Advertisement

Allgemeines Statistisches Archiv

, Volume 90, Issue 4, pp 553–576 | Cite as

Fehlende und fehlerhafte Daten in der amtlichen Statistik. Neue Herausforderungen und Lösungsansätze

  • Walter Radermacher
  • Thomas Körner
Original Paper

Zusammenfassung

Die Datenerhebungsprozesse in der amtlichen Statistik unterliegen einem tief greifenden Wandel. Zu diesem Wandel haben verschiedene Faktoren beigetragen: So verlangen die Auskunftgebenden oftmals eine spürbare Verringerung der Belastung. Gleichzeitig wünschen viele Nutzer tiefer gegliederte Informationen in einer wachsenden Zahl von Bereichen. Die statistischen Ämter sehen sich dabei mit immer neuen Budgetkürzungen konfrontiert, die ihre Reaktionsmöglichkeiten nicht selten einschränken. Schließlich ist im Europäischen Statistischen System eine weitere Harmonisierung der Datenerhebungsprozesse erforderlich.

Der Wandel der Datenerhebungsprozesse hat nahezu alle Bereiche der amtlichen Statistik erfasst. Vielfach ersetzen heute Verwaltungsregister (wie im Fall des Unternehmensregisters oder des geplanten registergestützten Zensus) traditionelle Totalerhebungen. Bei neuen Statistiken tritt nicht selten die Freiwilligkeit der Auskunftserteilung an die Stelle der Auskunftspflicht. In der Unternehmensstatistik werden die Abläufe bei Befragung und Aufbereitung darüber hinaus grundlegend verändert, wenn etwa die Unternehmen ihre Angaben automatisch aus dem betrieblichen Rechnungswesen an das statistische Amt senden. In anderen Bereichen erfordert eine gesunkene Teilnahmebereitschaft an Erhebungen den Einsatz zunehmend komplexer Stichprobenverfahren, wie etwa im Fall der Dauerstichprobe befragungsbereiter Haushalte.

All diese Veränderungen haben erhebliche Auswirkungen auf die Messung, insbesondere auf die Behandlung fehlender und fehlerhafter Daten. Die Konzepte zur Messung von Fehlern in statistischen Erhebungen sind häufig noch immer ausgerichtet an der traditionellen Primärstatistik. Um eine Bewertung der veränderten Ansätze in der Datenerhebung vornehmen zu können, bedürfen die Fehlertypen daher einer konzeptionellen Neuausrichtung. So unterscheiden sich z. B. registergestützte und traditionelle Erhebungen hinsichtlich der Konstruktion der Grundgesamtheit grundlegend. Mit den genannten Veränderungen des Erhebungsprozesses sind zugleich neue Ansätze zur Erkennung und Korrektur von Antwortausfällen erforderlich, z. B. im Fall fehlender oder fehlerhafter Werte in Verwaltungsregistern. Unterschiede zwischen den Merkmalsdefinitionen in Verwaltungsregistern und der amtlichen Statistik können schließlich zu neuen Typen von Messfehlern führen, die bislang nur selten Beachtung finden. Dieser Beitrag entwirft ein “Fehlerportfolio”, das bei der Änderung von Erhebungsprozessen die Auswirkungen auf den Fehler der Ergebnisse bewerten hilft.

Abstract

Data collection processes in official statistics are currently facing many pressures. Respondents ask for a reduced response burden. Users ask for more detailed information in a growing number of subject matter areas. Governments restrict the budget, thus at the same time restricting the possible use of data collection methods. And the European Statistical System requires a further harmonisation of the data collection methods used within the member states.

These pressures are also reflected by fundamental changes in the way official statistics are collecting data. Administrative registers replaced traditional censuses in many areas (like the population census or in the whole field of business statistics). Voluntary surveys more and more replace surveys with mandatory response. In some fields, the logic of the response process is being radically reshaped: For example, in German business surveys, enterprises can now report their data directly from their Enterprise Resource Planning (ERP) systems. And in many areas increasingly complex sampling designs are used in order to enhance the efficiency of the fieldwork and to counteract a growing reluctance to participate in surveys.

The paper focuses on the implications of these changes on survey errors. We argue that the concepts used to measure and assess survey errors still reflect the perspective of the ‘traditional’ survey with primary data collection. With the current changes in the data collection processes these concepts are no longer fully appropriate. For example, an assessment of the coverage errors has to take into account the differences in the construction of the target population in registers and traditional censuses. The changes in the response process necessitate changes in the way we measure and correct for nonresponse errors (e. g. detection of erroneous or missing values in registers). Measurement errors have to be conceived differently in order to cover, e. g., errors due to lacks in compliance of statistical concepts with the concepts used in public administration. We propose an ‘error portfolio’ enabling an assessment the impacts of changes in data collection processes on the survey error.

Keywords

Official statistics Data quality assessment Survey errors Quality of administrative data Data collection strategies 

Preview

Unable to display preview. Download preview PDF.

Unable to display preview. Download preview PDF.

Literatur

  1. 1.
    Ardal, S., Ennis, S. (2001): Data detectives: Uncovering systematic errors in administrative databases. In: Proceedings of the Statistics Canada Symposium, OttawaGoogle Scholar
  2. 2.
    Biemer, P., Fecso, R. (1995): Evaluating and controlling measurement error in business surveys. In: Cox, B.G., Binder, D.A., Chinnappa, B.N., Christianson, A., Colledge, M.J. (Hrsg.) Business Survey Methods, pp. 257–281. Wiley, New YorkGoogle Scholar
  3. 3.
    Biemer, P., Lyberg, L. (2003): Introduction to Survey Quality. Wiley, Hoboken, NJGoogle Scholar
  4. 4.
    Blanc, M., Radermacher, W., Körner, T. (2001): Qualität und Nutzer. Grundlagen und Instrumente der Nutzerorientierung in der amtlichen Statistik. Wirtschaft und Statistik 10, 799–807Google Scholar
  5. 5.
    Brackstone, G.J. (1987): Issues in the use of administrative records for statistical purposes. Survey Methodology 13, 29–43Google Scholar
  6. 6.
    Desrosières, A. (2005): Die Politik der großen Zahlen. Eine Geschichte der statistischen Denkweise. Springer, Berlin Heidelberg New YorkzbMATHGoogle Scholar
  7. 7.
    Dillman, D. (2005): It takes more than words to write a question. How visual layout affects answers to internet and mail questionnaires. Short course manuscript. In: Journal of Official Statistics 20th Anniversary Conference, Stockholm, 24–25 AugustGoogle Scholar
  8. 8.
    EUROSTAT (Hrsg.) (2003a): Quality assessment of administrative data for statistical purposes. Working group document, LuxembourgGoogle Scholar
  9. 9.
    EUROSTAT (Hrsg.) (2003b): Standard quality report. Working group document, LuxembourgGoogle Scholar
  10. 10.
    Flaskämper, P. (1933): Die Bedeutung der Zahl für die Sozialwissenschaften. Allgemeines Statistisches Archiv 23, 58–71zbMATHGoogle Scholar
  11. 11.
    Grohmann, H. (1985): Vom theoretischen Konstrukt zum statistischen Begriff. Das Adäquationsproblem. Allgemeines Statistisches Archiv 69, 1–15MathSciNetGoogle Scholar
  12. 12.
    Groves, R.M. (2005): Perspectives on survey errors. Paper presented at the Journal of Official Statistics 20th Anniversary Conference, Stockholm, 24–26 AugustGoogle Scholar
  13. 13.
    Groves, R.M., Fowler, F., Couper, M., Lepkowski, J., Singer, E., Tourangeau, R. (2004): Survey Methodology. Wiley, Hoboken, NJGoogle Scholar
  14. 14.
    Grünewald, W., Körner, T. (2005): Quality on its way to maturity. The results of the European Conference on Quality and Methodology in Official Statistics (Q2004). Journal of Official Statistics 21, 747–759Google Scholar
  15. 15.
    Hakim, C. (1982): Secondary Analysis in Social Research. A Guide to Data Sources and Methods with Examples. Allen and Unwin, LondonGoogle Scholar
  16. 16.
    Hand, D.J. (2004): Measurement Theory and Practice. The World Through Quantification. Arnold, LondonzbMATHGoogle Scholar
  17. 17.
    Jörger, N. (2003): Strukturindikatoren – Messung der Fortschritte im Rahmen der Lissabonner Strategie. Wirtschaft und Statistik 12, 1083–1090Google Scholar
  18. 18.
    Koalitionsvertrag zwischen CDU, CSU und SPD (2005): Gemeinsam für Deutschland – Mit Mut und Menschlichkeit. 11. 11. 2005, Textziffer 4597 fGoogle Scholar
  19. 19.
    Körner, T., Meyer, I., Minkel, H., Timm, U. (2005): Leben in Europa – die neue Statistik über Einkommen und Lebensbedingungen. Wirtschaft und Statistik 11, 1137–1152Google Scholar
  20. 20.
    Körner, T., Nimmergut, A. (2003): Zu den Möglichkeiten der Nutzung einer Dauerstichprobe befragungsbereiter Haushalte in der amtlichen Statistik. Ergebnisse einer Pilotstudie. Wirtschaft und Statistik 5, 391–401Google Scholar
  21. 21.
    Krug, W., Nourney, M., Schmidt, J. (2001): Wirtschafts- und Sozialstatistik. Gewinnung von Daten, 6. Aufl. Oldenbourg, München WienGoogle Scholar
  22. 22.
    Monty, A., Finlay, H. (1994): Strengths and weaknesses of administrative data sources: Experiences of the Canadian business register. Statistical Journal of the United Nations ECE 11, 205–210Google Scholar
  23. 23.
    Radermacher, W. (1992): Methoden und Möglichkeiten der Qualitätsbeurteilung von statistischen Informationen aus der Fernerkundung. Jahrbücher für Nationalökonomie und Statistik 209, 169–179Google Scholar
  24. 24.
    Radermacher, W., Weisbrod, J., Asef, D. (2004): Bedarf, Qualität, Belastung: Optimierung als Interessenausgleich. Wirtschaft und Statistik 10, 1237–1244Google Scholar
  25. 25.
    Rohwer, G., Pötter, U. (2002): Methoden Sozialwissenschaftlicher Datenkonstruktion. Juventa, Weinheim MünchenGoogle Scholar
  26. 26.
    Schäfer, M. (2005): eSTATISTIK.core: Electronic Data Reporting from ERP Systems. Paper presented at the 53rd Plenary Session of the Conference of European Statisticians, Geneva, 13–15 JuneGoogle Scholar
  27. 27.
    Statistische Ämter des Bundes und der Länder (2003): Masterplan zur Reform der amtlichen Statistik. WiesbadenGoogle Scholar
  28. 28.
    Statistische Ämter des Bundes und der Länder (2004a): Ergebnisse des Zensustests. Wirtschaft und Statistik 8, 813–833Google Scholar
  29. 29.
    Statistische Ämter des Bundes und der Länder (2004b): Qualitätsmerkmale statistischer Ergebnisse. Definitionen, Kennzahlen, Erläuterungen. WiesbadenGoogle Scholar
  30. 30.
    Strecker, H. (1963): Zur Genauigkeit wirtschaftsstatistischer Größen. Metrika 6, 132–144Google Scholar
  31. 31.
    Strecker, H. (1971): Ein Modell zur Ermittlung von Angabefehlern in statistischen Erhebungen. Metrika 13, 141–145MathSciNetGoogle Scholar
  32. 32.
    Strecker, H. (1980): Models for the decomposition of errors in statistical data into components, and the ascertainment of respondent errors by means of accurracy checks. Jahrbücher für Nationalökonomie und Statistik 195, 385–420Google Scholar
  33. 33.
    Strecker, H. (2004a): Der Nicht-Stichprobenfehler und seine Zerlegung in die beiden Komponenten „glatter Wert – wahrer Wert plus systematischer Fehler“ und „Zufallsfehler“. Jahrbücher für Nationalökonomie und Statistik 224, 198–230Google Scholar
  34. 34.
    Strecker, H. (2004b): Der Zufallsfehler in Gesamt-Ergebnissen statistischer Erhebungen – Vertikale Aggregation der Angabewerte von Erhebungseinheiten. Jahrbücher für Nationalökonomie und Statistik 224, 579–611Google Scholar
  35. 35.
    Tourangeau, R., Rips, L., Rasinski, K. (2000): The Psychology of Survey Response. Cambridge University Press, CambridgeGoogle Scholar
  36. 36.
    Wein, E. (2005): Modernisierung der Fehlerbeseitigung. Wirtschaft und Statistik 4, 293–302Google Scholar

Copyright information

© Springer-Verlag 2006

Authors and Affiliations

  1. 1.Statistisches BundesamtWiesbadenDeutschland

Personalised recommendations