从调查数据的受访者-配偶组中筛选排除配偶的方法问询

核心问题分析 #

直接用filter(!(resp %in% spouse))会把所有配偶对的双方都移除，因为配偶关系是双向的（比如resp=1的配偶是2，resp=2的配偶是1），两者都会出现在对方的spouse列里。我们需要的是在每一对配偶中仅保留1位，同时保留无配偶的受访者。

具体解决代码（基于tidyverse） #

以你的示例数据集为例，通过生成唯一配偶组ID，再按组保留单一行的方式实现需求：

library(dplyr)

# 处理示例数据集
data.frame(resp = seq(1, 10), 
           spouse = c(2, 1, 5, NA, 3, 3, NA, 10, NA, 8), 
           outcome = seq(11, 20, 1)) -> df
df <- df[sample(1:nrow(df)), ]

# 生成配偶组ID并筛选
df_processed <- df %>%
  # 为单身者生成单独组ID，为配偶对生成统一组ID（排序后拼接，避免顺序影响）
  mutate(
    group_id = case_when(
      is.na(spouse) ~ as.character(resp),
      TRUE ~ paste(pmin(resp, spouse), pmax(resp, spouse), sep = "_")
    )
  ) %>%
  # 按组保留1行：这里选resp最小的，可根据需求替换规则（比如随机选、按年龄选）
  group_by(group_id) %>%
  slice_min(resp, n = 1) %>%
  ungroup() %>%
  # 移除临时组ID列（可选）
  select(-group_id)

# 查看结果，与理想输出一致
df_processed %>% arrange(resp)

规则调整选项 #

如果需要按研究需求选择保留配偶对中的某一方，可替换slice_min(resp, n = 1)为：

• 随机保留1位：slice_sample(n = 1)
• 保留年龄较大的（假设数据集有age列）：slice_max(age, n = 1)
• 保留女性受访者（假设数据集有gender列，1=男，2=女）：filter(gender == 2) %>% slice(1)

针对RAND HRS数据集的额外建议 #

1. 验证配偶关系双向性：先检查数据中是否存在单向配偶记录（比如A的配偶是B，但B的配偶不是A），这类异常值会影响分组逻辑，可通过以下代码排查：

# 找出单向配偶记录
invalid_pairs <- df %>%
  filter(!is.na(spouse)) %>%
  left_join(df %>% select(spouse_resp = resp, spouse_spouse = spouse), 
            by = c("resp" = "spouse_resp")) %>%
  filter(spouse != spouse_spouse)

2. 结合HRS变量定义：HRS数据集中有专门的家庭标识变量（如hhid），可结合该变量辅助确认配偶组，进一步提升分组准确性。
3. 批量处理效率：HRS数据集规模较大，tidyverse的分组操作效率足够应对，若需更高效可改用data.table包实现相同逻辑。

内容的提问来源于stack exchange，提问作者Memiya