Show simple item record

dc.contributor.authorTikka, Santtu
dc.date.accessioned2015-03-30T17:34:04Z
dc.date.available2015-03-30T17:34:04Z
dc.date.issued2015
dc.identifier.otheroai:jykdok.linneanet.fi:1469031
dc.identifier.urihttps://jyx.jyu.fi/handle/123456789/45582
dc.description.abstractKokeelliset tutkimukset ovat perinteinen lähestymistapa kausaalisuuden tutkimiseen tilastotieteessä. Ideaalisessa tilanteessa kiinnostavat muuttujat voidaan mitata halutulla tarkkuudella ja mahdolliset sekoittavat tekijät voidaan eliminoida hyvin suunnitellulla koeasetelmalla. Tällöin tutkijan on mahdollista sulkea havaittu efekti sattuman ulkopuolelle ja tulkita havainnot kausaalisesta näkökulmasta. Käytännössä tällaista optimaalista tilannetta on usein mahdotonta saavuttaa, eikä moniin tärkeisiin kysymyksiin voida saada vastausta kokeellisella tutkimuksella. Judea Pearlin kausaalimalli tarjoaa formaalin lähestymistavan kausaalisuuteen, ja mallia voidaan soveltaa niin kokeellisen kuin havainnoivankin tutkimuksen yhteydessä. Tässä tutkielmassa keskitytään erityisesti kausaalimalleihin kohdistuviin interventioihin sekä kausaalilaskentaan, joiden avulla voidaan vastata moniin kausaalisuutta koskeviin kysymyksiin. Kausaalilaskenta rakentuu suunnattujen silmukattomien graafien ympärille, jotka tarjoavat esitystavan muuttujien välisille suhteille. Kaikkia interventioita ei kuitenkaan ole mahdollista määrittää. Interventioita, jotka voidaan määrittää yksikäsitteisesti riittävillä oletuksilla muuttujien välisistä kausaalisista yhteyksistä, kutsutaan identifioituviksi. Ei ole itsestäänselvyys, mitkä vaikutukset ovat identifioituvia ja mitkä eivät, annetussa graafissa. Kausaalilaskennan soveltaminen identifioituvuuden määrittämiseksi käytännössä on haastavaa ja työlästä, minkä seurauksena interventioiden käsittelyyn on kehitetty algoritmisia ratkaisuja. Eräs tällainen algoritmi esitellään ja implementoidaan, ja toteutuksen yksityiskohtia käsitellään esimerkkien avulla.fi
dc.format.extent1 verkkoaineisto (43 sivua)
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.otherkausaalimalli
dc.subject.otherkausaalivaikutus
dc.subject.otherkausaalilaskenta
dc.subject.otheridentifioituvuus
dc.subject.othergraafi
dc.subject.otherC-komponentti
dc.subject.otherpensasaita
dc.subject.otheralgoritmi
dc.subject.otherd-separoituvuus
dc.titleKausaalivaikutusten identifiointi algoritmisesti
dc.identifier.urnURN:NBN:fi:jyu-201503301529
dc.type.ontasotPro gradufi
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.updated2015-03-30T17:34:05Z
dc.contributor.oppiainekoodi4043
dc.subject.ysograafit
dc.subject.ysokausaliteetti
dc.subject.ysoidentifiointi
dc.subject.ysoalgoritmit


Files in this item

Thumbnail

This item appears in the following Collection(s)

Show simple item record