<p>I denna studie har undersökningarna Kortperiodisk Sysselsättningsstatistiks (KS) och Konjunkturstatistik över Vakansers (KV) befintliga granskningssystem utvärderats med avseende på hur effektivt det är. Processdata har framställts och analyserats. Resultaten tyder på att många av de inkomna blanketterna med misstänkt felaktiga uppgifter inte rättas upp, utan tvingas igenom trots att granskningssystemet ej accepterade uppgifterna. Det befintliga granskningssystemet har en högre träffsäkerhet avseende KS-undersökningen, men både KS och KV skulle kunnas granskas mer effektivt.</p><p>För att utvärdera det befintliga granskningssystemet ytterligare användes en poängfunktion. Till studien fanns tillgång till både helt ogranskat material och helt granskat material och dessa material användes i poängfunktionen. Det uppräknade ogranskade värdet för varje objekt jämfördes med det uppräknade granskade värdet och ställdes i relation till respektive skattade branschtotal. De poängsatta blanketterna rangordnades sedan. Därefter analyserades materialet för att försöka finna var det skulle vara lämpligt att sätta det tröskelvärde som skulle skilja det material som ”egentligen” skulle ha behövts granskas från det som kunde ha lämnats orört. Att sätta tröskelvärdet är svårt. Här gjordes det godtyckligt utifrån kriterierna att det fel som införs i skattningarna för att allt material inte granskas skulle hållas så lågt som möjligt samt att antalet blanketter som skulle behöva granskas manuellt av produktionsgruppen också skulle hållas så lågt som möjligt. Även här visade det sig att det befintliga granskningssystemet inte är så effektivt som önskas. När resultaten från denna del av utvärderingen analyserades upptäcktes problem som beror på blankettutformningen. Skulle blanketterna ses över och åtgärdas skulle det fel som införs för att allt material inte granskas kunna minskas avsevärt. Genom att minska det införda felet kan tröskelvärdet förmodligen sättas på en ny nivå vilket medför att omfattningen av granskningen skulle minska ytterligare.</p><p>Hur skulle då ett mer effektivt granskningssystem kunna se ut? I den här studien har valet fallit på att testa ”significance editing” på KS-undersökningen, det som på svenska kallas för effektgranskning. En poängfunktion användes även här, denna tilldelar de inkomna blanketterna varsin poäng och dessa poäng rangordnas därefter. Efter att poängen rangordnats bestäms en gräns, ett tröskelvärde, och de blanketter med en poäng som överstiger tröskelvärdet granskas och rättas upp av produktionsgruppen. De blanketter med en poäng som understiger det satta tröskelvärdet rättas inte upp, utan behåller sina originalvärden. Poängfunktionen jämför det inkomna ogranskade, uppräknade, värdet med ett uppräknat ”förväntat” värde och ställer denna differens i relation till den skattade branschtotalen. Svårigheten ligger ofta i att hitta ett bra förväntat värde och detta problem uppstår ideligen i urvalsundersökningar. Tanken med effektgranskning är att omfattningen av granskningen ska minska och den granskning som utförs ska ha effekt på slutresultatet.</p><p>Det var inte lätt att hitta ett bra förväntat värde på den tid som stod till förfogande. Två problem som snabbt upptäcktes var dels att i KS-undersökningen finns inte uträknade säsongs- eller trendfaktorer per variabel. Dessutom byttes en mycket stor del av urvalet ut till kvartal 2 (som denna studie har avgränsats till att behandla). Detta har fått till följd att cirka hälften av objekten i urvalet inte går att följa bakåt i tiden eftersom de inte ingått i urvalet tidigare. I studien har respektive stratums medelvärde använts som förväntat värde. Resultaten visar att det valda förväntade värdet inte skulle ha använts i praktiken, men det fungerar bra i syfte att illustrera hur det i praktiken skulle kunna gå till att införa en mer effektiv granskning.</p>

I denna studie har undersökningarna Kortperiodisk Sysselsättningsstatistiks (KS) och Konjunkturstatistik över Vakansers (KV) befintliga granskningssystem utvärderats med avseende på hur effektivt det är. Processdata har framställts och analyserats. Resultaten tyder på att många av de inkomna blanketterna med misstänkt felaktiga uppgifter inte rättas upp, utan tvingas igenom trots att granskningssystemet ej accepterade uppgifterna. Det befintliga granskningssystemet har en högre träffsäkerhet avseende KS-undersökningen, men både KS och KV skulle kunnas granskas mer effektivt. För att utvärdera det befintliga granskningssystemet ytterligare användes en poängfunktion. Till studien fanns tillgång till både helt ogranskat material och helt granskat material och dessa material användes i poängfunktionen. Det uppräknade ogranskade värdet för varje objekt jämfördes med det uppräknade granskade värdet och ställdes i relation till respektive skattade branschtotal. De poängsatta blanketterna rangordnades sedan. Därefter analyserades materialet för att försöka finna var det skulle vara lämpligt att sätta det tröskelvärde som skulle skilja det material som ”egentligen” skulle ha behövts granskas från det som kunde ha lämnats orört. Att sätta tröskelvärdet är svårt. Här gjordes det godtyckligt utifrån kriterierna att det fel som införs i skattningarna för att allt material inte granskas skulle hållas så lågt som möjligt samt att antalet blanketter som skulle behöva granskas manuellt av produktionsgruppen också skulle hållas så lågt som möjligt. Även här visade det sig att det befintliga granskningssystemet inte är så effektivt som önskas. När resultaten från denna del av utvärderingen analyserades upptäcktes problem som beror på blankettutformningen. Skulle blanketterna ses över och åtgärdas skulle det fel som införs för att allt material inte granskas kunna minskas avsevärt. Genom att minska det införda felet kan tröskelvärdet förmodligen sättas på en ny nivå vilket medför att omfattningen av granskningen skulle minska ytterligare. Hur skulle då ett mer effektivt granskningssystem kunna se ut? I den här studien har valet fallit på att testa ”significance editing” på KS-undersökningen, det som på svenska kallas för effektgranskning. En poängfunktion användes även här, denna tilldelar de inkomna blanketterna varsin poäng och dessa poäng rangordnas därefter. Efter att poängen rangordnats bestäms en gräns, ett tröskelvärde, och de blanketter med en poäng som överstiger tröskelvärdet granskas och rättas upp av produktionsgruppen. De blanketter med en poäng som understiger det satta tröskelvärdet rättas inte upp, utan behåller sina originalvärden. Poängfunktionen jämför det inkomna ogranskade, uppräknade, värdet med ett uppräknat ”förväntat” värde och ställer denna differens i relation till den skattade branschtotalen. Svårigheten ligger ofta i att hitta ett bra förväntat värde och detta problem uppstår ideligen i urvalsundersökningar. Tanken med effektgranskning är att omfattningen av granskningen ska minska och den granskning som utförs ska ha effekt på slutresultatet. Det var inte lätt att hitta ett bra förväntat värde på den tid som stod till förfogande. Två problem som snabbt upptäcktes var dels att i KS-undersökningen finns inte uträknade säsongs- eller trendfaktorer per variabel. Dessutom byttes en mycket stor del av urvalet ut till kvartal 2 (som denna studie har avgränsats till att behandla). Detta har fått till följd att cirka hälften av objekten i urvalet inte går att följa bakåt i tiden eftersom de inte ingått i urvalet tidigare. I studien har respektive stratums medelvärde använts som förväntat värde. Resultaten visar att det valda förväntade värdet inte skulle ha använts i praktiken, men det fungerar bra i syfte att illustrera hur det i praktiken skulle kunna gå till att införa en mer effektiv granskning.

<p>Det har pågått ett intensivt utvecklingsarbete på Statistiska Centralbyrån (SCB) under de senaste åren i syfte att standardisera och effektivisera statistikproduktionsprocessen. I detta utvecklingsarbete har fokus främst riktats mot processerna insamling och granskning. Ett flertal studier har visat att det finns potential att reducera granskningens omfattning samtidigt som den övergripande kvaliteten i undersökningarna bibehålls. För att uppnå detta krävs att nya arbetssätt, metoder och verktyg utvecklas och implementeras.</p><p>Den traditionella ansatsen på SCB har varit att i granskningsprocessen försöka hitta och rätta alla databearbetnings- och mätfel. Ingen skillnad har gjorts mellan stora och små fel eller om felen har någon effekt på statistiken eller inte. Detta är en ineffektiv ansats där stora resurser åtgår till att rätta fel som inte påverkar den statistiska redovisningen nämnvärt. I mer moderna ansatser betonas vikten av att hitta betydelsefulla fel som har stor påverkan på parameterskattningarna och att fel som inte ger någon påverkan bör lämnas som de är eller åtgärdas via imputering. Detta, att inte granska allt, kallas för selektiv granskning.</p><p>SCB har beslutat att införa metoden selektiv granskning med poängfunktioner. Metoden fordrar att poängberäkningar görs, dessa utförs i verktyget Selekt. Verktyget ingår i den framtida verktygslådan för granskning som är under utveckling vid SCB och är uppbyggt av ett stort antal parametrar. För att uppnå så effektiv granskning som möjligt måste de mest lämpliga parametervärdena sökas för att sedan implementeras i Selekt.</p><p>I denna studie har ett datamaterial från undersökningen Kortperiodisk Sysselsättningsstatistik, privat sektor (KSP) använts för att studera sambanden mellan statistikens kvalitet och valet av parametrar i Selekt.  Valet av datamaterial motiveras främst av att Selekt ska implementeras i KSP under år 2010. De parametrar som har behandlats i studien kallas för <em>KAPPA</em>, <em>TAU</em> och <em>LAMBDA</em> samt variablerna <em>RPB_20</em> och <em>Kostnad</em>.</p><p>Logistisk regression har använts för att undersöka vilken påverkan parametrarna har på den bias (kallad RPB) som införs i skattningarna vid selektiv granskning. En ansats valdes där sambandet mellan responsvariabeln<em> RPB_20 </em>och<em> </em>förklaringsvariablerna<em> KAPPA</em>, <em>TAU</em> och <em>Kostnad</em> studerades separat för olika värden på <em>LAMBDA</em>.</p><p>Vid resultatframställningen indikerades tidigt att valet av värde på <em>LAMBDA</em> inte verkade ha någon nämnvärd betydelse för modellen och i de fortsatta analyserna stärktes denna misstanke och kom att omfatta även <em>KAPPA</em> och <em>TAU</em>. Det var redan från början känt att <em>Kostnad</em> är en viktig variabel att ta hänsyn till och för att undersöka detta närmare konstruerades en modell bestående av ett fjärdegradspolynom med enbart variabeln <em>Kostnad</em>. Modellen lyckades fånga upp huvuddragen av variationen i <em>RPB_20</em>.</p><p>Det går inte att dra generella slutsatser från den studie som här har genomförts. Resultaten visar dock att en modell utan <em>KAPPA</em>, <em>TAU</em> och <em>LAMBDA</em> fungerar för att beskriva variationen i <em>RPB_20</em>.  Valet av värden på <em>KAPPA</em>, <em>TAU</em> och <em>LAMBDA</em> i Selekt är av mindre betydelse. I implementeringsarbetet av Selekt i KSP rekommenderas därför att, förutom RPB, fokusera på variabeln <em>Kostnad</em> för att hitta den mest lämpliga kombinationen av parameterinställningar.</p>

Det har pågått ett intensivt utvecklingsarbete på Statistiska Centralbyrån (SCB) under de senaste åren i syfte att standardisera och effektivisera statistikproduktionsprocessen. I detta utvecklingsarbete har fokus främst riktats mot processerna insamling och granskning. Ett flertal studier har visat att det finns potential att reducera granskningens omfattning samtidigt som den övergripande kvaliteten i undersökningarna bibehålls. För att uppnå detta krävs att nya arbetssätt, metoder och verktyg utvecklas och implementeras. Den traditionella ansatsen på SCB har varit att i granskningsprocessen försöka hitta och rätta alla databearbetnings- och mätfel. Ingen skillnad har gjorts mellan stora och små fel eller om felen har någon effekt på statistiken eller inte. Detta är en ineffektiv ansats där stora resurser åtgår till att rätta fel som inte påverkar den statistiska redovisningen nämnvärt. I mer moderna ansatser betonas vikten av att hitta betydelsefulla fel som har stor påverkan på parameterskattningarna och att fel som inte ger någon påverkan bör lämnas som de är eller åtgärdas via imputering. Detta, att inte granska allt, kallas för selektiv granskning. SCB har beslutat att införa metoden selektiv granskning med poängfunktioner. Metoden fordrar att poängberäkningar görs, dessa utförs i verktyget Selekt. Verktyget ingår i den framtida verktygslådan för granskning som är under utveckling vid SCB och är uppbyggt av ett stort antal parametrar. För att uppnå så effektiv granskning som möjligt måste de mest lämpliga parametervärdena sökas för att sedan implementeras i Selekt. I denna studie har ett datamaterial från undersökningen Kortperiodisk Sysselsättningsstatistik, privat sektor (KSP) använts för att studera sambanden mellan statistikens kvalitet och valet av parametrar i Selekt.  Valet av datamaterial motiveras främst av att Selekt ska implementeras i KSP under år 2010. De parametrar som har behandlats i studien kallas för KAPPA, TAU och LAMBDA samt variablerna RPB_20 och Kostnad. Logistisk regression har använts för att undersöka vilken påverkan parametrarna har på den bias (kallad RPB) som införs i skattningarna vid selektiv granskning. En ansats valdes där sambandet mellan responsvariabeln RPB_20 och förklaringsvariablerna KAPPA, TAU och Kostnad studerades separat för olika värden på LAMBDA. Vid resultatframställningen indikerades tidigt att valet av värde på LAMBDA inte verkade ha någon nämnvärd betydelse för modellen och i de fortsatta analyserna stärktes denna misstanke och kom att omfatta även KAPPA och TAU. Det var redan från början känt att Kostnad är en viktig variabel att ta hänsyn till och för att undersöka detta närmare konstruerades en modell bestående av ett fjärdegradspolynom med enbart variabeln Kostnad. Modellen lyckades fånga upp huvuddragen av variationen i RPB_20. Det går inte att dra generella slutsatser från den studie som här har genomförts. Resultaten visar dock att en modell utan KAPPA, TAU och LAMBDA fungerar för att beskriva variationen i RPB_20.  Valet av värden på KAPPA, TAU och LAMBDA i Selekt är av mindre betydelse. I implementeringsarbetet av Selekt i KSP rekommenderas därför att, förutom RPB, fokusera på variabeln Kostnad för att hitta den mest lämpliga kombinationen av parameterinställningar.