Synthetic Datasets for Statistical Disclosure Control: Theory and Implementation

هدف این کتاب این است که خواننده را با رویکردهای مختلف برای تولید مجموعه داده‌های مصنوعی چند برابری معرفی کند. تمام رویکردهایی که تا کنون توسعه داده شده اند را توصیف می کند، تاریخچه مختصری از مجموعه داده های مصنوعی ارائه می دهد، و نکات مفیدی در مورد نحوه برخورد با مشکلات داده واقعی مانند عدم پاسخ، الگوهای پرش، یا محدودیت های منطقی ارائه می دهد.

هر فصل به یک رویکرد اختصاص دارد، ابتدا مفهوم کلی را تشریح می‌کند و سپس یک کاربرد دقیق برای یک مجموعه داده واقعی ارائه می‌کند که دستورالعمل‌های مفیدی را در مورد نحوه اجرای نظریه در عمل ارائه می‌دهد.

رویکردهای انتساب چندگانه مورد بحث عبارتند از انتساب برای عدم پاسخ، تولید مجموعه داده های کاملاً مصنوعی، تولید مجموعه داده های نیمه مصنوعی، تولید مجموعه داده های مصنوعی زمانی که داده های اصلی در معرض عدم پاسخگویی هستند، و یک رویکرد انتساب دو مرحله ای که به بهتر شدن کمک می کند. به مبادله همه جانبه بین اعتبار تحلیلی و ریسک افشا می‌پردازد.

این کتاب با نگاهی اجمالی به آینده مجموعه‌های داده مصنوعی، به بحث در مورد مزایای بالقوه و موانع احتمالی این رویکرد و راه‌های پرداختن به نگرانی های کاربران داده و ناراحتی قابل درک آنها از استفاده از داده هایی که فقط از مقادیر اولیه جمع آوری شده تشکیل نمی شوند.

این کتاب برای محققان و پزشکان به طور یکسان در نظر گرفته شده است. این به محقق کمک می کند تا با ارجاع کامل به تمام مقالات مرتبط در مورد موضوع، وضعیت هنر را در داده های مصنوعی خلاصه شده در یک کتاب پیدا کند. اما برای متخصص در آژانس آماری که رویکرد داده های ترکیبی را برای انتشار داده ها در آینده در نظر می گیرد و می خواهد با موضوع آشنا شود نیز مفید است.

The aim of this book is to give the reader a detailed introduction to the different approaches to generating multiply imputed synthetic datasets. It describes all approaches that have been developed so far, provides a brief history of synthetic datasets, and gives useful hints on how to deal with real data problems like nonresponse, skip patterns, or logical constraints.

Each chapter is dedicated to one approach, first describing the general concept followed by a detailed application to a real dataset providing useful guidelines on how to implement the theory in practice.

The discussed multiple imputation approaches include imputation for nonresponse, generating fully synthetic datasets, generating partially synthetic datasets, generating synthetic datasets when the original data is subject to nonresponse, and a two-stage imputation approach that helps to better address the omnipresent trade-off between analytical validity and the risk of disclosure.

The book concludes with a glimpse into the future of synthetic datasets, discussing the potential benefits and possible obstacles of the approach and ways to address the concerns of data users and their understandable discomfort with using data that doesn’t consist only of the originally collected values.

The book is intended for researchers and practitioners alike. It helps the researcher to find the state of the art in synthetic data summarized in one book with full reference to all relevant papers on the topic. But it is also useful for the practitioner at the statistical agency who is considering the synthetic data approach for data dissemination in the future and wants to get familiar with the topic.