Geleneksel ve makine öğrenmesi yöntemleri ile cox regresyon modeli için imputasyon
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Hacettepe Üniversitesi, Fen Bilimleri Enstitüsü, İSTATİSTİK ANABİLİM DALI, Türkiye
Tezin Onay Tarihi: 2026
Tezin Dili: Türkçe
Öğrenci: EZGİ İPLİKÇİ
Danışman: DURU KARASOY
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Veri toplama, ölçüm ve kayıt süreçlerindeki çeşitli aksaklıklar nedeniyle istatistiksel analizlerde kayıp gözlemlerle karşılaşılması sık karşılaşılan bir sorundur. Kayıp gözlemlerin olduğu verilerin analizinde, kayıp veri mekanizmaları ile desenlerine ilişkin değerlendirmeler belirleyici bir rol oynamaktadır. Bu kapsamda, kayıp veri tahmini amacıyla geliştirilmiş geleneksel ve makine öğrenmesine dayalı yöntemler literatürde yaygın olarak kullanılmaktadır. Ancak yaşam çözümlemesi verileri, olay süresi ve olay göstergesi değişkenlerini de içermesi nedeniyle diğer veri türlerinden farklı bir yapıya sahiptir. Bu durum, kayıp veri tahmininde kullanılacak imputasyon yöntemlerinin, yaşam çözümlemesi verilerinin özgün yapısını dikkate alacak şekilde uygulanmasını gerektirmektedir. Bu çalışmada R programıyla kayıp verisi olmayan (tam) meme kanseri veri setindeki açıklayıcı değişkende ve yaşam çözümlemesi verilerinde yer alan olay süresi ve olay göstergesi değişkenlerinde ayrı ayrı olmak üzere rastgele kayıp (missing at random – MAR) ve tamamen rastgele kayıp (missing completely at random – MCAR) mekanizmaları altında kayıp veri oluşturulmuştur. Bu veri setine hem geleneksel hem de makine öğrenmesine dayalı imputasyon yöntemleri uygulanmıştır. Bu veri seti için elde edilen sonuçlar, tam veri setiyle elde edilen sonuçlarla karşılaştırılarak, gözlem değeri ve Cox regresyon modeli sonuçlarıyla en uyumlu yöntemler ortaya koyulmuştur. Bu çalışma ile birlikte seçilecek imputasyon yöntemi üzerinde kayıp verinin bulunduğu değişkenin, kayıp veri oranının ve kayıp veri mekanizmasının önem taşıdığı sonucu elde edilmiştir. Yaş ve tümör çapı değişkenleri ele alındığında MAR mekanizmasının MCAR mekanizmasına göre daha hassas sonuçlar ortaya çıkardığı esas modele uyumlu tam koşullu belirtme (substantive-model compatible fully conditional specification – SMC - FCS) yönteminin daha iyi sonuçlar veridiği görülmüştür. Olay göstergesinde kayıp veri olması durumunda MCAR mekanizmasında daha basit imputasyon yöntemleri yeterli olurken, MAR mekanizmasında daha karmaşık imputasyon yöntemlerinin gerekliliği ortaya çıkmıştır. Kayıp veri oranı arttıkça kategorik değişkenlerin duyarlı hale geldiği sonucu elde edilmiştir. Olay süresi için ise kayıp veri mekanizmasının türünün önem taşıdığı özelikle kategorik değişkenlerin Cox regresyon model tahmin değerleri üzerinde etkili olduğu sonucu elde edilmiştir.