Show simple item record

dc.contributor.advisorKarasoy , Duru
dc.contributor.authorDil , Elif
dc.date.accessioned2019-03-04T07:17:54Z
dc.date.issued2019
dc.date.submitted2019-01-30
dc.identifier.urihttp://hdl.handle.net/11655/6010
dc.description.abstractLongitudinal data consist of repeated measurements obtained from the same units at certain time intervals, while survival data consists of time until the occurrence of any event under consideration. There are different methods in the literature for separate analysis of longitudinal and survival data. Nevertheless, these two data, particularly collected together in clinical studies, should be analyzed together to obtain unbiased and effective results when there is a relationship between each other. The joint model is obtained by combining these two data with the shared parameter model, and consists of longitudinal sub models and survival sub models. The standard joint model structure frequently used in the literature is obtained by combining the linear mixed effect model for longitudinal data and shared parameter models of Cox regression model for survival data. However, in order to apply Cox regression model the proportional hazard assumption must be satisfied. Parametric regression methods should be used in cases where the assumption is not provided, and when the survival data has a known distribution. In cases where the assumption of proportional hazard is not provided in joint modelling, the survival analysis sub model should be made with parametric survival analysis models. In this study, standard joint model, separate analysis of longitudinal and survival data and joint model obtained with Exponential, Weibull, Log-logistic, Log-normal and Gamma parametric sub models have been applied to data set of Primary Biliary Cirrhosis in the literature. Firstly, the assumption of proportional hazard has been checked and found that the assumption is not provided. Because the assumption is not satisfied, parametric joint models have been examined and the joint modeling of the linear mixed effect model with parametric sub model is determined as the best model. When the standard joint model and Weibull parametric joint model results have been compared, statistically significant differences have been found. For separate analysis of longitudinal and survival data, the results of the linear mixed effect model and the Weibull parametric model have also been investigated and compared with the results of Weibull parametric joint model. Accordingly, the parameters of Weibull parametric model are determined to have higher hazard ratios than the parameters of Weibull parametric joint model. In addition, while Weibull parametric model is established, longitudinal observation have been considered as the independent variable but dependent on time and its effect on survival time has been investigated. At the end of the analysis, it has been observed that the effect of Weibull parametric model on the survival times of longitudinal observation is smaller than the Weibull parametric joint model.tr_TR
dc.description.tableofcontentsÖZET i ABSTRACT iii TEŞEKKÜR v İÇİNDEKİLER vi ÇİZELGELER viii ŞEKİLLER ix KISALTMALAR x 1. GİRİŞ 1 2. BOYLAMSAL VERİ 7 2.1. Genelleştirilmiş Tahmin Denklemleri 7 2.2. Doğrusal Karma Etkili Model 8 2.2.1. Doğrusal Karma Etkili Modellerde Parametre Tahmini 9 3. YAŞAM ÇÖZÜMLEMESİ 11 3.1. Cox Regresyon Modeli 13 3.2. Parametrik Modeller 15 3.2.1. Üstel Dağılım 15 3.2.2. Weibull Dağılımı 15 3.2.3. Log-lojistik Dağılım 16 3.2.4. Log-normal Dağılım 16 3.2.5. Gamma Dağılımı 17 4. BOYLAMSAL VE YAŞAM VERİLERİNİN PARAMETRİK BİLEŞİK MODELLEMESİ 18 4.1. Yaşam Çözümlemesi Alt Modeli 19 4.2. Parametrik Yaşam Çözümlemesi Alt Modelleri 20 4.2.1. Weibull Yaşam Çözümlemesi Alt Modeli 21 4.2.2. Üstel Yaşam Çözümlemesi Alt Modeli 22 4.2.3. Log-lojistik Yaşam Çözümlemesi Alt Modeli 22 4.2.4. Log-normal Yaşam Çözümlemesi Alt Modeli 23 4.3. Boylamsal Alt Model 24 4.4. Bileşik Model Parametre Tahmini 25 4.4.1. İki Aşamalı Yaklaşım 25 4.4.2. Bileşik Olabilirlik Yöntemi 26 4.4.2.1. EM Algoritması 28 4.4.2.2. İntegrasyon Yaklaşımı 31 4.4. Bileşik Model Seçim Kriterleri 34 5. UYGULAMA 36 5.1. Boylamsal ve Yaşam Verilerinin Bileşik Çözümlemesi 40 5.2. Boylamsal ve Yaşam Verilerinin Ayrı Çözümlemesi 50 6. SONUÇLAR 52 KAYNAKLAR 54 EKLER 64 EK 1 - Tezden Türetilmiş Bildiriler 64tr_TR
dc.language.isoturtr_TR
dc.publisherFen Bilimleri Enstitüsütr_TR
dc.rightsinfo:eu-repo/semantics/closedAccesstr_TR
dc.subjectYaşam çözümlemesitr_TR
dc.subjectBoylamsal veritr_TR
dc.subjectBileşik modeltr_TR
dc.subjectParametrik bileşik modeltr_TR
dc.titleBoylamsal ve Yaşam Verilerinin Parametrik Bileşik Modellemesitr_TR
dc.title.alternativeParametric Joint Modelling Of Longitudinal And Survival Datatr_eng
dc.typeinfo:eu-repo/semantics/masterThesistr_TR
dc.description.ozetBoylamsal veriler, aynı birimlerden belirli zaman aralıklarında elde edilen tekrarlı ölçümlerden oluşurken, yaşam verileri takip edilen herhangi bir olayın gerçekleşmesine kadar geçen süreden oluşmaktadır. Bu iki tip verinin ayrı analizleri için literatürde farklı yöntemler bulunmaktadır. Ancak birlikte toplanan bu iki veri, aralarında ilişki olduğunda yansız ve etkin sonuçlar elde etmek için birlikte analiz edilmelidir. Bileşik model, bu iki verinin paylaşılmış parametre modeli ile birleştirilmesiyle elde edilmekte ve boylamsal alt model ve yaşam çözümlemesi alt modellerinden oluşmaktadır. Literatürde sıkça kullanılan standart bileşik model yapısı, boylamsal verilerin doğrusal karma etkili model ve yaşam verilerinin Cox regresyon modelinin paylaşılmış parametre modeliyle birleştirilmesiyle elde edilmektedir. Ancak Cox regresyon modelinin uygulanabilmesi için orantılı tehlikeler varsayımının sağlanması gerekmektedir. Varsayımın sağlanmadığı durumlarda ve yaşam verilerinin bilinen bir dağılıma sahip olduğu durumlarda parametrik regresyon yöntemleri kullanılmalıdır. Bileşik modelleme de orantılı tehlikeler varsayımının sağlanmadığı durumlarda da yaşam çözümlemesi alt modeli parametrik yaşam çözümlemesi modelleri ile yapılmalıdır. Çalışmada standart bileşik model, iki sürecin ayrı analizleri ve Üstel, Weibull, Log-lojistik, Log-normal ve Gamma parametrik alt modelleri ile elde edilen bileşik modeller literatürde yer alan Primer Biliyer Siroz verilerine uygulanmıştır. İlk olarak orantılı tehlikeler varsayımı test edilmiş ve varsayımın sağlanmadığı görülmüştür. Varsayım sağlanmadığından dolayı parametrik bileşik modeller incelenmiş ve Weibull parametrik alt model ile doğrusal karma etkili modelin bileşik modellemesi en iyi model olarak belirlenmiştir. Standart bileşik model ile Weibull parametrik bileşik model sonuçları karşılaştırıldığında, istatistiksel açıdan önemli farklılıklar bulunmuştur. Boylamsal ve yaşam verilerinin ayrı analizi için doğrusal karma etkili model ve Weibull parametrik model sonuçları incelenmiş ve Weibull parametrik bileşik model ile kıyaslanmıştır. Buna göre, Weibull parametrik model parametrelerinin tehlike oranlarının Weibull parametrik bileşik modelden yüksek olduğu tespit edilmiştir. Weibull parametrik modelde boylamsal gözlem zamana bağlı açıklayıcı değiken olarak alınmış ve yaşam süresine etkileri araştırılmıştır. Analiz sonucunda Weibull parametrik modelin, boylamsal gözlemin yaşam süresine etkisini, Weibull parametrik bileşik modelden daha küçük verdiği gözlemlenmiştir.tr_TR
dc.contributor.departmentİstatistiktr_TR
dc.embargo.termsAcik erisimtr_TR
dc.embargo.lift-


Files in this item

This item appears in the following Collection(s)

Show simple item record