数据获取

从官方 API 获取六国 1991–2024 年的 GDP 增长率与失业率，实际计算年度差分和逐国回归。查看数据口径、六国图和结果，下载公开快照、Python 与 Stata 代码及运行成果。

我想直观地了解一下「奥肯定律」。请通过世界银行的 API 获取美国、中国、日本、德国、英国和加拿大 1991—2024 年的实际 GDP 年增长率和失业率数据，说明指标定义、统计口径及来源。

计算各国失业率的年度变化（今年减去年，单位为百分点），用 1992—2024 年的观测分别绘制六国散点图，排成 2 行 3 列，横轴为实际 GDP 年增长率，纵轴为失业率年度变化。添加各国的线性拟合线及 95% 置信带，简要解释图中呈现的关系，不预设数据一定符合奥肯定律。检查缺失值，不自行填补。

请使用 Python 实现整个过程，同时整理一份 Stata 实现的复现包。将原始数据、整理后的数据、获取与处理代码、绘图代码、图片、依赖及运行说明统一保存至 replication/ 目录下，分别组织两套实现，便于重新运行和核对结果。

六国 GDP 增长率与失业率年度变化散点图，各有 33 个观测，含逐国拟合线与均值拟合线的 95% 置信带。 — 点击查看矢量图。置信带针对均值拟合线，不是单个年份的预测区间，也不是不同国家斜率之差的检验。

下载完整公开数据案例包（ZIP）

这份案例把一项公开数据任务完整展开：确定指标、保存来源、对齐国家与年份、计算失业率变化，再用图和回归查看关系。下面展示 Python 与 Stata 在同一公开数据快照上的实际计算结果，可以下载并独立复做。

先看指南：如何从公开数据提出任务并检查成果

起点：两个指标和六个国家

任务沿用原案例的美国、中国、日本、德国、英国和加拿大，获取 1991–2024 年的年度数据。GDP 指标是实际 GDP 年增长率 NY.GDP.MKTP.KD.ZG，单位为 %；失业率是占劳动力的比例 SL.UEM.TOTL.ZS，采用 ILO 模型估计口径。它不是各国新闻中公布的失业率的直接替代，来源本身包含模型估计和插补。

本次快照取得 204 个国家—年份行，两个指标均无空值。1991 年只为下一年的差分提供输入；实际作图与回归为 1992–2024 年，每国 33 个观测。我们没有另行填补缺失值。

处理：先算变化，再分别拟合

失业率年度变化 = 今年失业率 − 去年失业率，单位是百分点。横轴是当年实际 GDP 增长率，纵轴是失业率年度变化；逐国估计带截距的 OLS。程序检查连续年份，不把跨越缺失年份的差值当作年度变化，也不把六国混成一个共同斜率。

国家	N	斜率	常规标准误	95% 区间	R²
美国	33	-0.594	0.080	-0.758–-0.431	0.640
中国	33	-0.006	0.014	-0.034–0.022	0.006
日本	33	-0.107	0.027	-0.162–-0.051	0.334
德国	33	-0.181	0.059	-0.302–-0.060	0.230
英国	33	-0.126	0.037	-0.201–-0.051	0.276
加拿大	33	-0.464	0.039	-0.544–-0.385	0.819

这份快照中，美国和加拿大的拟合负斜率较明显，中国的拟合线接近水平。美国约 −0.594 的斜率表示：在这组年度样本的线性拟合中，GDP 增长率相差 1 个百分点，对应的失业率年度变化相差约 −0.594 个百分点。它不表示提高增长率必然造成这种失业变化。

这里使用常规 OLS 标准误，没有调整年度序列的自相关、疫情异常点或结构变化；图和区间用于描述练习。来源方也提示模型插补值具有不确定性，不宜用于国家排名。正式研究还需检查统计口径、时期、滞后关系与推断设定，不能从六张图宣布定律在所有国家成立。

下载：数据、代码、图和实际输出

包内含原始 API JSON、整理后的 CSV、来源记录、Python 与 Stata 两套程序、两套实际成果及复做说明。数据来源为 World Bank WDI 与相应提供方，两项指标标示 CC BY 4.0；归属、修改说明及 World Bank 附加条款随包保留。本案例不代表来源机构的认可。

怎样复做？

解压到新的空目录，先保留一份原成果作对照。已有数据快照可直接离线计算，不需要 World Bank 账号。
Python 按 README 准备依赖后，从包根目录运行 python python/analyze.py。Stata 在新的合法会话中切换到包根目录，运行 do stata/analysis.do；不需要 Python 或额外 Stata 命令。
核对六国、每国 33 个观测、1992–2024 年、差分单位和实际输出。两套实现已经独立对照，系数、标准误与区间的最大数值差小于 10⁻¹⁰；图形样式与文件字节不要求相同。
需要最新数据时，另复制一份包，显式运行 python fetch-data.py，再重跑分析。数据修订可能改变结果；比较时保留各次获取时间和原始响应。

分析程序会覆写练习目录内同名成果，Stata 的 clear all 会清空该会话的内存状态，请先保存当前工作。本次在 macOS、Python 3.11.11 与 Stata 19.5 运行；Windows 真机复做未覆盖。在 Marx Max 中尝试时，建立独立练习项目，检查实际程序和输出；云端 AI 会接收对话及工具返回内容。

回到公开数据使用指南 · 了解 AI 数据处理范围