{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:1312811"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:1312811","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Μπεϋζιανή μετα-ανάλυση δεδομένων αρίθμησης","abstract":"Σκοπός της διπλωματικής εργασίας είναι η χρήση παραμετρικών μοντέλων για την ανάλυση δεδομένων αρίθμησης (count data) στο πλαίσιο της μετα-ανάλυσης. Δεδομένα αρίθμησης αφορούν γεγονότα τα οποία μπορεί να συμβούν παραπάνω από μία φορές, χωρίς θεωρητικά να υπάρχει μέγιστος αριθμός φορών. Παραδείγματα ιατρικών δεδομένων αρίθμησης είναι ο αριθμός καρδιακών προσβολών και ο αριθμός κρίσεων άσθματος που συμβαίνουν σε έναν ασθενή. Πιο συγκεκριμένα, η παρούσα εργασία εστιάζει στη μελέτη συσχετισμένων ζευγών δεδομένων αρίθμησης. Τέτοια δεδομένα, για παράδειγμα, αφορούν τον αριθμό των μολύνσεων του επιπεφυκότα (επιπεφυκίτιδα) στα μάτια ενός ανθρώπου ή ο αριθμός των μεταλλάξεων σε κάποιο γονίδιο για ζεύγη διδύμων. Η ανάλυσή μας βασίστηκε στο διμεταβλητό μοντέλο παλινδρόμησης Poisson και έγινε με Μπεϋζιανές μεθόδους. Κατασκευάσαμε έναν αλγόριθμο Markov Chain Monte Carlo (MCMC) που βασίζεται στον αλγόριθμο Random-Walk Metropolis-Hastings και την τεχνική της αύξησης δεδομένων (data augmentation).Στο πλαίσιο της μετα- ανάλυσης, χρησιμοποιήσαμε τα μοντέλα των σταθερών (fixed-effect model) και των τυχαίων επιδράσεων (random-effect model).Η ανάλυσή μας έγινε σε προσομοιωμένα δεδομένα για να ελεγχθεί η απόδοση του μοντέλου μας. Με την προσομοίωση διαπιστώσαμε ότι το μοντέλο εκτιμά με αρκετή ακρίβεια τις πραγματικές τιμές των παραμέτρων τόσο από το μοντέλο των σταθερών όσο και από το μοντέλο των τυχαίων επιδράσεων.Η ακρίβεια των εκτιμήσεων αυξάνει καθώς μεγαλώνει το μέγεθος του δείγματος.","abstract_html":"Σκοπός της διπλωματικής εργασίας είναι η χρήση παραμετρικών μοντέλων για την ανάλυση δεδομένων αρίθμησης (count data) στο πλαίσιο της μετα-ανάλυσης. Δεδομένα αρίθμησης αφορούν γεγονότα τα οποία μπορεί να συμβούν παραπάνω από μία φορές, χωρίς θεωρητικά να υπάρχει μέγιστος αριθμός φορών. Παραδείγματα ιατρικών δεδομένων αρίθμησης είναι ο αριθμός καρδιακών προσβολών και ο αριθμός κρίσεων άσθματος που συμβαίνουν σε έναν ασθενή. Πιο συγκεκριμένα, η παρούσα εργασία εστιάζει στη μελέτη συσχετισμένων ζευγών δεδομένων αρίθμησης. Τέτοια δεδομένα, για παράδειγμα, αφορούν τον αριθμό των μολύνσεων του επιπεφυκότα (επιπεφυκίτιδα) στα μάτια ενός ανθρώπου ή ο αριθμός των μεταλλάξεων σε κάποιο γονίδιο για ζεύγη διδύμων. Η ανάλυσή μας βασίστηκε στο διμεταβλητό μοντέλο παλινδρόμησης Poisson και έγινε με Μπεϋζιανές μεθόδους. Κατασκευάσαμε έναν αλγόριθμο Markov Chain Monte Carlo (MCMC) που βασίζεται στον αλγόριθμο Random-Walk Metropolis-Hastings και την τεχνική της αύξησης δεδομένων (data augmentation).Στο πλαίσιο της μετα- ανάλυσης, χρησιμοποιήσαμε τα μοντέλα των σταθερών (fixed-effect model) και των τυχαίων επιδράσεων (random-effect model).Η ανάλυσή μας έγινε σε προσομοιωμένα δεδομένα για να ελεγχθεί η απόδοση του μοντέλου μας. Με την προσομοίωση διαπιστώσαμε ότι το μοντέλο εκτιμά με αρκετή ακρίβεια τις πραγματικές τιμές των παραμέτρων τόσο από το μοντέλο των σταθερών όσο και από το μοντέλο των τυχαίων επιδράσεων.Η ακρίβεια των εκτιμήσεων αυξάνει καθώς μεγαλώνει το μέγεθος του δείγματος.","abstract_has_math":false,"creators":["Κίκερη Μαρία"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2015,"date_issued":"2015","date_published":"2015","updated_at":"2026-11-19T05:22:54Z","subjects":[],"languages":["Ελληνικά","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:1312811"],"render_values":[{"text":"uoadl:1312811","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/1312811","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/1312811","record_label":"Repository record","record_kind":"record","record_source":"dc:identifier","download_url":null,"download_label":null,"download_source":null,"access_status":null,"embargo_until":null,"access_note":null},"source_record":{"url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh?verb=GetRecord&metadataPrefix=oai_dc&identifier=oai%3Alib.uoa.gr%3Auoadl%3A1312811","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Κίκερη Μαρία"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2015"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["Ελληνικά","Greek"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:1312811","https://pergamos.lib.uoa.gr/uoa/dl/object/1312811"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Σκοπός της διπλωματικής εργασίας είναι η χρήση παραμετρικών μοντέλων για την ανάλυση δεδομένων αρίθμησης (count data) στο πλαίσιο της μετα-ανάλυσης. Δεδομένα αρίθμησης αφορούν γεγονότα τα οποία μπορεί να συμβούν παραπάνω από μία φορές, χωρίς θεωρητικά να υπάρχει μέγιστος αριθμός φορών. Παραδείγματα ιατρικών δεδομένων αρίθμησης είναι ο αριθμός καρδιακών προσβολών και ο αριθμός κρίσεων άσθματος που συμβαίνουν σε έναν ασθενή. Πιο συγκεκριμένα, η παρούσα εργασία εστιάζει στη μελέτη συσχετισμένων ζευγών δεδομένων αρίθμησης. Τέτοια δεδομένα, για παράδειγμα, αφορούν τον αριθμό των μολύνσεων του επιπεφυκότα (επιπεφυκίτιδα) στα μάτια ενός ανθρώπου ή ο αριθμός των μεταλλάξεων σε κάποιο γονίδιο για ζεύγη διδύμων. Η ανάλυσή μας βασίστηκε στο διμεταβλητό μοντέλο παλινδρόμησης Poisson και έγινε με Μπεϋζιανές μεθόδους. Κατασκευάσαμε έναν αλγόριθμο Markov Chain Monte Carlo (MCMC) που βασίζεται στον αλγόριθμο Random-Walk Metropolis-Hastings και την τεχνική της αύξησης δεδομένων (data augmentation).Στο πλαίσιο της μετα- ανάλυσης, χρησιμοποιήσαμε τα μοντέλα των σταθερών (fixed-effect model) και των τυχαίων επιδράσεων (random-effect model).Η ανάλυσή μας έγινε σε προσομοιωμένα δεδομένα για να ελεγχθεί η απόδοση του μοντέλου μας. Με την προσομοίωση διαπιστώσαμε ότι το μοντέλο εκτιμά με αρκετή ακρίβεια τις πραγματικές τιμές των παραμέτρων τόσο από το μοντέλο των σταθερών όσο και από το μοντέλο των τυχαίων επιδράσεων.Η ακρίβεια των εκτιμήσεων αυξάνει καθώς μεγαλώνει το μέγεθος του δείγματος.","The aim of this thesis is the use of parametric models for analyzing count data in the context of meta-analysis. Count Data relate to events which may occur more than once, but theoretically there is no maximum number of times. Examples of count data are the ’number of heart attacks’ or the ’number of asthma exacerbations’. Specifically, in this thesis we focus on pairs of correlated count data. Examples of such data are the number of infections in the eyes of a patient or the number of mutations in a specific gene of pairs of twins. Our analysis was based on the bivariate Poisson regression model with Bayesian estimation methods. We have constructed a Markov Chain Monte Carlo algorithm, based on the Random-Walk Metropolis-Hastings algorithm and the data augmentation scheme. In the context of meta-analysis, we used the models of fixed and random effects. Our analysis was performed on simulated data to evaluate the performance of our model. Our simulation study has shown that our model adequately estimates the true parameter values under both the fixed and the random effects models."]},{"key":"dc:title","label":"Title","values":["Μπεϋζιανή μετα-ανάλυση δεδομένων αρίθμησης"]}]}],"canonical_facts":{"dc:creator":["Κίκερη Μαρία"],"dc:date":["2015"],"dc:description":["Σκοπός της διπλωματικής εργασίας είναι η χρήση παραμετρικών μοντέλων για την ανάλυση δεδομένων αρίθμησης (count data) στο πλαίσιο της μετα-ανάλυσης. Δεδομένα αρίθμησης αφορούν γεγονότα τα οποία μπορεί να συμβούν παραπάνω από μία φορές, χωρίς θεωρητικά να υπάρχει μέγιστος αριθμός φορών. Παραδείγματα ιατρικών δεδομένων αρίθμησης είναι ο αριθμός καρδιακών προσβολών και ο αριθμός κρίσεων άσθματος που συμβαίνουν σε έναν ασθενή. Πιο συγκεκριμένα, η παρούσα εργασία εστιάζει στη μελέτη συσχετισμένων ζευγών δεδομένων αρίθμησης. Τέτοια δεδομένα, για παράδειγμα, αφορούν τον αριθμό των μολύνσεων του επιπεφυκότα (επιπεφυκίτιδα) στα μάτια ενός ανθρώπου ή ο αριθμός των μεταλλάξεων σε κάποιο γονίδιο για ζεύγη διδύμων. Η ανάλυσή μας βασίστηκε στο διμεταβλητό μοντέλο παλινδρόμησης Poisson και έγινε με Μπεϋζιανές μεθόδους. Κατασκευάσαμε έναν αλγόριθμο Markov Chain Monte Carlo (MCMC) που βασίζεται στον αλγόριθμο Random-Walk Metropolis-Hastings και την τεχνική της αύξησης δεδομένων (data augmentation).Στο πλαίσιο της μετα- ανάλυσης, χρησιμοποιήσαμε τα μοντέλα των σταθερών (fixed-effect model) και των τυχαίων επιδράσεων (random-effect model).Η ανάλυσή μας έγινε σε προσομοιωμένα δεδομένα για να ελεγχθεί η απόδοση του μοντέλου μας. Με την προσομοίωση διαπιστώσαμε ότι το μοντέλο εκτιμά με αρκετή ακρίβεια τις πραγματικές τιμές των παραμέτρων τόσο από το μοντέλο των σταθερών όσο και από το μοντέλο των τυχαίων επιδράσεων.Η ακρίβεια των εκτιμήσεων αυξάνει καθώς μεγαλώνει το μέγεθος του δείγματος.","The aim of this thesis is the use of parametric models for analyzing count data in the context of meta-analysis. Count Data relate to events which may occur more than once, but theoretically there is no maximum number of times. Examples of count data are the ’number of heart attacks’ or the ’number of asthma exacerbations’. Specifically, in this thesis we focus on pairs of correlated count data. Examples of such data are the number of infections in the eyes of a patient or the number of mutations in a specific gene of pairs of twins. Our analysis was based on the bivariate Poisson regression model with Bayesian estimation methods. We have constructed a Markov Chain Monte Carlo algorithm, based on the Random-Walk Metropolis-Hastings algorithm and the data augmentation scheme. In the context of meta-analysis, we used the models of fixed and random effects. Our analysis was performed on simulated data to evaluate the performance of our model. Our simulation study has shown that our model adequately estimates the true parameter values under both the fixed and the random effects models."],"dc:identifier":["uoadl:1312811","https://pergamos.lib.uoa.gr/uoa/dl/object/1312811"],"dc:language":["Ελληνικά","Greek"],"dc:title":["Μπεϋζιανή μετα-ανάλυση δεδομένων αρίθμησης"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:22:54Z"}