Geri Dön

Geleneksel ve makine öğrenmesi yöntemleri ile cox regresyon modeli için imputasyon

Geleneksel ve makine öğrenmesi yöntemleri ile cox regresyon modeli için imputasyon

PDF İndir

  1. Tez No: 1005118
  2. Yazar: EZGİ İPLİKÇİ
  3. Danışmanlar: PROF. DR. DURU KARASOY
  4. Tez Türü: Yüksek Lisans
  5. Konular: İstatistik, Statistics
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2026
  8. Dil: Türkçe
  9. Üniversite: Hacettepe Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: İstatistik Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Veri toplama, ölçüm ve kayıt süreçlerindeki çeşitli aksaklıklar nedeniyle istatistiksel analizlerde kayıp gözlemlerle karşılaşılması sık karşılaşılan bir sorundur. Kayıp gözlemlerin olduğu verilerin analizinde, kayıp veri mekanizmaları ile desenlerine ilişkin değerlendirmeler belirleyici bir rol oynamaktadır. Bu kapsamda, kayıp veri tahmini amacıyla geliştirilmiş geleneksel ve makine öğrenmesine dayalı yöntemler literatürde yaygın olarak kullanılmaktadır. Ancak yaşam çözümlemesi verileri, olay süresi ve olay göstergesi değişkenlerini de içermesi nedeniyle diğer veri türlerinden farklı bir yapıya sahiptir. Bu durum, kayıp veri tahmininde kullanılacak imputasyon yöntemlerinin, yaşam çözümlemesi verilerinin özgün yapısını dikkate alacak şekilde uygulanmasını gerektirmektedir. Bu çalışmada R programıyla kayıp verisi olmayan (tam) meme kanseri veri setindeki açıklayıcı değişkende ve yaşam çözümlemesi verilerinde yer alan olay süresi ve olay göstergesi değişkenlerinde ayrı ayrı olmak üzere rastgele kayıp (missing at random – MAR) ve tamamen rastgele kayıp (missing completely at random – MCAR) mekanizmaları altında kayıp veri oluşturulmuştur. Bu veri setine hem geleneksel hem de makine öğrenmesine dayalı imputasyon yöntemleri uygulanmıştır. Bu veri seti için elde edilen sonuçlar, tam veri setiyle elde edilen sonuçlarla karşılaştırılarak, gözlem değeri ve Cox regresyon modeli sonuçlarıyla en uyumlu yöntemler ortaya koyulmuştur. Bu çalışma ile birlikte seçilecek imputasyon yöntemi üzerinde kayıp verinin bulunduğu değişkenin, kayıp veri oranının ve kayıp veri mekanizmasının önem taşıdığı sonucu elde edilmiştir. Yaş ve tümör çapı değişkenleri ele alındığında MAR mekanizmasının MCAR mekanizmasına göre daha hassas sonuçlar ortaya çıkardığı esas modele uyumlu tam koşullu belirtme (substantive-model compatible fully conditional specification – SMC - FCS) yönteminin daha iyi sonuçlar veridiği görülmüştür. Olay göstergesinde kayıp veri olması durumunda MCAR mekanizmasında daha basit imputasyon yöntemleri yeterli olurken, MAR mekanizmasında daha karmaşık imputasyon yöntemlerinin gerekliliği ortaya çıkmıştır. Kayıp veri oranı arttıkça kategorik değişkenlerin duyarlı hale geldiği sonucu elde edilmiştir. Olay süresi için ise kayıp veri mekanizmasının türünün önem taşıdığı özelikle kategorik değişkenlerin Cox regresyon model tahmin değerleri üzerinde etkili olduğu sonucu elde edilmiştir.

Özet (Çeviri)

Data collection, measurement, and recording processes are often subject to various disruptions; therefore, encountering missing observations in statistical analyses is a common problem. In the analysis of data containing missing observations, careful assessment of missing data mechanisms and patterns plays a crucial role. In this context, traditional and machine learning–based methods developed for missing data imputation are widely used in the literature. However, survival analysis data have a distinct structure compared to other data types, as they include time-to-event and event indicator variables. This situation requires that the imputation methods used for handling missing data be applied in a manner that accounts for the unique structure of survival analysis data. In this study, missing data were generated under the missing at random (MAR) and missing completely at random (MCAR) mechanisms using the R software, separately for the explanatory variables in the complete breast cancer dataset as well as for the time-to-event and event indicator variables in the survival analysis data. Both traditional and machine learning–based imputation methods were applied to the generated datasets. The results obtained for this dataset were compared with those from obtained for the complete dataset, and the methods most consistent with the observed values and the Cox regression model results were identified. Based on the findings of this study, it is concluded that the selection of an appropriate imputation method is substantially determined by the variable in which missing data occur, the proportion of missing data, and the underlying missing data mechanism. When the age and tumor size variables were considered, it was observed that the MAR mechanism produced more sensitive results compared to the MCAR mechanism, and that the substantive-model compatible fully conditional specification (SMC-FCS) method yielded results more consistent with the underlying model. In the presence of missing data in the event indicator, simpler imputation methods were found to be sufficient under the MCAR mechanism, whereas the necessity of more complex imputation methods emerged under the MAR mechanism. As the proportion of missing data increased, categorical variables became more sensitive. For event time, the type of missing data mechanism was found to be of importance, with categorical variables having a notable effect on the Cox regression model estimates.

Benzer Tezler

  1. Tez No

    841996

    Mide kanserinde yapay zekâ yaklaşımı ile sağkalım analizi

    Survival analysis with artificial intelligence approach in gastric cancer

    ALİ GÜNER

    Doktora

    Türkçe

    Türkçe

    2023

    BiyoistatistikKaradeniz Teknik Üniversitesi

    Biyoistatistik ve Tıp Bilişimi Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ BURÇİN KURT

  2. Tez No

    690203

    Machine learning methods for survival data

    Sağkalım verileri için makine öğrenmesi yöntemleri

    TUĞÇE PAKSOY

    Yüksek Lisans

    İngilizce

    İngilizce

    2021

    İstatistikDokuz Eylül Üniversitesi

    İstatistik Ana Bilim Dalı

    DOÇ. DR. İDİL YAVUZ

  3. Tez No

    652938

    Erken evre meme kanseri hastaların sağkalım sürelerinin ve olasılıklarının, geleneksel sağkalım yöntemleri ile makine ögrenmesi tekniklerinin R paket programında karşılaştırılması

    Comparison of survival periods and probabilities of early stage breast cancer patients with traditional survival methods and machine learning techniques in the R package program

    SİNAN UZUN

    Yüksek Lisans

    Türkçe

    Türkçe

    2020

    BiyoistatistikMarmara Üniversitesi

    Biyoistatistik Ana Bilim Dalı

    PROF. DR. GÜLNAZ NURAL BEKİROĞLU

  4. Tez No

    826125

    İpoteğe dayalı menkul kıymet teminat havuzunun değerlemesi ve otomatik değerleme modelleri

    Valuation of the collateral pool of mortgage-backed securities and automated valuation models

    TUĞBA GÜNEŞ

    Doktora

    Türkçe

    Türkçe

    2023

    MaliyeAnkara Üniversitesi

    Gayrimenkul Geliştirme ve Yönetimi Ana Bilim Dalı

    PROF. DR. AYŞEN APAYDIN

  5. Tez No

    142597

    Yeni Cami'nin akustik açıdan performans değerlendirmesi

    Evaluation of the acoustical performance of the New Mosque

    EVREN YILDIRIM

    Yüksek Lisans

    Türkçe

    Türkçe

    2003

    Mimarlıkİstanbul Teknik Üniversitesi

    Mimarlık Ana Bilim Dalı

    PROF. DR. SEVTAP YILMAZ DEMİRKALE

Geri Dön