Koppelen 910Leon Willenborg en Nico Heerschap - CBS

4. Theorie van het koppelen
4.1 Inleiding
Stel dat we koppelbestanden A en B hebben, waarvoor geldt dat ze informatie bevatten die
betrekking heeft op tijdstippen die niet al te ver uit elkaar liggen. Ten aanzien van de koppelbaarheid
van deze bestanden doen zich de volgende mogelijkheden voor (zie ook figuur 2.4):
1. Er is een gemeenschappelijke en unieke primaire koppelsleutel die zowel in bestand A als in
bestand B aanwezig is. Er zijn vervolgens twee mogelijkheden:
a. De scores op de variabelen in de koppelsleutel zijn van voldoende kwaliteit.
b. De scores op de variabelen in de koppelsleutel zijn van onvoldoende kwaliteit.
2. Er is geen (goede) gemeenschappelijke en unieke primaire koppelsleutel in beide bestanden
aanwezig. Er zijn wel bepaalde variabelen gemeenschappelijk in beide bestanden aanwezig die
als secundaire koppelsleutel kunnen dienen. Ook in dit geval zijn er twee mogelijkheden:
a. De scores op deze gemeenschappelijke secundaire koppelsleutel zijn van voldoende
kwaliteit.
b. De scores op deze gemeenschappelijke secundaire koppelsleutel zijn van onvoldoende
kwaliteit.
Het is duidelijk dat dit een opsomming is van typen van koppelproblemen, geordend van
gemakkelijk (geval 1a) naar moeilijk of zelfs ondoenlijk (geval 2b). De lastigste gevallen van
koppelen zijn de gevallen die onder 1b of onder 2a vallen. Daar ligt de koppelproblematiek waar in
dit stuk de meeste aandacht aan zal worden besteed. Situatie 1a wordt voor de volledigheid ook
behandeld (hoofdstuk 5) maar hier spelen geen methodologische problemen. In de terminologie van
Van de Laar (2008) betreft dit een procedure en geen methode. 6
Koppelcriteria en randvoorwaarden:
Toepassing van een koppelcriterium levert records op die mogelijk te koppelen zijn, de
zogenaamde koppelkandidaten. Deze koppelkandidaten worden eerst vastgesteld, in geval
koppelmethoden worden gebruikt, dat wil zeggen in situaties met secundaire sleutels en fouten of
afwijkingen in de data. Als men bijvoorbeeld een metriek gebruikt om de afstand (of de mate van
overeenkomst) tussen twee records te meten, dan geeft het koppelcriterium aan bij welke afstanden
(bijvoorbeeld cut-off- of drempelwaarden) men moet stoppen twee records nog als
koppelkandidaten te gebruiken. Stel men heeft vijf secundaire koppelvariabelen als samengestelde
sleutel. Het koppelcriterium zou dan kunnen zijn dat records die op minimaal drie van de vijf
koppelvariabelen een gelijke score hebben als koppelkandidaten beschouwd moeten worden en de
rest niet.
6 Het verschil is dat een methode een benadering betreft, en een procedure niet. Zo heeft men een ophoging
nodig om via populatieschattingen benaderingen te krijgen voor populatieaantallen. Zo’n ophoging is
gebaseerd op één van de vele ophoogmethoden die bekend zijn, en die ieder geschikt zijn voor specifieke
situaties. Ophogingen leveren schattingen op van populatiegrootheden. Bij een koppeling van twee bestanden
op basis van een harde sleutel (een primaire sleutel) is geen sprake van een benadering. (Zie Hoofdstuk 5) De
koppelmethoden gebaseerd op secundaire sleutels (zie Hoofdstukken 6 en 7) zijn wel benaderingen.
28