Weiterentwicklung der amtlichen Haushaltsstatistiken - RatSWD

Übersicht und Terminologie
Was ist eine Datenfusion? Es existieren unterschiedliche Definitionen dieses
Begriffs, der vor allem in der Markt- und Medienforschung häufig gleichgesetzt
wird mit dem „Verschmelzen“ zweier (oder mehrerer) Datenquellen anhand von
„Statistischen Zwillingen“ (siehe z. B. Koschnick 1988: 189 ff.). Unserer Meinung
nach ist diese Definition einerseits zu eng gefasst, da sie sich auf eine bestimmte
Klasse von Methoden bezieht (Nearest-Neighbor-Matchingverfahren) und gleichzeitig
nichts über die Analyseziele besagt. Wir folgen daher der in der Statistischen
Literatur üblichen Definition, gemäß der Datenfusion ein spezifisches Datenausfallmuster
bezeichnet, das entsteht, wenn (mindestens) zwei unabhängig entstandene
Datenquellen „übereinandergestapelt“ werden, sodass es eine Gruppe an Variablen
(X) gibt, die in beiden Datenquellen vorkommen, sowie eine Gruppe an Variablen
(Y), die nur in der ersten Datenquelle, und eine Gruppe an Variablen (Z), die nur
in der zweiten Datenquelle existieren (vgl. Rässler 2002). Zudem bezieht sich das
generelle Analyseziel auf die gemeinsame Verteilung von Y und Z – den Variablen,
die nicht gemeinsam beobachtet wurden. Abbildung 1 beschreibt diese Datensituation.
Auf die Verfahren, die eine gemeinsame Analyse von Variablen ermöglichen,
die nicht gemeinsam beobachtet sind, wird nicht spezifisch eingegangen.
Ein konkretes Beispiel aus der Medienforschung soll unseren Standpunkt
verdeutlichen: Daten des AGF/GfK Fernsehforschungspanels werden seit vielen
Jahren mit Daten aus dem GfK ConsumerScan fusioniert und unter dem Namen
t.o.m. (target optimizer for markets) vermarktet. Hierbei werden aus gemessenem
Kaufverhalten gebildete Zielgruppen aus dem Consumer Tracking Panel der
GfK (ConsumerScan) in das AGF/GfK Fernsehforschungspanel, der Datengrundlage
für die offiziellen Einschaltquoten in Deutschland, übertragen. Ziel dieser
Übertragung anhand von Variablen, die in beiden Panels vorliegen (X), ist die
Schaffung einer Datengrundlage, in der gemessenes Kaufverhalten (Z) gemeinsam
mit gemessener TV-Nutzung (Y) ausgewertet werden kann. Ursprünglich
wurde diese Fusion durch ein Mahalanobis-Distanzmatching, später mittels Predictive
Mean Matching (Rubin 1986; Little 1988) durchgeführt. In beiden Fällen
handelt es sich um Nearest-Neighbor-Verfahren, doch ebenso wäre ein parametrisches
Fusionsverfahren, beispielsweise über Regressionsschätzer, möglich.
Während das Datenausfallmuster designbasiert und somit nicht zufällig ist,
ist der zugrundeliegende Datenausfallmechanismus im Idealfall absolut zufällig
– nämlich dann, wenn die beteiligten Studien A und B Zufallsstichproben aus
derselben Population sind. Der Datenausfallmechanismus wird in einem solchen
Fall als Missing Completely at Random (MCAR) bezeichnet. Die Kategorisierung
von Datenausfallmechanismen wurde zuerst von Rubin (1976) vorgestellt und
später von Little und Rubin (1987) erweitert.
84