Privacidade, confidencialidade e confiança: lições do debate sobre microdados censitários para o futuro das estatísticas públicas
DOI:
https://doi.org/10.20947/S0102-3098a0339Palavras-chave:
microdados; confidencialidade estatística; privacidade diferencial; dados sintéticos;Resumo
A adoção da privacidade diferencial pelo U.S. Census Bureau no Censo de 2020 e a discussão sobre a eventual substituição dos microdados públicos do American Community Survey (ACS) por dados sintéticos constituem um dos debates mais relevantes da história recente da estatística oficial. Este ponto de vista reconstrói as posições de John M. Abowd e do Census Bureau e a crítica de Steven Ruggles e da comunidade de usuários, examinando ainda os acontecimentos institucionais de 2025–2026 nos Estados Unidos e a nova arquitetura de disseminação dos microdados da amostra do Censo Demográfico 2022 do IBGE. A controvérsia não deve ser reduzida à escolha entre técnicas de anonimização. Em meio à questão de quais populações e relações estatísticas permanecerão visíveis, há a decisão institucional sobre quem define os limites de risco e de utilidade. A incerteza técnica é real e exige avaliação empírica, testes de intruso e documentação. A perda de confiança na instituição produtora representa um risco, já que a estatística oficial tende a ser utilizada sem possibilidade de verificação direta. Meu ponto de vista é que o mais adequado seria uma arquitetura produto a produto, combinando proteção proporcional ao risco, com o acesso em camadas, e a avaliação independente com participação documentada dos usuários. O critério decisivo não deve ser a escolha de um método, mas sim a capacidade de tornar auditável a escolha entre proteção, utilidade científica e legitimidade institucional.
Downloads
Referências
ABDU, A. A.; CHAMBERS, L. M.; MULLIGAN, D. K.; JACOBS, A. Z. Algorithmic transparency and participation through the handoff lens: lessons learned from the U.S. Census Bureau’s adoption of differential privacy. In: THE 2024 ACM CONFERENCE ON FAIRNESS, ACCOUNTABILITY, AND TRANSPARENCY – FACCT. Proceedings […]. Rio de Janeiro, 2024.
ABOWD, J. M.; ASHMEAD, R.; CUMINGS-MENOS, R.; GARFINKEL, S.; HEINECK, M.; HEISS, C.; JOHNS, R.; KIFER, D.; LECLERC, P.; MACHANAVAJJHALA, A.; MORAN, B.; SEXTON, W.; SPENCE, M.; ZHURAVLEV, P. The 2020 Census disclosure avoidance system topdown algorithm. Harvard Data Science Review, v. 2, special issue, 2022.
ABOWD, J. M. Third declaration of John M. Abowd. Alabama: U.S. Department of Commerce, 2021.
ABOWD, J. M.; SCHMUTTE, I. M. An economic analysis of privacy protection and statistical accuracy as social choices. American Economic Review, v. 109, n. 1, p. 171-202, 2019.
APDU – Association of Public Data Users. Comentário sobre a proposed rule do Census Bureau: critérios de residência e restrições a quesitos demográficos no censo decenal. Setembro 2026.
DALENIUS, T.; REISS, S. P. Data-swapping: a technique for disclosure control. Journal of Statistical Planning and Inference, v. 6, n. 1, p. 73-85, 1982.
DINUR, I.; NISSIM, K. Revealing information while preserving privacy. In: THE TWENTY-SECOND ACM SIGMOD-SIGACT-SIGART SYMPOSIUM ON PRINCIPLES OF DATABASE SYSTEMS. Proceedings […]. San Diego: Association for Computing Machinery (ACM), 2003. p. 202-210.
HOTZ, V. J. et al. Balancing data privacy and usability in the federal statistical system. PNAS, v. 119, n. 31. 2022.
IBGE – Instituto Brasileiro de Geografia e Estatística. Censo Demográfico 2022. Notas metodológicas 03/2026: controle estatístico de confidencialidade dos microdados da amostra. Rio de Janeiro, 2026.
KENNY, C. T.; McCARTAN, C.; KURIWAKI, S.; SIMKO, T.; IMAI, K. Evaluating bias and noise induced by the U.S. Census Bureau’s privacy protection methods. Science Advances, v. 10, n. 18, eadl2524, 2024.
MUELLER, J. T.; SANTOS-LOZADA, A. R. The 2020 US Census differential privacy method introduces disproportionate discrepancies for rural and non-white populations. Population Research and Policy Review, v. 41, n. 4, p. 1417-1430, 2022.
MURALIDHAR, K.; DOMINGO-FERRER, J.; SÁNCHEZ, D.; RUGGLES, S. Protecting vulnerable respondents: a critical analysis of the privacy-preserving methods of the 2010 and 2020 Decennial Census. Population Research and Policy Review, v. 44, n. 1, art. 8, 2025.
OFFICE FOR NATIONAL STATISTICS. Intruder testing on the 2021 Census. In: UNECE EXPERT MEETING ON STATISTICAL DATA CONFIDENTIALITY. Proceedings […]. Wiesbaden, Germany: UNECE, 2023.
RUGGLES, S.; MAGNUSON, D. L. “It’s none of their damn business”: privacy and disclosure control in the U.S. Census, 1790-2020. Population and Development Review, v. 49, n. 3, 2023.
RUGGLES, S. When privacy protection goes wrong. Journal of Economic Perspectives, v. 38, n. 2, 2024.
RUGGLES, S. The shortcomings of synthetic census microdata. PNAS, v. 122, n. 11, 2025.
SU, B.; SU, W. J.; WANG, C. The 2020 US Decennial Census is more private than you (might) think. PNAS, v. 122, n. 45, e2500337122, 2025.
U.S. CENSUS BUREAU. Decennial census of the population of Americans; proposed residence criteria and proposed regulations for demographic questions. Federal Register, v. 91, n. 174, p. 57524-57531, 2026.
U.S. DEPARTMENT OF COMMERCE. DAO 216-26 Disclosure avoidance for statistical products. 2026.
U.S. DEPARTMENT OF COMMERCE. Census Bureau. “Proposed Rules”. Federal Register, v. 91, n. 174, September 10, 2026.
WILLENBORG, L.; DE WAAL, T. Elements of statistical disclosure control. Springer, 2001.
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2026 Revista Brasileira de Estudos de População

Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Os artigos publicados na Rebep são originais e protegidos sob a licença Creative Commons do tipo atribuição (CC-BY). Essa licença permite reutilizar as publicações na íntegra ou parcialmente para qualquer propósito, de forma gratuita, mesmo para fins comerciais. Qualquer pessoa ou instituição pode copiar, distribuir ou reutilizar o conteúdo, desde que o autor e a fonte original sejam propriamente mencionados.