Cox regresyon modelinde değişken seçim yöntemleri
Variable selection methods in cox regression model
- Tez No: 798346
- Danışmanlar: PROF. DR. NİHAL ATA TUTKUN
- Tez Türü: Yüksek Lisans
- Konular: İstatistik, Statistics
- Anahtar Kelimeler: Cox regresyon modeli, Değişken seçim yöntemleri, Adımsal seçim yöntemleri, Küçültme yöntemleri, Cox regression models, Variable selection, Stepwise selection, Shrinkage methods
- Yıl: 2022
- Dil: Türkçe
- Üniversite: Hacettepe Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: İstatistik Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 75
Özet
Yaşam çözümlemesinde Cox regresyon modeli, yaşam süresi ile bir veya daha fazla açıklayıcı değişkenler arasındaki bağıntıyı modellemek için kullanılır. Modelleme yaparken Cox regresyon modelinin doğrusal bileşenine dahil edilecek ve edilmeyecek açıklayıcı değişkenleri belirlemek önemlidir. Bu değişkenlerin belirlenmesinde adımsal seçim yöntemleri, en iyi alt küme seçim yöntemleri ve küçültme yöntemleri kullanılmaktadır. Literatürde, adımsal seçim yöntemleri ve en iyi alt küme seçim yöntemleri sıklıkla kullanılırken, son yıllarda küçültme yöntemlerinin kullanımı da önem kazanmıştır. Tez çalışmasında Cox regresyon modelinde değişken seçim yöntemleri için literatür hakkında genel bilgiler aktarılmış; adımsal seçim yöntemleri için ileriye doğru seçim, geriye doğru eleme, adımsal ileriye doğru seçim, adımsal geriye doğru eleme ve geliştirilmiş geriye doğru eleme yöntemleri; en iyi alt küme seçim yöntemleri için Akaike bilgi kriteri ve Bayesci bilgi kriteri; küçültme yöntemleri için Ridge regresyon modeli ve LASSO regresyon modeli ayrıntılı olarak incelenmiştir. Bu yöntemler literatürde yer alan böbrek kanseri veri kümesi üzerinde uygulanmış, elde edilen sonuçlar yorumlanmıştır.
Özet (Çeviri)
In survival analysis, the Cox regression model is used to model the relationship between survival time and one or more covariates. When modeling, it is important to determine which covariates should or should not be included in the linear component of the Cox regression model. Stepwise selection methods, best subset selection methods and shrinkage methods are used to determine these variables. While stepwise selection methods and best subset selection methods are frequently used in the literature, the usage of shrinkage methods has gained importance in recent years. In the thesis, general information about the literature for variable selection methods in the Cox regression model is given; Forward selection, backward elimination, stepwise forward selection, stepwise backward elimination and augmented backward elimination methods for stepwise selection methods; Akaike information criterion and Bayesian information criterion for best subset methods; Ridge regression model and LASSO regression model were examined in detail for shrinkage methods. These methods were applied on the kidney cancer dataset in the literature, and the results were interpreted.
Benzer Tezler
- Orantılı Hazard regresyon modelinde artıkların incelenmesi ve bir uygulama
Examination of residuals in proportional Hazard regression model and an application
PINAR YILMAZ
Yüksek Lisans
Türkçe
2011
İstatistikOndokuz Mayıs Üniversitesiİstatistik Ana Bilim Dalı
YRD. DOÇ. DR. KAMİL ALAKUŞ
- Sağkalım veri modellenmesi: Makine öğrenmesi yaklaşımları
Survival data modeling: machine learning approaches
TUĞBA DEMİRCİOĞLU
- İstatistiksel uygulamalarda lojistik regresyon analizi
Logistic regression analysis in statistical applications
ERSAN ÜRÜK
- Betonarme perdelerin çevrimsel sönümlenen enerji kapasitesinin makine öğrenmesi yöntemleri ile incelenmesi
Investigation of energy dissipation capacity of RCc shear walls with machine learning methods
BERKAY TOPALOĞLU
Yüksek Lisans
Türkçe
2022
Deprem Mühendisliğiİstanbul Teknik ÜniversitesiDeprem Mühendisliği Ana Bilim Dalı
DOÇ. DR. ZEYNEP DEĞER
- Kesirli polinomlar ile yaşam modelleri
Survival models with fractional polynomials
HAZAL DİNÇ
Yüksek Lisans
Türkçe
2019
İstatistikHacettepe Üniversitesiİstatistik Ana Bilim Dalı
DOÇ. DR. NİHAL ATA TUTKUN