Koppelen 910Leon Willenborg en Nico Heerschap - CBS

In dit stuk bekijken we drie wijzen van koppelen:
• Koppelen op een (samengestelde) primaire sleutel (“joinen”);
• Koppelen op een (samengestelde) secundaire sleutel, zonder gebruik te maken van koppelgewichten;
• Koppelen op een (samengestelde) secundaire sleutel, met gebruikmaking van koppelgewichten.
Koppelen op een primaire sleutel is eigenlijk de ideale manier van koppelen, omdat hier de eenheden
een eenduidige en unieke identificatie kennen. In theorie kunnen er geen dubbele voorkomen.
In de praktijk zullen er echter toch foutjes insluipen. Zo kan het zijn dat er in één bestand (ten
onrechte) toch dubbele records voorkomen. 10 In dat geval moet er eerst ontdubbeld worden.
Mochten er veel duplicaten zijn dan hebben we eigenlijk te maken met een koppelsleutel die niet
erg betrouwbaar is. In dat geval zou men beter kunnen kijken naar alternatieven, in de vorm van
secundaire sleutels. Die moeten dan wel voorhanden zijn in de koppelbestanden.
Indien er geen primaire sleutel gemeenschappelijk aanwezig is in beide koppelbestanden, maar wel
een secundaire koppelsleutel, kan deze gebruikt worden om records te koppelen. We moeten hier
echter van uitgaan dat er meer koppelfouten mogelijk zijn: koppelingen kunnen worden gemaakt
terwijl ze niet terecht zijn, of gemist, terwijl ook dat niet de bedoeling is. We beschouwen voor
deze situatie twee mogelijkheden: er worden geen of juist wel koppelgewichten gebruikt om de
sterkte van een mogelijke koppeling weer te geven.
Welke methode men wil kiezen hangt sterk af van de situatie. Te noemen zijn:
- de kwaliteit van de koppelsleutels. Is de kwaliteit van de koppelvariabelen goed en sterk
identificerend dan zal men eerder kiezen voor het “joinen” (als dus een goede unieke primaire
sleutel aanwezig is) of een methode zonder gewichten;
- de eenduidigheid en vergelijkbaarheid van de koppelsleutels. Zijn de koppelsleutels onderling
sterk discriminerend dan komt het gebruik van methoden zonder gewichten eerder in beeld
dan een methode met gewichten;
- de gewenste kwaliteit van de koppelingen. De methoden zonder koppelgewichten hebben,
grofweg, betere performance en boeten in op kwaliteit, terwijl bij modellen met koppelgewichten
juist een betere kwaliteit en een geringere performance te verwachten is;
- beschikbare hardware en software. In veel koppelsoftware is het gebruik van gewichten vaak
niet (goed) mogelijk en, zoals gezegd, zullen “joinen” en een methode zonder gewichten beter
performen dan een methode met gewichten;
- tijd, beschikbare capaciteit en kennis. Is deze beperkt dan zal men eerder kiezen voor het
gebruiken van “joinen” (als een goede primaire sleutel aanwezig is) of een methode zonder
10 Overigens is het meerdere keren voorkomen van records met eenzelfde primaire sleutel niet per definitie
fout. Denk bijvoorbeeld aan een banenbestand, of een voertuigenbestand. Een persoon kan best meerdere
banen hebben, of meerdere voertuigen bezitten. Het gaat dan om foreign keys. In het persoonsbestand dient
iedere persoon een eenduidig persoonsnummer te hebben (BSN) Er zijn echter ook situaties dat de
afzonderlijke records in een bestand geacht worden betrekking te hebben op verschillende eenheden,
bijvoorbeeld personen. In zo’n geval moeten alle records in het bestand een verschillende sleutelwaarde
hebben. Het voorkomen van twee records met eenzelfde sleutelwaarde is dan een fout.
32