A Case Study Exploring Data Synthesis Strategies on Tabular vs. Aggregated Data Sources for Official Statistics

Das Kapitel vertieft sich in den innovativen Bereich der Generierung synthetischer Mikrodaten aus aggregierten Datenquellen und konzentriert sich dabei auf offizielle Statistiken. Es stellt eine Fallstudie vor, die die Leistung der Makro-zu-Mikro-Datensynthese mit herkömmlichen Mikro-zu-Mikro-Methoden vergleicht. Die Autoren schlagen drei verschiedene Szenarien vor - kein Wissen, internes Wissen und externes Wissen - um die Effektivität der Generierung synthetischer Daten zu bewerten. Sie verwenden fortschrittliche Techniken wie Gaußsche Copulas und maschinelle Lernmodelle wie CTGAN und CART, um synthetische Datensätze zu erzeugen. Die Studie bewertet auch die analytische Validität und Offenlegungsrisiken, die mit diesen synthetischen Datensätzen verbunden sind, und bietet wertvolle Einsichten in die Zielkonflikte zwischen Nutzen und Privatsphäre. Das Kapitel schließt mit einer Diskussion über zukünftige Forschungsrichtungen, in der das Potenzial der Synthese von Makro- zu Mikrodaten für Ausbildungs- und Testzwecke hervorgehoben wird.