Meetfouten: Schatten, corrigeren, en analyse van implicaties

Omslag, Measurement error: Estimation, Correction, and Analysis of Implications, Paulina K. Pankowska
© CBS
Proefschrift over het begrijpen en minimaliseren van meetfouten met Hidden Markov Modellen.
Gezien de potentieel sterke, nadelige effecten van meetfouten en de mogelijkheid om deze te minimaliseren met behulp van Hidden Markov modellen (HMM’s), is het doel van dit proefschrift tweeledig: ten eerste om het probleem van meetfouten beter te begrijpen en ten tweede om te onderzoeken of uitgebreide HMM’s die worden toegepast op gekoppelde gegevens kunnen worden gebruikt voor fouten, en in hoeverre deze methode haalbaar is.

Hoewel de bevindingen in dit proefschrift suggereren dat HMM’s een veelbelovend hulpmiddel zijn om te corrigeren voor meetfouten in categorische, longitudinale gegevens, moeten er verschillende aanvullende aspecten worden overwogen voordat deze aanpak in de praktijk kan worden toegepast. De prestaties en haalbaarheid van de methode moeten namelijk worden getest in een andere context die verder gaat dan het onderwerp arbeidsmobiliteit en op gegevens uit andere landen dan Nederland. Ook moeten, indien mogelijk, aanvullende bronnen naast enquêtes en administratieve registers worden overwogen. Verder moet de robuustheid van het model en de gevoeligheid van parameterschattingen voor verschillende modelspecificaties met verschillende aannames grondig worden onderzocht. Ten slotte is het ook belangrijk om na te gaan hoe onderzoekers voor fouten gecorrigeerde microgegevens in hun analyses kunnen gebruiken en tegelijkertijd rekening kunnen houden met de onzekerheid van de toewijzing van waarden aan de latente variabele die wordt veroorzaakt door meetfouten.

Pankowska, P. K. (2020). Measurement error: Estimation, correction, and analysis of implications. Dissertation, VU Amsterdam, handle:1871.1/092c64b6-14ef-4816-a1ff-feb9fed73931.

Downloads