In Sweden, research has shown that socially underprivileged groups have poorer access to stroke care, both in the acute stage and secondary prevention after stroke, and are more likely to have adverse outcomes. The aim of this thesis is to study the causal mechanisms behind the association between low income and death after having a stroke. More specifically, to what extent is the effect of income on death mediated through treatment according to guidelines? To do this, mediation analysis have been applied to a data material from Riksstroke, the Swedish stroke register. The results of a mediation analysis rely on confounding assumptions that cannot be verified using observed data and it is important to quantify the effects of violations. Sensitivity analysis has therefore been applied to investigate how sensitive the results are to unobserved confounding. The results show that a small part of the effect of having low income on the probability of death 29 days to 1 year after stroke is mediated by treatment according to guidelines. This effect is significant positive for the study population. The same results were shown for patients with high risk of dying after stroke. However, there were no evidence of a mediated effect for patients with low risk of dying after stroke. The sensitivity analyses indicate that the estimated effects for the population are non-significant or reversed for certain levels of unobserved confounding. This must be considered when interpreting the results. / Forskning har visat att socialt underpriviligerade grupper i Sverige har sämre tillgång till strokevård, både i akutskedet och de sekundärpreventiva vårdinsatserna efter stroke. De har också större risk att avlida. Syftet med denna studie är att undersöka de kausala mekanismerna bakom sambandet mellan låg inkomst och död efter stroke. Mer specifikt är det av intresse att undersöka till vilken grad effekten av inkomst på död medieras genom behandling enligt riktlinjer. För att undersöka detta har mediationsanalys applicerats på ett datamaterial från Riksstroke. Estimerade mediationseffekter bygger på starka antaganden om confounding som inte går inte att verifiera genom observerat data. Sensitivitsanalys har därför använts för att undersöka hur känsliga resultaten är för icke-observerad confounding. Resultaten visar att en liten del av effekten av låg inkomst på död 29 dagar till 1 år efter stroke medieras av behandling enligt riktlinjer. Effekten är positiv och signifikant för hela stickprovet. För patienter med hög risk att dö efter stroke visas också en signifikant positiv medierad effekt. För patienter med låg risk att dö efter stroke fanns inga bevis för en medierad effekt. Sensitivitsanalysen indikerar att de estimerade effekterna för hela stickprovet är icke-signifikanta eller omvända för specifika nivåer av icke-observerad confounding. Detta måste övervägas vid tolkning av resultaten.

När män primäropereras för ljumskbråck är praxis att göra det med metoden öppet nät. Om de senare behöver opereras om kan inte öppet nät användas igen utan då används vanligen titthålsmetoder. Vissa blir dock primäropererade med titthålsmetoder. Ungefär en tiondel av alla bråckoperationer i Sverige är en omoperation. Med hjälp av data från Svenskt Bråckregister undersöker denna studie om det finns någon skillnad i risk för omoperation beroende på operationsmetod. För att undersöka det används överlevnadsanalys där hazard ratio för operationsmetod är av intresse. En Cox Proportional Hazard-modell skattades och proportional hazard antagandet kontrollerades. Då proportional hazard ej ansågs uppfyllt för Cox PH skattades istället en Extended Cox model med två heaviside-funktioner. Resultatet av studien är att titthål har 3.3 gånger så hög hazard gentemot öppet nät under de första 460 dagarna efter primäroperationen, medan titthål har 1.4 gånger så hög hazard gentemot öppet nät efter 460 dagar.

Bayesian Network (BN) classifiers are a type of probabilistic models. The learning process consists of two steps, structure learning and parameter learning. Four BN classifiers will be learned. These are two different Naive Bayes classifiers (NB), one Tree Augmented Naive Bayes classifier (TAN) and one Forest Naive Bayes classifier (FAN). The NB classifiers will utililize two different parameter learning techniques, which are generative learning and discriminative learning. Generative learning uses maximum likelihood estimation (MLE) to optimize the parameters, while discriminative learning uses conditional likelihood estimation (CLE). The latter is more appropriate given the target at hand, while the former is less complicated. These four models are created in order to find the model best suited for predicting/rating the corruption levels of different insurance companies, given their features. Multi-class Area under the receiver operating characteristic (ROC) curve (AUC), as well as accuracy, is used in order to compare the predictive performances of the models. We observe that the classifiers learnt by generative parameter learning performed remarkably well, even outperforming the NB classifier with discriminative parameter learning. But unfortunately, this might imply an optimization issue when learning the parameters discriminately. Another unexpected result was that the CL-TAN classifier had the highest multi-class AUC, even though FAN is supposed to be an upgrade of CL-TAN. Further, the generatively learned NB performed about as good as the other two generative classifiers, which was also unexpected. / Bayesianska nätverk (BN) är en typ av sannolikhetsmodell som används för klassificering. Inlärningsprocessen av en sådan modell består av två steg, strukturinlärning ochparameterinlärning. Fyra olika BN-klassificerare kommer att skattas. Dessa är två stycken Naive Bayes-klassificerare (NB), en Tree augmented naive Bayes-klassificerare (TAN) och enForest augmented naive Bayes-klassificerare (FAN). De två olika NB-klassificerarna kommer att skilja sig åt i att den ena använder sig av generativ parameterskattning, medan den andra använder sig av diskriminativ parameterinlärning. Chow och Lius (CL) berömda algoritm, där det ingår att beräkna betingad ömsesidig information (CMI), brukar ofta användas för att hitta den optimala trädstrukturen. Denna variant av TAN är känd som CL-TAN. FAN är en annan slags uppgradering av NB, som kan anses vara en förstärkt variant av CL-TAN, där förklaringsvariablerna är kopplade till varandra på ett sätt som ger en skogs-liknande struktur. De två olika parameterinlärningsmetoderna som används är generativ inlärning och diskriminativ inlärning. Den förstnämnda använder sig av maximum likelihood-skattning (MLE) för att optimera parametrarna. Detta är smidigt, men samtidigt skattas inte det som avsetts. Den sistnämnda metoden använder sig istället av betingad maximum likelihood-skattning (CLE), vilket ger en mer korrekt, men också mer komplicerad, skattning. Dessa sex modeller kommer att tränas i syfte att hitta den modellsom bäst skattar korruptionsnivåerna inom olika försäkringsbolag, givet dess egenskaper iform av förklaringsvariabler. En multiklassvariant av Area under the reciever operatingcharacteristics (ROC) curve (AUC) används för att bedöma skattningsprecisionen för varjemodell. Analysen resulterade i anmärkningsvärda resultat för de generativa modellerna,som med goda marginaler skattade mer precist än den diskriminativa NB-modellen.Tyvärr kan detta dock vara en indikation på optimeringsproblem vid de diskriminativa parameterinlärningen av NB. Ett annat anmärkningsvärt resultat var att av samtliga generativa modeller, så var CL-TAN den modellen med högst AUC, trots att FAN i teorinska vara en förbättrad variant av CL-TAN. Även den generativa NB-modellens resultat var anmärkningsvärd, då denna modell hade nästan lika hög AUC som de generativa CL-TAN och FAN-modellerna.

No description available.

No description available.

No description available.

No description available.

No description available.

No description available.

by Lee Chi-ming. / Thesis (M.Phil.)--Chinese University of Hong Kong, 1995. / Includes bibliographical references (leaves 103-104). / Chapter 1 --- Introduction --- p.1 / Chapter 2 --- Three Underlying Distributions --- p.6 / Chapter 2.1 --- Exponential distribution --- p.8 / Chapter 2.1.1 --- Estimation of Thresholds --- p.8 / Chapter 2.1.2 --- Estimation of Parameter --- p.11 / Chapter 2.1.3 --- Simulation Study --- p.13 / Chapter 2.2 --- Normal distribution --- p.24 / Chapter 2.2.1 --- Estimation of Thresholds --- p.24 / Chapter 2.2.2 --- Estimation of Parameter --- p.26 / Chapter 2.2.3 --- Simulation Study --- p.29 / Chapter 2.3 --- Weibull distribution --- p.42 / Chapter 2.3.1 --- Estimation of Thresholds --- p.42 / Chapter 2.3.2 --- Estimation of Parameter --- p.44 / Chapter 2.3.3 --- Simulation Study --- p.46 / Chapter 3 --- Goodness-of-fit Test --- p.60 / Chapter 3.1 --- Test for the Exponential distribution --- p.63 / Chapter 3.2 --- Test for the Normal distribution --- p.66 / Chapter 3.3 --- Test for the Weibull distribution --- p.68 / Chapter 3.4 --- Implication --- p.70 / Chapter 3.5 --- An Artificial Example --- p.72 / Chapter 3.5.1 --- Case 1 (s= 3) --- p.72 / Chapter 3.5.2 --- Case 2 (s= 4) --- p.80 / Chapter 4 --- Real Data Illustration --- p.87 / Chapter 4.1 --- Test for the Exponential distribution --- p.90 / Chapter 4.2 --- Test for the Normal distribution --- p.91 / Chapter 4.3 --- Test for the Weibull distribution --- p.92 / Chapter 4.4 --- Inferences from the Exponential distribution --- p.94 / Chapter 4.5 --- Inferences from the Normal distribution --- p.95 / Chapter 4.6 --- Inferences from the Weibull distribution --- p.98 / Chapter 5 --- Conclusion --- p.101 / Bibliography --- p.103