Abstract
ZusammenfassungDie amtliche Statistik zeichnet sich durch ihren gesetzlich auferlegten Fokus auf die Qualität ihrer Veröffentlichungen aus. Dabei folgt sie den europäischen Qualitätsrahmenwerken, die auf nationaler Ebene in Form von Qualitätshandbüchern konkretisiert und operationalisiert werden, sich jedoch bis dato hinsichtlich Ausgestaltung und Interpretation an den Anforderungen der „klassischen“ Statistikproduktion orientieren. Der zunehmende Einsatz maschineller Lernverfahren (ML) in der amtlichen Statistik muss daher zur Erfüllung des Qualitätsanspruchs durch ein spezifisches, darauf zugeschnittenes Qualitätsrahmenwerk begleitet werden. Das vorliegende Papier leistet einen Beitrag zur Erarbeitung eines solchen Qualitätsrahmenwerks für den Einsatz von ML in der amtlichen Statistik, indem es (1) durch den Vergleich mit bestehenden Qualitätsgrundsätzen des Verhaltenskodex für Europäische Statistiken relevante Qualitätsdimensionen für ML identifiziert und (2) diese unter Berücksichtigung der besonderen methodischen Gegebenheiten von ML ausarbeitet. Dabei (2a) ergänzt es bestehende Vorschläge durch den Aspekt der Robustheit, (2b) stellt Bezug zu den Querschnittsthemen Machine Learning Operations (MLOps) und Fairness her und (2c) schlägt vor, wie die Qualitätssicherung der einzelnen Dimensionen in der Praxis der amtlichen Statistik ausgestaltet werden kann. Diese Arbeit liefert die konzeptionelle Grundlage, um Qualitätsindikatoren für ML-Verfahren formell in die Instrumente des Qualitätsmanagements im Statistischen Verbund zu überführen und damit langfristig den hohen Qualitätsstandard amtlicher Statistik auch bei Nutzung neuer Verfahren zu sichern.
Publisher
Springer Science and Business Media LLC
Subject
General Economics, Econometrics and Finance,General Social Sciences,Statistics and Probability
Reference101 articles.
1. Ahlborn M, Draken F, Schulz V (2021) Qualitätssicherung in der amtlichen Statistik: Large Cases Unit. Wista – Wirtschaft Stat (2):31–40 (www.destatis.de/DE/Methoden/WISTA-Wirtschaft-und-Statistik/2021/02/qualitaetssicherung_022021.html)
2. André M, Meslin O (2021) Housing wealth concentration and redistributive impact of property tax: evidence from a database on French households’ housing wealth, S 2021–2004 (www.insee.fr/en/statistiques/5893230)
3. Andrews DWK (1986) Stability comparison of estimators. Econometrica 54(5):1207. https://doi.org/10.2307/1912329
4. Baker M (2016) 1,500 scientists lift the lid on reproducibility. Nature 533(7604):452–454. https://doi.org/10.1038/533452a
5. Bartz E, Bartz-Beielstein T, Zaefferer M, Mersmann O (Hrsg) (2023) Hyperparameter tuning for machine and deep learning with R. Springer, Singapore
Cited by
2 articles.
订阅此论文施引文献
订阅此论文施引文献,注册后可以免费订阅5篇论文的施引文献,订阅后可以查看论文全部施引文献
1. Practical Applications of Online Machine Learning;Online Machine Learning;2024
2. Editorial issue 3 + 4, 2023;AStA Wirtschafts- und Sozialstatistisches Archiv;2023-12