{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:3440689"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:3440689","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"The Generalized Gamma Model for continuous and interval censored data - An application to cell division times","abstract":"Η Γενικευμένη Γάμμα κατανομή χρησιμοποιείται ευρύτατα στην μοντελοποίηση δεδομένων που αφορούν τον χρόνο μέχρι κάποιο γεγονός, κι αυτό γιατί ενσωματώνει ως υποπεριπτώσεις πολλές γνωστές κατανομές (π.χ. Γάμμα, Weibull, Λογαριθμοκανονική). Σε αυτήν την εργασία, ασχολούμαστε με την εκτίμηση παραμέτρων της Γενικευμένης Γάμμα κατανομής. Εφόσον η Εκτιμήτρια Μέγιστης Πιθανόφάνειας (ΕΜΠ) δεν υπάρχει σε κλειστή μορφή και οι αριθμητικοί αλγόριθμοι μπορούν να οδηγήσουν σε μια σειρά πρακτικών προβλημάτων, εστιάζουμε σε εκτιμητές που βασίζονται στην μέθοδο των ροπών. Σχολιάζουμε την εκτίμηση παραμέτρων τόσο για συνεχή δεδομένα όσο και για κατά διαστήματα αποκομμένα. Για τα μεν πρώτα, παρουσιάζουμε μια νέα εκτιμήτρια και υπολογίζουμε την ασυμπτωτική της κατανομή. Η εκτιμήτρια αυτή είναι πιο εύκολο να υπολογιστεί από την ΕΜΠ, ενώ κι η ύπαρξη της ελέγχεται μέσω μιας συγκεκριμένης συνθήκης. Για τα δεύτερα, παρουσιάζουμε έναν επαναληπτικό αλγόριθμο που τροποποιεί την παραπάνω εκτιμήτρια και μπορεί να χρησιμοποιηθεί στην περίπτωση που υπάρχουν κατά διαστήματα αποκομμένα δεδομένα.\\par Παρουσιάζουμε μια εφαρμογή που αφορά τον χρόνο της πρώτης διαιρέσης τον αιμοποιητικών βλαστοκυττάρων. Τα αιμοποιητικά βλαστοκύτταρα παίζουν έναν καίριο ρόλο στην αιμοποίηση, τη διαδικασία σχηματισμού του αίματος. Τα δεδομένα αυτά είναι κατά διαστήματα αποκομμένα λόγω του πειραματικού πρωτοκόλλου. Το αίμα έχει συλλεχθεί από δύο διαφορετικές πηγές: από το ομφάλιο αίμα κι από τον μυελό των οστών. Αυτό οδηγεί σε δύο διαφορετικά σετ δεδομένων, η κύρια διαφορά των οποίων είναι ο βαθμός ομογένειας στον χρόνο της πρώτης διαίρεσης μεταξύ διαφορετικών ατόμων. Στο τελευταίο κεφάλαιο εφαρμόζουμε Μπεϋζιανή Στατιστική στα δύο σετ δεδομένων. Όσον αφορά τα δεδομένα από το μυελό των οστών, παρουσιάζουμε ένα ιεραρχικό μοντέλο που λαμβάνει υπόψιν του την ετερογένεια μεταξύ διαφορετικών ατόμων. Επίσης, συζητάμε εν τάχει μεθόδους Μπεϋζιανής επιλογής μεταβλητών με σκοπό να εξετάσουμε ποιές μεταβλητές επηρεάζουν περισσότερο το χρόνο πρώτης διαίρεσης.","abstract_html":"Η Γενικευμένη Γάμμα κατανομή χρησιμοποιείται ευρύτατα στην μοντελοποίηση δεδομένων που αφορούν τον χρόνο μέχρι κάποιο γεγονός, κι αυτό γιατί ενσωματώνει ως υποπεριπτώσεις πολλές γνωστές κατανομές (π.χ. Γάμμα, Weibull, Λογαριθμοκανονική). Σε αυτήν την εργασία, ασχολούμαστε με την εκτίμηση παραμέτρων της Γενικευμένης Γάμμα κατανομής. Εφόσον η Εκτιμήτρια Μέγιστης Πιθανόφάνειας (ΕΜΠ) δεν υπάρχει σε κλειστή μορφή και οι αριθμητικοί αλγόριθμοι μπορούν να οδηγήσουν σε μια σειρά πρακτικών προβλημάτων, εστιάζουμε σε εκτιμητές που βασίζονται στην μέθοδο των ροπών. Σχολιάζουμε την εκτίμηση παραμέτρων τόσο για συνεχή δεδομένα όσο και για κατά διαστήματα αποκομμένα. Για τα μεν πρώτα, παρουσιάζουμε μια νέα εκτιμήτρια και υπολογίζουμε την ασυμπτωτική της κατανομή. Η εκτιμήτρια αυτή είναι πιο εύκολο να υπολογιστεί από την ΕΜΠ, ενώ κι η ύπαρξη της ελέγχεται μέσω μιας συγκεκριμένης συνθήκης. Για τα δεύτερα, παρουσιάζουμε έναν επαναληπτικό αλγόριθμο που τροποποιεί την παραπάνω εκτιμήτρια και μπορεί να χρησιμοποιηθεί στην περίπτωση που υπάρχουν κατά διαστήματα αποκομμένα δεδομένα.\\par Παρουσιάζουμε μια εφαρμογή που αφορά τον χρόνο της πρώτης διαιρέσης τον αιμοποιητικών βλαστοκυττάρων. Τα αιμοποιητικά βλαστοκύτταρα παίζουν έναν καίριο ρόλο στην αιμοποίηση, τη διαδικασία σχηματισμού του αίματος. Τα δεδομένα αυτά είναι κατά διαστήματα αποκομμένα λόγω του πειραματικού πρωτοκόλλου. Το αίμα έχει συλλεχθεί από δύο διαφορετικές πηγές: από το ομφάλιο αίμα κι από τον μυελό των οστών. Αυτό οδηγεί σε δύο διαφορετικά σετ δεδομένων, η κύρια διαφορά των οποίων είναι ο βαθμός ομογένειας στον χρόνο της πρώτης διαίρεσης μεταξύ διαφορετικών ατόμων. Στο τελευταίο κεφάλαιο εφαρμόζουμε Μπεϋζιανή Στατιστική στα δύο σετ δεδομένων. Όσον αφορά τα δεδομένα από το μυελό των οστών, παρουσιάζουμε ένα ιεραρχικό μοντέλο που λαμβάνει υπόψιν του την ετερογένεια μεταξύ διαφορετικών ατόμων. Επίσης, συζητάμε εν τάχει μεθόδους Μπεϋζιανής επιλογής μεταβλητών με σκοπό να εξετάσουμε ποιές μεταβλητές επηρεάζουν περισσότερο το χρόνο πρώτης διαίρεσης.","abstract_has_math":false,"creators":["Καρκαλάκης Πασχάλης","Karkalakis Paschalis"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2024,"date_issued":"2024","date_published":"2024","updated_at":"2026-11-19T06:31:13Z","subjects":["Θετικές Επιστήμες","Science"],"languages":["English"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3440689"],"render_values":[{"text":"uoadl:3440689","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3440689","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3440689","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%3A3440689","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Καρκαλάκης Πασχάλης","Karkalakis Paschalis"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2024"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Θετικές Επιστήμες","Science"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["English"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3440689","https://pergamos.lib.uoa.gr/uoa/dl/object/3440689"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Η Γενικευμένη Γάμμα κατανομή χρησιμοποιείται ευρύτατα στην μοντελοποίηση δεδομένων που αφορούν τον χρόνο μέχρι κάποιο γεγονός, κι αυτό γιατί ενσωματώνει ως υποπεριπτώσεις πολλές γνωστές κατανομές (π.χ. Γάμμα, Weibull, Λογαριθμοκανονική). Σε αυτήν την εργασία, ασχολούμαστε με την εκτίμηση παραμέτρων της Γενικευμένης Γάμμα κατανομής. Εφόσον η Εκτιμήτρια Μέγιστης Πιθανόφάνειας (ΕΜΠ) δεν υπάρχει σε κλειστή μορφή και οι αριθμητικοί αλγόριθμοι μπορούν να οδηγήσουν σε μια σειρά πρακτικών προβλημάτων, εστιάζουμε σε εκτιμητές που βασίζονται στην μέθοδο των ροπών. Σχολιάζουμε την εκτίμηση παραμέτρων τόσο για συνεχή δεδομένα όσο και για κατά διαστήματα αποκομμένα. Για τα μεν πρώτα, παρουσιάζουμε μια νέα εκτιμήτρια και υπολογίζουμε την ασυμπτωτική της κατανομή. Η εκτιμήτρια αυτή είναι πιο εύκολο να υπολογιστεί από την ΕΜΠ, ενώ κι η ύπαρξη της ελέγχεται μέσω μιας συγκεκριμένης συνθήκης. Για τα δεύτερα, παρουσιάζουμε έναν επαναληπτικό αλγόριθμο που τροποποιεί την παραπάνω εκτιμήτρια και μπορεί να χρησιμοποιηθεί στην περίπτωση που υπάρχουν κατά διαστήματα αποκομμένα δεδομένα.\\par Παρουσιάζουμε μια εφαρμογή που αφορά τον χρόνο της πρώτης διαιρέσης τον αιμοποιητικών βλαστοκυττάρων. Τα αιμοποιητικά βλαστοκύτταρα παίζουν έναν καίριο ρόλο στην αιμοποίηση, τη διαδικασία σχηματισμού του αίματος. Τα δεδομένα αυτά είναι κατά διαστήματα αποκομμένα λόγω του πειραματικού πρωτοκόλλου. Το αίμα έχει συλλεχθεί από δύο διαφορετικές πηγές: από το ομφάλιο αίμα κι από τον μυελό των οστών. Αυτό οδηγεί σε δύο διαφορετικά σετ δεδομένων, η κύρια διαφορά των οποίων είναι ο βαθμός ομογένειας στον χρόνο της πρώτης διαίρεσης μεταξύ διαφορετικών ατόμων. Στο τελευταίο κεφάλαιο εφαρμόζουμε Μπεϋζιανή Στατιστική στα δύο σετ δεδομένων. Όσον αφορά τα δεδομένα από το μυελό των οστών, παρουσιάζουμε ένα ιεραρχικό μοντέλο που λαμβάνει υπόψιν του την ετερογένεια μεταξύ διαφορετικών ατόμων. Επίσης, συζητάμε εν τάχει μεθόδους Μπεϋζιανής επιλογής μεταβλητών με σκοπό να εξετάσουμε ποιές μεταβλητές επηρεάζουν περισσότερο το χρόνο πρώτης διαίρεσης.","Generalized Gamma distribution is a widely used distribution for modelling time-to-event data, as it incorporates many well-studied distributions as special cases (e.g. Gamma, Weibull, Log-normal). In this thesis, we discuss parameter estimation for the Generalized Gamma distribution. Since there is no closed-form solution for the MLE and numerical algorithms can present many practical problems, our focus here is on moment-type estimators. We discuss parameter estimation both for continuous and interval censored data. For the former, we present a new estimator and derive its asymptotic properties. This estimator is easier to obtain than the MLE and its existence can be verified by checking if a certain condition is met. As to the latter, we discuss an iterative algorithm which modifies the aforementioned estimator and can be used in the presence of interval censored data.\\par We present an application to the first division times of Hematopoietic Stem Cells (HSC). HSC play a central role in hematopoiesis, the process of blood formation. These data are interval censored due to the experimental protocol. Blood is selected from two different sources: cord blood and bone marrow. This leads to two distinct datasets, the core difference being the degree of homogeneity of first division time between individuals. In the final chapter we talk about Bayesian Inference as applied to this dataset. Regarding the bone marrow data, we present a hierarchical model that takes account of the heterogeneity between individuals. We also briefly discuss Bayesian Variable Selection techniques in order to determine which covariates have a large effect on first division time."]},{"key":"dc:title","label":"Title","values":["The Generalized Gamma Model for continuous and interval censored data - An application to cell division times"]}]}],"canonical_facts":{"dc:creator":["Καρκαλάκης Πασχάλης","Karkalakis Paschalis"],"dc:date":["2024"],"dc:description":["Η Γενικευμένη Γάμμα κατανομή χρησιμοποιείται ευρύτατα στην μοντελοποίηση δεδομένων που αφορούν τον χρόνο μέχρι κάποιο γεγονός, κι αυτό γιατί ενσωματώνει ως υποπεριπτώσεις πολλές γνωστές κατανομές (π.χ. Γάμμα, Weibull, Λογαριθμοκανονική). Σε αυτήν την εργασία, ασχολούμαστε με την εκτίμηση παραμέτρων της Γενικευμένης Γάμμα κατανομής. Εφόσον η Εκτιμήτρια Μέγιστης Πιθανόφάνειας (ΕΜΠ) δεν υπάρχει σε κλειστή μορφή και οι αριθμητικοί αλγόριθμοι μπορούν να οδηγήσουν σε μια σειρά πρακτικών προβλημάτων, εστιάζουμε σε εκτιμητές που βασίζονται στην μέθοδο των ροπών. Σχολιάζουμε την εκτίμηση παραμέτρων τόσο για συνεχή δεδομένα όσο και για κατά διαστήματα αποκομμένα. Για τα μεν πρώτα, παρουσιάζουμε μια νέα εκτιμήτρια και υπολογίζουμε την ασυμπτωτική της κατανομή. Η εκτιμήτρια αυτή είναι πιο εύκολο να υπολογιστεί από την ΕΜΠ, ενώ κι η ύπαρξη της ελέγχεται μέσω μιας συγκεκριμένης συνθήκης. Για τα δεύτερα, παρουσιάζουμε έναν επαναληπτικό αλγόριθμο που τροποποιεί την παραπάνω εκτιμήτρια και μπορεί να χρησιμοποιηθεί στην περίπτωση που υπάρχουν κατά διαστήματα αποκομμένα δεδομένα.\\par Παρουσιάζουμε μια εφαρμογή που αφορά τον χρόνο της πρώτης διαιρέσης τον αιμοποιητικών βλαστοκυττάρων. Τα αιμοποιητικά βλαστοκύτταρα παίζουν έναν καίριο ρόλο στην αιμοποίηση, τη διαδικασία σχηματισμού του αίματος. Τα δεδομένα αυτά είναι κατά διαστήματα αποκομμένα λόγω του πειραματικού πρωτοκόλλου. Το αίμα έχει συλλεχθεί από δύο διαφορετικές πηγές: από το ομφάλιο αίμα κι από τον μυελό των οστών. Αυτό οδηγεί σε δύο διαφορετικά σετ δεδομένων, η κύρια διαφορά των οποίων είναι ο βαθμός ομογένειας στον χρόνο της πρώτης διαίρεσης μεταξύ διαφορετικών ατόμων. Στο τελευταίο κεφάλαιο εφαρμόζουμε Μπεϋζιανή Στατιστική στα δύο σετ δεδομένων. Όσον αφορά τα δεδομένα από το μυελό των οστών, παρουσιάζουμε ένα ιεραρχικό μοντέλο που λαμβάνει υπόψιν του την ετερογένεια μεταξύ διαφορετικών ατόμων. Επίσης, συζητάμε εν τάχει μεθόδους Μπεϋζιανής επιλογής μεταβλητών με σκοπό να εξετάσουμε ποιές μεταβλητές επηρεάζουν περισσότερο το χρόνο πρώτης διαίρεσης.","Generalized Gamma distribution is a widely used distribution for modelling time-to-event data, as it incorporates many well-studied distributions as special cases (e.g. Gamma, Weibull, Log-normal). In this thesis, we discuss parameter estimation for the Generalized Gamma distribution. Since there is no closed-form solution for the MLE and numerical algorithms can present many practical problems, our focus here is on moment-type estimators. We discuss parameter estimation both for continuous and interval censored data. For the former, we present a new estimator and derive its asymptotic properties. This estimator is easier to obtain than the MLE and its existence can be verified by checking if a certain condition is met. As to the latter, we discuss an iterative algorithm which modifies the aforementioned estimator and can be used in the presence of interval censored data.\\par We present an application to the first division times of Hematopoietic Stem Cells (HSC). HSC play a central role in hematopoiesis, the process of blood formation. These data are interval censored due to the experimental protocol. Blood is selected from two different sources: cord blood and bone marrow. This leads to two distinct datasets, the core difference being the degree of homogeneity of first division time between individuals. In the final chapter we talk about Bayesian Inference as applied to this dataset. Regarding the bone marrow data, we present a hierarchical model that takes account of the heterogeneity between individuals. We also briefly discuss Bayesian Variable Selection techniques in order to determine which covariates have a large effect on first division time."],"dc:identifier":["uoadl:3440689","https://pergamos.lib.uoa.gr/uoa/dl/object/3440689"],"dc:language":["English"],"dc:subject":["Θετικές Επιστήμες","Science"],"dc:title":["The Generalized Gamma Model for continuous and interval censored data - An application to cell division times"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T06:31:13Z"}