Tässä tutkielmassa tarkastellaan stressin vaikutusta suomalaisten naisten rintasyövän jälkeiseen selviytymiseen osana Sanna Heikkisen tutkimusta samasta aiheesta. Tutkimuksessa käytetään sekä Suomen Syöpärekisterin aineistoa vuosilta 2000–2007 että rintasyöpäpotilaille osoitetun Naisten terveys ja hormonien käyttö -kyselyn vastauksia. Kysely toteutettiin vuoden 2009 alussa, jolloin naisia oli seurattu kyselystä eteenpäin viisi vuotta vuoden 2013 loppuun. Aineiston tilastollisessa käsittelyssä hyödynnettiin elinaika-analyysiä (survival analysis), joka on tilastotieteen ala, jossa tutkitaan elinaikoja muutostapahtumasta toiseen. Erityisesti sovellettiin seuraavia elinaika-analyysin erityisaiheita: Ensinnäkin elinaikahavainnot ovat ehdollistettuja sille, että nainen on selviytynyt rintasyöpänsä kanssa kyselyyn saakka, eli kyseessä on nk. viivästynyt seuruuseen tulo. Toiseksi seuruun aikana menehtyneet voitiin jaotella rintasyöpään ja muihin syihin kuolleisiin, jolloin voitiin analysoida kovariaattien yhteyksiä näihin kahteen nk. kilpailevaan kuolinsyyhyn erikseen. Kolmanneksi suoritettiin monia analyysejä ositettuna eli huomioiden eri ryhmien keskinäiset erilaisuudet. Analyysit ja päätelmät tehtiin pääasiassa Coxin regressiomalleilla, mutta aineiston ja tulosten havainnollistamiseksi estimoitiin myös mm. yleisen selviytymisen todennäköisyyttä kuvaavia välttöfunktioita hyödyntäen sekä parametrittomia että erästä luonnolliseen kuutiospliniin pohjautuvaa Coxin regressiolle läheistä menetelmää. Naisten terveys ja hormonien käyttö -kyselyssä oli kysytty eri elämän vastoinkäymisten koettuja raskauksia, joten näitä kysymyksiä koskevia vastauksia käytettiin tietyin varauksin epäsuorina koetun stressin indikaattoreina. Muutamien vastoinkäymisten raskauksien tilastollinen yhteys rintasyövän jälkeiseen selviytymiseen nousi analyyseissä esiin, mutta useimmille voidaan esittää stressiin liittymättömiä vaihtoehtoisia perusteluita. Lisäksi kahden vastoinkäymisen raskauden ja rintasyövän jälkeisen selviytymisen välillä vaikutti olevan tilastollisesti riskiä alentava yhteys. Kaiken kaikkiaan pidän aineiston näyttöä stressin vaikutuksesta rintasyöpäpotilaiden elinaikaennusteeseen varsin vähäisenä. Analyysin yleistettävyyttä rajoittaa kuitenkin kyselyyn vastaamattomuuden lisäksi merkittävä yksittäisten kysymysten vastausten puuttuvuus. Analyysissä ei myöskään huomioitu mitenkään vastoinkäymisten ajoitusta syöpädiagnoosiin nähden.

Tutkimuksessa pyrittiin kartoittamaan omien sosiaalisten ja terveyteen liittyvien tekijöiden kuin myös biologisten vanhempien sosiaalisten ja terveyteen liittyvien tekijöiden yhteyttä työttömyyteen nuorilla aikuisilla. Työttömyyden syistä on tehty paljon tutkimusta ja tutkimukseen otettiin mukaan niin tunnettuja kuin tähän asti tuntemattomiakin mahdollisia riskitekijöitä laajasti. Tutkimuksen aineistona käytettiin THL:n Kansallinen syntymäkohortti 1987 -tutkimuksen aineistoa, joka sisältää kaikki Suomessa vuonna 1987 syntyneet perinataalikaudesta selvinneet 59 476 henkilöä. Aineisto on rekisteripohjainen ja tutkimukseen kerättiin aineistoja monilta eri rekisterinpitäjiltä. Aineistosta rajattiin korotettua tai korkeinta vammaistukea nostaneet, yli vuoden seurannan aikana ulkomailla asuneet, kehitysvammaiset, kuolleet, työkyvyttömyyseläkkeellä olevat, työvoiman ulkopuolella 2012–2015 aikana olleet sekä ne, joilta puuttui asuintieto vuodelta 2012. Tutkimuksen aineisto sisältää 46 521 henkilöä, joista 55.6% (25 857) on miehiä ja 44.4% (20 664) naisia. Selittävät muuttujat rajattiin tapahtumiin ennen tutkimushenkilön 25-vuotissyntymäpäivää (1987–2012). Vasteena tutkimuksessa oli työttömyyspäivien kumulatiivinen summa 25–28-vuotissyntymäpäivien (2012–2015) väliseltä kolmen vuoden ajanjaksolta. Työttömyyspäivät luokiteltiin seitsemään luokkaan. Ensimmäinen luokka ei sisältänyt työttömyyspäiviä ja seuraavat kuusi luokkaa puolen vuoden jaksoissa siten, että ensimmäinen luokka sisälsi yhdestä päivästä puoleen vuoteen ja viimeinen luokka kahdesta ja puolesta vuodesta kolmeen vuoteen työttömänä olleet. Tilastollisena menetelmänä tutkimuksessa käytettiin järjestysasteikollisen vasteen regressiomallitusta. Vasteen jakauman perusteella malleihin sopivammaksi linkkifunktioksi valikoitui cloglog-funktio. Mallit sovitettiin miehille ja naisille erikseen lapsuudenaikaisilla biologisia vanhempia koskevilla tekijöillä sekä myös kaikilla selittävillä tekijöillä. Mallien tulosten perusteella tarkasteltiin myös erikseen yksittäisten muuttujien ennustettujen kumulatiivisten luokkatodennäköisyyksien vakioituja ja vakioimattomia jakaumia. Tutkimuksen perusteella vahvoja työttömyyden ennustajia ovat mielenterveyden häiriö, peruskoulun keskiarvo, toisen asteen koulutus, rikostuomio, asuinpaikkakunnan työllisyystilanne, työelämään astumisen ikä sekä se, onko vanhempi nostanut toimeentulotukea tutkimushenkilön lapsuudessa. Vanhempien terveyteen liittyvien muuttujien ja työttömyyden välillä ei löydetty yhteyttä.

Metformiini on yleisesti käytetty lääke tyypin 2 diabetespotilailla. Tässä tutkielmassa käsiteltiin kysymystä "Muuttaako metformiinihoito kohdunrungon syövän ennustetta tyypin 2 diabetesta sairastavilla naisilla?", koska on kertynyt tutkimustietoa, joka viittaa siihen, että metformiinilla voisi olla edullinen vaikutus kohdunrungon syöpäpotilaiden ennusteeseen. Tutkimuksessa käytettiin tietoja Suomen Diabetesrekisteristä, Suomen lääkekorvausrekisteristä (KELA), Suomen Syöpärekisteristä, Suomen Väestörekisteristä (VRK), Tilastokeskuksen kuolemansyyrekisteristä ja Terveydenhuollon potilasasiakirjoista (HILMO). Tutkimuspopulaatio muodostettiin seuraavilla rajoituksilla: Kohdunrungon syöpädiagnooseiksi valittiin ICD-O-3-koodeilla C54.1 tai C54.9 koodatut syövät. Potilaiden seuruuaika oli 1.1.1996–31.12.2013. Diabetesdiagnoosi piti olla ennen kohtusyöpädiagnoosia. Kohdunrungon syöpää ei saanut edeltää mikään muu syöpä, paitsi erikseen mainitut ihosyövät ja synnytyselinten syöpien esiasteet. Syöpäpotilaat jaettiin eri altistusryhmiin diabeteslääkkeiden käytön suhteen. Lääkkeiden käytönarviointi tehtiin ostokertojen perusteella. Metformiinin tilastollista yhteyttä elinaikaan tutkittiin "metformiinia joskus käyttäneiden" ja "metformiinia ei koskaan käyttäneiden" potilaiden välillä. Tarkempi diabeteslääkkeiden käyttöluokittelu tehtiin metformiinia, insuliinia ja muita diabeteslääkkeitä käyttäneiden kesken. Metformiinin yhteyttä elinaikaan arvioitiin myös metformiinin ostokertojen perusteella. Lääkkeiden käyttö otettiin huomioon vain ennen kohtusyöpädiagnoosia. Tilastollisessa analysoinnissa, elinaika-analyyseissä, käytettiin Kaplanin-Meierin menetelmää ja Coxin verrannollisten intensiteettien regressiomallia. Kilpailevia kuolemansyitä tutkittiin käyttäen hyväksi Coxin verrannollisten intensiteettien regressiomallia. Tämän tutkimuksen perusteella ei saatu tilastollista näyttöä metformiinin yhteydestä kohdunrungon syöpäpotilaiden elinaikaan tyypin 2 diabetespotilailla. Vertailuja tehtiin "metformiinia joskus käyttäneiden" ja "metformiinia ei koskaan käyttäneiden" potilaiden välillä, tarkemmalla potilaiden diabeteslääkekäytön luokittelulla ja metformiinin ostokertoihin perustuvalla luokittelulla. Insuliinia käyttäneillä potilailla havaittiin hieman korkeampi kuoleman riski. / Metformin is a widely used drug among type 2 diabetes patients. This thesis handles the question "Does metformin treatment affect the survival from endometrial cancer in women with type 2 diabetes?" because some studies show that metformin might have a positive effect on the prognosis of the endometrial cancer patients of women with type 2 diabetes. A number of different registers were used in this study: Suomen Diabetesrekisteri, Suomen lääkekorvausrekisteri (KELA), Suomen Syöpärekisteri, Suomen Väestörekisteri (VRK), Tilastokeskuksen kuolemansyyrekisteri and Terveydenhuollon potilasasiakirjat (HILMO). The study population was formed by the following limits: The endometrial cancer diagnosis was set with ICD-O-3 code C54.1 or C54.9. The follow up period was 1.1.1996–31.12.2013. The diabetes diagnosis was set before the endometrial cancer diagnosis. The endometrial cancer was not to be preceded by any other cancer, except specifically mentioned skin cancers and cancer precursors of the maternity bodies. The cancer patients were subdivided into different exposure groups with respect to the use of the diabetes drugs. The use of drugs was estimated by the buying times. The statistical association between metformin and the survival time was investigated among metformin never and ever users. A more detailed classification of use of diabetes medicine was made for only metformin, only insulin and only the other anti-diabetic medicine users. The use of metformin was also estimated based on the amount of the buying times. The use of medicines examined only before the endometrial cancer diagnosis. Kaplan-Meier method and Cox proportional hazard model were used in the statistical analysis. Competing causes of death examined using the Cox proportional hazard model. Based on this study there was no evidence of the association between metformin and the survival time of the type 2 diabetes patients with the endometrial cancer. The comparisons were done for metformin never and ever users, for subdivided drug groups and based on the buying times of metformin. Slightly higher risk of death was observed among insulin users.

Object detection is widely used in the world of sports, its users including training staff, broadcasters and sports fans. Neural network based classifiers are used together with other object detection techniques. The aim of this study was to explore the modern open source based solutions for object detection in sports, in this case for detecting football players. TensorFlow Object Detection API, an open source framework for object detection related tasks, was used for training and testing an SSD (Single-Shot Multibox Detector) with Mobilenet- model. The model was tested as a) pre-trained and b) with fine-tuning with a dataset consisting of images extracted from video footage of two football matches. Following hypotheses were examined: 1) Pre-trained model will not work on the data without fine-tuning. 2) Fine-tuned model will work reasonably well on the given data. 3) Fine-tuned model will have problems with occlusion and players pictured against the rear wall. 4) Using more variable training data will improve results on new images. The results of this study indicate that: 1) The pre-trained model was useless for detecting players in the test images. 2) A fine-tuned model worked reasonably well. 3) Problem areas were players in clusters and/or pictured against the rear wall. 4) A model trained with data from one game was able to detect players in footage from another game. The overall model performance did not much improve by training the model with data from two games. Other model types (such as Faster R-CNN model) should be tested on the data. / Kohteentunnistusta käytetään yleisesti urheilumaailmassa, mm. valmennuksessa, televisiolähetyksissä sekä fanikäytössä. Neuroverkkoihin perustuvia menetelmiä käytetään yhdessä muiden tekniikoiden kanssa. Tämän tutkimuksen päämäärä oli tarkastella moderneja avoimen lähdekoodin ratkaisuja kohteentunnistukseen urheilussa, tässä tapauksessa jalkapalloilijoiden tunnistuksessa. TensorFlow Object Detection API perustuu avoimeen lähdekoodiin ja tarjoaa työkaluja kohteentunnistukseen. Sen avulla opetettiin ja testattiin SSD (Single-Shot Multibox Detector) with Mobilenet- mallia sekä a) valmiiksi treenattuna että b) hienosäädettynä aineistolla, joka koostui kahdesta jalkapallo-otteluvideosta poimituista kuvista. Työssä tarkasteltiin seuraavia hypoteeseja: 1) Valmiiksi opettettu malli ei toimi ilman hienosäätöä omalle aineistolle. 2) Hienosäädetty malli toimii kohtuullisen hyvin omalle aineistolle. 3) Hienosäädetyllä mallilla on ongelmia toisensa peittävien tai takaseinää vasten kuvattujen pelaajien tunnistamisessa. 4) Mallin opettaminen vaihtelevammalla aineistolla parantaa tuloksia uudenlaisia esineitä tunnistettaessa. Tutkimuksen tulosten perusteella: 1) Valmiiksi opetettu malli oli hyödytön tämän datan käsittelyssä. 2) Hienosäädetty malli toimi kohtalaisen hyvin. 3) Hienosäädetyllä mallilla oli ongelmia toisensa peittävien tai takaseinää vasten kuvattujen pelaajien tunnistamisessa. 4) Yhdestä pelistä saadulla aineistolla opetettu malli tunnisti pelaajat toisesta pelistä kohtalaisen hyvin. Mallin toiminta ei juurikaan parantunut kun se opetettiin molemmista peleistä koostetulla aineistolla. Muita mallityyppejä (kuten Faster R-CNN model) pitäisi testata tällä datalla.

No description available.

abstract: Large-scale cultivation of perennial bioenergy crops (e.g., miscanthus and switch- grass) offers unique opportunities to mitigate climate change through avoided fossil fuel use and associated greenhouse gas reduction. Although conversion of existing agriculturally intensive lands (e.g., maize and soy) to perennial bioenergy cropping systems has been shown to reduce near-surface temperatures, unintended consequences on natural water resources via depletion of soil moisture may offset these benefits. In the effort of the cross-fertilization across the disciplines of physics-based modeling and spatio-temporal statistics, three topics are investigated in this dissertation aiming to provide a novel quantification and robust justifications of the hydroclimate impacts associated with bioenergy crop expansion. Topic 1 quantifies the hydroclimatic impacts associated with perennial bioenergy crop expansion over the contiguous United States using the Weather Research and Forecasting Model (WRF) dynamically coupled to a land surface model (LSM). A suite of continuous (2000–09) medium-range resolution (20-km grid spacing) ensemble-based simulations is conducted. Hovmöller and Taylor diagrams are utilized to evaluate simulated temperature and precipitation. In addition, Mann-Kendall modified trend tests and Sieve-bootstrap trend tests are performed to evaluate the statistical significance of trends in soil moisture differences. Finally, this research reveals potential hot spots of suitable deployment and regions to avoid. Topic 2 presents spatio-temporal Bayesian models which quantify the robustness of control simulation bias, as well as biofuel impacts, using three spatio-temporal correlation structures. A hierarchical model with spatially varying intercepts and slopes display satisfactory performance in capturing spatio-temporal associations. Simulated temperature impacts due to perennial bioenergy crop expansion are robust to physics parameterization schemes. Topic 3 further focuses on the accuracy and efficiency of spatial-temporal statistical modeling for large datasets. An ensemble of spatio-temporal eigenvector filtering algorithms (hereafter: STEF) is proposed to account for the spatio-temporal autocorrelation structure of the data while taking into account spatial confounding. Monte Carlo experiments are conducted. This method is then used to quantify the robustness of simulated hydroclimatic impacts associated with bioenergy crops to alternative physics parameterizations. Results are evaluated against those obtained from three alternative Bayesian spatio-temporal specifications. / Dissertation/Thesis / Doctoral Dissertation Statistics 2018

abstract: Many longitudinal studies, especially in clinical trials, suffer from missing data issues. Most estimation procedures assume that the missing values are ignorable or missing at random (MAR). However, this assumption leads to unrealistic simplification and is implausible for many cases. For example, an investigator is examining the effect of treatment on depression. Subjects are scheduled with doctors on a regular basis and asked questions about recent emotional situations. Patients who are experiencing severe depression are more likely to miss an appointment and leave the data missing for that particular visit. Data that are not missing at random may produce bias in results if the missing mechanism is not taken into account. In other words, the missing mechanism is related to the unobserved responses. Data are said to be non-ignorable missing if the probabilities of missingness depend on quantities that might not be included in the model. Classical pattern-mixture models for non-ignorable missing values are widely used for longitudinal data analysis because they do not require explicit specification of the missing mechanism, with the data stratified according to a variety of missing patterns and a model specified for each stratum. However, this usually results in under-identifiability, because of the need to estimate many stratum-specific parameters even though the eventual interest is usually on the marginal parameters. Pattern mixture models have the drawback that a large sample is usually required. In this thesis, two studies are presented. The first study is motivated by an open problem from pattern mixture models. Simulation studies from this part show that information in the missing data indicators can be well summarized by a simple continuous latent structure, indicating that a large number of missing data patterns may be accounted by a simple latent factor. Simulation findings that are obtained in the first study lead to a novel model, a continuous latent factor model (CLFM). The second study develops CLFM which is utilized for modeling the joint distribution of missing values and longitudinal outcomes. The proposed CLFM model is feasible even for small sample size applications. The detailed estimation theory, including estimating techniques from both frequentist and Bayesian perspectives is presented. Model performance and evaluation are studied through designed simulations and three applications. Simulation and application settings change from correctly-specified missing data mechanism to mis-specified mechanism and include different sample sizes from longitudinal studies. Among three applications, an AIDS study includes non-ignorable missing values; the Peabody Picture Vocabulary Test data have no indication on missing data mechanism and it will be applied to a sensitivity analysis; the Growth of Language and Early Literacy Skills in Preschoolers with Developmental Speech and Language Impairment study, however, has full complete data and will be used to conduct a robust analysis. The CLFM model is shown to provide more precise estimators, specifically on intercept and slope related parameters, compared with Roy's latent class model and the classic linear mixed model. This advantage will be more obvious when a small sample size is the case, where Roy's model experiences challenges on estimation convergence. The proposed CLFM model is also robust when missing data are ignorable as demonstrated through a study on Growth of Language and Early Literacy Skills in Preschoolers. / Dissertation/Thesis / Ph.D. Statistics 2013

>Magister Scientiae - MSc / In this project we explore a new statistical package called KSTAT that computes the 2PCF and higher order correlation functions, such as the 3PCF, on BOSS, making use of high performance computing facilities to improve optimization. The higher order statistics such as the 3PCF can be used to probe primordial non-Gaussianity. We present the first and most precise measurements of the reduced 3PCF (Q) measured using KSTAT on the DR10 data release at higher redshift, DR10 CMASS p z 0:5q and LOWZ p z 0:3q. Our reduced 3PCF results at low redshift z 0:3 are consistent with those of McBride et al. (2011a) at z 0:104 in the SDSS LRG sample. In this initial analysis, we have found no evidence of evolution of the 3PCF on small and large scales, however we do observe the characteristic U shape of the reduced 3PCF as one increases scale

<p> Latent variable models are widely used to capture the underlying structures of the data, for example, Gaussian mixture models for speech recognition, stochastic block models for community detection and topic models for information retrieval. While alternative minimization based algorithms such as EM algorithm and Lloyd's algorithm performs well in practice, there has been little theoretical advancement in explaining the effectiveness of these algorithms. In this thesis, we investigate the performance of Lloyd's algorithm and EM algorithm on clustering two-mixture of Gaussians. With an initializer slightly better than random guess, we are able to show the linear converge of Lloyd's and EM iterations to the statistical optimal estimator. These results shed light on the global convergence of more general non-convex optimizations.</p><p> We generalized the results to arbitrary number of sub-Gaussian mixtures. Motivated by the Lloyd's algorithm, we propose new algorithms for other latent variable models including sparse gaussian mixture model, stochastic block model. biclustering model and Dawid-Skene model. The proposed algorithms are computationally efficient and shown to be rate-optimal under mild signal-to-noise ratio conditions. The highlight of our theoretical analysis is to develop new proof techniques to handle the dependency between iterations, which can be applied to other iterative algorithms with explicit iteration formulas. </p><p>

<p> The Current Population Survey (CPS) is a multistage probability sample survey conducted by the U.S. Census Bureau and the Bureau of Labor Statistics (BLS). The 4-8-4 rotation design is applied to produce overlap in the sample across months. Several weighting steps are used to adjust the ultimate sample in each month to be representative of the population. In order to produce efficient estimates of labor force levels and month-to-month change, the so-called AK composite estimator combines current estimates from eight rotation panels and the previous month&rsquo;s estimates to estimate current values. Values of coefficients A and K are chosen every decade or so for the nation. The Successive Difference Replicate (SDR) method and Balanced Repeated Replication (BRR) method are currently used by the CPS for estimating the variance of the AK Composite Estimates. </p><p> Instead of using constant CPS (<i>A, K</i>) values for AK Composite Estimator over time, one could find the monthly optimal coefficients (<i> A, K</i>) that minimize the variance for measuring the monthly level of unemployment in the target population. The CPS (<i>A, K</i>) values are stable over time but can produce larger variance in some months, while the monthly optimal (<i>A, K</i>) values have lower variance within a month but high variability across months. </p><p> In order to make a compromise between the CPS (<i>A, K</i>) values and monthly optimal (<i>A, K</i>), a Hierarchical Bayesian method is proposed through modeling the obtained monthly optimal (<i> A, K</i>)&rsquo;s using a bivariate normal distribution. The parameters, including the mean vector and the variance-covariance matrix, are unknown in this distribution. In such case, a first step towards a more general model is to assume a conjugate prior distribution for the bivariate normal model. Computing the conditional posterior distribution can be approximated through simulation. In particular, it can be achieved by the Gibbs sampling algorithm with its sequential sampling. As the key to the success of this Hierarchical Bayesian method is that approximated distributions are improved as iteration goes on in the simulation, one needs to check the convergence of the simulated sequences. Then, the sample mean after a number of iterations in the simulation will serve as the Hierarchical Bayesian (HB) (<i>A, K</i>). The HB (<i>A, K</i>) estimates in effect produce a shrinkage between the CPS (<i>A, K</i>) values and the monthly optimal (<i>A, K</i>) values. The shrinkage of the estimates of the coefficients (<i> A, K</i>) occurs by manipulating the certain hyperparameter in the model. </p><p> In this dissertation, detailed comparisons are made among the three estimators. The AK Estimator using the CPS (<i>A, K</i>) values, using the monthly optimal (<i>A, K</i>) values, and using the Hierarchical Bayesian (A,K) values are compared in terms of estimates produced, estimated variance, and estimated coefficients of variation. In each month of the data set, separate estimates using the three methods are produced. </p><p> In order to assess the performance of the proposed methods, a simulation study is implemented and summarized. In the CPS, eight rotating survey panels contribute to the overall estimate in each month. Each panel is measured in a month at one of its month-in- sample. The month-in- sample range from one to eight. In the simulation, month-in- sample values are generated as if replicate panels were available for estimation. These month-in-sample values are used as the original monthly panel estimates of unemployment to produce CPS-style (<i>A, K</i>) estimates, AK-estimates using monthly optimal (<i> A, K</i>) values, and AK-estimates using Hierarchical Bayesian (<i> A, K</i>) values. Performance of each method is evaluated on the simulated data by examining several criteria including bias, variance, and mean squared error.</p><p>