英国老龄化纵向研究 ELSA — 十一波面板与护士访视

Q: ELSA 现在共有几波，最新一波覆盖到哪一年？

官方数据说明页写「目前数据可用至第十一波」，第十一波田野于 2023 年 10 月至 2024 年 10 月完成，UK Data Service 的收录题为 Waves 0-11、1998-2024。第十一波主访谈完成 7,842 人，其中核心成员 6,422 人，健康访视完成 4,928 人次。

Q: ELSA 有没有抽血和生物样本？

有。健康访视由护士执行，除身高体重、握力、步速等体格测量外，采集静脉血用于生物标志物检测与 DNA 提取。但健康访视并非每波都有，官方两个页面列出的波次不一致，第十波明确没有健康访视，因此生物标志物是间隔出现的稀疏层，不是逐波连续的。

Q: ELSA 与 HRS、SHARE 是什么关系？

ELSA 官方写明自己是作为美国 HRS 的姊妹研究建立的，SHARE 是同家族的欧洲大陆成员。三者共用一套源自 HRS 的测量工具与问卷骨架，可在 Gateway to Global Aging Data 上按协调变量跨国比较，但样本框、年龄门槛与波次年份各不相同，不能直接拼接成一份跨国面板。

Q: 中国大陆研究者能拿到 ELSA 数据吗？

能。官方明确「不在英国、或所在机构不在 UKAMF 名单内」的申请者可单独申请 UK Data Service 用户名。End User Licence 层级的文件注册后即可下载，Special Licence 与 Secure Access 需另行申请并满足更多条件，官方还要求申请含此类数据的课题在提交资助申请前先联系 ELSA 团队。

信息速览

数据集名称英国老龄化纵向研究 ELSA — 十一波面板与护士访视

数据类型元数据,时序信号,原始数据链接

规模基线发放 18,813 名合格个体，完成访谈约 1.1 万人；第十一波主访谈 7,842 人

接入方式https://beta.ukdataservice.ac.uk/datacatalogue/studies/study?id=5050

AI 就绪度

ELSA（English Longitudinal Study of Ageing，英国老龄化纵向研究）是英格兰 50 岁及以上社区居住人群的全国代表性面板。它以 1998、1999、2001 三个年度的英格兰健康调查（Health Survey for England，HSE）为抽样框，2002 年 3 月启动第一波主田野，此后每两年访谈一次同一批人，官方数据说明页写明目前已发布至第十一波，收录标题为 Waves 0-11、1998-2024。

它的辨识度来自两处叠加。一处是测量层的厚度：主访谈之外还有自填问卷，部分波次叠加护士执行的健康访视，测身高体重、握力、步速并采集静脉血，用于生物标志物检测与 DNA 提取；再往上一层还有经知情同意的行政记录链接与单独审批的基因数据。另一处是设计血统：ELSA 官方写明自己是作为美国 HRS 的姊妹研究建立的，后来与 SHARE、CHARLS、LASI 等一起构成 Gateway to Global Aging Data 所协调的国际老龄化调查家族，共享源自 HRS 的问卷骨架。

边界同样清楚：它只覆盖英格兰，不含苏格兰、威尔士与北爱尔兰；抽样框排除机构养老居民；五十岁门槛造成左截断；免费下载不等于无条件使用，End User Licence、Special Licence、Secure Access 与基因数据审批是四条宽严不同的门。一屏速览见下表。

维度	内容
全称	English Longitudinal Study of Ageing（ELSA）
中文名	英国老龄化纵向研究
主持机构	伦敦大学学院（UCL）ELSA 团队，田野由 NatCen Social Research 执行
资助方	美国国家老龄研究所（NIA/NIH）＋英国政府部门联合体（DHSC、DfT、DWP，经 NIHR 协调）＋ESRC
起始年份	2001 年试点，2002 年 3 月第一波主田野
波次数	十一波（另有 Wave 0 为 HSE 基线年份数据）
随访间隔	两年一波，第十波因外部原因推迟至 2021–2023
年龄门槛	50 岁及以上（以 2002 年 3 月 1 日为基准时点）
地理范围	英格兰，社区居住的私人住户
基线发放样本	11,578 户内 18,813 名合格个体
基线完成样本	约 1.1 万人（文献常用口径，官方页面未直接给出）
最新一波规模	主访谈 7,842 人，核心成员 6,422 人，健康访视 4,928 人次
核心模块	人口学、健康、认知、工作与养老金、收入与资产、住房、社会参与、社会照护、体格测量与生物标志物
生物样本	护士访视采血，用于生物标志物与 DNA；非逐波连续
数据获取	UK Data Service SN 5050，注册后按许可层级下载
许可层级	End User Licence / Special Licence / Secure Access / 基因数据单独审批

§1 它要解决的具体麻烦

1.1 把「老去」拆成可逐年对齐的十一段

横断面调查只能告诉你「七十岁的人现在什么样」，回答不了「一个人从六十岁走到七十岁，哪一步先坏」。ELSA 的设计目标就是把这个问题变成可计算的：同一批人在 2002、2004、2006 一路到 2024 被反复访问，每次访问都重复一批核心问题，同时允许模块轮换。官方在 About 页把这一点写得很直白——每个模块都经过复核，确保它能测量随时间的变化，办法有三：原样重复某些测量、直接询问变化、允许受访者更新或修正过去回答。

这句话背后是一个数据工程约定：跨波可比性不是自然属性，而是设计出来的。同一个问题在第十一波的措辞可能与第一波不同，同一个指标的计算口径可能被修订，某个模块可能在中间某波停掉又回来。所以使用 ELSA 的真实工作量，一半花在把十一波拼成一张表，另一半花在判断哪些变量真的可以横向对齐。

1.2 三条常见的错误期待

第一条是把它当成「英国版 HRS 的免费拷贝」。两者同源，但样本框、波次年份、模块覆盖、许可结构都不同，HRS 上跑通的代码搬到 ELSA 上，变量名、缺失码、权重变量全部要重写。姊妹关系是测量学上的亲缘，不是接口上的兼容。

第二条是把它当成「带体检的问卷库」。健康访视确实存在，也确实采血，但它不是每波都有，官方两个页面列出的波次还不一致，第十波明确没有健康访视。把它当作逐波连续的生物标志物时序会直接算错。

第三条是把它当成「下载即用」。UKDS 的注册只是第一道门，Special Licence 层级要额外申请，基因数据要过 ELSA-GDAC 的月度评审，链接的住院与死亡数据官方明确不对外转发、只能走 UK LLC。真实取数路径是一条分叉的路，不是一次点击。

1.3 它能给到的与给不到的

你的需求	它给的	够不够
追踪同一批人二十年的健康变化	十一波、跨度 2002–2024 的个体级面板	够，且是英格兰唯一同量级资源
客观生理指标而不只是自报	护士访视的体格测量、血压、血液标志物	够用但稀疏，需确认目标波次是否含访视
认知衰退与痴呆的早期信号	每波认知测验组合，含定向、记忆、言语流畅、数值能力	够做人群层面筛查，不够做临床诊断
退休、养老金、财富的因果识别	工作史、收入资产、预期、生命史回溯模块	够，且是经济学界主用途之一
基因—表型联合分析	GWAS 与候选基因，需 GDAC 审批、约五百变量上限	够，但有审批周期与费用
住院、死亡、癌症登记	官方仅团队自用，外部经 UK LLC 申请	部分够，链路变长且另立协议
苏格兰、威尔士、北爱尔兰的代表性	不含，仅英格兰	不够，需转向 NICOLA、HAGIS 等
养老院与住院人群	抽样框排除机构居民	不够，这是设计性缺口
五十岁以下的早发疾病	门槛即五十岁	不够，需换队列

1.4 你的处境与它能帮到的事

你的处境	它能帮你什么	下一步该做什么
要写英国老龄化政策的证据综述，需要可引用的全国数字	官方波次报告与数据表逐年公开，可引	先读第十一波数据表，再用 UKDS 微数据复核
做多病共存轨迹的机器学习，缺长跨度标签	十一波自报慢病清单可构造多病计数序列	先建波次—变量对照表，再决定用哪些波
研究认知衰退，需要客观指标	认知测验 + 护士访视 + 部分波次血液标志物	先确认目标波次是否有健康访视，再定分析窗
做跨国比较，已有 HRS 代码	协调变量可在 Gateway 上取得，与 HRS 同构	用协调版而非原始波次文件起步
做遗传流行病学，需要基因—表型	可申请 GWAS 与候选基因	预留至少一个月审批，按五百变量上限设计
团队只有 Python，没有 SPSS	UKDS 提供可转换格式，Stata/SPSS 为主	用 pyreadstat 读入后立刻转 parquet
想快速验证一个假设，不想走审批	End User Licence 文件注册即可下载	先用主访谈与自填数据，暂不碰基因与链接数据

1.5 一句话判断

如果你要的是「英格兰五十岁以上人群在二十年里的健康、认知、经济与社会参与如何同步变化」，ELSA 是唯一同时具备全国代表性、个体追踪、客观体检与国际可比骨架的资源；如果你要的是逐波连续的生物标志物或机构养老人群，它会让你在第三周才发现方向错了。

1.6 不适合谁：四条边界

不适合只要横断面快照的人。 单波 ELSA 的样本量并不突出，第十一波主访谈七千余人，做一次性的患病率估计远不如专门的全国健康调查经济；ELSA 的价值在个体内的变化，不在某一年的截面精度。

不适合把生物标志物当连续时序的人。 健康访视的波次分布本身就不规则，官方两处页面口径还存在冲突，第十波没有访视。任何以「每两年一次血检」为前提的模型假设都会在这条数据上失效。

不适合需要机构养老与住院人群的人。 抽样框从 HSE 的私人住户出发，官方在 About 页明确样本代表的是居住在私人住户中的五十岁以上人群。最病重、最需要长期照护的那部分人，从一开始就不在框内。

不适合要求零审批、当天可用的人。 主访谈文件确实注册即得，但只要研究设计里出现基因、地理细粒度、住院或死亡链接，链路立刻变长：GDAC 月会、Special Licence 申请、UK LLC 独立申请，每一道都有各自的周期。

§2 数据构成与规格

2.1 一次访谈被切成四个文件

理解 ELSA 的文件结构，比记住任何单个数字都重要。同一个受访者在同一波里，可能同时出现在四个位置：主访谈（CAPI 面访）、自填问卷（PAPI，覆盖主观幸福感、关系、饮酒等）、健康访视（护士执行的体格测量与采样）、以及事后链接的行政记录。这四个部分各有各的完成率，各有各的缺失原因，合并前必须先判断「这个人在这一波到底参加了哪几部分」。

官方在 Data info 页把这条链路写清楚了：面访是计算机辅助个人访谈（CAPI），随后是自填问卷（PAPI），再叠加健康访视。第十一波的数字正好说明这种切分：主访谈完成七千八百余人，其中核心成员六千四百余人，而这六千四百余人里完成自填问卷的是五千七百余人，健康访视则由四千九百余人次完成。三个数字层层递减，每一层都是一个不同的分析样本。

2.2 字段与记录的完整字典

下表按「文件族 × 内容块」组织，列出使用者在 UKDS 目录里会遇到的记录类型与关键字段族。变量名以官方各波问卷文档为准，此处给出的是字段族与用途，不是逐字变量名。

文件族	记录粒度	关键字段族	典型取值形态	AI 用途	已知陷阱
主访谈（每波一份）	人 × 波	个体标识、访谈日期、访谈模式、是否代理	字符串标识 + 日期 + 分类码	面板主键与时间轴	代理访谈比例随波上升
自填问卷	人 × 波	主观幸福感、关系质量、饮酒、社会活动	序数量表 + 分类	心理社会特征	完成率低于主访谈，非随机缺失
健康访视	人 × 波（仅部分波）	身高、体重、腰围、握力、步速、肺功能、血压	连续测量 + 设备标记	客观体能与代谢表型	波次不连续，子样本偏健康
血液检测结果	人 × 波（仅部分波）	血脂、血糖、炎症指标、血红蛋白等	连续测量 + 检测批次	代谢与炎症表型	批次效应、检测下限截断
基因数据	人（一次）	GWAS 芯片、候选基因位点	分型矩阵	遗传关联	需 GDAC 审批，变量上限
生命史访谈	人（第一波与第十一波）	童年、教育、职业史、婚姻史、健康史	回溯性事件表	生命历程建模	回溯偏差，与主访谈不同波
临终访谈	人（部分波）	死亡前后情况、照护安排	代理报告	死亡与照护研究	由亲属代答，与主访谈不同源
行政记录链接	人 × 事件	住院、死亡、癌症登记	事件表	硬终点	官方仅团队自用，外部走 UK LLC
Wave 0（HSE）	人	基线体检、血样、社会经济	连续 + 分类	基线协变量	三个年份抽样设计略有差异
波次报告数据表	汇总层	分年龄分性别的横断与纵向统计	已加权汇总	快速取数、核对	是汇总，不是微数据

2.3 一条记录的完整解剖

下面这条记录用来说明「同一个人在同一波里的四份材料」如何拼在一起。字段值取自官方文档描述的形态，标识符为示意。

#-- 示意记录：一位核心成员在某一波的四份材料
个体标识 idauniq          : 0217xxxxx
波次                      : 11
入组队列 cohort           : 2002 年原始样本
主访谈
  访谈日期                : 2023-11-14
  访谈模式                : 面访（CAPI）
  是否代理                : 否
  自报慢病数              : 3（高血压、关节炎、糖尿病）
  ADL 受限条目            : 1
  CES-D 八条目得分        : 4
  认知：定向              : 4/4
  认知：即时回忆          : 6/10
  认知：延迟回忆          : 4/10
  认知：言语流畅          : 17
自填问卷
  完成                    : 是
  自评健康                : 一般
  社会活动频次            : 每月数次
健康访视
  完成                    : 是
  身高 cm                 : 163.5
  体重 kg                 : 68.2
  握力 kg（右手）         : 21.4
  步速 m/s（常规）        : 0.72
  收缩压 mmHg             : 148
  舒张压 mmHg             : 82
血液
  采样                    : 是
  检测批次                : 第十一波批次

这段结构揭示了三件事。第一，主键是 idauniq 加波次，不是行号；跨波合并时任何以行序对齐的做法都会错位。第二，四份材料各有各的「完成」标记，缺失不是单一变量，而是一组相互关联的是否题。第三，认知测验是多条目组合，不是单一分数，条目级数据比总分更有信息量，去掉条目只留总分等于把可解释性丢掉一半。

2.4 波次、年份与规模

官方波次报告页给出的田野年份与完成规模如下。第一至第九波只有报告标题与年份区间，第十与第十一波给出了明确的完成人数。

波次	田野年份	完成规模（官方口径）	健康访视	备注
Wave 0	1998 / 1999 / 2001	HSE 三个年度样本	有（HSE 体检）	抽样框来源，非 ELSA 自身访谈
Wave 1	2002–2003	发放 11,578 户 / 18,813 人	无	主田野 2002 年 3 月启动
Wave 2	2004–2005	报告口径	有	首次护士访视
Wave 3	2006–2007	报告口径	无	生命史访谈首次加入
Wave 4	2008–2009	报告口径	有	—
Wave 5	2010–2011	报告口径	无	—
Wave 6	2012–2013	报告口径	有	社会照护模块自本波起
Wave 7	2014–2015	报告口径	无	—
Wave 8	2016–2017	报告口径	有	官方另称本波起改为半样本两年一次
Wave 9	2018–2019	报告口径	有	加入 Oxford WebQ 在线膳食模块
Wave 10	2021–2023	7,589 人（核心 6,286）	无	田野推迟，官方明确无健康访视
Wave 11	2023–2024	7,842 人（核心 6,422）	有	自填 5,741 人，访视 4,928 人次

这张表有两处必须打星号。其一，健康访视的波次有三个官方口径。 Data info 页写「第一至第七波每四年对全样本做一次健康访视，第八波起改为每两年对半样本做，第十一波起恢复全样本」；The data we collect 页写「健康访视在第二、四、六、八、九、十一波进行」；而第十波的波次报告直接写「Wave 10 did not contain a health visit」。三个说法能对齐的部分是「访视不是逐波连续」，对不齐的部分官方未作说明，差额构成不公开。

其二，基线完成人数在官方页面上没有直接给出。 About 页给出的是发放口径——一万一千余户内一万八千余名合格个体；文献里普遍引用的完成数是一万一千余人，属于论文口径而非官方页面口径。两者不矛盾，但引用时必须说清是哪一层。

2.5 与同类资源的字段差异

字段族	ELSA	HRS	SHARE	CHARLS
抽样框	英格兰健康调查受访户	美国全国地址框	欧洲多国分层样本	中国县区多阶段抽样
年龄门槛	50+	50+	50+	45+
随访间隔	两年	两年	两年（含回溯波）	两至三年
体格测量	护士访视，波次不连续	体检子样本 + 访视	部分国家体检	每波家访测量
血液样本	护士访视采血，含 DNA	干血斑与静脉血	干血斑为主	静脉血
基因数据	GWAS 经 GDAC 审批	dbGaP 受控访问	部分国家可申请	可申请
行政链接	住院/死亡仅团队，外部走 UK LLC	Medicare、SSA、NDI	多国登记链接	部分年份
国家覆盖	仅英格兰	仅美国	欧洲多国	仅中国
许可结构	三级 UKDS + 单独审批	公开 + 受控双轨	注册即得，禁商用	注册即得

这张表最该看的是最后两行。国家覆盖决定了它能不能做跨国比较，许可结构决定了它能不能进你的流水线。 ELSA 在这两项上都属于「中间态」：跨国可比性靠协调变量而不是原生设计，许可上比 HRS 松、比 CHARLS 紧。

§3 它的身份：一份由抽样框定义的队列

3.1 抽样框不是地址簿，是三份健康调查

ELSA 的样本不是从地址名录里直接抽的，这一点决定了它的全部性格。官方在 About 页说明：原始样本取自三个年度的英格兰健康调查核心样本（1998、1999、2001），选这三年的理由是「足够近、样本量够大」；三个年度合计有两万三千余个应答住户。1999 年的健康调查还带一个少数族裔增补样本，官方写明因经费限制未能随访，被舍弃。

从这两万三千余户里，剔除「已知无五十岁以上成年人同意未来再联系」的住户，剩下的是发放样本：一万一千余户、一万八千余名合格个体。这个链条解释了 ELSA 的两个固有特征。一是它继承了健康调查的应答者偏健康。 愿意接受一次家庭健康调查、又同意未来再被联系的人，本身就不是随机人群。二是它的少数族裔覆盖被主动削弱。 增补样本被弃，意味着英格兰少数族裔在 ELSA 里的代表性弱于全国水平，且这个缺口从未被后续刷新完全补上。

3.2 刷新机制与队列混杂

五十岁以上的人口会老、会死，队列要维持规模就必须补新人。官方两个页面都提到刷新，但列出的波次不完全一致：About 页写第三、四、六、七、九、十、十一波；Data info 页写第三、四、六、七、八、九、十、十一波，多出第八波。两处的差集是第八波，官方未说明原因。

刷新带来的后果比波次表更值得注意。每一次刷新都引入一批新的五十岁上下的人，他们的入组年份、出生队列、经历的历史事件都与原始样本不同。于是到了第十一波，同一年龄组里同时坐着「2002 年入组的七十岁」与「2023 年入组的七十岁」，前者是幸存者，后者是新样本。把两者混在一起做年龄效应估计，得到的是年龄与队列的混合物。 正确做法是显式建一个入组波变量，在模型里作为分层或协变量，而不是默认所有人同质。§4.2 的案例里的 0217 号来自 2002 年原始样本，与 2023 年新入组的同龄人放在同一波里，二者的历史暴露完全不同，这正是必须分层的原因。

3.3 时间轴与左截断

第一波以 2002 年 3 月 1 日为年龄基准时点，此后每两年一波。这个设计有一个直接的分析后果：所有人在进入样本时都已经五十岁。任何以「从四十岁开始的变化」为前提的研究都无法用它做，任何把年龄效应外推到五十岁以下的结论都是越界。

左截断还有一层更隐蔽的形态。五十岁入组的人，其健康状况已经包含了此前四十年的累积暴露；ELSA 能观察到的是这条轨迹的中后段。所以它擅长回答「五十岁之后谁下降得快」，不擅长回答「什么导致了五十岁时的差异」——后者需要生命史模块或与出生队列研究联合，而生命史模块只在第三波与第十一波各做过一次。

3.4 权重与设计变量

ELSA 是复杂抽样，分析时必须用权重。官方在技术报告与波次报告中给出各波的设计变量与权重，使用要点有三。

分析单位	该用哪类权重	常见错误
单波横断面	该波的横断面权重	用第一波权重分析第十一波
跨波纵向	纵向权重，按最长分析窗取	逐波各用各的权重再拼接
护士访视子样本	访视专用权重	沿用主访谈权重
自填问卷子样本	自填专用权重	忽略自填完成率的选择性
死亡与失访分析	含失访建模的权重或逆概率加权	直接删失访者

这四条错误的共同后果是标准误偏小、置信区间偏窄。ELSA 的样本量本就不大，权重用错时结论的稳健性下降会非常明显。

3.5 谁是「核心成员」

官方在第十波与第十一波的规模通报里区分了「全部完成访谈者」与「核心成员」两个数。核心成员指原始样本与各次刷新纳入的正式队列成员，非核心部分包括同住伴侣等。这个区分在分析上很重要：伴侣往往缺少完整的纵向链条与基线测量，把他们混入会稀释面板结构。 官方通报把两个数并列给出，本身就是在提示这一点。

§4 它的质量：护士访视、血液与三条测量谱系

4.1 护士访视是这份数据的第二层

如果把 ELSA 只当作问卷库，会漏掉它最有价值的一半。官方在两处页面都写明健康访视的内容：体格功能测量、人体测量、血液样本采集，血液用于生物标志物检测与 DNA 提取。落到操作层面，这层数据包括身高、体重、腰围、握力、步速、肺功能、血压，以及一批血生化与炎症指标。

它的价值在于把「自报」换成「测量」。自报高血压的准确性依赖于知晓率，而知晓率本身与社会经济地位相关；一旦有体检所得血压，这条偏倚链就断了一节。同理，自报的体重与身高达不到代谢分析所需的精度，而护士测量的腰围与体重可以支撑中心性肥胖的分类。

它的限制在于稀疏。健康访视不是每波都有，官方两个页面的波次列表还不一致，第十波明确没有。这意味着任何以生物标志物为因变量的纵向模型，可用的时间点只有四到六个，且这些时间点之间的间隔并不均匀。做增长曲线模型时，时间变量必须用真实田野间隔，不能用「波次序号乘以二」。

4.2 案例：编号 0217 的二十年

下面这个案例用来说明上面所有结构性事实如何落到一条具体轨迹上。它不是某位真实受访者的复制，而是按官方通报的完成率与失访结构构造的典型形态，用于演示分析决策。

编号 0217 在 2002 年第一波入组，当年五十八岁，属原始核心样本，完成主访谈与自填问卷。第二波有健康访视，他完成了体格测量并采血，握手与步速都在同龄人前列。第三波没有访视，只有主访谈加生命史访谈。第五波他换了住址，田野团队追踪到新址，访谈继续；同一波他的配偶去世，自填问卷里的关系模块出现大面积不适用。第七波他六十八岁，自报新发关节炎与高血压，主访谈改由代理完成的比例开始上升——不是他本人，而是配偶代答部分条目。第八波有访视，他参加了，步速从第二波的每秒一米二降到每秒零点九米。

第九波之后他的认知测验得分出现明显下滑，第十波没有健康访视，只有主访谈，他与配偶一起完成了自填。第十一波他七十九岁，参加主访谈与健康访视，但没有完成自填问卷——这在官方通报的自填完成率低于主访谈的格局里是常态，不是异常。

这条轨迹给使用者的四个提示：

观察到的现象	数据里的形态	分析时该做什么
代理访谈比例上升	代理标记变量随波变化	把代理作为协变量或分层，不要静默合并
某波模块不适用	该模块变量成片缺失	区分「不适用」与「拒答」，不要统一填 NA
访视缺席	该波体检字段全空	用访视参与指示变量建选择模型
自填未完成	心理社会变量缺失	检查缺失是否与认知下降相关，勿按完全随机处理

§4.2 的案例还说明一件事：ELSA 的缺失不是随机的洞，而是有形状的。 形状来自三条线——死亡、认知下降导致的代理、以及模块轮换。识别形状比填补数值更重要。

4.3 认知测量：一套条目，不是一分数

ELSA 每波重复一组认知测验，覆盖定向、即时与延迟言语记忆、言语流畅、数值能力等维度。这套组合的来源与 HRS 的认知电池同源，因此可以在协调层面与 HRS、SHARE 的对应条目比对。

使用要点有三个。其一，条目级优于总分。 官方文件保留条目级应答，做记忆衰退建模时条目级数据能区分「编码失败」与「提取失败」，总分做不到。其二，代理访谈会改变测量模式。 认知题在代理访谈中可能被跳过或由他人代答，如果不加标记直接进模型，会把「没测」当成「测出来是零」。其三，测验版本可能随波修订。 任何跨波比较都要先确认题目与计分规则未变，否则观察到的「下降」可能只是版本差异。

4.4 链接数据：三条不同的路

官方在 Accessing 页把链接数据分得很清楚，这是很多二手介绍会含糊掉的地方。

链接对象	谁能拿到	路径	后果
住院（HES）、死亡、癌症登记	仅 ELSA 团队	官方明确无对外转发协议	外部研究者拿不到原始链接
同样的行政数据，外部研究者	经 UK LLC 申请	独立申请、独立审批	链路变长，变量受限
基因型	经 ELSA-GDAC 审批者	申请表 + 变量清单 + 月会	有费用，变量上限约五百
非归档变量	单独申请	联系 ELSA 数据管理员	有管理费

这张表的意义在于纠正一个常见预期：ELSA 的「链接数据」不是一个可以下载的文件，而是三条审批宽度不同的通道。做研究设计时如果不先确认通道，很容易在拿到主数据后才发现硬终点拿不到。

4.5 一条容易被忽略的质量事实：田野执行方是独立的

ELSA 的田野由 NatCen Social Research 执行，学术主持在 UCL，数据归档在 UK Data Service。三方分工带来一个实际好处：数据文档与问卷由执行方产出，学术判断由团队负责，归档与版本由数据服务机构负责。 这意味着遇到口径冲突时，往往能在三个来源里找到更细的一层——波次报告给完成数，技术报告给方法细节，数据服务目录给文件清单与版本。

§5 怎么拿到：四条门与一条最短路径

5.1 三级取数路径

把 ELSA 的取数拆成三层，比记住任何具体步骤都有用。

层级	拿到什么	门槛	适合谁
第一层：汇总	波次报告的横断与纵向数据表	无	政策分析、快速核对、教学
第二层：微数据	各波主访谈、自填、访视文件	UKDS 注册 + End User Licence	绝大多数研究
第三层：受控	Special Licence 细粒度变量、Secure Access、基因、链接数据	逐项申请 + 单独审批	需要地理细粒度、基因或硬终点的研究

第三层内部还要再分。官方在 Accessing 页提示：End User Licence 层级对所有人开放，Special Licence 与 Secure Access 有更多限制，且如果课题申请里包含这两类数据，应在提交资助申请前先联系 ELSA 团队。这条提示很实用——它意味着审批周期要计入课题时间表，而不是拿到钱再开始申请。

5.2 注册与许可的实际顺序

官方给出的顺序是：在英国且所在机构属于 UK 访问管理联合会（UKAMF）的，用机构账号直接进；不在英国或机构不在名单内的，单独申请用户名。这条规则对中国研究者友好——不存在国别排除条款，只存在身份核验流程。

拿到账号后，下载前要先接受 End User Licence。这一步不是形式：它约束使用目的、禁止重识别尝试、要求发表时按规范引用、要求报告出版物。Special Licence 另有一套更严的条款，通常涉及地理标识、精确日期、以及更细的职业或族裔分类。

5.3 先看目录，再谈下载

官方把数据放在 UK Data Service 的研究编号 5050 下，收录题为 Waves 0-11、1998-2024。目录页是前端渲染的单页应用，直接抓取往往只得到空壳，稳妥的做法是通过数据服务的检索接口或直接在浏览器里按波次浏览文件清单。下面这段脚本演示如何用检索接口确认版本与文件结构。

#-- 通过 UK Data Service 的 OAI 接口确认 SN 5050 的记录与版本
curl -s "https://oai.ukdataservice.ac.uk/oai/provider" \
  --data-urlencode "verb=GetRecord" \
  --data-urlencode "metadataPrefix=oai_ddi25" \
  --data-urlencode "identifier=oai:ukdataservice.ac.uk:/doi/10.5255/UKDA-SN-5050-24" \
  -o sn5050.xml

#-- 抽取标题、覆盖年份与版本号三项，先确认拿到的是不是最新版
grep -oE "<titl[^>]*>[^<]+" sn5050.xml | head -5
grep -oE "<collDate[^>]*>[^<]+" sn5050.xml | head -5

如果接口返回空记录，说明版本号后缀已变化，应以目录页显示的最新版本为准，而不是沿用旧后缀。

5.4 读入：先把 SPSS 变成本地可用的列存

UKDS 分发的微数据以 SPSS 与 Stata 为主，附带制表符分隔文本。Python 侧最稳的入口是 pyreadstat，它能同时读出变量标签与值标签——这两样东西在 ELSA 里不是装饰，而是理解缺失码的唯一线索。

#-- 读入单波主访谈文件，保留变量标签与值标签
import pyreadstat
import pandas as pd

df, meta = pyreadstat.read_sav(
    "elsa_w11_indresp.sav",
    apply_value_formats=False,   #-- 保留原始码值，便于看到 -1/-2 这类缺失码
    formats_as_category=False,
)

print(meta.number_rows, meta.number_columns)
print(list(meta.column_names)[:15])

#-- 把变量名到变量标签的映射单独存一份，后面建对照表要用
labels = pd.Series(meta.column_labels, index=meta.column_names, name="label")
labels.to_frame().to_parquet("w11_variable_labels.parquet")

读入时把值标签关掉是刻意的：ELSA 的缺失用语义码表示，让 pandas 自动转成类别会把「不知道」「拒答」「不适用」压成同一类，后面的清洗就无从下手。

5.5 拼波：先建对照表，再谈合并

跨波合并的错误几乎全部来自同一个动作——假设同名变量在每一波含义相同。正确顺序是先建对照表，再按对照表重命名，最后合并。

#-- 三步走：对齐变量名 → 统一缺失码 → 纵向拼接
import pandas as pd

MISSING = {-1: "donknow", -2: "refusal", -3: "notapplicable", -8: "notasked"}

def load_wave(path, wave, rename_map):
    import pyreadstat
    df, _ = pyreadstat.read_sav(path, apply_value_formats=False)
    df = df.rename(columns={k: v for k, v in rename_map.items() if k in df.columns})
    df["wave"] = wave
    for code, tag in MISSING.items():
        for col in df.select_dtypes("number").columns:
            df.loc[df[col] == code, col] = float("nan")
        df[f"miss_{tag}"] = (df.get("wave") == wave).astype("int8") * 0 + 0
    return df

#-- rename_map 由各波问卷文档人工核对后生成，不在此处硬编码
waves = [(1, "elsa_w1_indresp.sav"), (11, "elsa_w11_indresp.sav")]
frames = [load_wave(p, w, RENAME_MAP) for w, p in waves]
panel = pd.concat(frames, ignore_index=True)
print(panel.groupby("wave")["idauniq"].nunique())

最后一行是自检：每一波的唯一人数应当与该波官方通报的完成数同量级。如果差出一个数量级，多半是把伴侣或非核心成员也算进来了。这类自检的用处在于它会把结构性问题提前暴露出来——§4.2 的案例中第十一波自填未完成，若只按主访谈文件清点，人数看上去齐全，一旦按自填文件清点就会掉下去一截。

5.6 加权与缺失：两件必须同时做的事

加权与缺失处理在 ELSA 上不能分开做。原因很简单：缺失本身与权重相关——高龄、认知下降、机构化风险高的人更容易在后期波次缺失，而这些人往往也被赋予不同的设计权重。先加权后删缺失，等于在加权样本里再切一刀；先删缺失后加权，等于用一个已经偏了的样本套全国权重。

处理顺序	后果	建议
先加权再删缺失	权重与实际分析样本不匹配	避免
先删缺失再加权	加权后仍代表偏样本	仅在小缺失比例时可用
用逆概率加权同时处理失访	保留代表性，标准误需聚类	推荐
多重插补后再加权	需在插补模型里含设计变量	可行但复杂

基因数据的取数则是另一条完全不同的路。官方在基因访问页写得很具体：向 ELSA 基因数据访问委员会提交完整申请，申请里要列明变量名、描述与所需波次，单次申请一般不超过五百个变量；委员会每月开会，多数申请一个月内完成，但官方建议预留三个月；数据与样本的知识产权归 UCL、财政研究所、曼彻斯特大学、东英吉利大学与 NatCen 共同所有，若产生商业收益，UCL 有权分成。这些条款不是套话，它们直接决定课题预算与时间表怎么排。

§6 与库内条目的关系

6.1 关系图谱

库内与 ELSA 最接近的五个条目，关系可以这样摆：HRS 是它的设计母本，SHARE 是同一家族在欧洲大陆的对应物，CHARLS 与 LASI 是同一家族在亚洲的两个大样本成员，NHIS 与 KNHANES 是「全国代表性健康调查」而不是「老龄化面板」——它们提供截面精度，不提供个体内追踪。

库内条目	国家/地区	起点	与 ELSA 的关系	最该用哪个
HRS	美国	1992	设计母本，ELSA 官方自称其姊妹研究	要美国制度背景下的 ageing 面板
SHARE	欧洲多国	2004	同家族欧洲成员，共享 HRS 问卷骨架	要跨国比较、多国制度差异
CHARLS	中国	2011	同家族成员，年龄门槛 45+	要中国中老年追踪
LASI	印度	2010	同家族成员，波次少	要印度老龄化
NHIS	美国	1957	年度横断面，非面板	要美国年度患病率与就医行为
KNHANES	韩国	1998	年度横断面 + 体检 + 膳食	要韩国的体检与营养截面
add-health	美国	1994	青少年起点的生命历程队列	要从 adolescence 追到中年

这张表的关键分野在两条轴：纵轴是个体追踪还是重复截面，横轴是单一国家还是多国协调。 ELSA 在纵轴上强、横轴上弱（只一国），所以它的比较价值必须通过协调变量实现，不能通过直接拼接实现。

6.2 国际协调家族：共享工具，不共享样本

官方在 International sister studies 页把这条关系写得很清楚：ELSA 是作为美国 HRS 的姊妹研究建立的，如今属于一个不断扩张的全球老龄化纵向研究网络，这些研究提供各国老龄化数据，也提供跨国比较的机会；协调工作由 Gateway to Global Aging Data 承担，该平台提供问卷数字图书馆、跨调查可比问题检索、以及为跨国分析统一定义的变量。

这句话里有两个词值得分开看。「可比问题检索」意味着工具层的共享：同一段 ADL 问句、同一套认知测验、同一组收入构成，在多国问卷里能找到对应条目。「统一定义的变量」意味着协调层的工作：把各国原始条目映射成同名同码的变量，例如把不同国家的自评健康五级量表统一成同一方向。

但共享工具不等于共享样本，这里有四层不可跨越的差异：

差异层	具体表现	对分析的影响
抽样框	英国用健康调查受访户，美国用地址框，中国用县区多阶段	代表性含义不同，不能合并估计总体
年龄门槛	英国 50+，中国 45+，印度 45+	45–49 岁段只有部分国家有，跨国比较需先裁剪
波次年份	1992 起 / 2002 起 / 2004 起 / 2011 起	日历时间不可对齐，只能用相对年龄或相对波次
制度背景	全民医疗、养老金体系、长期照护安排	同一变量在不同制度下含义不同

所以正确的用法是：用协调变量做跨国比较，用各国原始数据做本国推断，两者不混。 把四国文件拼成一份「全球面板」再跑一个混合模型，得到的是四套抽样设计的加权平均，解释力有限且难以归因。

6.3 检索路径

在本站内找 ELSA 相关内容，有三条路径。按主题找，用「老龄化」「老年」「队列」「纵向」四个词交叉；按地区找，英格兰条目会与 NICOLA（北爱尔兰）、HAGIS（苏格兰）并列出现，注意这三者不是同一研究的地区分层，而是三个独立研究；按方法找，用「面板」「追踪」「失访」「权重」能定位到方法层面的讨论。

站外检索则要区分三类来源：官方项目站给设计与文档，UK Data Service 目录给文件与许可，Gateway 给协调变量与可比问题。三者回答的是不同问题，混用会得到互相矛盾的印象——比如官方站说十一波，某个旧论文说九波，两者都对，只是时点不同。

§7 质量评估与局限性

7.0 阅读本节前的一个前置校正

评价 ELSA 时最容易出现的误判，是拿「数据量」当尺子。它的规模在动辄百万行的数据集面前毫不起眼，十一波加起来也只有数万人次访谈。但这把尺子量错了对象：ELSA 的价值不在行数，而在同一批人被反复测量的次数，以及问卷、体检、血液、基因、行政记录五层能在个体标识上对齐。一次横断面调查给你一百万行，给不了这条链。

第二个容易出现的误判，是把「免费」等同于「开放」。End User Licence 层的文件确实注册即得，但真正决定研究可行性的往往是第三层——地理细粒度、基因、住院与死亡链接。这三样各有各的审批，周期以月计。评估这份数据时，应当先问「我需要的那一层能不能拿到」，再问「数据好不好」。

第三个误判是把官方口径当成单一真值。本篇写作过程中，官方三个页面在健康访视波次上给出的说法互不一致，两个页面在刷新波次上差一波，基线完成人数只在论文里出现而不在官方页面上出现。这些不是错误，而是一个运行了二十余年的项目必然留下的地层。使用者要做的是记录每句话的出处，而不是强行统一。

7.1 五维评分

维度	分数	判断依据
规模适配	3.5 / 5	面板深度足够，单波样本量中等，不适合高精度截面估计
结构可接	4 / 5	文件族清晰、标识符稳定，但跨波变量需自建对照表
边界清晰	4.5 / 5	官方对抽样框、年龄门槛、链接限制的表述罕见地直白
文档完整	4.5 / 5	技术报告、问卷、用户指南、培训视频齐备
获取可行	3.5 / 5	第一层容易，第三层需要预算与周期，基因有费用

综合 4.0 / 5。分数被拉高的两维是文档与边界，被拉低的两维是规模与获取；这两低恰好是使用者最先撞上的两面墙。

7.2 三个必须先确认的接口

在动手写第一行代码前，有三件事必须先确认，任何一件没确认都会导致返工。

第一，目标波次有没有健康访视。 如果研究需要血压或血液指标，可用时间点只有官方列出的那几个波，且官方两个列表本身不一致，必须以波次报告的方法说明为准。第十波明确没有访视，任何跨越第十波的体检指标序列都会在那里断掉。

第二，目标变量的缺失码体系。 ELSA 的缺失是语义编码，不知道、拒答、不适用、未访问是四件不同的事。把四者压成一个空值，会让「不适用」被算进分母，直接污染患病率与均值。

第三，目标层级能不能批下来。 需要地理标识就查 Special Licence 清单，需要基因就按五百变量上限设计清单并预留三个月，需要住院死亡就确认走 UK LLC。这三条都是先决条件，不是拿到主数据后再补的手续。

三条接口都可以用几行代码先做体检，把「文件里到底有哪些码值」查清楚，再决定清洗策略。

#-- 接口体检：逐波确认缺失码分布与访视文件是否存在
import pyreadstat
import pandas as pd

CHECKS = ["elsa_w2_indresp.sav", "elsa_w10_indresp.sav", "elsa_w10_hhresp.sav"]

for path in CHECKS:
    try:
        df, meta = pyreadstat.read_sav(path, apply_value_formats=False)
    except FileNotFoundError:
        print(f"{path}: 文件不存在，先核对清单")
        continue
    neg = {}
    for col in df.select_dtypes("number").columns:
        vals = df[col].dropna()
        hits = vals[vals < 0].unique()
        if len(hits):
            neg[col] = sorted(int(v) for v in hits)
    print(f"{path}: {meta.number_rows} 行, 含负值码的列 {len(neg)} 个")
    for col, codes in list(neg.items())[:5]:
        print(f"   {col}: {codes}")

输出里出现的负值码就是语义缺失。哪一波完全没有负值码，往往是文件里根本没有该模块，而不是没有人拒答。

7.3 已知的、可枚举的偏差

偏差	机制	表现	缓解办法
抽样框偏健康	从健康调查应答者中抽	基线人群比全国同龄人健康	用设计权重，报告与全国数据的差异
机构养老排除	私人住户抽样框	最病重者不在样本内	明确结论不外推到养老院人群
少数族裔不足	1999 年增补样本被弃	族裔分层分析功效低	合并多年份或改用其他族裔补充调查
访视参与选择	体检与采血需额外同意	生物标志物子样本更健康	用访视权重，报告参与率差异
失访与死亡相关	高龄、认知差者更易退出	后期波次幸存者偏差	逆概率加权或联合模型
代理访谈增加	认知下降后由他人代答	认知与主观变量异质	代理标记入模，敏感性分析
队列混杂	多次刷新引入新入组者	年龄效应与队列效应混淆	建入组波变量并分层
左截断	50 岁起访	无法研究早发与生命早期	用生命史模块补，或换出生队列
自报与记录不一致	自报慢病 vs 行政记录	系统性低估或高估	有链接数据时做一致性检验

这九条里，前三条是设计性的、无法通过统计手段消除；中间四条可以通过加权与建模缓解；最后两条取决于能否拿到链接数据。

7.4 外部验证矩阵

待核事实	官方项目站	UKDS 目录	独立来源	判定
起始年份 2002	About 页：2001 试点，2002 年 3 月主田野	收录题 1998–2024（含 HSE 基线）	队列简介论文一致	一致，注意 Wave 0 不是 ELSA 自身访谈
波次数量	数据可用至第十一波	Waves 0-11	波次报告至第十一波	一致
年龄门槛 50+	About 页与 FAQ 均写明	目录摘要写明 50+	论文摘要一致	一致
基线样本量	发放一万八千余人	未在摘要层给出	论文常用约 1.1 万	两个口径，非矛盾
护士访视波次	两个页面列表不一致	按文件分发，不汇总	第十波报告明确无访视	存在多口径，官方未说明
血液与 DNA	两页均写明采血用于标志物与 DNA	基因数据另立条目	基因访问页有审批流程	一致
是否免费	多数数据免费	End User Licence	FAQ 称多数免费，非归档变量收费	一致，需区分层级
国别限制	未列排除国	支持境外申请用户名	无排除条款	一致

这张矩阵的用途不是给官方打分，而是标出「哪些事实可以直接引用、哪些必须带出处限定」。前三行可以直接写；第四、第五行必须写清是哪一层口径。

7.5 它为何能持续：三个买方同时需要它

ELSA 能跑二十余年，靠的不是数据本身好看，而是三类买方同时存在且互不替代。学术侧需要一套可与美国、欧洲对照的英国面板来做 ageing 的因果推断；政策侧需要能追溯同一批人二十年的证据来评估养老金、退休年龄、长期照护与社会照护改革；方法学侧需要一份把问卷、体检、血液、基因、行政记录串在同一个标识符上的样本，来验证「多模态纵向测量」这件事在人群尺度上是否可行。三者中任何一方退出，资金结构都会松动；三方同时在场，它就成了基础设施而不是一个课题。

资助结构也解释了它的稳定性：美国国家老龄研究所与英国政府部门联合体共同出资，再加经济与社会研究理事会的支持。跨国共同出资意味着它同时服务两国的政策议程，单边撤资的风险被摊薄。

7.6 DAIMS 二十四项逐项评分

下表按数据资产管理与服务的常规维度逐项判断，✅ 记 1 分，⚠️ 记半分，❌ 记 0 分。

#	维度	判	依据
1	数据集唯一标识	✅	ELSA 名称 + 数据服务研究编号
2	持久标识符	✅	研究编号配有 DOI，版本以后缀区分
3	版本化	⚠️	有版本后缀，但官方站不集中列出历次版本变更
4	元数据标准	✅	归档侧提供 DDI 格式元数据
5	元数据完整性	✅	技术报告、问卷、用户指南三层齐备
6	字段字典	⚠️	变量说明分散在各波文档，无统一检索器
7	数据字典/模式	⚠️	无机器可读的统一模式文件
8	机器可读格式	✅	SPSS、Stata、制表符分隔三种
9	API 可得	❌	无查询 API，只有网页与批量下载
10	批量下载	⚠️	可按波次批量取，但文件清单需人工整理
11	许可明确	✅	三级许可 + 基因单独审批，条款成文
12	许可机器可读	❌	许可为网页文本，无标准标识符
13	溯源	✅	波次 + 版本 + 文件族，链条完整
14	引用规范	✅	官方引用页给出模板
15	数据来源声明	✅	抽样框年份、地区、门槛全部公开
16	更新频率声明	✅	两年一波，新波次归档后发布
17	缺失值说明	✅	语义缺失码有专章说明
18	质量控制声明	✅	技术报告含田野与质控细节
19	抽样/覆盖说明	✅	About 页写明抽样设计与排除项
20	文档完整性	✅	问卷、报告、用户指南、培训视频齐备
21	示例/教程	✅	用户指南与用户日材料可公开取得
22	社区支持	✅	常见问题页、通讯、用户活动
23	长期保存承诺	✅	由国家级数据服务机构归档，二十余年连续
24	伦理/隐私声明	✅	伦理批准说明页与隐私声明单列

总分：20 / 24 = 83.3%。 扣分集中在技术接口侧——无查询 API、无标准模式文件、无机器可读许可。这三项不影响研究可用性，但会显著增加工程侧的前期投入：变量对照表要手工建，文件清单要手工排，许可条款要人读。相比同族的欧洲成员，ELSA 在文档治理上不弱，在技术接口上同样偏传统。

§8 生态位与历史

8.1 一条按年推进的时间线

时点	事件	对使用者的意义
2001	试点研究	问卷与流程定型
2002	第一波主田野（3 月起）	面板起点，年龄基准时点为 3 月 1 日
2004	第二波，首次护士访视	生物标志物层开启
2006	第三波，生命史访谈首次加入	可回溯入组前的生活史
2012	第六波，社会照护模块起	长期照护研究有了变量基础
2016	第八波	官方一页称本波起访视改为半样本两年一次
2018	第九波，在线膳食模块	可做营养暴露分析
2020	COVID-19 专项数据采集	官方单列数据页与问卷内容页
2021–2023	第十波，田野推迟且无健康访视	体检序列在此中断
2023–2024	第十一波，全样本访视恢复	体检层重新接上，生命史模块二次加入

时间线里最值得记住的是第十波。它既是唯一明确没有健康访视的一波，也是田野周期被拉长到近两年的一波。任何跨越第十波的纵向模型都要为这两件事单独处理。

8.2 与欧洲、北美两条路线的分工

在国际老龄化调查家族里，ELSA 站在一条特定的位置上：它是单一国家、深度测量、长跨度的那一极。HRS 同样单国，但样本更大、制度背景不同；SHARE 是多国，但每国样本相对小、体检只在部分国家；CHARLS 与 LASI 是发展中国家的大样本，年龄门槛更低。ELSA 的位置因此很明确——用一国的制度连续性换取测量的深度与一致性。

这个位置带来一个具体优势：英国有全民医疗体系与相对统一的养老金制度，同一套问卷在不同社会阶层之间的含义差异比多国样本小，测量等值性问题弱得多。代价是外部效度只能外推到英格兰，且必须承认它的制度环境是特定的。

8.3 与「健康调查」这条线的分工

另一条容易混淆的线是国民健康调查。NHIS 与 KNHANES 这类年度调查提供极高的截面精度与年度频率，适合监测患病率与就医行为；ELSA 提供个体内变化，适合归因与轨迹。两者不是替代关系：要回答「今年有多少人患病」，用年度调查；要回答「同一批人里谁先患病」，用面板。

这也是为什么 ELSA 的单波样本量看起来不大却仍然不可替代——它的抽样精度服务于追踪，不服务于截面估计。

8.4 它在 AI 时代的角色

从建模角度看，ELSA 提供的是稀疏、不规则、多模态、强缺失的纵向数据，这恰好是真实临床数据的样子。它适合练三类模型：带时变协变量的生存模型、处理 informative missingness 的联合模型、以及把问卷文本与结构化测量联合起来的多模态表征。它不适合练「大样本预训练」——样本量不够，且每个个体的测量密度远低于影像或文本语料。

§9 使用指引

9.1 三种角色的最短路径

角色	第一周做什么	第二周做什么	别做什么
流行病学研究者	读第十一波数据表与技术报告，确认目标波次可用变量	注册 UKDS，下载主访谈与自填，做加权描述	不要先用未加权数据下结论
卫生经济学家	定位工作、收入、资产、养老金模块，确认跨波口径	建波次—变量对照表，做退休时点的面板模型	不要把名义值直接跨年比较
数据工程师	摸清文件族与标识符，写读入与合并脚本	建缺失码映射与波次对照表，转列存	不要按行号或户号对齐

9.2 一条最短的可用流程

下面这条流程从零到能跑出一个加权描述统计，刻意跳过了所有需要审批的层级，适合第一次接触这份数据的人。

#-- 第一步：确认许可与版本（浏览器完成，此处只记录要核对的三项）
#-- 1) 研究编号 5050 的最新版本后缀
#-- 2) 目标波次的文件清单
#-- 3) 该波是否含健康访视文件

#-- 第二步：读入、映射缺失、按波拼接、做一次加权均值
import pyreadstat
import numpy as np
import pandas as pd

MISSING = {-1: "donknow", -2: "refusal", -3: "notapplicable", -8: "notasked"}

def read_wave(path, wave):
    df, meta = pyreadstat.read_sav(path, apply_value_formats=False)
    df["wave"] = wave
    for code in MISSING:
        for col in df.select_dtypes("number").columns:
            df.loc[df[col] == code, col] = np.nan
    keep = [c for c in ["idauniq", "wave", "indweight", "hehelf", "indager"] if c in df.columns]
    return df[keep]

frames = [read_wave("elsa_w1_indresp.sav", 1), read_wave("elsa_w11_indresp.sav", 11)]
panel = pd.concat(frames, ignore_index=True)

#-- 第三步：按波各自加权，不要拿一波的权重套另一波
for w, g in panel.groupby("wave"):
    ok = g.dropna(subset=["hehelf", "indweight"])
    est = np.average(ok["hehelf"], weights=ok["indweight"])
    print(f"wave {w}: n={len(ok)}, weighted mean self-rated health={est:.3f}")

三个自检点：唯一人数是否与该波官方完成数同量级；缺失码映射后是否还有负值残留；加权均值与官方数据表的方向是否一致。

9.3 引用方式

引用 ELSA 要分两层。数据层引用官方给出的数据集条目，标明研究编号与版本；方法层引用队列简介论文，说明设计与抽样。官方的引用页给出模板，规范的写法大致是：作者或机构、年份、数据集名称、版本、发布者、DOI。方法层的经典引用是 Steptoe 等人在《International Journal of Epidemiology》发表的队列简介，该文系统描述了设计、抽样与测量。

只引数据不引方法，评审会问抽样代表性；只引方法不引数据，读者无法复现。两层都写，才算完整。

§10 AI 使用声明

项目	说明
数据性质	人群调查微数据，非影像、非文本语料、非标注集
可否用于训练	End User Licence 未禁止统计建模，但禁止重识别尝试与再分发
敏感属性	健康、认知、经济、基因、地理位置，属高敏感组合
去标识程度	公开发布版已去标识，细粒度地理与日期在受控层级
禁止行为	重识别、与外部数据拼接再识别、把个体级数据再分发
输出合规	发表结果须为汇总层，避免小单元格泄露
引用义务	数据与方法两层均需引用，并按许可报告出版物
责任边界	模型输出的临床或政策结论需独立验证，数据本身不构成医疗建议

常见误读

常见说法	实际	证据
「ELSA 是英国版的 HRS，代码可以直接复用」	同源不同实现，变量名、缺失码、权重全不同	官方自称姊妹研究；两侧许可与文件结构不同
「每年都有体检和抽血」	健康访视只在部分波次，第十波明确没有	波次报告写 Wave 10 无健康访视
「十一波就是十一份独立样本」	是同一批人加多次刷新，个体内相关必须建模	刷新波次表与纵向设计说明
「免费就是随便用」	三层许可，第三层需审批，基因另收费	Accessing 页与基因访问页
「死亡与住院数据可以下载」	官方仅团队自用，外部经 UK LLC	Accessing 页明确无对外转发协议
「样本代表英国老年人」	只代表英格兰社区居住人群	About 页写明英格兰私人住户
「五十岁以上都能研究」	五十岁入组，早发与生命早期无法覆盖	年龄基准时点与左截断
「缺失就是空白，删掉即可」	四类语义缺失码，删掉会改变分母	各波问卷文档的码值说明
「可以和 SHARE 拼成一份欧洲面板」	工具可比，样本不可合并	协调平台的存在本身说明需先映射
「波次序号乘二就是时间间隔」	第十波田野周期被拉长，间隔不均匀	波次年份表

FAQ

Q1：ELSA 现在共有几波，最新一波覆盖到哪一年？
官方数据说明页写「数据可用至第十一波」，第十一波田野于 2023 年 10 月至 2024 年 10 月完成，收录题为 Waves 0-11、1998-2024。第十一波主访谈七千八百余人，核心成员六千四百余人，健康访视四千九百余人次。

Q2：ELSA 有没有抽血和生物样本？
有。健康访视由护士执行，除体格测量外采集静脉血，用于生物标志物检测与 DNA 提取。但访视不是每波都有，官方两页的波次列表不一致，第十波明确没有，因此生物标志物是间隔出现的稀疏层。

Q3：ELSA 与 HRS、SHARE 是什么关系？
官方写明 ELSA 是作为 HRS 的姊妹研究建立的，SHARE 是同家族的欧洲成员。三者共用源自 HRS 的测量工具，可在协调平台上按统一变量比较，但样本框、年龄门槛、波次年份不同，不能拼成一份跨国面板。

Q4：中国大陆研究者能拿到 ELSA 数据吗？
能。官方为不在英国、或机构不在 UKAMF 名单内的申请者提供单独注册通道。End User Licence 层级注册后即可下载；Special Licence 与 Secure Access 需另行申请，官方要求含此类数据的课题在提交资助申请前先联系团队。

Q5：基线到底有多少人？
官方 About 页给的是发放口径：一万一千余户内一万八千余名合格个体。文献常用的一万一千余人是完成访谈口径，官方页面未直接给出这个数字。引用时应注明是哪一层。

Q6：为什么第十波没有体检？
官方波次报告只写「第十波不含健康访视」，未解释原因。同一时期田野周期从常规两年拉长到近两年，官方亦未说明细节。使用者只需按事实处理：这一段体检序列中断。

Q7：能不能用它做痴呆预测？
可以做人群层面的认知衰退建模，它有重复的认知测验与随访。但它不是临床诊断数据，没有影像与生物标志物的完整组合，也没有统一的临床终点裁定，因此不能直接用于诊断模型。

Q8：基因数据怎么拿？
向 ELSA 基因数据访问委员会提交申请，列明变量名、描述与所需波次，单次一般不超过五百个变量，委员会每月开会，官方建议预留三个月。基因数据与表型链接需付费，且不得转让给第三方。

Q9：权重该怎么用？
按分析单位选：单波用该波横断面权重，跨波用纵向权重，访视子样本用访视权重，自填子样本用自填权重。最常见的错误是逐波各用各的权重再拼接，导致标准误偏小。

Q10：可以和 CHARLS 做中英比较吗？
可以，但要通过协调变量。两者同属一个国际家族，问卷骨架同源，年龄门槛不同（英国 50+，中国 45+），做比较时须先裁剪到共同年龄段，并承认制度背景差异。

Q11：数据多久更新一次？
两年一波，新波次数据在田野结束并完成归档后发布。第十一波田野 2024 年 10 月结束，数据随后上线。使用前应核对 UKDS 目录里的版本后缀，而不是沿用旧引用。

术语表

术语	含义
波次（wave）	一次完整的数据采集轮次，ELSA 常规为两年一波
Wave 0	抽样框来源的健康调查年份数据，不是 ELSA 自身访谈
核心成员	原始样本与各次刷新纳入的正式队列成员，区别于同住伴侣
刷新样本	为维持年龄结构与规模而新纳入的受访者
护士访视 / 健康访视	由护士执行的体格测量与采血环节
CAPI	计算机辅助个人访谈，主访谈的采集方式
PAPI	纸笔自填问卷，覆盖主观与敏感条目
代理访谈	由他人代答部分或全部条目，多见于认知下降者
左截断	样本只从五十岁起观察，此前信息缺失
队列混杂	不同入组年份的人混在同一波，年龄与队列效应难分
设计权重	反映抽样概率与应答率的分析权重
纵向权重	针对跨波分析、含失访调整的权重
语义缺失码	用不同码值区分不知道、拒答、不适用、未访问
生命史访谈	回溯童年、教育、职业与婚姻史的专项模块
临终访谈	受访者去世后由亲属提供的末期情况访谈
行政记录链接	经同意把调查数据与住院、死亡、癌症登记关联
干血斑	指尖采血滴于滤纸的采样方式，部分姊妹研究采用
Special Licence	比 End User Licence 更严的数据许可层级
Secure Access	需在受控环境内分析的最高限制层级
协调变量	跨国映射后同名同码、可直接比较的变量
逆概率加权	用参与概率的倒数修正失访与选择偏倚
informative missingness	缺失与结果相关，不能按随机缺失处理
田野周期	一轮数据采集从开始到结束的实际时长
数据服务归档	由 UK Data Service 负责的版本管理与分发

附录 A：核心数字核对表

项	值	来源	来源层级
起始年份	2001 试点，2002 年 3 月主田野	官方 About 页	官方页面
波次数量	十一波，另有 Wave 0	官方 Data info 页	官方页面
随访间隔	两年	官方 About 页与 FAQ	官方页面
年龄门槛	50 岁及以上	官方 About 页	官方页面
基线发放户数	11,578 户	官方 About 页	官方页面
基线合格个体	一万八千余名	官方 About 页	官方页面
基线完成数	约 1.1 万人	文献常用口径	未在官方页面核实
抽样框来源	健康调查 1998/1999/2001	官方 About 页	官方页面
第十一波完成	7,842 人（核心 6,422）	官方波次报告页	官方页面
第十一波访视	4,928 人次	官方波次报告页	官方页面
第十波完成	7,589 人（核心 6,286）	官方波次报告页	官方页面
健康访视波次	两个页面列表不一致	官方两页	官方页面（内部冲突）
基因变量上限	单次约五百个	官方基因访问页	官方页面
许可层级	三级 + 基因单独审批	官方 Accessing 页	官方页面

附录 B：数字的来源分层

第一层：官方页面直接给出。 起始年份、波次数量、随访间隔、年龄门槛、抽样框年份、基线发放户数与人数的上界、第十与第十一波完成数、访视人次、基因变量上限、许可层级。这些可以直接引用。

第二层：官方页面未给、文献常用。 基线完成访谈人数。这个数字在多篇队列简介与实证论文中出现，量级一致，但官方项目站与数据服务目录的摘要层都没有直接写。引用时应标「文献口径」。

第三层：未核实。 各波的具体应答率与留存率；访视参与者在健康维度上与全体样本的差异幅度；血液标志物的完整清单与检测批次安排。这三项需要技术报告原文或数据文件才能确认，本篇不作估计。

附录 C：完整参考文献

Steptoe A, Breeze E, Banks J, Nazroo J. Cohort profile: the English Longitudinal Study of Ageing. International Journal of Epidemiology. 2013;42(6):1640–1648.
English Longitudinal Study of Ageing. About ELSA（项目官方页，含抽样设计与模块清单）。
English Longitudinal Study of Ageing. Data info（官方数据说明页，含健康访视与刷新说明）。
English Longitudinal Study of Ageing. The data we collect（官方模块与访视波次表）。
English Longitudinal Study of Ageing. Accessing ELSA data（官方取数与许可层级说明）。
English Longitudinal Study of Ageing. Genetic data access（官方基因数据审批流程）。
English Longitudinal Study of Ageing. Wave reports and tables（官方波次报告与完成规模）。
English Longitudinal Study of Ageing. International sister studies（官方姊妹研究清单）。
UK Data Service. SN 5050: English Longitudinal Study of Ageing, Waves 0-11, 1998-2024（数据目录条目）。
Gateway to Global Aging Data. 协调变量与可比问题检索平台。

附录 D：任务代码

把「某一年龄段在十一波里的自评健康轨迹」拉出来，是这份数据上最常见的第一个任务。下面这段代码给出骨架，变量名需按各波文档替换。

#-- 目标：60-79 岁人群在各波的自评健康加权均值与样本量
import pyreadstat
import numpy as np
import pandas as pd

WAVES = {1: "elsa_w1_indresp.sav", 2: "elsa_w2_indresp.sav",
         3: "elsa_w3_indresp.sav", 4: "elsa_w4_indresp.sav"}
MISSING = {-1, -2, -3, -8}

def wave_frame(path, wave):
    df, _ = pyreadstat.read_sav(path, apply_value_formats=False)
    need = ["idauniq", "indager", "hehelf", "indweight"]
    df = df[[c for c in need if c in df.columns]].copy()
    df["wave"] = wave
    for col in ["indager", "hehelf", "indweight"]:
        if col in df.columns:
            df.loc[df[col].isin(MISSING), col] = np.nan
    return df

long = pd.concat([wave_frame(p, w) for w, p in WAVES.items()], ignore_index=True)
band = long[(long["indager"] >= 60) & (long["indager"] <= 79)]

rows = []
for w, g in band.groupby("wave"):
    ok = g.dropna(subset=["hehelf", "indweight"])
    if ok.empty:
        continue
    rows.append({"wave": w, "n": len(ok),
                 "mean": np.average(ok["hehelf"], weights=ok["indweight"])})
print(pd.DataFrame(rows).to_string(index=False))

三个必须自己补的地方：波次文件清单要按实际下载的文件名填；变量名要按各波文档核对，同名不代表同义；年龄段边界要与研究问题一致，不要沿用示例。

附录 E：如果只记五件事

十一波、两年一次、2002 年 3 月起，五十岁以上英格兰社区居住人群。
护士访视与血液样本是本数据的第二层价值，但它间隔出现，第十波明确缺席。
它是 HRS 的英国姊妹研究，与 SHARE、CHARLS、LASI 同属一个协调家族——工具可比，样本不可拼。
取数分三层：汇总表免费、微数据注册即得、基因与链接数据要审批且要预算。
缺失是语义编码，不是空白；失访有形状，不是随机；权重必须跟着分析单位走。

编辑说明

本篇的核验时间为 2026 年 10 月 29 日，核验方式是逐个访问官方项目页与数据服务目录页，比对 About、Data info、The data we collect、Accessing ELSA data、Genetic data access、Wave reports and tables、International sister studies 七个页面，并对相互冲突之处按「不判对错、只报两说」处理。

未覆盖的内容包括：各波逐项应答率与留存率、访视参与者的健康差异幅度、血液标志物完整清单与检测批次安排、基因数据的实际分型规模。这四项需要技术报告原文或数据文件本体才能确认，本篇不作估算。

本篇不涉及任何个体级数据下载与统计，所有规模数字均来自官方页面或公开论文摘要；分布类统计不在收录范围，使用者拿到数据后应自行计算。