Koppelen 910Leon Willenborg en Nico Heerschap - CBS

8. Het eventueel kiezen van de zogenaamde blocking variabelen. Twee te koppelen bestanden
van bijvoorbeeld elk 1000 records leveren al 1.000.000 potentiële koppelkandidaten op. Om
alle koppelkandidaten te controleren op een mogelijke koppeling is dan erg inefficiënt. Te
koppelen bestanden zijn in de praktijk vaak nog vele malen groter en daarom wordt vaak
gebruik gemaakt van zogenaamde blocking variabelen. Deze delen de te koppelen bestanden
op zodat er twee of meer blokken ontstaan, waarbinnen records worden vergeleken. Is de
kwaliteit van de gekozen blocking-variabele niet al te groot dan worden vaak meerdere runs
gedraaid met verschillende variabelen als blocking-variabele. Men dient zich te realiseren dat
het kiezen van de blocking variabele(n) niet evident is. Een “foute” keuze kan bijvoorbeeld
leiden tot slechte eindresultaten;
9. Het selecteren van koppelmethode. Zie verder de hoofdstukken 5 tot en met 7;
10. Het eventueel uitvoeren, analyseren en beschrijven van een proef-run (zie daarvoor verder C.
Koppelfase). Dit geldt vooral als een meer geavanceerde methode, bijvoorbeeld met
koppelgewichten en cut-off-waarden, wordt gebruikt.
C. Koppelfase:
11. Het ophalen van de (eventueel eerder bewerkte) databestanden;
12. Het koppelen zelf. Daarbij kan onderscheid worden gemaakt naar:
het eventueel sorteren van de bestanden;
het eventueel bepalen van de gewichten en cut-off-waarden;
het bij elkaar brengen (matchen) van de potentieel te koppelen records op basis van de
koppelsleutel (de set van koppelkandidaten), als eerste hoofdstap;
het vergelijken van de verschillende koppelkandidaten en het besluiten of er sprake is van
een “echte koppeling” of niet of dat er sprake is van een twijfelgeval, als tweede
hoofdstap;
het opslaan in resultaatfiles.
13. Het eventueel handmatig verwerken van de twijfelgevallen;
14. Het controleren en analyseren van het koppelresultaat en het bepalen van kwaliteitsindicatoren
(type I en type II fouten). Een optie is om bijvoorbeeld een kleine steekproef te trekken uit het
eindresultaat en handmatig te controleren of zij juist zijn of niet. Hiermee kan vervolgens een
maat voor de kwaliteit worden berekend;
15. Het eventueel opnieuw draaien van de run met bijvoorbeeld andere blocking variabelen,
gewichten en drempelwaarden of het minder streng toepassen van de voorwaarden bij de
onderlinge vergelijking.
D. Post-verwerkingsfase:
16. Samenstellen van het definitieve eindresultaat (met bestanden van gekoppelde en niet
gekoppelde eenheden);
17. Het beschrijven van het eindresultaat, onder meer met kwaliteitsindicatoren, het uitgevoerde
proces en de gebruikte methoden (met parameters);
18. Het eventueel anders formatteren en/of herstructureren van de eindresultaten ten behoeve van
de levering of de opslag;
20