Qualitätsdimensionen maschinellen Lernens in der amtlichen Statistik

Quality Dimensions of Machine Learning in Official Statistics

Younes Saidani (), Florian Dumpert, Christian Borgs, Alexander Brand, Andreas Nickl, Alexandra Rittmann, Johannes Rohde, Christian Salwiczek, Nina Storfinger and Selina Straub
Additional contact information
Younes Saidani: Statistisches Bundesamt
Florian Dumpert: Statistisches Bundesamt
Christian Borgs: Information und Technik Nordrhein-Westfalen
Alexander Brand: Bayerisches Landesamt für Statistik
Andreas Nickl: Bayerisches Landesamt für Statistik
Alexandra Rittmann: Statistisches Landesamt Sachsen-Anhalt
Johannes Rohde: Information und Technik Nordrhein-Westfalen
Christian Salwiczek: Statistisches Amt für Hamburg und Schleswig-Holstein
Nina Storfinger: Bayerisches Landesamt für Statistik
Selina Straub: Bayerisches Landesamt für Statistik

AStA Wirtschafts- und Sozialstatistisches Archiv, 2023, vol. 17, issue 3, No 4, 253-303

Abstract: Zusammenfassung Die 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.

Keywords: Qualität; Maschinelles Lernen; Amtliche Statistik; Erklärbarkeit; Interpretierbarkeit; Robustheit; Stabilität; Quality; Machine Learning; Official Statistics; Explainability; Interpretability; Robustness; Stability; C80; C52; C18 (search for similar items in EconPapers)
Date: 2023
References: View complete reference list from CitEc
Citations:

Downloads: (external link)
http://link.springer.com/10.1007/s11943-023-00329-7 Abstract (text/html)
Access to the full text of the articles in this series is restricted.

Related works:
This item may be available elsewhere in EconPapers: Search for items with the same title.

Export reference: BibTeX RIS (EndNote, ProCite, RefMan) HTML/Text

Persistent link: https://EconPapers.repec.org/RePEc:spr:astaws:v:17:y:2023:i:3:d:10.1007_s11943-023-00329-7

Ordering information: This journal article can be ordered from
http://www.springer. ... ce/journal/11943/PS2

DOI: 10.1007/s11943-023-00329-7

Access Statistics for this article

AStA Wirtschafts- und Sozialstatistisches Archiv is currently edited by Ralf Münnich

More articles in AStA Wirtschafts- und Sozialstatistisches Archiv from Springer, Deutsche Statistische Gesellschaft - German Statistical Society
Bibliographic data for series maintained by Sonal Shukla () and Springer Nature Abstracting and Indexing ().