Baummodelle erzeugen präzise synthetische Firmendaten für Forschung
Forscher der Banca d’Italia entwickeln ein Verfahren für synthetische Paneldaten auf Basis von 13.837 Industrie- und Dienstleistungsunternehmen. Sequenzielle Entscheidungsbäume reproduzieren multivariate Firmenstrukturen und senken durch kalibriertes Messrauschen das Re-Identifikationsrisiko.
Baumbasierte Modellierung schlägt Copula-Ansatz
Das Autorenteam Marco Langiulli, Alessandro Moro, Mattia Orzincolo und Daniele Piras testet Synthesemethoden an 13.837 Unternehmen der italienischen INVIND-Erhebung von 1993 bis 2024.
Bei rund 20 Variablen wie Beschäftigung, Umsatz, Investitionen und Preiserwartungen übertrifft die sequenzielle Baumspezifikation über Klassifikations- und Regressionsbäume (CART) das Copula-Modell.
In 100 Zufallsregressionen mit über 3.500 Koeffizienten liegen mehr als 50 Prozent der baumbasierten Schätzwerte innerhalb von zwei Standardfehlern der Originaldaten.
Während einfache parametrische Benchmarks die Asymmetrie und Streuung der Kennzahlen verfehlen, bilden baumbasierte Modelle Randverteilungen und Firmenheterogenität exakt ab.
Kontrolliertes Rauschen bricht den Identifikationsdruck
Längsschnittdaten bergen bei Firmen ein erhöhtes Risiko der Deanonymisierung, da extreme Umsatz- oder Beschäftigungswerte Wiedererkennung begünstigen.
Die Autoren trennen die Daten ab zehn Erhebungsjahren in Panel- und Querschnittsteile, womit 31 Prozent der Firmen und 65 Prozent der Beobachtungen im Panel liegen.
Zur Risikoreduktion nach Nearest-Neighbor-Metriken integriert das Verfahren kontrolliertes Messrauschen mit einem Parameter von 0,20. Dies erhöht die Varianz um zwei Prozent und gleicht das Datenschutzniveau an naive Benchmark-Generatoren an.
Pragmatischer Brückenschlag für Forschungsdaten
Die Studie liefert eine praxistaugliche Blaupause für Forschungsdatenzentren der Zentralbanken.
Die manuelle Sonderbehandlung von Großunternehmen schmälert allerdings den Automatisierungsgrad des Ansatzes.
Dennoch beweist die Kombination aus Baummodellen und Rauschen, dass Datenschutz und Panel-Ökonometrie vereinbar sind.
IN: