合成地理编码以促进对大规模行政数据中详细地理信息的访问
应用统计
2020-08-25 v3 统计方法学
摘要
我们研究了生成合成数据是否可以作为一种可行策略，在不损害数据库中包含单元的机密性的情况下，为外部研究人员提供对详细地理编码信息的访问。我们的工作动机来自于德国就业研究所（IAB）近期的一个项目，该项目将精确的地理编码与综合就业传记（IEB）相链接，后者是一个包含数百万条记录的大型行政数据库。我们评估了三种合成器在保持分析有效性与限制披露风险之间的权衡性能：一种合成器采用多项式乘积的 Dirichlet 过程混合（DPMPM），而另外两种使用不同版本的分类与回归树（CART）。在保持分析有效性方面，我们提出的基于分类 CART 模型的地理编码合成策略优于其他两种。如果认为由分类 CART 合成器生成的数据风险过高，我们证明，与限制回归树的大小或仅提供聚合层面地理信息的策略相比，合成额外变量是在实践中解决风险-效用权衡的首选策略。我们还提出了使合成器可扩展以处理大型文件的策略，给出了生成数据的分析有效性度量和披露风险度量，并为考虑采用合成数据方法来发布详细地理信息的统计机构提供了一般性建议。
引用
@article{arxiv.1803.05874,
title = {Synthesizing geocodes to facilitate access to detailed geographical information in large scale administrative data},
author = {Joerg Drechsler and Jingchen Hu},
journal= {arXiv preprint arXiv:1803.05874},
year = {2020}
}