ReplicaX työkalu avointen datakopioiden luomiseen

Transkriptio

1 ReplicaX työkalu avointen datakopioiden luomiseen Juha Karvanen ReplicaX on R-koodina toteutettu menetelmä avoimien datakopioiden tuottamiseen terveystiedosta ja muusta datasta, jota ei sellaisenaan voi julkaista. Marraskuu 2013

2 Johdanto Ihmisten terveydentilaan liittyviä tutkimusainestojen nykyistä laajempi hyödyntäminen edellyttää aineistojen julkaisemista tavalla, joka ei vaaranna tutkimukseen osallistuneiden tietosuojaa. Tietosuojaan ja aineiston hyödyntämiseen liittyvät kysymykset voidaan ratkaista, mikäli käytössä on menetelmä korkeatasoisen kopion luomiseen alkuperäisestä datasta. Tällaisiin datakopioihin kohdistuu kaksi keskeistä vaatimusta: 1. Henkilöiden tunnistaminen ei saa olla millään tavalla mahdollista esimerkiksi iän, sukupuolen, ammatin, koulutustason tai muiden vastaavien muuttujien avulla. 2. Ollakseen hyodyllinen, kopion tulee kaikilta tilastollisilta ominaisuuksiltaan mahdollisimman tarkasti vastata alkuperäistä aineistoa. Tämä vaatimus koskee paitsi jokaisen yksittäisen muuttujan reunajakaumaa (keskiarvo, varianssi, jne), myös muuttujien välisiä riippuvuusrakenteita (esim. Korrelaatiokertoimet).

3 ReplicaX: tekninen toteutus Kilpailutyössä on uusimpaa tilastotieteen tutkimusta hyödyntäen kehitetty yleiskäyttöinen menetelmä datakopioiden luomiseen. Menetelmä sekoittaa yksilöitä identifioivat tiedot mutta säilyttää muuttujien reunajakaumat ja riippuvuusrakenteen. Algoritmi hoitaa jatkuvien muuttujien reunajakaumien mallintamisen automaattisesti käyttäen parametristen mallien ja ydinestimoinnin yhdistelmää. Diskreeteille muuttujille käytetään menettelyä, jossa uusia havaintoja generoidaan naapurihavaintojen arvoja sekoittamalla. Menetelmä on toteutettu R-koodina ja se on vapaasti saatavilla osoitteestahttp://

4 Esimerkki: THL:n MONICA-data Esimerkissä vertaillaan alkuperäistä dataa ja sen pohjalta luotua kopiota eri näkökulmista. Esimerkkiaineistona on käytetty Terveyden hyvinvoinnin laitoksen (THL) julkaisemaa otosta (N=11833) MONICA-datasta. Tietoa WHO:n MONICA-projektista: Linkki esimerkissä käytettyyn dataan Datan dokumentaatio: Datasta on esimerkkiä varten poimittu muuttujat: MARIT siviilisääty (diskreetti muuttuja) EDLEVEL koulutustaso (diskreetti muuttuja) SCHOOL koulutusvuodet (diskreetti muuttuja) HEIGHT pituus (jatkuva muuttuja) WEIGHT paino (jatkuva muuttuja) WAIST vyötärön ympärys (jatkuva muuttuja) HIP lantion ympärys (jatkuva muuttuja)

5 Esimerkkirivejä datasta ja kopiosta Alkuperäisessä datassa on 8 henkilöä, joiden siviilisäädyksi on merkitty 5 (muu): MARIT EDLEVEL SCHOOL HEIGHT WEIGHT WAIST HIP NA NA NA NA NA NA NA NA Vastaavat rivit kopiossa eivät ole tunnistettavissa: MARIT EDLEVEL SCHOOL HEIGHT WEIGHT WAIST HIP NA NA NA NA NA NA NA NA

6 Siviilisäädyn ja koulutustason ristiintaulukointi Alkuperäinen data: EDLEVEL MARIT Kopiossa kaikkein pienimmät frekvenssit karsiutuvat pois: EDLEVEL MARIT

7 Paino siviilisäädyn mukaan Alkuperäinen data: Kopio: MARIT N keskiarvo keskivirhe MARIT N keskiarvo keskivirhe

8 Riippuvuusrakenteet säilyvät: Korrelaatiomatriisit Korrelaatiomatriisi, alkuperäinen data: Korrelaatiomatriisi, kopio: HEIGHT WEIGHT WAIST HIP HEIGHT WEIGHT WAIST HIP HEIGHT WEIGHT WAIST HIP HEIGHT WEIGHT WAIST HIP

9 Yhteenveto MONICA-esimerkistä Esimerkkidatan tapauksessa menetelmä vaikuttaa toimivan hyvin: yksilöt eivät ole tunnistettavissa mutta reunajakaumat ja riippuvuusrakenteet vastaavat alkuperäistä dataa. Menetelmä on helppokäyttöinen, koska käyttäjän ei tarvitse tehdä mallinuspäätöksiä. Kyseessä on kuitenkin asiantuntijan työkalu: käyttäjän tulee aina huolellisesti tarkastaa kopiodatan laatu ennen sen julkaisemista.

10 Jatkokehitys Laajempi testaus erilaisilla datoilla. Koodin kehittäminen ja dokumentoinnin parantaminen. Tavoitteena on julkaista koodi R-pakettina CRAN-arkistossa. Projektia on myös mahdollista jatkaa tieteellisen julkaisun suuntaan. Tällöin keskeistä on menetelmän täsmällinen kuvaaminen ja vertailut R-paketeissa sdcmicro ja simpopulation esitettyjen menetelmien kanssa.