Saga af brottfalli: Vinnumarkaðsrannsókn Hagstofu Íslands (2003 til 2020)

Abstract

Þátttaka í úrtaksrannsóknum hefur minnkað verulega á undanförnum áratugum. Þetta hefur skapað áskoranir við að draga úr þeim bjaga sem hlýst að ójöfnu svarhlutfalli hjá hópum sem lenda í úrtaki. Markmið þessarar rannsóknar er að greina brottfall í stórri úrtaksrannsókn úr íbúaskrá Þjóðskrár og mögulegan bjaga vegna þess. Þetta verður gert með því að greina brottfallsbjaga, umfang hans og þróun yfir tíma, og skoða leiðir til að bregðast við honum. Til grundvallar er stór íslensk úrtaksrannsókn sem framkvæmd er af Hagstofu Íslands; Vinnumarkaðsrannsókn Hagstofu Íslands (VMR). Niðurstöður greiningarinnar sýna að brottfall í Vinnumarkaðsrannsókn hefur aukist á síðustu sex árum, sérstaklega meðal innflytjenda. Áhrif brottfallsins má greina í bjöguðum niðurstöðum í lykilbreytum Vinnumarkaðsrannsóknar, það er að segja í tölum fyrir fjölda starfandi, atvinnlausa og þá sem eru utan vinnumarkaðar. Upplýsingar úr brottfallsgreiningu voru notaðar til þess að búa til svarlíkindalíkan, og niðurstöður þess notaðar til þess að gera tillögu að endurbættum vogum sem má nýta til þess að leiðrétta bjaga vegna brottfalls. Niðurstöður greiningarinnar sýna að brottfall í Vinnumarkaðsrannsókn hefur aukist á síðustu sex árum, sérstaklega meðal innflytjenda. Áhrif brottfallsins má greina í bjöguðum niðurstöðum í lykilbreytum Vinnumarkaðsrannsóknar, það er að segja í tölum fyrir fjölda starfandi, atvinnlausa og þá sem eru utan vinnumarkaðar. Til þess að draga úr áhrifum brottfallsins voru nýjar vogir búnar til á grundvelli hjálparbreyta úr skrám og niðurstöðum svarlíkindalíkans. Samanburður á eldri vogum og nýjum vogum sýnir að töluvert dró úr bjaga í þessum lykilbreytum Vinnumarkaðsrannsóknar þegar miðað er við sambærilegar upplýsingar úr skrám. Niðurstöður þessarar greiningar sýna fram á mikilvægi þess að nýta svarlíkindi þegar vogir fyrir úrtaksrannsóknir eru búnar til. Þannig mætti hafa þessar niðurstöður til hliðsjónar til þess að bregðast við brottfalli í öðrum úrtaksrannsóknum og til þess að finna aðferðir sem hægt er að nota til þess að draga úr brottfalli á gagnasöfnunarstigi.

In recent decades participation in sample surveys has decreased significantly. This has created challenges for researchers because of a bias which may be due to unequal response rates in survey sub-samples. The aim of this study is to analyse the nonresponse in a large sample survey based on the population register of the National Registry and the possible bias caused by this nonresponse. This will be done by analysing the scope of the nonresponse and its development over time, and subsequently looking at ways to respond to this nonresponse. Survey data comes from a large Icelandic sample survey, conducted by Statistics Iceland, namely the Icelandic Labour Force Survey (IS-LFS). The results of the analysis show that nonresponse in the IS-LFS has largely increased in the last six years, especially among immigrants. The effect of the nonresponse can be seen in the biased results of the key variables of the IS-LFS, which is in figures for the number of employed, unemployed and those who are not active in the labour market. The information taken from the nonresponse analysis was used to generate propensity scores, and its results were used to improve weights that can be used to correct bias due to the nonresponse. To reduce the effect of the nonresponse, new weights were created based on the auxiliary variables from registers and the results of the propensity model. A comparison of the older weights and the new weights shows that the bias in this key variable, in the IS-LFS, decreased considerably when comparing information from the registers. The results of this analysis demonstrate the importance of utilizing propensity scores and same approach may be applied when creating weights for sample surveys. Thus, the methods used in this study should be considered to address nonresponse in other sample surveys and may even be helpful in identifying methods that could be helpful to reduce nonresponse at the data collection stage.