Geri Dön

Bayesian model pooling for the analysis of generalized linear models with missing-not-at-random covariates

Rastgele olmayan kayıp verili değişkenler içeren genelleştirilmiş doğrusal modellerin analizi için Bayesiyen model havuzu

  1. Tez No: 649359
  2. Yazar: SEZGİN ÇİFTÇİ
  3. Danışmanlar: DOÇ. DR. ZEYNEP IŞIL KALAYLIOĞLU AKYILDIZ
  4. Tez Türü: Doktora
  5. Konular: İstatistik, Statistics
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2020
  8. Dil: İngilizce
  9. Üniversite: Orta Doğu Teknik Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: İstatistik Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 203

Özet

Kayıp veri, modelleme ve istatistiksel analizlerde araştırmacıların en temel sorunlarından biridir. Kayıp veri mekanizması değişkenin kendisine bağlı ise, rastgele olmayan kayıptır (MNAR). Ayrıca, istatistikte en iyi modeli bulmak her zaman araştırmacıların odak noktasıdır. Bununla birlikte, aynı en iyi uyuma sahip ancak katsayı tahminlerinde farklılık gösteren modellerin olabileceği literatürdeki bazı örneklerden bilinmektedir. Dolayısıyla model seçimi konusunda bir belirsizlik vardır ve bu belirsizlik özellikle MNAR mekanizmasının neden olduğu tahminlerin isabeti konusundaki belirsizlikle birlikte model katsayısı tahminlerinde sorun yaratabilir. Bu tezde, MNAR'a sahip ortak değişkenleri bulunan genelleştirilmiş doğrusal bir modelin (GLM) analizi için Bayes Yaklaşımlı Model Ortalaması (BMA) ve Geriye Sıçramalı Monte Carlo Markov Zinciri (RJMCMC) metotlarını kullanarak oluşturulan hibrit bir Bayes yaklaşımlı model havuzlama sistemi (BMP) önerilmiştir. MNAR'a sahip verilerde değişken hakkında göz ardı edilemeyecek ek bilgiler olduğundan, ana model (GLM) ve kayıp veri mekanizması birlikte modellenmelidir. Tam koşullu model ve Bayes yaklaşımının özellikleri kullanılarak birleşik model adayları arasından en iyi uyumluları içeren uygun bir model uzayı tanımlanır. Ardından, model uzayındaki her bir model için model katsayılarının sonsal dağılımları RJMCMC yaklaşımı kullanılarak elde edilir. Son olarak, nihayi katsayı tahminleri, her model için bulunan sonsal dağılımlardan elde edilen tahminler, yine RJMCMC algoritmasında hesaplanan sonsal model olasılıklarıyla ağırlıklandırılarak elde edilir.

Özet (Çeviri)

Missing data in modeling is one of the main problems of researchers. If the missingness mechanism is related to the value of the variable itself, then the missing is defined as not-at-random (MNAR). Additionally, finding the best model in statistics has always been the focus of researchers. However, it's known from examples that there may be any other model with the same best fit but has different estimated coefficients. Hence, an uncertainty about model selection that may be problematic in estimation especially when there is also uncertainty about the accuracy of the estimations caused by MNAR mechanism can cause misleading inferences. In this thesis, a hybrid Bayesian method is developed for the analysis of a generalized linear model (GLM) with MNAR covariates. In the analysis of GLM with MNAR covariates, main response and missingness probabilities of the MNAR covariates are modeled jointly. In our approach, we create a model space as a set of the best fits among all possible joint models. This is accomplished by the Reversible Jump Monte Carlo Markov Chain (RJMCMC) approach that is adopted here. Coefficient estimates are obtained by pooling the posterior estimations of each model with the posterior model probabilities, which are also calculated within RJMCMC algorithm.

Benzer Tezler

  1. Şehir merkezlerindeki alışveriş merkezlerinin park yeri politikaları

    Park policies of shopping malls in the city center

    KÜBRA ÜGE

    Yüksek Lisans

    Türkçe

    Türkçe

    2019

    EkonomiGebze Teknik Üniversitesi

    Ekonomi Ana Bilim Dalı

    DOÇ. DR. SADETTİN HALUK ÇİTÇİ

  2. A memory efficient novel deep learning architecture enabling diverse feature extraction on wearable motion sensor data

    Giyilebilir hareket algılayıcıları verisi ile kapsamlı öznitelik çıkarma sağlayan bellek verimli yenilikçi bir derin öğrenme mimarisi

    ENES KOŞAR

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Elektrik ve Elektronik Mühendisliğiİhsan Doğramacı Bilkent Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. BİLLUR BARSHAN ÖZAKTAŞ

  3. Borsa İstanbul endeksi üzerine etkili faktörlerin belirlenmesinde bayesci model ortalaması yaklaşımı

    The bayesian model averaging approach to determining the factors affecting on the borsa Istanbul index

    HAMZA ERDOĞDU

    Doktora

    Türkçe

    Türkçe

    2014

    İstatistikOndokuz Mayıs Üniversitesi

    İstatistik Ana Bilim Dalı

    PROF. DR. MEHMET ALİ CENGİZ

  4. Bayesian model selection for latent variable causal networks by sequential monte carlo

    Gizli değişkenli nedensel ağlarda parçacık süzgeci ile Bayesci model seçimi

    MEHMET BURAK KURUTMAZ

    Yüksek Lisans

    İngilizce

    İngilizce

    2019

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBoğaziçi Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. ALİ TAYLAN CEMGİL

  5. Model seçiminde bayesci yaklaşımların kullanımı

    Bayesian methods in model selection

    NACİ MURAT

    Yüksek Lisans

    Türkçe

    Türkçe

    2007

    İstatistikOndokuz Mayıs Üniversitesi

    İstatistik Ana Bilim Dalı

    DOÇ.DR. MEHMET ALİ CENGİZ