Koppelen 910Leon Willenborg en Nico Heerschap - CBS

6.4 Voorbeeld
Men heeft twee bestanden A en B en wil deze op basis van de gemeenschappelijke
koppelvariabelen naam, adres en geboortedatum (alle secundaire sleutels) koppelen. In eerste
instantie koppelen alleen de eerste records van beide bestanden (P. Jansen). Er is sprake van een
koppeling op basis van gelijkheid van de scores van alle koppelvariabelen. In tweede instantie
wordt de eis van gelijke scores op de koppelvariabelen naam, adres en geboortedatum afgezwakt.
Bij de variabele geboortedatum is het voldoende om alleen te koppelen op het geboortejaar. Dat
levert een extra koppeling op bij de naam L. Pietersen. Ten slotte zwakt men de eis nog verder af.
Er is al sprake van een koppeling als de achternaam, het geboortejaar en het adres gelijk zijn. Dat
levert nog een extra koppeling op namelijk die tussen S. Jansen (bestand A) en G. Jansen (bestand
B). In figuur 6.3 is deze situatie weergegeven. Dit is een voorbeeld waarbij we ook zouden kunnen
stellen dat een metriek is gebruikt, namelijk een Hamming-metriek (zie paragraaf 7.3.1.1). Maar
deze metriek leidt tot gewichten 0 (geen koppelkandidaat) of 1 (koppelkandidaat).
Vergelijkbare voorbeelden zijn er ook bij de economische statistieken. Bijvoorbeeld als gekoppeld
wordt op basis van koppelvariabelen als ‘Naam van het bedrijf’, ‘adres’ en ‘telefoonnummer’. Het
mag duidelijk zijn dat dit geen gemakkelijke opgave is omdat de namen van bedrijven op veel
verschillende manieren kunnen worden vastgelegd. Zo kan het de ene keer gaan om de formele
rechtspersoon (bijv. Verkoop Vanalles BV), de andere keer om een afkorting (bijv. Vanalles) en de
volgende keer om de naam van de eigenaar (bijv. G. Jansen).
6.5 Kwaliteitsindicatoren
Ook hier zijn aantallen miskoppelingen of gemiste koppelingen te gebruiken als kwaliteitsmaten.
Er spelen hier enkele zaken die corresponderen met de cruciale stappen in een koppelproces:
1. Het vinden van koppelkandidaten. Hierbij spelen een rol:
a. Het gebruikte koppelcriterium (bijvoorbeeld gebruik makend van de Hammingafstand)
om records wel/niet als koppelkandidaten te beschouwen.
b. In geval men een metriek etc. gebruikt, is het de vraag in hoeverre deze adequaat
het onderliggende foutproces verdisconteert. (Zie ook paragraaf 7.3.) Ook de keuze
van cut-off-waarden is van invloed op welke records als koppelkandidaten worden
beschouwd.
c. Eventueel gebruikte blocking variabelen (bijvoorbeeld bij grote bestanden); door
de koppelbestanden te partitioneren en de zoekruimte bewust te beperken
(vanwege de performance) kan het zijn dat men kandidaat-koppelingen mist, en
uiteindelijk dus ook koppelingen.
2. het selecteren van de uiteindelijke koppelingen uit de koppelkandidaten. Ook hier wordt
een criterium gebruikt. De vraag is in hoeverre dit tot correcte keuze leidt.
De kwaliteit van een gebruikte koppelingsmethode is te schatten op basis van inspectie van
koppelingen van proefbestanden. Dat is hier arbeidsintensief. Niet alleen moet worden gekeken
naar de koppelkandidaten en de uiteindelijk geselecteerde koppelingen, maar ook naar eventueel
gemiste koppelingen bij diverse parameterinstellingen.
46