Συλλογές	Ιδρυματικό Αποθετήριο ΟΠΑ / AUEB Institutional Repository Σχολή Επιστημών και Τεχνολογίας της Πληροφορίας / School of Informatics Τμήμα Στατιστικής / Department of Statistics Μεταπτυχιακές Εργασίες / Postgraduate dissertations
Τίτλος	A Bayesian method for constructing networks from binary data with application in schizotypy
Εναλλακτικός τίτλος	Μια Μπεϋζιανή μέθοδος για κατασκευή δικτύων από διωνυμικά δεδομένα με εφαρμογή στην σχιζοτυπία
Δημιουργός	Ρόδης, Νικόλαος, Rodis, Nikolaos
Συντελεστής	Athens University of Economics and Business, Department of Statistics Βασδέκης, Βασίλειος Καρλής, Δημήτριος Ντζούφρας, Ιωάννης
Τύπος	Text
Φυσική περιγραφή	153p.
Γλώσσα	en
Αναγνωριστικό	http://www.pyxida.aueb.gr/index.php?op=view_object&object_id=7877
Περίληψη	Networks have been used in research for many years. Psychology and Psychopathology are two sectors that use networks to describe relations between variables, over the last years. A variety of models, like the Ising model, are used in contemporary psychology in order to identify possible relations between different traits which these are considered as nodes in the implemented network. Edges and their weights indicate the strength of the relation between them. In the majority of cases, psychologists deal with categorical variables. Ising model is one of the most known for this use which deals with binary variables.Bayesian variable selection (BVS) methods are used in this thesis in order to identify which edges must be included or not between the nodes. We make use of Poisson log-linear models for the contingency tables of the binary variables and we model connections via pairwise interactions. By this way we identify which interactions must be included in the model also implying which edges should be present in the network.We estimate the posterior inclusion probability of each interaction and we use it as the weight of the corresponding network edge. We apply BVS methods in SPQ data which is a psychometric tool that aims to identify potential schizotypals, people with schizotypy that have increased probability to develop schizophrenia.The first chapter contains the basic framework for networks and graphical models while we describe psychometric networks and related models in detail. In the second chapter we present the theoretical background of each method we use. GVS and SSVS results of the application are presented in the third chapter while the fourth contains the results from EMVS. In the fifth chapter we discuss a few things about future research in this field and problems that might be tackled in the future. GVS and SSVS implementation gave the same models as most probable while EMVS gave slightly different models. The interesting fact is that in all sub-scales every symptom is connected with every other in the same sub-scales except of two specific symptoms. There is an interesting explanation about that and can be found in the results sections. The network about sub-scales relations showed that not all sub-scales have relations to each other, also, in this case the models from the three methods are similar but not exactly the same. In general, there are symptoms that have great effects in comparison with others and sub-scales that have very strong influence in potential schizotypy than others. Τα δίκτυα έχουν αρχίσει να εισχωρούν στην επιστημονική έρευνα εδώ και αρκετά χρόνια. Τα τελευταία χρόνια όμως όλο και μεγαλώνει το εύρος της εφαρμογής και χρήσης τους. Ένας από τους τομείς εφαρμογής τους τα τελευταία χρόνια είναι η ψυχολογία και η ψυχοπαθολογία. Διάφορα μοντέλα όπως το Ising χρησιμοποιούνται στην σύγχρονη ψυχολογία με σκοπό να αναγνωρίσουν τυχόν σχέσεις μεταξύ διαφόρων συμπτωμάτων τα οποία θεωρούνται ως κόμβοι του δικτύου. Οι ακμές δείχνουν μια σχέση μεταξύ των αντίστοιχων κόμβων και πολλές φορές και την βαρύτητα της σχέσης αυτής. Οι μεταβλητές αυτές στην συγκεκριμένη επιστήμη είναι κατά κύριο λόγο κατηγορικές. Το Ising μοντέλο εφαρμόζεται σε δίτιμες μεταβλητές, όπως και αυτές στις οποίες επικεντρώθηκε η συγκεκριμένη εργασία.Στην παρούσα εργασία εφαρμόζουμε Μπεϋζιανές μεθόδους επιλογής μεταβλητών προκειμένου να αναγνωρίσουμε ποιες ακμές πρέπει να υπάρχουν και ποιες όχι, μεταξύ των διαφόρων κόμβων. Χρησιμοποιήσαμε λογαριθμο-γραμμικά μοντέλα Poisson στα δεδομένα πίνακα συνάφειας που κατασκευάζεται από τις δίτιμες μεταβλητές. Οι μέθοδοι που χρησιμοποιούνται εδώ έχουν σκοπό να βρουν ποιες αλληλεπιδράσεις είναι σημαντικές για να τις λάβουμε υπόψιν μας στο μοντέλο. Οι αλληλεπιδράσεις αυτές εμφανίζονται ως ακμές στο αντίστοιχο ψυχομετρικό δίκτυο.Μέσω των τεχνικών που χρησιμοποιήσαμε εδω,εκτιμούμε τις εκ των υστέρων πιθανότητες εισαγωγής των αλληλεπιδράσεων οι οποίες θα λειτουργήσουν ως βάρη των ακμών του δικτύου υποδεικνύοντας τη σημαντικότητα των αντίστοιχων σχέσεων μεταξύ των μεταβλητών-κόμβων. Η εφαρμογή γίνεται σε δεδομένα από ένα ψυχομετρικό εργαλείο που αφορά την Σχιζοτυπία.Στο πρώτο κεφάλαιο δίνεται μια εισαγωγή στα δίκτυα και στα γραφικά μοντέλα καθώς και πιο συγκεκριμένα στα ψυχομετρικά δίκτυα. Στο δεύτερο κεφάλαιο παρουσιάζεται το θεωρητικό πλαίσιο της κάθε μεθόδου. Το τρίτο κεφάλαιο περιέχει τα αποτελέσματα της εφαρμογής από τις μεθόδους GVS και SSVS , για τον λόγο του ότι έχουν πολλές ομοιότητες ενώ στο τρίτο κεφάλαιο παρουσιάζονται τα αποτελέσματα από την μέθοδο EMVS. Το τέταρτο κεφάλαιο περιέχει επίσης ορισμένα θεωρητικά προβλήματα που αφορούν την συγκεκριμένη μέθοδο και τον τρόπο που αντιμετωπίστηκαν. Το πέμπτο κεφάλαιο αναφέρεται σε μελλοντικές έρευνες που θα μπορούσαν να γίνουν καθώς και προβλήματα που θα μπορούσαν να λυθούν στο μέλλον.Η εφαρμογή έδειξε πως τα πιο πιθανά μοντέλα από τις πρώτες δύο μεθόδους είναι ακριβώς τα ίδια ενώ αυτά από την τελευταία διαφέρουν σε κάποιες αλληλεπιδράσεις. Το πιο ενδιαφέρον αποτέλεσμα είναι ότι κάθε σύμπτωμα συνδέεται με κάθε άλλο στην υπο-κλίμακα που ανήκει εκτός από δύο συγκεκριμένα συμπτώματα. Η εξήγηση γιατί συμβαίνει αυτό σε αυτά τα δύο συμπτώματα είναι πολύ ενδιαφέρον και μπορεί να βρεθεί αναλυτικά στην ενότητα των αποτελεσμάτων. Τα δίκτυα σχετικά με τις ενώσεις των υποκλιμάκων έδειξαν πως δεν συνδέονται όλες οι υπο-κλίμακες μεταξύ τους, ακόμη, κάθε μέθοδος έδωσε ελαφρώς διαφορετικό μοντέλο. Γενικά, υπάρχουν συμπτώματα που έχουν πολύ μεγάλη επιρροή σε μια υπο-κλίμακα σε σχέση με άλλα και υπο-κλίμακες που σχετίζονται πολύ έντονα με την εμφάνιση σχιζοτυπίας σε σχέση με άλλες.
Λέξη κλειδί	Ψυχομετρία Διωνυμικά δεδομένα Μπεϋζιανή επιλογή μεταβλητών Δίκτυα Σχιζοτυπία Bayesian variable selection Networks Psychometrics Binary data Schizotypy Markov Chain Monte Carlo (MCMC)
Διαθέσιμο από	2020-07-07 10:33:39
Ημερομηνία έκδοσης	02-07-2020
Ημερομηνία κατάθεσης	2020-07-07 10:33:39
Δικαιώματα χρήσης	Free access
Άδεια χρήσης	https://creativecommons.org/licenses/by/4.0/