Konstrukci kompozitních indikátorů provádíme na základě doporučení OECD a Joint Research Centre při Evropské komisi (OECD, JRC, 2008).
Teoretický rámec všech souhrnných indexů kvality života vychází z národního strategického rámce Česká republika 2030 a byl detailně rozpracován při přípravě systémů indikátorů vycházejícího x maticového modelu čtyř kvalit života dle Veenhoven (2000). V návaznosti na tento systém je agregace dvoustupňová, v prvém kroku jsou samotné indikátory agregovány do sub-indexů a v druhém stupni probíhá agregace těchto sub-indexů do samotného souhrnného indexu.
Vyjma relevantnosti a spolehlivosti dat je v případě souhrnných indexů nutné zabezpečit, že zvolené indikátory mají jednoznačný směr. To znamená, že lze jednoznačně hodnotit přínosnost zvýšení či naopak snížení hodnoty indikátoru v celém prostoru. Důležitou otázkou při stanovování kritérií pro zahrnutí indikátorů je korelovanost dat. Pro účely konstrukce souhrnného indexu je vhodné vyjít jak z Pearsonova korelačního koeficientu, tak ze Spearmanova pořadového korelačního koeficientu. Oba koeficienty jsou často využívanými technikami a lze je proto nalézt v mnoha publikacích (např. Howitt, a kol. 2007; Meloun a kol. 2006; Blaikie, 2003). Názory na výskyt korelovanosti se různí, jak podotýká například Saltelli (2012). Silná korelace mezi indikátory může svědčit o komplexním vystihnutí jevu. Vysoké korelace jsou vhodné z důvodu robustnosti výsledků, a tedy citlivostí hodnot agregovaného indikátoru na použitý typ transformace veličin, změnu metody určení vah či použitý agregační mechanismus (Saltelli a kol. 2005). Na druhou stranu může tato korelace vyvolávat obavy dvojího zahrnutí (Salzman, 2003). Z důvodů zde popsaných je struktura některých souhrnných indexů odlišná od struktury systému indikátorů, který je konstruován pro co nejpřesnější popisný účel. Pro výběr výsledných zapojených indikátorů kvality života, stavbě samotných indexů, metod i testování robustnosti kompozitních indikátorů, bylo zvoleno vícero uvažovaných metod pro normalizaci, určení vah i agregaci v prvním i druhém stupni agregace. Dále jsou popsány výsledné metody použité při konstrukci indexů kvality života na regionální úrovni.
Vzhledem k tomu, že při přípravě systému indikátorů objektivních dat došlo k pečlivé přípravě vstupních dat, není nutné data doplňovat. Většina indikátorů se ale setkává s existencí odlehlých hodnot. Indikátory je tedy nutné nejdříve testovat na jejich přítomnost. Pro zjištění přítomnosti odlehlých pozorování bylo využito neparametrické detekce pomocí MAD (medián absolutních odchylek), která se řadí do robustních metod odhalování odlehlých hodnot. Metoda vychází na rozdíl od běžných přístupů předpokládajících normální rozdělení dat. Při identifikaci odlehlých pozorování je využita windsorizace (Meloun & Militký 1994). Oproti běžně využívané metodě nahrazení odlehlých hodnot nejbližší hodnotou je zde ale pro winsorizaci použita Huberova iterativní metoda s robustními odhady počátečních parametrů. Po dokončení algoritmu jsou transformovaná data testována pomocí koeficientů šikmosti a špičatosti. Jakožto hraniční meze jsou využity 1 v případě koeficientu šikmosti a 3,5 koeficientu špičatosti OECD (OECD & JRC 2008). Pokud jsou oba tyto koeficienty vyšší než stanovená mez, je v ojedinělých případech výrazného zešikmení doprava využita logaritmická transformace.
Dalším krokem při konstrukci souhrnných indexů je normalizace indikátorů. Normalizační metody mají za cíl zajistit srovnatelnost jednotlivých indikátorů. Zároveň je však nutné brát na zřetel měrné jednotky a vlastnosti rozdělení indikátorů. Jedná se o krok, který ve výsledku může vést při použití různých technik k rozdílným výledkům kompozitního skóre. I z tohoto to důvodu je nutné věnovat pozornost kroku předešlému, odlehlým hodnotám. Pro účely normalizace dat byla vybrána metoda z-score (Ulijaszek a kol. 1998; Johnson a kol. 2007), která se v podobných úlohách běžně vyskytuje a její předností je sjednocení variability jednotlivých indikátorů. Jedná se o způsob, jak porovnat výsledky s „normální“ populací. Výhodou této metody je, že zajišťuje nezkreslení od průměru a sjednotí různé škály a rozptyl. Tato metoda velmi omezeně upravuje extrémní hodnoty. V případě porovnání výsledků v čase je vhodné při výpočtu použít charakteristiky základního období. Pomocí z-skore jsou indikátory normalizovány například v European Lifelong Learning Indicator (ELLI) (Saisana 2010).
Váhy pro první stupeň jsou uvažovány rovné. V tomto stupni agregace je snaha o vytvoření jiného typu vah v rozporu s různorodými potřebami jednotlivých regionů, a navíc nelze zaručit jednotnou metodiku určení těchto vah. Na druhou stranu je nutné vybrat indikátory s tímto vědomím. V prvém stupni agregace je uvažována lineární agregace. Lineární agregace umožňuje kompenzovatelnost indikátorů, která je v prvém stupni potřebná jak z důvodu subjektivního (či nutného z důvodu dostupnosti) výběru indikátorů, tak i z důvodu jejich možné nahraditelnosti. Metoda je využívána vzhledem ke své jednoduchosti velmi často. Příkladem mohou být Environmental Performance Index (Hsu a kol. 2013) či Environmental Sustainability Index (Esty a kol. 2008).
V druhém stupni agregace vychází výpočet vah z dotazníkového šetření, které bylo provedeno opakovaně v letech 2020 a 2021 na panelu respondentů. V rámci těchto šetření vyjádřili respondenti důležitost jednotlivých subindexů pro jejich kvalitu života. V druhém stupni agregace je jakožto agregační mechanismus využita geometrická agregace. Z hlediska kompenzovatelnosti umožňuje geometrická agregace nižší kompenzovatelnost, ve srovnání s některými metodami odvozenými z teorie vícekriteriálního rozhodování je zde však stále kompenzovatelnost umožněna. Její stupeň ale není konstantní a je proto výhodná především pro jednotky s vysokými hodnotami ukazatelů, jejichž výsledné umístění může být při použití této metody ve srovnání s lineární agregací lepší (Lutero 2010). Geometrická agregace je využita například při výpočtu Human Development Index (United Nations Development Programme 2014).