Appariements de données individuelles : concepts, méthodes, conseils
Un appariement consiste à rapprocher deux bases de données d’origine distincte partageant
des unités statistiques communes mais contenant des informations différentes. Cette
opération permet d'accroître l'information disponible dans les deux bases. Un cas
classique pour le statisticien est l'appariement de fichiers de personnes. Les enjeux
sont multiples : enrichissement de données d'enquête par des sources administratives,
repérage de doublons, constitution de panels...
La tâche est aisée lorsque les deux sources de données disposent d’un identifiant
unique commun pour tous les individus, mais ce cas n'est pas fréquent. En l’absence
d’un tel identifiant, il est nécessaire de mobiliser les champs caractérisant l'identité
d'une personne (état civil, adresse, etc.) pour repérer les individus communs dans
les deux bases. Ces traits d'identité pouvant être entachés d'erreurs, certains individus
doivent être appariés malgré des informations légèrement différentes sur les champs
servant à l’identification.
Ce document constitue une introduction pratique aux appariements de données individuelles
sur traits d'identité. Après avoir introduit le vocabulaire et les notions clés, il
expose et illustre les enjeux et les méthodes associés aux différentes étapes d'un
appariement. Un ensemble d'outils d'appariement open source sont présentés, et leurs
avantages et inconvénients sont discutés. Des conseils pratiques sont également proposés
afin de choisir l'approche la plus adaptée au cas rencontré, paramétrer au mieux l'appariement
et éviter de tomber dans certains écueils.
Un dépôt de code évolutif contenant des exemples d'appariements ainsi que des ressources
d'autoformation est disponible à l'adresse suivante : Ouvrir dans un nouvel onglethttps://github.com/InseeFrLab/appariement