Datamodell

Sist endret

May 2, 2025

I dette kapitlet beskrives informasjonselementene i Datadoc. Siden noen gjelder for datasett og andre gjelder for variabler, så er kapitlet delt inn etter disse.

For hvert informasjonselement angis det om informasjonen er obligatorisk✅ for gitte datatilstander. Siden inndata ikke er en obligatorisk datatilstand, og kildedata ikke er mulig å dokumentere ennå, så angis de ikke. Men hvis man lagrer inndata i en statistikkproduksjon, så er de samme feltene obligatorisk som for klargjorte data.

Det angis også hva det internasjonale🌐 navnet er, det er dette navnet som benyttes i Datadoc-filene som genereres. Noen informasjonselementer er kun relevant for noen typer av data, og de er derfor kun obligatorisk hvis man har denne typen data, f.eks. er bruksrestriksjoner kun obligatorisk å fylle ut dersom datasettet har slike, og “måleenhet” kun obligatorisk for kvantitative1 variabler. Dette angis med ⚠️. Felter som er valgfrie, angis ved (valgfritt).

✅ = obligatorisk, ⚠️ = hvis relevant, 🌐 = internasjonalt


Datasett

Beskrivelse

🌐 description
klargjorte data ✅ | statistikkdata ✅ | utdata ✅

Beskriver kort innholdet i datasettet.

Eksempel 1:

Inneholder data om bruk av helsetjenester (Levekårsundersøkelsen).

Inneholder personopplysninger

🌐 contains_personal_data
klargjorte data ✅ | statistikkdata ✅ | utdata ✅

Angir om datasettet har identifiserende personopplysninger. Velges dersom datasettet inneholder minst en variabel som er personopplysning, dvs at den entydig kan knyttes til én fysisk person (f.eks. fødselsnummer, ulike adresser og bankkontonummer)2.

Se flere eksempler på personopplysninger i liste laget i PAPIS-prosjektet:
PAPIS-Variabelliste.docx

Næringsdata og enkeltpersonforetak (ENK) blir ikke regnet som personopplysninger.

Verdivurdering

🌐 assessment
klargjorte data ✅ | statistikkdata ✅ | utdata ✅

Utledes automatisk basert på datasettets datatilstand, og informasjon om datatilstand hentes fra filstien (se Navnestandarden) til den dokumenterte filen.

Tabell 1 viser sammenhengen mellom datatilstander og verdivurdering.

Tabell 1: Sammenheng mellom datatilstand og verdivurdering
Datatilstand Verdivurdering
Kildedata Sensitiv
Inndata Skjermet
Klargjorte data Skjermet
Statistikkdata Skjermet
Utdata Åpen

Bruksrestriksjon

🌐 use_restriction
klargjorte data ⚠️ | statistikkdata ⚠️

Angis om datasettet har bruksrestriksjoner. Datasett uten brukrestriksjoner trenger ikke å fylle ut feltet, og i json-utskriften vil verdien i dette feltet da vises som null. Følgende verdier er tillatt for datasett med bruksrestriksjoner:

Sletting/anonymisering

🌐 DELETION_ANONYMIZATION
Datasettet er hentet inn til SSB med forutsetning om at opplysningene skal slettes eller anonymiseres innen et bestemt tidspunkt. F.eks. har samtykkebaserte surveydata alltid krav om anonymisering eller sletting innen et gitt tidspunkt.

Behandlingsbegrensninger

🌐 PROCESS_LIMITATIONS
Datasettet er hentet inn til SSB med forutsetning om at opplysningene kun prosesseres på en forhåndsdefinert og begrenset måte. Et datasett kan f.eks. være hentet inn med begrensninger knyttet til hvilke andre data den kan kobles sammen med.

Sekundærbruksrestriksjoner

🌐 SECONDARY_USE_RESTRICTIONS
Datasettet er hentet inn under forutsetning av at opplysningene utelukkende benyttes av SSB til utvikling, utarbeiding eller formidling av offisiell statistikk. SSB kan ikke gi tilgang til opplysningene for utarbeiding av statistiske resultater og analyser, herunder forskning, jf. statikkloven § 14..

Bruksrestriksjonsdato

🌐 use_restriction_date
klargjorte data ⚠️ | statistikkdata ⚠️

Angis kun dersom det er knyttet bruksrestriksjoner til datasettet, og det finnes en “tiltaksdato”. En tiltaksdato kan f.eks. være at et datasett skal slettes eller anonymiseres på en gitt dato. Noen datasett med Bruksrestriksjon vil ikke ha en slik dato, f.eks. vil en behandlingsbegrensning normalt være permanent/tidsuavhengig, og da skal ikke dette feltet fylles ut. I json-utskriften vil verdien i dette feltet da vises som “null”.

Dato må være på formatet YYYY-MM-DD iht ISO 8601 Date and time format.

Eksempel 1:

2024-12-31

Datatilstand

🌐 dataset_state
klargjorte data ✅ | statistikkdata ✅ | utdata ✅

Utledes automatisk fra filstien hvis datasettet som dokumenteres er lagret iht Navnestandarden, men kan overstyres. Datasettets datatilstand er en av følgende:

KILDEDATA

🌐 SOURCE_DATA

INNDATA

🌐 INPUT_DATA

KLARGJORTE DATA

🌐 PROCESSED_DATA

STATISTIKK

🌐 STATISTICS

UTDATA

🌐 OUTPUT_DATA

Status

🌐 dataset_status
klargjorte data ✅ | statistikkdata ✅ | utdata ✅

Angir hvor metadataene er i livssyklusen. Følgende kategorier kan velges:

Utkast

🌐 DRAFT
Arbeid med data og metadata pågår, dvs. ikke delt internt eller eksternt.

Intern

🌐 INTERNAL
Metadata er godkjent for intern bruk, men data med verdivurdering “skjermet” kan kun brukes/deles med ansatte med tjenstlig behov for tilgang

Ekstern

🌐 EXTERNAL
Metadata er godkjent for både intern og eksternt bruk, men data kan kun deles med alle eksterne hvis datatilstanden er “utdata” (verdivurdering=åpen). Andre datatilstander kan deles f.eks. med forskere etter søknad og godkjenning.

Utgått

🌐 DEPRECATED
Utgått, avsluttet eller erstattet av noe annet.

Enhetstype

🌐 unit_type
klargjorte data ✅ | statistikkdata ✅ | utdata ✅

Angir enhetstypen («objektet») som datasettet inneholder informasjon om. Eksempler på enhetstyper er «person», «foretak» og «bruksenhet».

I noen tilfeller vil dataene være aggregerte allerede når de kommer til SSB. Da vil det ikke være logisk å snakke om enhetstyper, og en kan velge kategorien «aggregert» som verdi i Enhetstype-feltet. Denne kategorien vil også ofte være det aktuelle valget for datatilstandene statistikk og utdata da disse ofte vil bestå av aggregerte data. Et unntak her vil være Kostra, som også har aggregerte data, men der disse er aggregert på kommune- eller fylkes nivå, og det vil da være naturlig å bruke enhetstypen «kommune(forvaltning)» eller «fylke(forvaltning)».

Kodeliste i Klass for tillatte verdier.

Flere enhetstyper i samme datasett

Dersom datasettet inneholder informasjon om flere enhetstyper, vil disse enhetstypene i fremtiden kunne dokumenteres for hver variabel under Variabler-fanen. Men dette er fremtidig funksjonalitet og støttes ikke i Datadoc i dag.

Populasjon

🌐 population_description
klargjorte data ✅ | statistikkdata ✅ | utdata ✅

Angir populasjonen som datasettet dekker(fritekst).

Eksempel 1:

Alle bosatte personer

Eksempel 2:

Alle studenter ved universitet og høgskole

Eksempel 3:

Alle aktive bedrifter innenfor bergverksdrift, olje- og gassutvinning, industri og kraftforsyning

Eksempel 4:

Alle museer som er åpne for publikum, og som har minst et fast lønnet årsverk

Eksempel 5:

Alle personer bosatt i Norge som har hatt ett eller flere sykehusopphold eller behandling

Eksempel 6:

Alle verdipapirfond som har konsesjon fra Finanstilsynet

Dersom noen av variablene i datasettet har en annen populasjon, er dette dokumentert under Populasjon for den aktuelle variabelen.

Versjon

🌐 version
klargjorte data ✅ | statistikkdata ✅ | utdata ✅

Utledes automatisk dersom datasettet følger navnestandarden. Dersom datasettet ikke følger navnestandarden (det er f.eks. ikke et krav at kildedata skal gjøre det), settes versjonsnummeret manuelt. Les mer om versjoner i Dapla-manualen.

Versjonsbeskrivelse

🌐 version_description
klargjorte data ✅ | statistikkdata ✅ | utdata ✅

Kort beskrivelse av årsaken til at en ny versjon ble laget. For versjon 1 kan en bare skrive Opprinnelig versjon.

Inneholder data f.o.m.

🌐 contains_data_from
klargjorte data ✅ | statistikkdata ✅ | utdata ✅

Utledes automatisk dersom datasettet følger navnestandarden. Dersom datasettet ikke følger navnestandarden (det er f.eks. ikke et krav at kildedata skal gjøre det), settes denne datoen manuelt. Dersom variablene i datasettet inneholder data med ulike startdatoer, settes den eldste datoen her. Under variabler-fanen kan en sette korrekt Inneholder data f.o.m. for variabler som avviker fra datoen som settes her.

Dato må være på formatet YYYY-MM-DD iht ISO 8601 Date and time format.

Inneholder data t.o.m.

🌐 contains_data_until
klargjorte data ✅ | statistikkdata ✅ | utdata ✅

Utledes automatisk dersom datasettet følger navnestandarden. Dersom datasettet ikke følger navnestandarden (det er f.eks. ikke et krav at kildedata skal gjøre det), settes denne datoen manuelt. Dersom variablene i datasettet inneholder data med ulike sluttdatoer, settes den nyeste datoen her. Under variabler-fanen kan en sette korrekt «Inneholder data t.o.m.» for variabler som avviker fra datoen som settes her.

Dato må være på formatet YYYY-MM-DD iht ISO 8601 Date and time format.

Datakilde

🌐 data_source
klargjorte data ✅ | statistikkdata ✅ | utdata ✅

Angir kilden til dataene (på etats-/organisasjonsnivå). Denne velges fra menyen. Dersom variablene i datasettet har ulike datakilder, kan disse presiseres for de aktuelle variablene under Variabler-fanen. I dette tilfellet velges den hyppigst forekommende datakilden her.

Klass-kodeliste for tillatte verdier.

Temporalitetstype

🌐 TEMPORALITY_TYPE
klargjorte data ✅ | statistikkdata ✅ | utdata ✅

Angir tidsdimensjonen i datasettet. Følgende verdier er tillatt:

Fast

🌐 FIXED
Data med verdier som ikke endres over tid, f.eks. fødselsdato.

Tverrsnitt

🌐 STATUS
«Tverrsnitt» er data som er målt på et bestemt tidspunkt.

Akkumulert

🌐 ACCUMULATED
er data som er samlet over en viss tidsperiode, f.eks. inntekt gjennom et år.

Hendelse/forløp

🌐 EVENT
«Hendelse/forløp» registrerer tidspunkt og tidsperiode for ulike hendelser/tilstander, f.eks. (skifte av) bosted.

Dersom variablene i datasettet har ulike temporalitetstyper, kan disse presiseres for de aktuelle variablene under Variabler-fanen. I dette tilfellet, velges den hyppigst forekommende temporalitetstypen her.

Statistikkområdet

🌐 subject_field
klargjorte data ✅ | statistikkdata ✅ | utdata ✅

Angir det primære statistikkområdet som datasettet tilhører.

Gyldige verdier er definert i en Klass kodeliste.

Nøkkelord

🌐 keyword
klargjorte data (valgfritt) | statistikkdata (valgfritt) | utdata (valgfritt)

Beskriver datasettet vha. nøkkelord. Disse kan brukes i søk. Nøkkelordene må legges inn som en kommaseparert streng.

Eksempel 1:

befolkning, skatt, arbeidsledighet

Geografisk dekningsområde

🌐 spatial_coverage_description
klargjorte data ✅ | statistikkdata ✅ | utdata ✅

Oppgi datasettets geografiske dekningsområde. Norge er satt som standard.


Variabler

Definisjons-URI

🌐 definition_uri
klargjorte data ✅ | statistikkdata ✅ | utdata ✅

Angir lenken til relevant variabel(definisjon) i Vardef. Via Vardef-variabelen vil en også få lenke til ev. tilhørende kodeverk.

Definisjons-URI er satt som obligatorisk felt. Unntaket vil være tilfellet som beskrives i Navn-feltet, dvs. variabler som kun brukes i ett datasett og dermed kun beskrives i Datadoc-editor.

Sammenkobling med Vardef

Når Vardef kommer i produksjon vil Datadoc-editor bruke variabelens kortnavn til å søke etter en Vardef-variabel med samme kortnavn, og brukeren kan da velge å lenke til den foreslåtte variabelen eller legge til en annen lenke manuelt.

Er personopplysning

🌐 is_personal_data
klargjorte data ✅

Angir om variabelen er en personopplysning eller ikke, og hvis den er det, om den anonymisert eller ikke. Følgende verdier er tillatt:

Ikke personopplysning (default)

🌐 NOT_PERSONAL_DATA
Variabelen er ikke en personopplysning

Pseudonymisert/kryptert personopplysning

🌐 PSEUDONYMISED_ENCRYPTED_PERSONAL_DATA
Variabelen er en personopplysning som er pseudonymisert/kryptert. Eksempelvis pseudonymisert fødselsnummer eller kryptert person-navn

Ikke-pseudonymisert/ikke-kryptert personopplysning

🌐 NON_PSEUDONYMISED_ENCRYPTED_PERSONAL_DATA
Variabelen er en personopplysning som ikke er pseudonymisert/kryptert. Eksempelvis fødselsnummer eller navn i klartekst.

Personopplysninger er alle opplysninger som entydig kan knyttes til en fysisk person (f.eks. fødselsnummer, ulike adresser og bankkontonummer). Se flere eksempler på personopplysninger i liste laget av PAPIS-prosjektet:

PAPIS - Variabelliste.docx

Næringsdata og enkeltpersonforetak (ENK) blir ikke regnet som personopplysninger.

Måleenhet

🌐 measurement_unit
klargjorte data ⚠️ | statistikkdata ⚠️ | utdata ⚠️

Angir måleenhet dersom variabelen er kvantitativ3, f.eks. kroner eller tonn.

Klass-kodeliste for tillatte måleeneheter.

Multiplikasjonsfaktor

🌐 multiplication_factor
klargjorte data (valgfritt) | statistikkdata (valgfritt) | utdata (valgfritt)

Angir multiplikasjonsfaktor der denne brukes sammen med måleenheten, f.eks. hvis det er store tall i datasettet. En kan f.eks. velge multiplikasjonsfaktor 1000, og måleenhet «kroner», slik at verdiene vises i 1000 kroner.

Variabelens rolle

🌐 variable_role
klargjorte data ✅ | statistikkdata ✅ | utdata ✅

Angir variabelens rolle i datasettet. Gyldige verdier/roller er:

IDENTIFIKATOR

🌐 IDENTIFIER
Identifiserer de ulike enhetene i et datasett, f.eks. fødselsnummer som identifiserer personer og organisasjonsnummer som identifiserer foretak.

MÅLEVARIABEL

🌐 MEASURE
Beskriver det vi måler, dvs. egenskaper som sivilstand eller omsetning.

STARTTID

🌐 START_TIME
Beskriver startdato for hendelser som har et forløp, eller måletidspunkt for tverrsnittdata.

STOPPTID

🌐 STOP_TIME
Beskriver stoppdato for hendelser som har et forløp.

ATTRIBUTT

🌐 ATTRIBUTE
Benyttes dersom en ønsker å utvide datasettet med informasjon knyttet til gitte variabler, f.eks. vedrørende datakvalitet eller editering.

Kodeverkets URI

🌐 classification_uri
klargjorte data ⚠️ | statistikkdata ⚠️ | utdata ⚠️

Angir lenke (URI) til gyldig kodeverk (klassifikasjon eller kodeliste) i Klass. Dette feltet vil sjelden benyttes siden variabelen i all hovedsak vil knyttes til tilhørende kodeverk via relevant variabeldefinisjon i Vardef. Unntaksvis kan den imidlertid knyttes direkte til Klass via dette feltet i tilfeller der variabelen ikke defineres i Vardef (se nærmere info under feltet «Navn»). Via dette feltet kan en også lenke til en variant av et kodeverk dersom en ønsker å spesifisere kodeverket som er knyttet til variabeldefinisjonen i Vardef (eksempelvis variabelen “næring” som i Vardef er knyttet til Standard for næringsgruppering (SN). For variabelen i datasettet kan en da f.eks. lenke til en variant av SN som kun inkluderer næringene som er aktuelle for egen statistikk, hvis dette er ønskelig).

Kommentar

🌐 comment
klargjorte data (valgfritt) | statistikkdata (valgfritt) | utdata (valgfritt)

Beskriver to ulike situasjoner.

  1. Dette feltet brukes vanligvis til å legge inn ytterligere informasjon om en variabel, f.eks. dersom en ønsker å utdype definisjonen i Vardef-variabelen en har lenket til.

  2. Feltet skal brukes i de sjeldne tilfellene der en variabel ikke må dokumenteres i Vardef (da er feltet ikke valgfritt). En kan nemlig unnlate å dokumentere en variabel i Vardef dersom den kun brukes i ett dataset (se mer info under Navn). I et slikt tilfelle må variabelen defineres i Kommentar-feltet. (NB variabler som kun brukes i ett datasett, kan godt dokumenters i Vardef i stedet for i dette kommentar-feltet dersom en ønsker det).

Datakilde

🌐 data_source
klargjorte data ✅ | statistikkdata ✅ | utdata ✅

Angis vanligvis på datasettnivå, men dersom datasettet består av variabler med ulike datakilder, kan datakilde på variabelnivå velges i dette feltet.

Tillate verdier er definert i en Klass kodeliste.

Temporalitetstype

🌐 temporality_type
klargjorte data ✅ | statistikkdata ✅ | utdata ✅

Angis vanligvis på datasettnivå, men dersom datasettet består av variabler med ulike temporalitetstyper, kan temporalitetstype på variabelnivå velges i dette feltet. Temporalitetstypen sier noe om tidsdimensjonen til variabelen. Følgende er tillatte verdier:

Fast

🌐 FIXED
Data med verdier som ikke endres over tid, f.eks. fødselsdato.

Tverrsnitt

🌐 STATUS
«Tverrsnitt» er data som er målt på et bestemt tidspunkt.

Akkumulert

🌐 ACCUMULATED
Data som er samlet over en viss tidsperiode, f.eks. inntekt gjennom et år.

Hendelse/forløp

🌐 EVENT
«Hendelse/forløp» registrerer tidspunkt og tidsperiode for ulike hendelser/tilstander, f.eks. (skifte av) bosted.

Populasjon

🌐 population_description
klargjorte data ✅ | statistikkdata ✅ | utdata ✅

Angis vanligvis på datasettnivå, men dersom datasettet består av variabler med ulike populasjoner, kan populasjonen dokumenteres på variabelnivå i dette feltet.

En populasjon sier hvilken enhetstype(er) som finnes i datasettet, geografisk dekningsområde og tidsperiode.

Eksempel 1:

Alle (bosatte) personer i Norge per 31.12.2024

Eksempel 2:

Alle foretak i Oslo per 01.03.2025

Format

🌐 format
klargjorte data (valgfritt) | statistikkdata (valgfritt) | utdata (valgfritt)

Angir en ytterligere presisering av datatype i tilfellene der det er relevant. Kan inneholde verdienes format (fysisk format eller regulært uttrykk) i maskinlesbar form i forbindelse med validering, f.eks. ISO 8601 som datoformat.

Inneholder data f.o.m.

🌐 contains_data_from
klargjorte data ✅ | statistikkdata ✅ | utdata ✅

Angis vanligvis på datasettenivå, men dersom variablene i datasettet inneholder data med ulike startdatoer, kan startdato dokumenteres på variabelnivå i dette feltet.

Dato må være på formatet YYYY-MM-DD iht ISO 8601 Date and time format.

Inneholder data t.o.m.

🌐 contains_data_until
klargjorte data ✅ | statistikkdata ✅ | utdata ✅

Angis vanligvis på datasettenivå, men dersom variablene i datasettet inneholder data med ulike sluttdatoer, kan sluttdato dokumenteres på variabelnivå i dette feltet.

Dato må være på formatet YYYY-MM-DD iht ISO 8601 Date and time format.

Datatype

🌐 data_type
klargjorte data ✅ | statistikkdata ✅ | utdata ✅

Angir variabelens Datadoc-datatype. Utledes automatisk basert på PyArrow-datatype når Parquet-filen blir lest inn av Datadoc. Den som dokumenterer kan manuelt endre den utledede Datadoc-dataypen. Følgende er verdier er tillat:

TEKST

🌐 STRING
Datadoc-datatype STRING utledes automatisk dersom variabelen har en av de følgende PyArrow-datatypene:
| string | large_string | bytes |

HELTALL

🌐 INTEGER
Datadoc-datatype INTEGER utledes automatisk dersom variabelen har en av de følgende PyArrow-datatypene:
| int8 | int16 | int32 | int64 | uint8 | uint16 | uint32 | uint64 |

DESIMALTALL

🌐 FLOAT
Datadoc-datatype FLOAT utledes automatisk dersom variabelen har en av de følgende PyArrow-datatypene:
| float16 | float32 | float64 |

DATOTID

🌐 DATETIME
Datadoc-datatype DATETIME utledes automatisk dersom variabelen har en av de følgende PyArrow-datatypene:
| timestamp('s') | timestamp('ms') | timestamp('us') | timestamp('ns') | date32() | date64() | time32('s') |

BOOLSK

🌐 BOOLEAN
Datadoc-datatype BOOLEAN utledes automatisk dersom variabelen har følgende PyArrow-datatype:
| bool |

Dataelementsti

🌐 data_element_path
klargjorte data ⚠️ | statistikkdata ⚠️ | utdata ⚠️

Angis kun for hierarkiske datasett (JSON) hvor det er nødvendig å oppgi sti til dataelementet. “dot-notasjon” (JsonPath- lignende syntaks) brukes til å peke til variabelen (dataelementet). Dette er en generisk/teknologinøytral måte å peke til elementer i både JSON, XML og andre hierarkiske datastrukturer.

Ugyldige verdier

🌐 invalid_value_description
klargjorte data (valgfritt) | statistikkdata (valgfritt) | utdata (valgfritt)

Beskriver ugyldige verdier som inngår i variabelen (fritekstfelt). Et eksempel kan være variabelen «organisasjonsnummer» hvis en vet at noen av verdiene knyttet til enpersonsforetak mangler et siffer i fødselsnummeret eller egentlig er passnummer.

Kortnavn

🌐 short_name
klargjorte data ✅ | statistikkdata ✅ | utdata ✅

Utledes automatisk. Kortnavnet vil være det samme som navnet som brukes på variabelen i datasettet.

Id

🌐 id
klargjorte data ✅ | statistikkdata ✅ | utdata ✅

Utledes automatisk. Dette er en unik SSB-identifikator for variabelen, og denne maskingenereres av Datadoc.

Pseudonymisering

Kommer snart.

Fotnoter

  1. Kvantitative variabler har verdier som er tall, i motsetning til kvalitative variabler som henter sine verdier fra en klassifikasjon eller kodeliste. Inntekt og alder er eksempler på kvantitative variabler.↩︎

  2. Feltet Inneholder personopplysninger på datasettnivå angir IKKE om sammenhengen mellom flere variabler resulterer i at informasjon blir personidentifiserende. Feltet angir kun om en av variablene i seg selv er personidentifiserende.↩︎

  3. Kvantitative variabler har verdier som er tall. Inntekt og Alder er eksempler på kvantitative variabler.↩︎