Weiterentwicklung der amtlichen Haushaltsstatistiken - RatSWD

Zusammenfassung
Datenfusionen wurden in Deutschland zwar bereits in den 1970-er Jahren von
Friedrich Wendt durchgeführt, allerdings hat erst die Verfügbarkeit von notwendiger
Rechenleistung sowie die Verfügbarkeit von Imputations-, Matching- und
Data Mining-Algorithmen zu einem großen Popularitätsschub geführt. Wie in
der Einleitung bereits angedeutet, ist der Begriff „Datenfusion“ diffus und bezieht
sich bisweilen eher auf die Methode, als dass er der eingangs gegebenen Definition
entspricht.
Die nach unserem Wissen ersten größeren, kontinuierlichen Datenfusionsprojekte
in Deutschland stammen aus der kommerziellen Medienforschung, da
dort der Wunsch nach einer Datenquelle, die alle relevanten Medien abbildet, auf
die Eigenständigkeit der einzelnen „Währungsstudien“ 5 sowie medienpolitische
Widerstände trifft.
Auf Grund der Methodenvielfalt und unterschiedlichen Auswertungsziele ist
es schwierig, ein Verfahren als universell am geeignetsten zu bezeichnen. In Kapitel
drei wurde erläutert, nach welchen Kriterien eine Einteilung der Verfahren
möglich ist. Die seit langem eingesetzten Matchingverfahren werden weiterhin
eine wichtige Rolle spielen, allerdings ist davon auszugehen, dass diese zukünftig
verstärkt aus der Perspektive der Statistik-Literatur zu fehlenden Daten untersucht
und somit auch die Erkenntnisse im Bereich der Inferenz von unvollständigen
Daten zunehmend eine Rolle spielen werden. Ein erster Schritt ist es zu
erkennen, dass Datenfusion eine Datenergänzung und der durch die Ergänzung
induzierten Unsicherheit durch größere Konfidenzintervalle Rechnung zu tragen
ist. Wir gehen daher davon aus, dass varianzkorrigierende Verfahren wie Multiple
Imputation zukünftig häufiger in empirischen Datenfusionsprojekten zu finden
sein werden.
Der schwierigste Transfer aus der Wissenschaft in die Anwendung ist unserer
Meinung nach der Umgang mit der Annahme der bedingten Unabhängigkeit,
da insbesondere in Surveydaten die Zusammenhänge oft nicht ausreichend sind,
um die Bandbreiten der möglichen Korrelationen zwischen Y und Z auf ein für
die Praxis befriedigendes Niveau zu bringen. Hier könnten zukünftig Bayesianische
Ansätze Abhilfe schaffen, über die Hilfsinformation bezüglich der gemeinsamen
Verteilung von Y und Z in die Modellierung aufgenommen wird, die in den
Datenmatrizen selbst nicht abbildbar ist.
5 Der Begriff wird typischerweise für die Studie gewählt, auf deren Basis Preise für Werbung im jeweiligen
Medium ausgehandelt werden.
97