Geri Dön

Çoklu karşılaştırmalarda düzeltme yöntemleri ve karşılaştırılması

Comparisons and correction methods in multiple comparisons

  1. Tez No: 267325
  2. Yazar: MOHAMMAD NOSRATI
  3. Danışmanlar: PROF. DR. C. REHA ALPAR
  4. Tez Türü: Yüksek Lisans
  5. Konular: Biyoistatistik, Biostatistics
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2010
  8. Dil: Türkçe
  9. Üniversite: Hacettepe Üniversitesi
  10. Enstitü: Sağlık Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Biyoistatistik Ana Bilim Dalı
  12. Bilim Dalı: Biyoistatistik Bilim Dalı
  13. Sayfa Sayısı: 67

Özet

Çoklu karşılaştırmaları gerektiren hipotez testlerinin önemlilik düzeyini belirlemek için yeni bir yöntem tanıtılmıştır. Tanıtılacak olan yöntem değişkenler arası bağımsızlık varsayımına dayanmayarak istatistiksel gücü yükseltirken yanlış pozitif oranları düşük tutacaktır. İncelenen değişken sayısının oldukça fazla olduğu durumlarda, yapılacak karşılaştırmalarda önemlilik düzeyinde düzeltme yapmak, Tip I hatayı azaltırken, Tip II hatayı yükseltir. Buna bağlı olarak da testin gücü azalır. Bu ise istatistiksel çözümlemelerde istenmeyen bir durumdur. Bu sorunu gidermek için farkı yöntemler geliştirilmiştir. Çoklu karşılaştırmalarda, önemlilik düzeyinde düzeltme yapan yöntemlerin (Bonferroni ve Sidak düzeltmesi, Li ve Ji, Cheverud, Machado tarafından önerilen yöntemler vb. gibi) avantaj ve dezavantajları vardır.İki grubu arasındaki gözlem sayısı değişken sayısından küçük veya eşit ve çok sayıda değişken boyutuna sahip olunduğunda, aslında araştırılan hipotez bir tane olmasına karşın, bu hipotezi test etmek için bir çok alt hipotezi test etmek gerekir. Bu durum özellikle görüntüleme analizlerinde ortaya çıkmaktadır. Yukarıdaki adı geçen dört düzeltme yöntemi arasında en kolayı ve en çok kullanılanı Bonferroni düzeltme yöntemi olmasına karşın, bu test oldukça tutucudur.Bu çalışmada, özellikle son yıllarda geliştirilmiş olan bu yöntemlerin performanslarının değerlendirmesi yapılmış ve en etkin olan yöntem belirlenmiştir. Elde edilen sonuçlarla klinik araştırmalara (özellikle genetik, görüntüleme gibi alanlarda) katkıda bulunmaya çalışılmıştır. Bu çerçevede Bonferroni ve Sidak düzeltmesi, Li ve Ji, Cheverud ve Machado tarafından önerilen yöntemlerin performanslarının karşılaştırılması için SAS programı kullanılarak benzetim çalışması ile türetilen ve gerçek bir klinik veri seti ile uygulama yapılmış ve sonuçları tartışılmıştır. Sonuçta, Machado tarafından önerilen yöntemin daha etkin bir düzeltme yöntemi olduğu belirlenmiştir.

Özet (Çeviri)

In this study a new method for estimating the effective number of independent variables in imaging applications that require multiple hypothesis testing is investigated. The method increases the statistical power by refuting the assumption of independence among variables, while keeping the probability of false positives low. In multiple comparison when null hypothesis is rejected it is necessary to investigate that which variables are different. In the case, the number of variables is very high, as a result of adjusting significance level, reducing type I error and increasing type II error, causes decreasing statistical power. This situation is undesirable in statistical analyses. In multiple comparison the significance level adjustment methods (Bonferroni-Sidak adjustment, Li and Ji, Cheverud, Machado) have some advantage and disadvantages.When the number of variables is greater than or equal to the number of subjects or in the case of high dimensional variable, in fact instead of testing one hypothesis, for testing this hypothesis a lot of sub hypotheses should be tested. This situation has specially appeared in medical image analyses. Among multiple comparison correction methods the easiest and mostly used one is Bonferroni correction method, but it is too much conservative. In this research, the performance of recently developed methods in the last years will be evaluated and the most effective one will be suggested and attributed to clinical researches (especially studies like genetic and image analyses). To investigate the performance of recent methods such as Bonferroni-Sidak, Cheverud, Li &Ji and Machado by using SAS program, simulated and real clinical data have been used. In the end, the results and the performance of the methods have been discussed and it has been proven that the method suggested by Machado is a more effective correction method.

Benzer Tezler

  1. Parametrik olmayan çoklu karşılaştırmalarda p-değeri bazlı düzeltme yöntemlerinin performanslarının incelenmesi

    Examining the performance of p-value based adjustment procedures in nonparametric multiple comparisons

    MEHMET AKİF MİNİÇ

    Yüksek Lisans

    Türkçe

    Türkçe

    2015

    BiyoistatistikYıldız Teknik Üniversitesi

    İstatistik Ana Bilim Dalı

    DOÇ. DR. İBRAHİM DEMİR

  2. Embedded vision system designed on a heterogeneous computing platform and applied to semen analysis

    Heterojen hesaplama platformu üzerinde tasarlanan gömülü görüntü sistemi ve semen analizi uygulanması

    OSMAN LEVENT ŞAVKAY

    Doktora

    İngilizce

    İngilizce

    2021

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    PROF. DR. MÜŞTAK ERHAN YALÇIN

  3. Üniversite öğrencilerinin boş zaman yönetimleri ve sosyalleşme düzeyleri arasındaki ilişkinin incelenmesi

    Examination of the relationship between university students' leave time management and socialization levels

    KAYHAN GÖNÜL

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    SporKaramanoğlu Mehmetbey Üniversitesi

    Rekreasyon Yönetimi Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ YUSUF ER

  4. Multi-resolution model plus correction paradigm for task and skill refinement on autonomous robots

    Özerk robotlar üzerinde görev ve beceri iyileştirme için çoklu-çözünürlüklü model artı düzeltme paradigması

    ÇETİN MERİÇLİ

    Doktora

    İngilizce

    İngilizce

    2011

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBoğaziçi Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. H. LEVENT AKIN

    PROF. DR. MANUELA VELOSO

  5. Learning based control compensation for multi-axis gimbal systems using inverse and forward dynamics

    Çok eksenli gimbal sistemleri için ileri ve geri dinamikleri kullanan öğrenme tabanlı kontrol dengeleyicisi

    DAMLA LEBLEBİCİOĞLU

    Yüksek Lisans

    İngilizce

    İngilizce

    2021

    Mekatronik Mühendisliğiİhsan Doğramacı Bilkent Üniversitesi

    Makine Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ MELİH ÇAKMAKCI

    DR. ÖZGÜR ATEŞOĞLU