Koppelen 910Leon Willenborg en Nico Heerschap - CBS

6. Koppelen op secundaire sleutels, zonder koppelgewichten
6.1 Korte beschrijving
Bij het koppelen op basis van een secundaire sleutel worden één of meerdere variabelen gebruikt
die het record mogelijk identificeren. Deze identificatie is, anders dan met behulp van een unieke
primaire sleutel, niet per se ondubbelzinnig. Het probleem is dat een eenheid die uniek is op een set
secundaire sleutels, niet per se uniek hoeft te zijn in de populatie. In de populatie van Nederlanders
zijn er diverse personen die ‘Janssen’ als achternaam hebben, of die van beroep ‘ambtenaar’ zijn.
Zelfs bij combinaties van enkele van zulke variabelen kan men nog dubbelen hebben: er zijn
meerdere ambtenaren die Janssen heten. Daarentegen zou iemand die ‘Wladimirow’ heet en
advocaat is wel uniek kunnen zijn in Nederland. Hoe meer van dergelijke direct of indirect
identificerende variabelen 14 men ter beschikking heeft (zoals initialen, voornaam, familienaam,
bedrijfsnaam, geslacht, geboortedatum, leeftijd (op een bepaald moment), adres, beroep, etc.) des te
groter is de kans dat er unieke personen worden aangeduid in een bestand. Ze hoeven niet allemaal
uniek te zijn, maar een deel van de personen gerepresenteerd in een bestand zou uniek kunnen zijn.
Hoe meer er van dergelijke variabelen in een bestand aanwezig zijn, hoe meer unieken (in de
populatie) en niet alleen in het bestand men aantreft. Indien de scores betrouwbaar zijn, zijn dit dan
waarschijnlijk ook in werkelijkheid populatie-unieken.
Daarbij komt dat er ook nog waarnemingsfouten en andere afwijkingen kunnen voorkomen in de
waarden die deze indirecte identificatoren aannemen. In dat opzicht verschillen ze van variabelen
die als primaire sleutelvariabele gelden. Bovendien zijn ‘waarden-met-afwijkingen/fouten’ op
secundaire sleutels meestal nog bruikbaar om te koppelen. Fouten op scores van primaire sleutels
zijn meestal onbruikbaar (denk aan BSN-nummers met typefouten).
6.2 Toepasbaarheid
Voorwaarde om deze methode toe te kunnen passen is dat in beide koppelbestanden
gemeenschappelijke indirect identificerende variabelen 15 aanwezig zijn, op basis waarvan de
koppeling kan worden uitgevoerd. We laten daarbij ook toe dat twee overeenkomstige variabelen
ook een verschillend domein hebben, bijvoorbeeld met een andere categorie-indeling (bijvoorbeeld
leeftijd in 5-jaarsklassen in het ene bestand en 10-jaarsklassen in het andere). Verder laten we toe
dat waarnemingsfouten kunnen voorkomen op de scores van deze variabelen.
14 Deze namen zijn ontleend aan de statistische beveiliging. Zie Willenborg en De Waal (2000). Overigens
zijn primaire sleutels als sofinummer of BEID hier niet bedoeld. Wel echter variabelen als familienaam,
initialen, voornaam, adres, etc. Dit zijn weliswaar directe identificatoren, ze duiden geenszins altijd unieke
eenheden aan. Immers een naam als Janssen komt veel voor, evenals woonplaats Amsterdam, of adres
Dorpstraat. Gecombineerd zijn ze veel krachtiger en kunnen ze unieke eenheden als personen gaan
aanduiden. Een score of BSN duidt al een unieke persoon aan.
15 Dat ze gemeenschappelijke variabelen hebben is niet voldoende. Het zou dan bijvoorbeeld kunnen gaan
over variabelen die een opinie of opvatting uitdrukken. Bijvoorbeeld antwoorden op vragen als: op welke
partij heeft u de laatste keer gestemd? Voelt u zich veilig op straat na zonsondergang? De antwoorden op dit
soort vragen zijn in het algemeen niet zo betrouwbaar.
42