[论文解读] Assessing the protection provided by misclassification-based disclosure limitation methods for survey microdata

Natalie Shlomo, C. J. Skinner|London School of Economics and Political Science Research Online (London School of Economics and Political Science)|Nov 12, 2010

Healthcare Policy and Management被引用 4

一句话总结

本文提出了一种简化且实用的方法，用于评估通过基于误分类的统计披露限制（SDL）技术（如数据交换和后随机化方法，PRAM）保护的调查微观数据中的披露风险。通过将泊松对数线性模型扩展以考虑扰动效应，该方法提供了准确的风险估计，能够反映现实世界中的测量误差和抽样变异，表明在存在误分类效应的情况下，增加识别变量数量反而可能降低风险，这一现象具有反直觉但对数据保护有利。

ABSTRACT

Government statistical agencies often apply statistical disclosure limitation techniques to survey microdata to protect the confidentiality of respondents. There is a need for valid and practical ways to assess the protection provided. This paper develops some simple methods for disclosure limitation techniques which perturb the values of categorical identifying variables. The methods are applied in numerical experiments based upon census data from the United Kingdom which are subject to two perturbation techniques: data swapping (random and targeted) and the post randomization method. Some simplifying approximations to the measure of risk are found to work well in capturing the impacts of these techniques. These approximations provide simple extensions of existing risk assessment methods based upon Poisson log-linear models. A numerical experiment is also undertaken to assess the impact of multivariate misclassification with an increasing number of identifying variables. It is found that the misclassification dominates the usual monotone increasing relationship between this number and risk so that the risk eventually declines, implying less sensitivity of risk to choice of identifying variables. The methods developed in this paper may also be used to obtain more realistic assessments of risk which take account of the kinds of measurement and other nonsampling errors commonly arising in surveys.

研究动机与目标

• 开发一种实用且计算简单的方法，用于评估通过基于误分类的SDL技术保护的微观数据中的披露风险。
• 将现有的基于泊松对数线性模型的风险评估方法扩展，以考虑数据交换和PRAM等扰动型SDL方法。
• 以反映真实调查条件的方式，评估测量误差和抽样变异性对披露风险的影响。
• 研究在存在误分类的情况下，识别风险对分类识别变量数量的敏感性。
• 提供一个框架，使机构能够在微观数据发布时平衡数据可用性与保密保护。

提出的方法

• 基于概率记录关联框架，提出一种基于给定观测值下正确匹配条件概率的风险度量。
• 使用大样本近似简化精确风险公式，得出闭式表达式：φj ≈ Mjj / F̃j，其中Mjj为误分类矩阵的对角线元素，F̃j为外部数据库中的期望频数。
• 将该方法应用于英国人口普查数据，测试在不同配置下随机和针对性的数据交换及PRAM。
• 将泊松对数线性模型扩展以纳入扰动效应，实现对抽样误差和测量误差（如编码和插补）的披露风险评估。
• 通过数值实验评估识别变量数量增加时的风险，比较存在与不存在误分类的情景。
• 通过记录关联实验验证近似方法，并与现有方法比较，结果表明其具有更高的现实性和准确性。

实验结果

研究问题

• RQ1 如何在通过基于误分类的SDL技术（如数据交换和PRAM）保护的微观数据中准确评估披露风险？
• RQ2 对风险度量进行简化近似在多大程度上能保持准确性，同时提升计算可行性？
• RQ3 在误分类机制中包含测量和处理误差，如何影响最终的风险估计？
• RQ4 在存在误分类的情况下，增加识别变量数量对披露风险有何影响？
• RQ5 所提出的方法是否能比忽略扰动和非抽样误差的传统方法提供更现实的风险评估？

主要发现

• 所提出的近似 φj ≈ Mjj / F̃j 即使在复杂的扰动机制下，也能提供高度准确且计算高效的识别风险估计。
• 该方法成功将泊松对数线性模型扩展以处理SDL扰动，实现了对抽样和测量误差的披露风险评估。
• 发现针对性数据交换在相同扰动水平下提供的披露保护强于随机交换，从而改善了数据可用性与风险之间的权衡。
• 随着识别变量数量的增加，误分类主导了风险通常单调上升的趋势，导致风险最终下降——这一反直觉但对数据保护有益的发现。
• 当存在误分类时，风险估计对关键变量选择假设的敏感性降低，表明在实践中具有更高的稳健性。
• 该框架使机构能够在数据发布前以现实方式整合现实世界的数据质量问题（如编码错误和插补）进行风险评估。