Het verbeteren van de steekproefstrategie voor de Community Innovation Survey met behulp van machine learning algoritmes

Er is een groeiende interesse bij statistische bureau’s om voor het maken van officiele statistieken gebruik te maken van nieuwe data bronnen zoals informatie beschikbaar op het internet, sociale mediaberichten, sensordata en web-scraped data. Het gebruik van dit soort gegevens als primaire databron impliceerd een verhoogd afbreukrisico omdat een statistisch intsituut bijvoorbeeld geen controle meer heeft over de beschikbaarheid van de gegevens of de vergelijkbaarheid ervan in de tijd. Om deze risico's tot een minimum te beperken, wordt in dit paper voorgesteld om informatie uit dit soort gegevensbronnen te gebruiken als hulpinformatie om de steekproefstrategie van een kanssteekproef te verbeteren. Dit concept wordt geïllustreerd met een toepassing op de Community Innovation Survey (CIS).

Drie bronnen voor het verbeteren van de weging van de CIS zijn onderzocht: (1) web-scraped data die aangeven hoe groot de kans is dat een bedrijf innovatief is, (2) administratieve gegevens van bedrijven die subsidies voor onderzoek en ontwikkeling ontvangen, en (3) administratieve gegevens over het aantal patenten dat een bedrijf heeft. Met behulp van gegevens uit de CIS van 2016, wordt onderzocht in hoeverre de nauwkeurigheid van de schattingen uit de enquête kan worden verbeterd door te wegen naar populatieverdelingen die zijn gebaseerd op deze hulpbronnen. Aan de hand van deze analyses wordt onderzocht of de bestaande wegingsmethode kan worden verbeterd en welke hulpbron hiervoor het meest geschikt is. Daarnaast draagt dit paper bij aan de discussie over het gebruik van traditionele en nieuwe gegevensbronnen voor het maken van officiële statistieken.