dc.contributor.author |
Γιαννακοπούλου, Αικατερίνη Ε.
|
el |
dc.contributor.author |
Giannakopoulou, Ekaterini E.
|
en |
dc.date.accessioned |
2014-10-23T08:55:09Z |
|
dc.date.available |
2014-10-23T08:55:09Z |
|
dc.date.issued |
2014-10-23 |
|
dc.identifier.uri |
https://dspace.lib.ntua.gr/xmlui/handle/123456789/39367 |
|
dc.identifier.uri |
http://dx.doi.org/10.26240/heal.ntua.3200 |
|
dc.rights |
Default License |
|
dc.subject |
αιτιώδης συμπερασματολογία |
el |
dc.subject |
συγχυτικοί παράγοντες |
el |
dc.subject |
αιτιώδης επίδραση |
el |
dc.subject |
μοντέλο αιτιότητας Rubin |
el |
dc.subject |
causal inference |
en |
dc.subject |
confounders |
en |
dc.subject |
causal effect |
en |
dc.subject |
Rubin causal model |
en |
dc.title |
Η Συμπερασματολογία της Αιτιότητας Στους Παραγοντικούς Σχεδιασμούς |
el |
heal.type |
masterThesis |
|
heal.secondaryTitle |
Causal Inference in Factorial Designs |
en |
heal.classification |
ΜΑΘΗΜΑΤΙΚΑ |
el |
heal.classificationURI |
http://localhost:8080/healp/data/2 |
|
heal.language |
el |
|
heal.access |
free |
|
heal.recordProvider |
ntua |
el |
heal.publicationDate |
2014-04-03 |
|
heal.abstract |
Μέχρι σήμερα, τα προβλήματα που εμπλέκονται, με την έννοια της αιτιώδους συμπερασματολογίας, στους διάφορους τομείς, όπως η Κοινωνιολογία, η Επιδημιολογία και η Ιατρική έχουν μελετηθεί αρκετά στην Στατιστική Επιστήμη. Η συμπερασματολογία συσχετίσεων δεν υποννοεί αιτιότητα. Ο στόχος αυτής της εργασίας είναι η ενίσχυση των πλεονεκτημάτων, που σημειώθηκαν μετά από πρόσφατες προόδους στην αιτιώδη συμπερασματολογία και η ανάπτυξη της έννοιας της αιτιότητας στον κλάδο των παραγοντικών σχεδιασμών. Στο πρώτο κεφάλαιο της εργασίας, αναπτύσσονται οι έννοιες της αιτιότητας. Τονίζονται οι παραδειγματικές μετατοπίσεις που πρέπει να ληφθούν από τη μετάβαση της παραδοσιακής στατιστικής ανάλυσης προς την αιτιώδη. Τρεις ευδιάκριτες έννοιες αιτιότητας καθορίζονται. Δίνεται ιδιαίτερη έμφαση στους τροποποιητές επίδρασης, στις μεσάζοντες μεταβλητές, στις background μεταβλητές και στους απαρατήρητους παράγοντες σύγχυσης. Στο δεύτερο κεφάλαιο προτείνεται, ένα πλαίσιο για αιτιώδη συμπερασματολογία, για τους παραγοντικούς σχεδιασμούς δύο στάθμεων. Το πλαίσιο χρησιμοποεί την έννοια των πιθανών εκβάσεων που υπογραμμίζονται στο κεντρικό στάδιο της αιτιώδους συμπερασματολογίας και επεξηγεί αναλυτικά την προσέγγιση του Neyman για εκτίμηση αιτιωδών επιδράσεων καθώς και τους ελέγχους τυχαιοποίησης που βασίζονται στην ισχυρή μηδενική υπόθεση του Fisher. Εξετάζονται διάφορα πειραματικά σχέδια που βοηθούν στον προσδιορισμό του μέσου όρου φυσικών έμμεσων επιδράσεων . Μερικά από αυτά τα σχέδια απαιτούν τον τέλειο χειρισμό μιας μεταβλητής μεσάζονται, ενώ άλλα μπορούν να χρησιμοποιηθούν ακόμα και όταν μόνο ο ατελής χειρισμός είναι δυνατός. Αναπτύσσονται δυναμικά συστήματα επεξεργασίας, που είναι χρονοποίκιλες θεραπείες και εξατομικεύουν τις ακολουθίες θεραπειών στον ασθενή. Η κατασκευή του δυναμικού συστήματος επεξεργασίας είναι προκλητική γιατί ένας ασθενής θα είναι επιλέξιμος για κάποια συστατικά θεραπείας μόνο όταν δεν ανταποκρίνεται (ή ανταποκρίνεται) στα άλλα συστατικά της αγωγής. Τέλος, στο τρίτο κεφάλαιο αναπτύσσεται, μια προσέγγιση στην δημιουργία συμπερασματολογίας αιτιότητας για ενδεχόμενες εκβάσεις. Σε αυτή την προσέγγιση η αιτιώδης επίδραση ορίζεται σαν μια σύγκριση αποτελεσμάτων από δύο ή περισσότερες θεραπείες, με ένα μόνο αποτέλεσμα τελικά να παρατηρείται. Η εφαρμογή αυτής της προσέγγισης αναπτύσσεται σε ένα συλλογικό αριθμό δεδομένων από σχεδιασμούς και προβλήματα συσχετίσεων, κλινικής έρευνας και επιδημιολογίας. |
el |
heal.sponsor |
Up to today, problems that are involved with the notion of causal inference,in various sectors,such as Sociology,Epidemiology and Medicine, have been studied and dogged at the heels of statistics. Correlation doesn't imply causation. This thesis, aims at assisting bene ts from recent advances in causal inference and developing the concept of causality in factorial designs. In the rst chapter, notions of causality are de ned.It emphasizes the paradigmatic shifts that must be undertaken in moving from traditional statistical analysis to causal analysis. Three distinct notions of causality are set out. The importance of appreciating the possibility of e ect modi ers is stressed, by the intermediate variables, background variables or unobserved confounders. In the second chapter, a framework for causal inference from two-level factorial designs is proposed. The framework utilizes the concept of potential outcomes that lies at the center stage of causal inference and extends Neyman's repeated sampling approach for estimation of causal e ects and randomization tests based on Fisher's sharp null hypothesis. Several experimetal designs are considered,that help to identify average natural indirect e ects. Some of these designs require the perfect manipulation of an intermediate variable, whereas others can be used even when only imperfect manipulation is possible.Dynamic treatment regimes are speci ed, which are time-varying treatments that individualize sequences of treatments to the patient. The construction of dynamic treatment regimes is challenging since a patient will be eligible for some treatment components only if he has not responded(or has responded) to other treatment components.Finally, in the third chapter, it is reviewed an approach to making such inferences via potential outcomes. In this approach, the causal e ect is de ned as a comparison of results from two or more alternative treatments, with only one of the results actually observed.The application of this approach is discussed to a number of data collection designs and associated problems commonly encountered in clinical research and epidemiology. |
el |
heal.advisorName |
Κουκουβίνος, Χρήστος |
el |
heal.committeeMemberName |
Κουκουβίνος, Χρήστος |
el |
heal.committeeMemberName |
Βόντα, Ερατώ |
el |
heal.committeeMemberName |
Σπηλιώτης, Ιωάννης |
el |
heal.academicPublisher |
Σχολή Εφαρμοσμένων Μαθηματικών και Φυσικών Επιστημών |
el |
heal.academicPublisherID |
ntua |
|
heal.numberOfPages |
145 σ. |
|
heal.fullTextAvailability |
true |
|