Näytä suppeat kuvailutiedot

dc.contributor.advisorKarvanen, Juha
dc.contributor.advisorNyblom, Jukka
dc.contributor.authorTanskanen, Jussi
dc.date.accessioned2017-05-24T18:52:29Z
dc.date.available2017-05-24T18:52:29Z
dc.date.issued2017
dc.identifier.otheroai:jykdok.linneanet.fi:1702247
dc.identifier.urihttps://jyx.jyu.fi/handle/123456789/54117
dc.description.abstractIhmistieteissä tilastollinen tutkimusaineisto kerätään usein kyselylomakkeissa järjestysasteikollisten Likert-asteikollisten muuttujien avulla. Näin kerätty aineisto on karkeaa, eli todellinen havaintoavaruus on pyöristetty rajalliseen määrään kategorioita, ja tällainen diskreetti järjestysasteikollinen tilastoaineisto voi osoittautua ongelmalliseksi niissä tapauksissa, joissa käytettävät tilastolliset analyysimenetelmät on kehitetty jatkuville muuttujille. Yksi tällainen menetelmä on parametriton lokaali regressioanalyysi, jota voidaan hyödyntää esimerkiksi käyräviivaisten yhteyksien analysointiin. Tutkielma ehdottaa ja testaa aineiston augmentaatioon perustuvaa menetelmää lokaalin regressioanalyysin toteuttamiseen järjestysasteikollisilla muuttujilla. Menetelmässä järjestysasteikolliset muuttujat augmentoidaan satunnaisesti tasajakaumasta arpoen jatkuviksi muuttujiksi, joille suoritetaan lokaali regressioanalyysi. Simuloimalla agmentointeja ja lokaalin regression sovituksia saadaan estimoitua keskimääräinen sovite ja sille luottamusväli. Menetelmää testataan kolmella erilaiselle generoiduille aineistoille, jotka kuvaavat erilaisia käyräviivaisia riippuvuuksia ja empiirisellä esimerkillä. Simuloinnin tulokset osoittavat menetelmän tarkkuuden olevan kiinni eniten järjestysasteikollisten muuttujien luokkien lukumäärästä. Luokkien lukumäärän kasvaessa menetelmän tarkkuus paranee. Aineiston koko tai yhteyden funktionaalisen muodon monimutkaisuus eivät olleet niin merkittäviä tekijöitä. Empiirisen esimerkin perusteella voi päätellä, että suuri hajonta ja muuttujien vinous heikentävät myös analyysin tarkkuutta. Empiiriset aineistot voivat olla hyvin karkeita, hajonta isoa, jakaumat vinoja ja efektit pieniä. Aineiston augmentaatioon perustuva lokaalin regression menetelmä antaa kuitenkin useaan käyttötarpeeseen riittävän approksimaation käyräviivaisen yhteyden luonteesta jo viisi- tai seitsemän-luokkaisilla järjestysasteikoillisilla muuttujilla.fi
dc.format.extent1 verkkoaineisto (36 sivua)
dc.format.mimetypeapplication/pdf
dc.language.isofin
dc.rightsJulkaisu on tekijänoikeussäännösten alainen. Teosta voi lukea ja tulostaa henkilökohtaista käyttöä varten. Käyttö kaupallisiin tarkoituksiin on kielletty.fi
dc.rightsThis publication is copyrighted. You may download, display and print it for Your own personal use. Commercial use is prohibited.en
dc.subject.otheraineiston augmentaatio
dc.subject.otherlokaali regressio
dc.subject.otherkäyräviivaisuus
dc.titleLokaalin regressiomallin sovittaminen järjestysasteikoisille muuttujille hyödyntäen aineiston augmentaatiota
dc.identifier.urnURN:NBN:fi:jyu-201705242500
dc.type.ontasotPro gradu -tutkielmafi
dc.type.ontasotMaster’s thesisen
dc.contributor.tiedekuntaMatemaattis-luonnontieteellinen tiedekuntafi
dc.contributor.tiedekuntaFaculty of Sciencesen
dc.contributor.laitosMatematiikan ja tilastotieteen laitosfi
dc.contributor.laitosDepartment of Mathematics and Statisticsen
dc.contributor.yliopistoUniversity of Jyväskyläen
dc.contributor.yliopistoJyväskylän yliopistofi
dc.contributor.oppiaineTilastotiedefi
dc.contributor.oppiaineStatisticsen
dc.date.updated2017-05-24T18:52:29Z
dc.rights.accesslevelopenAccessfi
dc.type.publicationmasterThesis
dc.contributor.oppiainekoodi4043
dc.subject.ysoregressioanalyysi
dc.format.contentfulltext
dc.type.okmG2


Aineistoon kuuluvat tiedostot

Thumbnail

Aineisto kuuluu seuraaviin kokoelmiin

Näytä suppeat kuvailutiedot