Neue Methode korrigiert Messfehler in Katastrophendaten

In vielen Bereichen, von Umfragen bis hin zu Verwaltungsdaten, sind aggregierte Ergebnisvariablen häufig von systematischen Messfehlern betroffen. Besonders in Katastrophendatenbanken können die berichteten Verluste auf Ebene der Landkreise von den tatsächlichen Schäden abweichen, weil die Erhebungsfähigkeit vor Ort, die Berichtsgewohnheiten und die Eigenschaften der Ereignisse variieren.

Die vorliegende Arbeit untersucht das Problem der Ergebnisfehlkalibrierung und stellt einen Rahmen vor, der von Proxyvariablen geleitet wird, um die systematischen Fehler zu schätzen und zu korrigieren.

Zur Modellierung des Erzeugungsprozesses wird ein kausales Diagramm verwendet, das latente Inhaltsvariablen, die das wahre Ergebnis bestimmen, von latenten Biasvariablen trennt, die die systematischen Fehler erzeugen. Der zentrale Einsichtspunkt ist, dass Proxyvariablen, die vom wahren Ergebnis abhängen, aber unabhängig vom Bias-Mechanismus sind, identifizierende Informationen liefern, um die Verzerrung zu quantifizieren.

Auf Basis dieser Struktur wird ein zweistufiger Ansatz vorgestellt, der Variational Autoencoders nutzt, um die latenten Inhalts- und Biaskomponenten zu entwirren. Dadurch lässt sich der Einfluss des Bias auf das interessierende Ergebnis exakt bestimmen.

Die Autoren analysieren die zugrunde liegenden Annahmen, testen die Methode an synthetischen Daten, an semi-synthetischen Datensätzen aus randomisierten Versuchen und schließlich an einem realen Fallstudienbeispiel zur Katastrophenverlustberichterstattung.