总分的分布关系。在他们的处理中，他们实际上将整个测试视为一个整体，通过统计模型来估计不同波次间分数分布的对应关系，这种方法在连接形式相同的测试时更为稳健和精确。

2. 等百分位等值法（Equipercentile Equating）：适用于测试形式发生显著变化的波次。CHARLS的第4波次在认知测试上做了较大调整。对于这种“断裂式”的变化，频率估计法可能不再适用。此时，他们转而使用传统的等百分位等值法，直接在不同波次间寻找相同百分位排名所对应的分数。这种方法不依赖于测试内容的一致性，只依赖于分数分布的形态，更适合处理“突变”情况。

这种“混合”思路非常务实。它承认了数据收集现实：有些波次间可比性强，有些则弱。不强求用一种方法解决所有问题，而是根据数据特征选择最合适的工具。

3.3 第三步：分层混合等值的具体计算与实现

听起来可能有点抽象，我来举个具体的例子，并展示一下他们提供的部分Stata代码逻辑，让大家感受一下这个“分层校准”是怎么落地的。

假设我们要将低教育组的Wave 1的原始分数（r1tr20）校准到Wave 5的尺度上。

首先，判断Wave 1和Wave 5的测试形式是否一致？是的，它们的即时回忆测试核心是一致的。因此，对低教育组，我们使用频率估计法来建立Wave 1到Wave 5的转换关系。研究者通过模型估计出了一张转换表。例如，原始数据中，一个低教育受访者在Wave 1的即时回忆测试中得了0分（r1tr20==0），那么根据频率估计模型，他被校准后的分数是-0.5分（这可能是为了保留小数位和区分度，并映射到一个连续的尺度上）。

我们在Stata中看到的代码片段是这样的：

* Wave1 - 低教育组校准
gen r1tr20b = . // 新建一个变量存放校准后的分数
replace r1tr20b = -0.5 if r1tr20 == 0 & raeduc_c <= 3 & !mi(raeduc_c)
replace r1tr20b = 0.27 if r1tr20 == 1 & raeduc_c <= 3 & !mi(raeduc_c)
replace r1tr20b = 1.64 if r1tr20 == 2 & raeduc_c <= 3 & !mi(raeduc_c)
// ... 以此类推，为0-20分的每一个原始分数都赋予一个校准后的值

这里的 raeduc_c <= 3 就是筛选低教育组（根据他们的编码，1-3代表低教育）。r1tr20b 就是校准后的新分数。

而对于Wave 4，由于测试形式变化大，他们对所有教育组都采用了等百分位等值法。例如，对于低教育组，Wave 4原始分0分对应校准分0.62，原始分1分对应3.13，等等。代码结构类似，但背后的计算逻辑是基于分布形态的匹配。

* Wave4 - 低教育组校准
gen r4tr20b = .
replace r4tr20b = 0.62 if r4tr20 == 0 & raeduc_c <= 3 & !mi(raeduc_c)
replace r4tr20b = 3.13 if r4tr20 == 1 & raeduc_c <= 3 & !mi(raeduc_c)
// ... 后续分数对应关系

关键点在于：高教育组和中教育组有自己独立的一套转换表。同样是Wave 1原始分0分，在高教育组，校准后的分数可能就不是-0.5了。这就实现了“分层校准”。

4. 新旧方案对比：数据可视化的震撼效果

理论说再多，不如直接看图。Chen & Donnell (2025) 在论文中提供了非常直观的核密度估计图，对比了原始分数、Wu et al. (2024) 的全局等值法、以及他们提出的分层混合等值法在不同波次上的效果。

我们虽然没有原图，但可以描述一下那种震撼的差异：

• 原始分数：Wave 3和Wave 4的认知分数分布曲线（比如核密度估计的峰值和形状）存在明显偏移。Wave 4的分布整体可能更靠左（分数偏低）或形状不同，这直接反映了测试变化带来的“测量噪音”。
• Wu et al. (2024) 全局等值法：应用后，Wave 3和Wave 4的分布曲线被拉近了很多，大部分重叠。这说明等值法有效消除了主要的测量差异，使得跨波次比较成为可能。这是巨大的进步。
• Chen & Donnell (2025) 分层混合等值法：曲线重叠得更加完美。特别是分布的中部和高分尾部，两条曲线几乎严丝合缝。这意味着，在考虑了教育水平的调节作用后，校准的精度得到了进一步提升。更值得注意的是，在一些细节上，比如分布的偏度（skewness）或峰度（kurtosis），新方法校准后的波次间一致性也更好。

这种视觉上的改善，背后有着深刻的含义。它表明，单纯进行全局等值，可能只是“平均地”校正了误差，而分层等值则进一步消除了与教育水平相关的系统性偏差。对于研究认知衰退轨迹，尤其是关注不同社会经济地位群体差异的研究者来说，这种更精细的校准意味着更可靠的结论。你不再需要担心观察到的“低教育群体认知衰退更快”这一现象，有一部分其实是源于他们更不适应测试形式变化而导致的测量误差。

5. 新策略的优势与潜在局限

用了这个方法一段时间，并结合文献，我总结了它的几个核心优势：

1. 更符合认知老化的理论：明确承认并建模了教育作为认知储备关键因素的作用，使校准过程具有更强的理论依据。
2. 更高的校准精度：如上文可视化对比所示，它能更有效地消除波次间的测量非一致性，特别是减少了因忽略群体异质性而产生的偏差。
3. 提升纵向分析的有效性：对于研究认知轨迹、识别风险因素、评估干预效果等纵向研究，更干净的测量等于更强大的统计效力（statistical power）和更小的第一类错误（发现虚假关联）风险。
4. 方法上的灵活性：混合使用频率估计和等百分位等值，体现了对现实数据复杂性的尊重，为处理其他追踪调查中类似的“部分变化、部分稳定”的测量问题提供了思路。

当然，作者自己也坦诚了方法的局限性，我们在应用时也必须心里有数：

1. 对“锚”的依赖：频率估计法依赖于波次间存在稳定的、可比的测量部分。如果这个“锚”本身也不稳定，那么校准的根基就会动摇。
2. 教育分层的粗糙性：仅用最高教育程度分成三组，可能仍然过于粗糙。教育质量、专业背景、终身学习等维度未被纳入。未来可以考虑更精细的分层或使用连续变量建模。
3. 未控制其他混淆因素：该方法主要聚焦于教育，但年龄、性别、健康状态、调查环境等因素也可能影响测试表现及对测试变化的适应性。这些因素与教育可能存在交互作用。
4. 经典测量理论的框架：该方法仍基于经典测量理论（CTT）。CTT在分数接近量表上下限时（天花板/地板效应）可能存在局限。未来与项目反应理论（IRT）或Rasch模型等现代测量理论结合，可能会产生更稳健的校准分数，尤其是处理题目顺序效应、题目功能差异（DIF）等问题时。

6. 实操指南：如何在你的研究中使用这套新校准分数？

如果你已经心动，想在自己的CHARLS认知研究中应用这套目前看来更优的校准分数，可以按以下步骤操作：

1. 获取校准代码与转换表：关注Chen & Donnell (2025) 论文的补充材料或相关数据共享平台（如GitHub）。他们通常会提供完整的Stata或R代码，以及生成好的校准分数变量。上文给出的代码片段就是一个示例，但完整的版本包含所有波次、所有教育组的所有分数映射。
2. 数据准备：确保你的CHARLS数据中包含了必要的原始认知分数变量（如 r1tr20, r2tr20, ... r5tr20 代表各波次即时回忆总分）和教育程度变量（如 raeduc_c，需确认其分类与论文一致）。
3. 运行校准程序：在Stata中，将提供的do文件与你的数据结合运行。代码会依据教育分层和波次，为每个受访者的每个波次认知分数生成一个新的校准后变量（如 r1tr20b, r2tr20b等）。
4. 替换与分析：在你的分析模型中，使用新生成的 *tr20b 系列变量替代原始的 *tr20 变量。这些新变量已经是在同一尺度上可比的分数了。
5. 敏感性分析：一个严谨的做法是，用新旧两种校准分数（Wu et al. 2024 和 Chen & Donnell 2025）分别运行你的核心分析模型，比较结果是否存在实质性差异。如果关键结论保持一致，那你的发现就更稳健；如果出现差异，则需要深入探讨这种差异是否源于教育分层带来的校准改进。

注意：校准主要针对的是“即时回忆”和“延迟回忆”的词语列表任务分数。对于CHARLS中的其他认知模块（如数字能力、绘图等），可能需要不同的处理或暂时仍使用原始分数，需仔细阅读原论文的方法部分。

7. 给研究者的建议与未来展望

从我个人的使用经验来看，这套分层混合等值法确实是目前处理CHARLS跨波次认知分数最精细、理论依据更充分的方案。特别是当你研究的问题涉及教育、社会经济地位等与认知储备密切相关的变量时，使用这套校准分数能让你对结果更有信心。

不过，没有任何方法是银弹。我建议：

• 明确你的研究问题：如果你的研究核心就是教育不平等与认知老化，那么必须使用这种分层校准方法。如果只是将教育作为控制变量，使用Wu et al. (2024) 的全局校准法可能也足够，但进行敏感性分析对比一下总是好的。
• 关注方法发展：测量等值是一个活跃的研究领域。未来可能会有更复杂的模型出现，例如同时考虑年龄、性别、教育等多变量的分层等值，或者直接基于IRT模型进行校准。保持关注。
• 理解你的数据：在使用任何校准分数前，花点时间描述性统计一下校准前后分数的分布变化、与关键变量的相关性变化。这能帮你直观感受校准带来的影响。
• 透明报告：在论文的方法部分，务必清晰说明你使用了哪种认知分数校准方案，并引用相应的文献（Chen & Donnell, 2025）。这是研究可重复性的基本要求。

最后，我想说的是，CHARLS这类宝贵的纵贯数据，其价值就在于能让我们观察随时间的变化。而测量工具的变化是这种观察的“阿喀琉斯之踵”。像Chen & Donnell (2025) 这样的工作，正是在为我们锻造更精准的“尺子”。用好这把尺子，我们才能更清晰地描绘出中国老年人认知老化的真实图景，为相关政策和干预提供更坚实的证据。