haku: @keyword spatio-temporal modeling / yhteensä: 1
viite: 1 / 1
« edellinen | seuraava »
Tekijä: | Hartikainen, Jouni Markku |
Työn nimi: | Sparse Gaussian Process Models In Bayesian Spatio-Temporal Analysis |
Harvat gaussiset prosessit bayesilaisessa spatio-temporaalisessa analyysissä | |
Julkaisutyyppi: | Diplomityö |
Julkaisuvuosi: | 2008 |
Sivut: | (13) + 89 Kieli: eng |
Koulu/Laitos/Osasto: | Informaatio- ja luonnontieteiden tiedekunta |
Oppiaine: | Laskennallinen tekniikka (S-114) |
Valvoja: | Lampinen, Jouko |
Ohjaaja: | Vehtari, Aki |
OEVS: | Sähköinen arkistokappale on luettavissa Aalto Thesis Databasen kautta.
Ohje Digitaalisten opinnäytteiden lukeminen Aalto-yliopiston Harald Herlin -oppimiskeskuksen suljetussa verkossaOppimiskeskuksen suljetussa verkossa voi lukea sellaisia digitaalisia ja digitoituja opinnäytteitä, joille ei ole saatu julkaisulupaa avoimessa verkossa. Oppimiskeskuksen yhteystiedot ja aukioloajat: https://learningcentre.aalto.fi/fi/harald-herlin-oppimiskeskus/ Opinnäytteitä voi lukea Oppimiskeskuksen asiakaskoneilla, joita löytyy kaikista kerroksista.
Kirjautuminen asiakaskoneille
Opinnäytteen avaaminen
Opinnäytteen lukeminen
Opinnäytteen tulostus
|
Sijainti: | P1 Ark Aalto | Arkisto |
Avainsanat: | Bayesian inference spatio-temporal modeling disease mapping Gaussian process sparce approximation bayesilainen päättely spatio-temporaalinen mallintaminen tautikartoitus gaussinen prosessi harva approksimaatio |
Tiivistelmä (fin): | Tämä diplomityö keskittyy rakentamaan tilastollisia malleja systeemeille, jotka koostuvat sekä paikallisista että ajallisista ilmiöistä. Erityisesti työssä keskitytään systeemeihin, joiden perustavanlaatuinen ajallinen dynamiikka on käytännössä mahdoton määrittää. Työn varsinainen sovelluskohde on tautikartoitus, jonka tavoitteena on tutkia suhteellisen tautiriskin maantieteellistä ja ajallista vaihtelua. Perinteinen lähestymistapa tautitapausten tilastolliseen mallintamiseen on olettaa taudin esiintyvyys tietyllä alueella ja ajanhetkellä Poisson-prosessiksi, jonka odotusarvo koostuu vakioidun tautiriskin ja suhteellisen riskin tulosta. Tässä työssä tautiriski vakioidaan taustapopulaation ikäjakauman mukaan. Suhteellisen riskin logaritmille asetetaan priori-malliksi gaussinen prosessi, jonka tarkoitus on silottaa riskipinta ajan ja paikan suhteen. Tässä työssä käsitellään kahden erilaisen harvan gaussisen prosessin toteutusta spatio-temporaalisessa tautikartoituksessa. Yleinen ongelma Poisson-prosessissa on sen oletus varianssin ja odotusarvon yhtäläisyydelle, kun taas tautiaineistot ovat tyypillisesti niin harvoja, että havaintojen varianssi ylittää niiden odotusarvon. Tässä työssä esitellään robusti vaihtoehto Poisson-prosessille, joka perustuu negatiiviseen binomijakaumaan. Erityisesti työn kontribuutiona on negatiivisen binomijakaumaan perustuvan uskottavuusfunktion toteutus harvalle gaussiselle prosessille, kun latentin prosessin posteriorijakauma estimoidaan sekä Markov ketju Monte Carlo satunnaisotantamenetelmillä että expectation propagation likimääräismenetelmällä. Työssä rakennetaan yksinkertainen havaintoaineisto, jolla toteutettuja spatio-temporaalisia tautikartoitusmalleja verrattaan keskenään. Lisäksi malleja verrataan toisiinsa oikealla havaintoaineistolla käyttäen kymmenkertaista ristiinvalidointia. Toteutettua negatiivista binomimallia sovelletaan oikeaan kuolinsyydataan, ja tuloksia verrataan perinteisen Poisson-prosessin tuloksiin. Toteutettuja spatio-temporaalisia malleja sovelletaan kolmeen eri syöpätapausaineistoon. Analyysin tulokset esitetään sekä kirjallisesti, että riskikarttoina. |
ED: | 2008-08-21 |
INSSI tietueen numero: 36053
+ lisää koriin
« edellinen | seuraava »
INSSI