V/Ue: Advanced Survey Statistics: Disclosure Control

Dozentinnen/Dozenten:

Universität Berlin, Matthias Templ, Isabelle Gunselmann

Angaben:

Vorlesung, ECTS: 6

Termine:

Blockveranstaltung 9.5.2019-10.5.2019 Do, Fr, 10:00 - 17:30, RZ/02.09
Blockveranstaltung 1.7.2019-2.7.2019 Mo, Di, 8:00 - 18:00, RZ/02.09
Blockveranstaltung 3.7.2019-3.7.2019 Mi, 12:00 - 18:00, RZ/02.09

Voraussetzungen / Organisatorisches:

Anmeldung zur Lehrveranstaltung: Donnerstag, den 9.5.2019, während der Lehrveranstaltung.
Anmeldung zur Prüfung: Freitag, den 10.05.2019, während der Lehrveranstaltung.

Prüfungstermin: Mittwoch, den 3.7.2019, von 12:00 - 18:00 Uhr. Die Prüfungsform wird zu Beginn der Lehrveranstaltung bekannt gegeben.

Inhalt:

Die Nachfrage nach detaillierten Einzeldaten für Forscher, Institutionen und der Öffentlichkeit steigt, auch weil ökonomische oder empirische Analysen und Aussagen über das Gesundheitssystem, der Wirtschaft und der Gesellschaft auf empirischer Basis oft nur mit der Verfügbarkeit detaillierter statistischer Information möglich sind. Vor allem die Offizielle (Amtliche) Statistik nimmt den Datenschutz schon seit Jahrzehnten sehr ernst. Durch weitere Gesetzesanpassungen (Datenschutzverordung der EU) rückt die Vertraulichkeit von Daten nun auch vermehrt in den Blickpunkt der Öffentlichkeit, der Datenschutzbeauftragten und der Unternehmen/Datenhalter außerhalb der Offiziellen Statistik.
Um dem Datenschutz gerecht zu werden muss das Risiko einer Identifikation einer (natürlichen) Person sehr gering sein. Der Aufwand eine Person zu identifizieren muss grösser als der Nutzen sein. Um dies zu erreichen werden unterschiedliche technische Massnahmen getroffen aber auch Eingriffe in Daten durchgeführt. Ziel dabei ist, die Datenqualität so hoch wie möglich zu (er)halten und das Risiko zu minimieren. Neben einigen rechtlichen Aspekten werden in dieser Veranstaltung unter Anderem folgende Methoden der Statistischen Geheimhaltung behandelt: Messung des Risikos mit k-Anonymität, l-Diversität, suda, log-linearen Modellen, Anonymisierung mittels recoding, lokalem Unterdrücken, randomisieren, Messung der Datenqualität nach Anonymisierung. Grundlage ist das Buch Statistical Disclosure Control for Microdata (https://www.springer.com/de/book/9783319502700). Nach einer theoretischen Einführung werden die Methoden praktisch auf größere Datensätze in Case Studies angewandt.