Makine öğrenimine dayalı çoklu atama yöntemlerinin parametrik olmayan çoklu karşılaştırmalara uygulanması ve benzetim çalışması
Applying machine learning-based multiple imputation methods to nonparametric multiple comparisons and simulation study
- Tez No: 926406
- Danışmanlar: PROF. DR. ERDEM KARABULUT
- Tez Türü: Doktora
- Konular: Biyoistatistik, Biostatistics
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Hacettepe Üniversitesi
- Enstitü: Sağlık Bilimleri Enstitüsü
- Ana Bilim Dalı: Biyoistatistik Ana Bilim Dalı
- Bilim Dalı: Biyoistatistik Bilim Dalı
- Sayfa Sayısı: 57
Özet
Aynı bireyler üzerinde tekrarlanan ölçümlerin yapıldığı uzunlamasına veri (bağımlı örneklemler), bireyler arasındaki potansiyel farklılıkları ortadan kaldırır. Uzunlamasına veride eksik veriler tasarım gereği veya rastgele oluşabilir. Skillings-Mack testi, normal dağılım göstermeyen eksik gözlemlere sahip k-bağımlı örneklemler için Friedman testi yerine kullanılır. Gruplar arasında anlamlı bir fark varsa, parametrik olmayan çoklu karşılaştırmalar yapılması gerekir. Bu çalışmada, normal dağılım göstermeyen eksik veriye sahip k-bağımlı örneklemlerin parametrik olmayan çoklu karşılaştırmalarına dört yöntem uygulayarak yenilikçi bir yaklaşım önerilmektedir. Dört yöntem, makine öğrenmesine dayalı iki parametrik olmayan çoklu atama yöntemi, bir parametrik olmayan atama yöntemi (rastgele sıcak deste ataması) ve liste bazında silme yöntemidir. Dört yöntem iki eksik veri mekanizması altında karşılaştırılmaktadır. Benzetim çalışmasında farklı senaryolar uygulandıktan sonra, liste bazında silme yöntemi (tam gözlemlerin kullanımı yöntemi) diğer yöntemlerden güç bakımından daha düşük bulunmuştur. İki parametrik olmayan çoklu atama yöntemi, iyi kontrol edilen tip 1 hatası olan orta ve küçük örnek boyutları için diğer yöntemlerden güç bakımından daha üstündür. Bu nedenle, eksik gözlemlere sahip k-bağımlı örneklemlerin parametrik olmayan çoklu karşılaştırmaları için makine öğrenimine dayalı çoklu atama yöntemlerinin kullanılmasını öneriyoruz. Ayrıca, önerilen yaklaşım gerçek bir veri seti üzerinde de uygulanmıştır. Bu örnekte, önerilen çoklu atama yöntemleri, başlangıçta eksik gözlemlerin olmadığı gerçek veri setindeki sonuçlara yakın sonuçlar vermiştir.
Özet (Çeviri)
Longitudinal data, in which repeated measurements are made on the same subjects, eliminate potential differences among the subjects. In longitudinal data, missing data can occur by design or completely random. The Skillings-Mack test is used instead of the Friedman test for longitudinal data with missing observations that are non-normally distributed. Nonparametric multiple comparisons need to be performed if a significant difference exists among groups. In this study, we propose a new approach by applying four methods to nonparametric multiple comparisons of longitudinal data that are non-normally distributed. The four methods are two nonparametric multiple imputation methods based on machine learning, one nonparametric imputation method (random hot deck imputation), and the listwise deletion method. We assume two missing data mechanisms. After implementing different scenarios in a simulation study, the listwise deletion method is inferior to the other methods. The two nonparametric multiple imputation methods are superior to the other methods for moderate and small sample sizes with well-controlled type 1 error. Therefore, we propose the two multiple imputation methods for nonparametric multiple comparisons of longitudinal data with missing observations. Moreover, the proposed approach was also applied on a real data set. In this example, the proposed multiple imputation methods yielded results similar to those of the real dataset without missing observations at the beginning.
Benzer Tezler
- Derin öğrenme ve büyük veri analitiği yöntemleriKullanarak Covid-19 yayılımının ileriye dönük tahmini
Forecasting the spread of covid-19 using deep learning and big data analytics methods
CYLAS KIGANDA
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Bilimleri Ana Bilim Dalı
PROF. DR. MUHAMMET ALİ AKCAYOL
- Penetration rate optimization in heterogeneous formations with support vector machines method
Destek vektör makinesi yöntemi ile heterojen formasyonlarda ilerleme hızı optimizasyonu
KORHAN KOR
Doktora
İngilizce
2021
Petrol ve Doğal Gaz Mühendisliğiİstanbul Teknik ÜniversitesiPetrol ve Doğal Gaz Mühendisliği Ana Bilim Dalı
DOÇ. DR. GÜRŞAT ALTUN
- Çoklu modelli üst veri yönetimi temelli anlamsal arama altyapısının geliştirilmesi
Development of semantic search infrastructure based on polyglot metadata management
TANER GÜREL
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolEge ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. MURAT OSMAN ÜNALIR
- Hybrid optimization of multiple intelligent recommendation engines for software development cycles
Yazılım geliştirme döngüleri için çoklu akıllı öneri motorlarının hibrit optimizasyonu
ALI JAAFAR MEERA AL-ARKAWAZI
Yüksek Lisans
İngilizce
2021
Bilim ve TeknolojiAltınbaş ÜniversitesiBilgi Teknolojileri Ana Bilim Dalı
YRD. DOÇ. DR. ABDULLAHI ABDU IBRAHIM
- Accelerating molecular docking using machine learning methods
Kenetleme hesaplarının makine öğrenme metotları ile hızlandırılması
ABDULSALAM YAZID BANDE
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Bilimleri Ana Bilim Dalı
Assist. Prof. Dr. SEFER BADAY