14、敏感微观数据保护与披露风险评估

敏感微观数据保护与披露风险评估

1. 合成数据生成与特性控制

在合成数据生成过程中，为了更好地控制其单变量统计特性，我们采用经验累积分布函数（empirical cdf）对每个总体变量进行处理。构建经验累积分布函数的过程较为直接。我们希望算法具有灵活性，能够生成与原始数据集大小不同的合成数据集。若原始数据集有 $n_s$ 行，我们可能会生成具有 $N$ 行的合成数据集。当 $N$ 大于 $n$ 时，在使用经验累积分布函数时就需要进行外推。

同时，为保护数据库中极端异常值的真实值，我们对经验累积分布函数进行了修改，具体步骤如下：
1. 选择分数值 $p$ 和非零容差 $T$。
2. 若 $\frac{|Y(j) - Y(j - 1)|}{Y(j)} > T$，则用 $pY(j) + (1 - p)Y(j - 1)$ 替换任何顺序统计量 $Y(j)$。

2. 可识别子群体的处理

当分类变量能够识别出具有明显不同分布的子群体时，无论是不同的秩相关性还是单变量特征，能保留这种结构的合成数据集对分析人员会更有用。为实现这一点，对于这些变量组合具有特定值的子群体，可以单独抽取拉丁超立方抽样（LHS）样本。

例如，可能考察的分类变量包括行业类型、地质描述符、收入类别等。通过对这些子群体分别应用上述程序，合成数据集中的每个子群体都能具有自己的统计特征，因为基于 LHS 的合成数据会重现数据中识别出的每个子群体的统计特征。

为了能够测量总体中每个子群体的秩相关性，每个子群体必须包含足够的观测值。若不满足这一基本条件，子群体必须与其他密切相关的子群体合并成一个更大的单元，直到能够以所需的精度确定所得子群体的秩相