Kvantifisering av feilkilder i norsk befolkningsstatistikk : en pilotstudie i automatisk lenking av kirkebokinformasjon

Abstract

Kirkebøkenes informasjon om fødsler, dødsfall og giftermål er en av de viktigste kildene til tidlig norsk befolkningsstatistikk. Den offisielle nasjonale statistikken for disse demografiske begivenhetene er frem til år 1875 basert på prestenes årlige innrapportering av opptellinger fra kirkeboken. I de senere år har utstrakt digitalisering av kirkebøkene også gjort det stadig mer aktuelt å utarbeide revidert og mer omfattende statistikk ved mer detaljerte tabuleringer av selve kirkebøkene.

Kirkebøkene fra før år 1875 har flere mangler som informasjonskilde, særlig nevnes feil i angivelse av personalia, og sosiale skjevheter i hvem som ble registret i forskjellige studier. Jeg ønsket særlig å belyse problemet med under- og overrapportering av barn som dør unge eller som dødfødte, det er velkjent at disse ofte disse enten bare ble innført som døde eller som døpte. For å kvantifisere og klassifisere disse feilkildene er det nødvendig å lenke personer på tvers av kirkebøkenes dåps- og begravelseslister. En automatisert datalenking for et større utvalg av prestegjeld og sokn har behov for automatiserte metoder og algoritmer for lenking av nominative registreringer.

Utgangspunktet for denne oppgaven var derfor å måle denne formen for under- og overrapporteringen. Ved å velge et utgangspunkt i data for personer som døde unge var begrunnelsen å minimere problemet ved migrasjon, siden data i dåps- og begravelseslistene vil være ufullstendige ved at en person flytter inn eller ut i tidsrommet mellom dåp og begravelse. Siden det ikke foreligger noen automatisk maskinell rekonstruksjon av persondata av større datamengder i Norge, kan oppgaven ses på som et pilotprosjekt for å gi noen svar på om norske kirkeboksdata faktisk er gode nok for å benyttes til slik rekonstruksjon av persondata.

En rekonstruksjon av persondata med utgangspunkt i dåpsdata og begravelsesdata bygger på felles sammenliknbare felt. Problematikken rundt denne sammenlikning av data, ligger i det faktum at datasettene ikke har noen felles unike identifikatorer. En automatisk datalenking er en integrasjon av informasjonen fra to ulike datakilder. Data fra de to kildene antas å relatere til det samme individ i på en slik måte at det kan tolkes som en enkel post i datasettet. En slik datalenking, enten den er maskinell eller manuell, kan ikke under noen omstendighet gjenfinne 100 % av personene i en av listene, til det er tilstedeværelsen av feilkilder både i datakildene og i de standardiserte datakildene for høy.

For å kunne gjøre en analyse om hvorvidt datagrunnlaget faktisk kunne benyttes, var det behov for dataprogram for samordning av data og søk. Et dataprogram med en innebygget logikk for testing og klassifisering av mulige datalenker. I tillegg var det behov for en mulighet for modifikasjon og justering av beslutningsvariable og andre kriterier i prosessen. Et slikt dataprogram fantes ikke tilpasset norsk befolkningsstatistikk. Jeg valgte derfor å utvikle et dataprogram med logikk for filtrering av data og flere algoritmer for sammenlikning av de filtrete data.