{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:5456183"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:5456183","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Bayesian Covariate Selection for Generalized Linear Models with Extension to the Multi-Parameter Estimation of Prevalence Framework","abstract":"Η εκτίμηση του επιπολασμού της εξάρτησης από οπιοειδή αποτελεί ένα δύσκολο στατιστικό πρόβλημα, κυρίως επειδή σημαντικό μέρος του πληθυσμού με εξάρτηση μπορεί να μην καταγράφεται άμεσα στις διαθέσιμες πηγές δεδομένων. Κατά συνέπεια, η εκτίμηση του συνολικού μεγέθους αυτού του πληθυσμού δεν μπορεί να βασιστεί αποκλειστικά στις ήδη καταγεγραμμένες περιπτώσεις, αλλά απαιτεί τον συνδυασμό πληροφοριών από διαφορετικές πηγές. Το μοντέλο Multi-Parameter Estimation of Prevalence (MPEP) (Markoulidakis et al., 2025) αποτελεί μια χρήσιμη προσέγγιση για την αντιμετώπιση αυτού του προβλήματος. Το μοντέλο συνδυάζει πληροφορίες από έναν γνωστό αρχικό πληθυσμό ατόμων που έχουν ήδη εντοπιστεί στα διοικητικά αρχεία, από τον αριθμό θανάτων και νοσηλειών που παρατηρούνται εντός και εκτός αυτού του πληθυσμού, από τον συνολικό χρόνο κατά τον οποίο τα άτομα βρίσκονται σε κίνδυνο να εμφανίσουν τα συγκεκριμένα συμβάντα, καθώς και από τα μεγέθη του γενικού πληθυσμού. Με τον τρόπο αυτό, επιτρέπει την εκτίμηση τόσο του μη καταγεγραμμένου πληθυσμού όσο και του συνολικού επιπολασμού μέσα σε ένα Μπεϋζιανό πλαίσιο. Η παρούσα διπλωματική εργασία εξετάζει την ενσωμάτωση Μπεϋζιανών μεθόδων επιλογής μεταβλητών στο μοντέλο MPEP. Ιδιαίτερη έμφαση δίνεται στους όρους αλληλεπίδρασης, των οποίων η συμβολή στις διαφορετικές συνιστώσες του μοντέλου δεν είναι γνωστή εκ των προτέρων. Για την αξιολόγηση αυτών των όρων και τον έλεγχο της πολυπλοκότητας του μοντέλου χρησιμοποιούνται οι προσεγγίσεις spike-and-slab και Bayesian Lasso, ενώ οι κύριες επιδράσεις διατηρούνται σε όλες τις σχετικές συνιστώσες. Η προτεινόμενη προσέγγιση εφαρμόζεται σε δεδομένα για την εξάρτηση από οπιοειδή στη Σκωτία, τα οποία περιλαμβάνουν πληροφορίες σχετικά με θανάτους, νοσηλείες, θεραπευτική κατάσταση, ηλικιακή ομάδα, φύλο, οικονομικό έτος και μέγεθος πληθυσμού. Η Μπεϋζιανή συμπερασματολογία πραγματοποιείται με μεθόδους Markov Chain Monte Carlo, οι οποίες υλοποιούνται στο Stan. Συνολικά, η εργασία εξετάζει πώς η Μπεϋζιανή επιλογή μεταβλητών μπορεί να χρησιμοποιηθεί στο μοντέλο MPEP για την αξιολόγηση αβέβαιων αλληλεπιδράσεων και τον έλεγχο της πολυπλοκότητας ενός πολυσύνθετου μοντέλου εκτίμησης επιπολασμού.","abstract_html":"Η εκτίμηση του επιπολασμού της εξάρτησης από οπιοειδή αποτελεί ένα δύσκολο στατιστικό πρόβλημα, κυρίως επειδή σημαντικό μέρος του πληθυσμού με εξάρτηση μπορεί να μην καταγράφεται άμεσα στις διαθέσιμες πηγές δεδομένων. Κατά συνέπεια, η εκτίμηση του συνολικού μεγέθους αυτού του πληθυσμού δεν μπορεί να βασιστεί αποκλειστικά στις ήδη καταγεγραμμένες περιπτώσεις, αλλά απαιτεί τον συνδυασμό πληροφοριών από διαφορετικές πηγές. Το μοντέλο Multi-Parameter Estimation of Prevalence (MPEP) (Markoulidakis et al., 2025) αποτελεί μια χρήσιμη προσέγγιση για την αντιμετώπιση αυτού του προβλήματος. Το μοντέλο συνδυάζει πληροφορίες από έναν γνωστό αρχικό πληθυσμό ατόμων που έχουν ήδη εντοπιστεί στα διοικητικά αρχεία, από τον αριθμό θανάτων και νοσηλειών που παρατηρούνται εντός και εκτός αυτού του πληθυσμού, από τον συνολικό χρόνο κατά τον οποίο τα άτομα βρίσκονται σε κίνδυνο να εμφανίσουν τα συγκεκριμένα συμβάντα, καθώς και από τα μεγέθη του γενικού πληθυσμού. Με τον τρόπο αυτό, επιτρέπει την εκτίμηση τόσο του μη καταγεγραμμένου πληθυσμού όσο και του συνολικού επιπολασμού μέσα σε ένα Μπεϋζιανό πλαίσιο. Η παρούσα διπλωματική εργασία εξετάζει την ενσωμάτωση Μπεϋζιανών μεθόδων επιλογής μεταβλητών στο μοντέλο MPEP. Ιδιαίτερη έμφαση δίνεται στους όρους αλληλεπίδρασης, των οποίων η συμβολή στις διαφορετικές συνιστώσες του μοντέλου δεν είναι γνωστή εκ των προτέρων. Για την αξιολόγηση αυτών των όρων και τον έλεγχο της πολυπλοκότητας του μοντέλου χρησιμοποιούνται οι προσεγγίσεις spike-and-slab και Bayesian Lasso, ενώ οι κύριες επιδράσεις διατηρούνται σε όλες τις σχετικές συνιστώσες. Η προτεινόμενη προσέγγιση εφαρμόζεται σε δεδομένα για την εξάρτηση από οπιοειδή στη Σκωτία, τα οποία περιλαμβάνουν πληροφορίες σχετικά με θανάτους, νοσηλείες, θεραπευτική κατάσταση, ηλικιακή ομάδα, φύλο, οικονομικό έτος και μέγεθος πληθυσμού. Η Μπεϋζιανή συμπερασματολογία πραγματοποιείται με μεθόδους Markov Chain Monte Carlo, οι οποίες υλοποιούνται στο Stan. Συνολικά, η εργασία εξετάζει πώς η Μπεϋζιανή επιλογή μεταβλητών μπορεί να χρησιμοποιηθεί στο μοντέλο MPEP για την αξιολόγηση αβέβαιων αλληλεπιδράσεων και τον έλεγχο της πολυπλοκότητας ενός πολυσύνθετου μοντέλου εκτίμησης επιπολασμού.","abstract_has_math":false,"creators":["ΤΣΕΤΣΟ ΑΛΕΞΑΝΔΡΟΣ","TSETSO ALEXANDROS"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2026,"date_issued":"2026","date_published":"2026","updated_at":"2026-11-19T05:20:56Z","subjects":["Θετικές Επιστήμες","Science"],"languages":["English"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5456183"],"render_values":[{"text":"uoadl:5456183","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5456183","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5456183","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%3A5456183","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["ΤΣΕΤΣΟ ΑΛΕΞΑΝΔΡΟΣ","TSETSO ALEXANDROS"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2026"]},{"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:5456183","https://pergamos.lib.uoa.gr/uoa/dl/object/5456183"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Η εκτίμηση του επιπολασμού της εξάρτησης από οπιοειδή αποτελεί ένα δύσκολο στατιστικό πρόβλημα, κυρίως επειδή σημαντικό μέρος του πληθυσμού με εξάρτηση μπορεί να μην καταγράφεται άμεσα στις διαθέσιμες πηγές δεδομένων. Κατά συνέπεια, η εκτίμηση του συνολικού μεγέθους αυτού του πληθυσμού δεν μπορεί να βασιστεί αποκλειστικά στις ήδη καταγεγραμμένες περιπτώσεις, αλλά απαιτεί τον συνδυασμό πληροφοριών από διαφορετικές πηγές. Το μοντέλο Multi-Parameter Estimation of Prevalence (MPEP) (Markoulidakis et al., 2025) αποτελεί μια χρήσιμη προσέγγιση για την αντιμετώπιση αυτού του προβλήματος. Το μοντέλο συνδυάζει πληροφορίες από έναν γνωστό αρχικό πληθυσμό ατόμων που έχουν ήδη εντοπιστεί στα διοικητικά αρχεία, από τον αριθμό θανάτων και νοσηλειών που παρατηρούνται εντός και εκτός αυτού του πληθυσμού, από τον συνολικό χρόνο κατά τον οποίο τα άτομα βρίσκονται σε κίνδυνο να εμφανίσουν τα συγκεκριμένα συμβάντα, καθώς και από τα μεγέθη του γενικού πληθυσμού. Με τον τρόπο αυτό, επιτρέπει την εκτίμηση τόσο του μη καταγεγραμμένου πληθυσμού όσο και του συνολικού επιπολασμού μέσα σε ένα Μπεϋζιανό πλαίσιο. Η παρούσα διπλωματική εργασία εξετάζει την ενσωμάτωση Μπεϋζιανών μεθόδων επιλογής μεταβλητών στο μοντέλο MPEP. Ιδιαίτερη έμφαση δίνεται στους όρους αλληλεπίδρασης, των οποίων η συμβολή στις διαφορετικές συνιστώσες του μοντέλου δεν είναι γνωστή εκ των προτέρων. Για την αξιολόγηση αυτών των όρων και τον έλεγχο της πολυπλοκότητας του μοντέλου χρησιμοποιούνται οι προσεγγίσεις spike-and-slab και Bayesian Lasso, ενώ οι κύριες επιδράσεις διατηρούνται σε όλες τις σχετικές συνιστώσες. Η προτεινόμενη προσέγγιση εφαρμόζεται σε δεδομένα για την εξάρτηση από οπιοειδή στη Σκωτία, τα οποία περιλαμβάνουν πληροφορίες σχετικά με θανάτους, νοσηλείες, θεραπευτική κατάσταση, ηλικιακή ομάδα, φύλο, οικονομικό έτος και μέγεθος πληθυσμού. Η Μπεϋζιανή συμπερασματολογία πραγματοποιείται με μεθόδους Markov Chain Monte Carlo, οι οποίες υλοποιούνται στο Stan. Συνολικά, η εργασία εξετάζει πώς η Μπεϋζιανή επιλογή μεταβλητών μπορεί να χρησιμοποιηθεί στο μοντέλο MPEP για την αξιολόγηση αβέβαιων αλληλεπιδράσεων και τον έλεγχο της πολυπλοκότητας ενός πολυσύνθετου μοντέλου εκτίμησης επιπολασμού.","Estimating the prevalence of opioid dependence is a difficult statistical problem, mainly because a substantial part of the affected population may not be directly observed in available data sources. As a result, prevalence cannot always be estimated reliably using direct counts alone, and methods that combine information from different sources are required. The Multi-Parameter Estimation of Prevalence (MPEP) (Markoulidakis et al., 2025) framework provides a useful approach to this problem by jointly modelling information from a known baseline cohort, observed event counts, person-time at risk, and events occurring outside the cohort. In this way, it allows the size of the unobserved population and the overall prevalence to be estimated within a Bayesian framework. This thesis studies the incorporation of Bayesian variable selection into the MPEP model. Particular attention is given to interaction terms whose contribution to the different model components is uncertain. Spike-and-slab priors and the Bayesian Lasso are used to assess these effects and to control model complexity, while the main effects are retained in the model. The proposed approach is applied to data on opioid dependence in Scotland, using information on deaths, hospitalisations, treatment status, population size, age group, sex, and financial year. Bayesian inference is carried out using Markov Chain Monte Carlo methods implemented in Stan. Overall, the thesis examines how Bayesian variable selection can be used within the MPEP framework to support the construction of flexible and interpretable prevalence models."]},{"key":"dc:title","label":"Title","values":["Bayesian Covariate Selection for Generalized Linear Models with Extension to the Multi-Parameter Estimation of Prevalence Framework"]}]}],"canonical_facts":{"dc:creator":["ΤΣΕΤΣΟ ΑΛΕΞΑΝΔΡΟΣ","TSETSO ALEXANDROS"],"dc:date":["2026"],"dc:description":["Η εκτίμηση του επιπολασμού της εξάρτησης από οπιοειδή αποτελεί ένα δύσκολο στατιστικό πρόβλημα, κυρίως επειδή σημαντικό μέρος του πληθυσμού με εξάρτηση μπορεί να μην καταγράφεται άμεσα στις διαθέσιμες πηγές δεδομένων. Κατά συνέπεια, η εκτίμηση του συνολικού μεγέθους αυτού του πληθυσμού δεν μπορεί να βασιστεί αποκλειστικά στις ήδη καταγεγραμμένες περιπτώσεις, αλλά απαιτεί τον συνδυασμό πληροφοριών από διαφορετικές πηγές. Το μοντέλο Multi-Parameter Estimation of Prevalence (MPEP) (Markoulidakis et al., 2025) αποτελεί μια χρήσιμη προσέγγιση για την αντιμετώπιση αυτού του προβλήματος. Το μοντέλο συνδυάζει πληροφορίες από έναν γνωστό αρχικό πληθυσμό ατόμων που έχουν ήδη εντοπιστεί στα διοικητικά αρχεία, από τον αριθμό θανάτων και νοσηλειών που παρατηρούνται εντός και εκτός αυτού του πληθυσμού, από τον συνολικό χρόνο κατά τον οποίο τα άτομα βρίσκονται σε κίνδυνο να εμφανίσουν τα συγκεκριμένα συμβάντα, καθώς και από τα μεγέθη του γενικού πληθυσμού. Με τον τρόπο αυτό, επιτρέπει την εκτίμηση τόσο του μη καταγεγραμμένου πληθυσμού όσο και του συνολικού επιπολασμού μέσα σε ένα Μπεϋζιανό πλαίσιο. Η παρούσα διπλωματική εργασία εξετάζει την ενσωμάτωση Μπεϋζιανών μεθόδων επιλογής μεταβλητών στο μοντέλο MPEP. Ιδιαίτερη έμφαση δίνεται στους όρους αλληλεπίδρασης, των οποίων η συμβολή στις διαφορετικές συνιστώσες του μοντέλου δεν είναι γνωστή εκ των προτέρων. Για την αξιολόγηση αυτών των όρων και τον έλεγχο της πολυπλοκότητας του μοντέλου χρησιμοποιούνται οι προσεγγίσεις spike-and-slab και Bayesian Lasso, ενώ οι κύριες επιδράσεις διατηρούνται σε όλες τις σχετικές συνιστώσες. Η προτεινόμενη προσέγγιση εφαρμόζεται σε δεδομένα για την εξάρτηση από οπιοειδή στη Σκωτία, τα οποία περιλαμβάνουν πληροφορίες σχετικά με θανάτους, νοσηλείες, θεραπευτική κατάσταση, ηλικιακή ομάδα, φύλο, οικονομικό έτος και μέγεθος πληθυσμού. Η Μπεϋζιανή συμπερασματολογία πραγματοποιείται με μεθόδους Markov Chain Monte Carlo, οι οποίες υλοποιούνται στο Stan. Συνολικά, η εργασία εξετάζει πώς η Μπεϋζιανή επιλογή μεταβλητών μπορεί να χρησιμοποιηθεί στο μοντέλο MPEP για την αξιολόγηση αβέβαιων αλληλεπιδράσεων και τον έλεγχο της πολυπλοκότητας ενός πολυσύνθετου μοντέλου εκτίμησης επιπολασμού.","Estimating the prevalence of opioid dependence is a difficult statistical problem, mainly because a substantial part of the affected population may not be directly observed in available data sources. As a result, prevalence cannot always be estimated reliably using direct counts alone, and methods that combine information from different sources are required. The Multi-Parameter Estimation of Prevalence (MPEP) (Markoulidakis et al., 2025) framework provides a useful approach to this problem by jointly modelling information from a known baseline cohort, observed event counts, person-time at risk, and events occurring outside the cohort. In this way, it allows the size of the unobserved population and the overall prevalence to be estimated within a Bayesian framework. This thesis studies the incorporation of Bayesian variable selection into the MPEP model. Particular attention is given to interaction terms whose contribution to the different model components is uncertain. Spike-and-slab priors and the Bayesian Lasso are used to assess these effects and to control model complexity, while the main effects are retained in the model. The proposed approach is applied to data on opioid dependence in Scotland, using information on deaths, hospitalisations, treatment status, population size, age group, sex, and financial year. Bayesian inference is carried out using Markov Chain Monte Carlo methods implemented in Stan. Overall, the thesis examines how Bayesian variable selection can be used within the MPEP framework to support the construction of flexible and interpretable prevalence models."],"dc:identifier":["uoadl:5456183","https://pergamos.lib.uoa.gr/uoa/dl/object/5456183"],"dc:language":["English"],"dc:subject":["Θετικές Επιστήμες","Science"],"dc:title":["Bayesian Covariate Selection for Generalized Linear Models with Extension to the Multi-Parameter Estimation of Prevalence Framework"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:20:56Z"}