Puuttuvan tiedon käsittely aivosähkökäyrämittauksissa

Aivosähkökäyrämittaukset ovat tyypillisesti hyvin työläitä ja pitkäkestoisia. Näiden seikkojen johdosta otoskoot ovat usein pieniä. Lisäksi osa koehenkilöistä päätyy lopettamaan mittaukset kesken, tai ei jaksa keskittyä annetun ohjeistuksen mukaisesti. Näin ollen valmiiksi hyvin rajalliseen aineisto...

Full description

Bibliographic Details
Main Author: Era, Lauri
Other Authors: Matemaattis-luonnontieteellinen tiedekunta, Faculty of Sciences, Matematiikan ja tilastotieteen laitos, Department of Mathematics and Statistics, University of Jyväskylä, Jyväskylän yliopisto
Format: Master's thesis
Language:fin
Published: 2016
Subjects:
Online Access: https://jyx.jyu.fi/handle/123456789/53224
_version_ 1828193109842853888
author Era, Lauri
author2 Matemaattis-luonnontieteellinen tiedekunta Faculty of Sciences Matematiikan ja tilastotieteen laitos Department of Mathematics and Statistics University of Jyväskylä Jyväskylän yliopisto
author_facet Era, Lauri Matemaattis-luonnontieteellinen tiedekunta Faculty of Sciences Matematiikan ja tilastotieteen laitos Department of Mathematics and Statistics University of Jyväskylä Jyväskylän yliopisto Era, Lauri Matemaattis-luonnontieteellinen tiedekunta Faculty of Sciences Matematiikan ja tilastotieteen laitos Department of Mathematics and Statistics University of Jyväskylä Jyväskylän yliopisto
author_sort Era, Lauri
datasource_str_mv jyx
description Aivosähkökäyrämittaukset ovat tyypillisesti hyvin työläitä ja pitkäkestoisia. Näiden seikkojen johdosta otoskoot ovat usein pieniä. Lisäksi osa koehenkilöistä päätyy lopettamaan mittaukset kesken, tai ei jaksa keskittyä annetun ohjeistuksen mukaisesti. Näin ollen valmiiksi hyvin rajalliseen aineistoon syntyy puuttuvuutta siten, että tietyt osakokeet jäävät kokonaan mittaamatta joidenkin henkilöiden osalta. Aineistossa ilmenevä puuttuvuus on käsitelty aivojenkuvantamismittauksissa tavanomaisesti siten, että analyysiin otetaan mukaan vain niitä koehenkilöitä koskevat mittaukset, joilta ei puutu lainkaan tietoa. Tätä menetelmää kutsutaan täydellisten havaintorivien analyysiksi. Tällainen analyysi tuottaa harhattomia tuloksia vain siinä tilanteessa, että puuttuvuus on täysin satunnaista. Lisäksi päädytään haaskaamaan tehdyt mittaukset niiltä henkilöiltä, joilta jokin osakoe puuttuu. Moni-imputointi on yleinen tapa käsitellä puuttuvuutta. Siinä jokainen puuttuva havainto korvataan joko mallin mukaisesta jakaumasta simuloidulla arvolla tai jollain havaitulla arvolla. Tässä työssä on valittu, että korvaavat arvot ovat havaittuja arvoja. Koehenkilöä, jonka arvoa käytetään korvaavana havaintona, kutsutaan luovuttajaksi. Työn ensimmäinen lähestymistapa luovuttajan valitsemiseen on mallipohjainen, jossa haetaan uskottavaa havaintoa puuttuvan tilalle mallintamalla puuttuvuutta sisältävä muuttuja. Käytettäessä mallipohjaista moni-imputointia saadaan harhattomia tuloksia myös satunnaisen puuttuvuuden tilanteessa, jolloin oletusta puuttuvuuden täydestä satunnaisuudesta ei tarvita. Toinen lähestymistapa on korvaavien arvojen valitseminen satunnaisesti. Tällöin vaaditaan edelleen oletus puuttuvuuden täydestä satunnaisuudesta, mutta tietoa ei jouduta haaskaamaan. Aivosähkökäyrämittauksissa saadaan jokaiselle koehenkilölle kuhunkin eri koetilanteeseen liittyvä aikasarja jokaisesta mittaukseen käytetystä elektrodista. Mittauksista lasketaan vakiintuneita tunnuslukuja, joilla kuvataan koehenkilön reaktion voimakkuutta annettuun ärsykkeeseen. Moni-imputoinnissa voidaankin käyttää näitä tunnuslukuja korvaavan arvon valitsemiseen. Valittaessa aivosähkökäyrämittausten yhden aikasarjan eri tunnusluvuille korvaavat arvot kerralla samalta luovuttajalta voidaan ajatella, että imputoidaan kokonainen aikasarja. Tällöin voitaisiin puuttuvuuden käsittelyä seuraavissa analyysin vaiheissa hyödyntää valitun luovuttajan koko aikasarjaa. Tässä työssä menetelmien välisen paremmuuden mittaamiseen käytetyt mittarit ovat estimaattoreiden estimoitu ja havaittu keskivirhe sekä havaittu harha. Katsottaessa kahta eri valittua tapaa tehdä moni-imputointia sekä täydellisten havaintorivien analyysia nähdään, että näiden menetelmien paremmuusjärjestys riippuu tilanteesta. Kun havaintoja puuttuu vain vähän, mallipohjainen moni-imputointi ei eroa tarkastelluilla mittareilla muista menetelmistä, mutta sen soveltamiseksi vaaditaan lievemmät oletukset. Puuttuvan tiedon osuuden kasvaessa suureksi satunnaisesti valittujen luovuttajien moni-imputointimenetelmä nousi tarkasteltujen mittareiden valossa parhaimmaksi. Käsitellyt estimaattorit ovat aikasarjojen tunnusluvuille. Alkuperäisten aikasarjojen käyttö moni-imputointia seuraavissa analyysin vaiheissa onkin merkittävin jatkokehityssuunta.
first_indexed 2024-09-11T08:52:43Z
format Pro gradu
free_online_boolean 1
fullrecord [{"key": "dc.contributor.author", "value": "Era, Lauri", "language": null, "element": "contributor", "qualifier": "author", "schema": "dc"}, {"key": "dc.date.accessioned", "value": "2017-03-09T06:13:53Z", "language": "", "element": "date", "qualifier": "accessioned", "schema": "dc"}, {"key": "dc.date.available", "value": "2017-03-09T06:13:53Z", "language": "", "element": "date", "qualifier": "available", "schema": "dc"}, {"key": "dc.date.issued", "value": "2016", "language": null, "element": "date", "qualifier": "issued", "schema": "dc"}, {"key": "dc.identifier.other", "value": "oai:jykdok.linneanet.fi:1675237", "language": null, "element": "identifier", "qualifier": "other", "schema": "dc"}, {"key": "dc.identifier.uri", "value": "https://jyx.jyu.fi/handle/123456789/53224", "language": "", "element": "identifier", "qualifier": "uri", "schema": "dc"}, {"key": "dc.description.abstract", "value": "Aivos\u00e4hk\u00f6k\u00e4yr\u00e4mittaukset ovat tyypillisesti hyvin ty\u00f6l\u00e4it\u00e4 ja pitk\u00e4kestoisia. N\u00e4iden seikkojen johdosta otoskoot ovat usein pieni\u00e4. Lis\u00e4ksi osa koehenkil\u00f6ist\u00e4 p\u00e4\u00e4tyy lopettamaan mittaukset kesken, tai ei jaksa keskitty\u00e4 annetun ohjeistuksen mukaisesti. N\u00e4in ollen valmiiksi hyvin rajalliseen aineistoon syntyy puuttuvuutta siten, ett\u00e4 tietyt osakokeet j\u00e4\u00e4v\u00e4t kokonaan mittaamatta joidenkin henkil\u00f6iden\r\nosalta.\r\nAineistossa ilmenev\u00e4 puuttuvuus on k\u00e4sitelty aivojenkuvantamismittauksissa tavanomaisesti siten, ett\u00e4 analyysiin otetaan mukaan vain niit\u00e4 koehenkil\u00f6it\u00e4 koskevat mittaukset, joilta ei puutu lainkaan tietoa. T\u00e4t\u00e4 menetelm\u00e4\u00e4 kutsutaan t\u00e4ydellisten havaintorivien analyysiksi. T\u00e4llainen analyysi tuottaa harhattomia tuloksia vain siin\u00e4 tilanteessa, ett\u00e4 puuttuvuus on t\u00e4ysin satunnaista. Lis\u00e4ksi p\u00e4\u00e4dyt\u00e4\u00e4n haaskaamaan tehdyt mittaukset niilt\u00e4 henkil\u00f6ilt\u00e4, joilta jokin osakoe puuttuu.\r\nMoni-imputointi on yleinen tapa k\u00e4sitell\u00e4 puuttuvuutta. Siin\u00e4 jokainen puuttuva havainto korvataan joko mallin mukaisesta jakaumasta simuloidulla arvolla tai jollain havaitulla arvolla. T\u00e4ss\u00e4 ty\u00f6ss\u00e4 on valittu, ett\u00e4 korvaavat arvot ovat havaittuja arvoja. Koehenkil\u00f6\u00e4, jonka arvoa k\u00e4ytet\u00e4\u00e4n korvaavana havaintona, kutsutaan luovuttajaksi. Ty\u00f6n ensimm\u00e4inen l\u00e4hestymistapa luovuttajan valitsemiseen on mallipohjainen, jossa haetaan uskottavaa havaintoa puuttuvan tilalle mallintamalla puuttuvuutta sis\u00e4lt\u00e4v\u00e4 muuttuja. K\u00e4ytett\u00e4ess\u00e4 mallipohjaista moni-imputointia saadaan harhattomia tuloksia my\u00f6s satunnaisen puuttuvuuden tilanteessa, jolloin oletusta puuttuvuuden t\u00e4ydest\u00e4 satunnaisuudesta ei tarvita. Toinen l\u00e4hestymistapa on korvaavien arvojen valitseminen satunnaisesti. T\u00e4ll\u00f6in vaaditaan edelleen oletus puuttuvuuden t\u00e4ydest\u00e4 satunnaisuudesta, mutta tietoa ei jouduta haaskaamaan.\r\nAivos\u00e4hk\u00f6k\u00e4yr\u00e4mittauksissa saadaan jokaiselle koehenkil\u00f6lle kuhunkin eri koetilanteeseen liittyv\u00e4 aikasarja jokaisesta mittaukseen k\u00e4ytetyst\u00e4 elektrodista. Mittauksista lasketaan vakiintuneita tunnuslukuja, joilla kuvataan koehenkil\u00f6n reaktion voimakkuutta annettuun \u00e4rsykkeeseen. Moni-imputoinnissa voidaankin k\u00e4ytt\u00e4\u00e4 n\u00e4it\u00e4 tunnuslukuja korvaavan arvon valitsemiseen. Valittaessa aivos\u00e4hk\u00f6k\u00e4yr\u00e4mittausten yhden aikasarjan eri tunnusluvuille korvaavat arvot kerralla samalta luovuttajalta voidaan ajatella, ett\u00e4 imputoidaan kokonainen aikasarja. T\u00e4ll\u00f6in voitaisiin puuttuvuuden k\u00e4sittely\u00e4 seuraavissa analyysin vaiheissa hy\u00f6dynt\u00e4\u00e4 valitun luovuttajan koko aikasarjaa.\r\nT\u00e4ss\u00e4 ty\u00f6ss\u00e4 menetelmien v\u00e4lisen paremmuuden mittaamiseen k\u00e4ytetyt mittarit ovat estimaattoreiden estimoitu ja havaittu keskivirhe sek\u00e4 havaittu harha. Katsottaessa kahta eri valittua tapaa tehd\u00e4 moni-imputointia sek\u00e4 t\u00e4ydellisten havaintorivien analyysia n\u00e4hd\u00e4\u00e4n, ett\u00e4 n\u00e4iden menetelmien paremmuusj\u00e4rjestys riippuu tilanteesta. Kun havaintoja puuttuu vain v\u00e4h\u00e4n, mallipohjainen moni-imputointi ei eroa tarkastelluilla mittareilla muista menetelmist\u00e4, mutta sen soveltamiseksi vaaditaan lievemm\u00e4t oletukset. Puuttuvan tiedon osuuden kasvaessa suureksi satunnaisesti valittujen luovuttajien moni-imputointimenetelm\u00e4 nousi tarkasteltujen mittareiden valossa parhaimmaksi. K\u00e4sitellyt estimaattorit ovat aikasarjojen tunnusluvuille. Alkuper\u00e4isten aikasarjojen k\u00e4ytt\u00f6 moni-imputointia seuraavissa analyysin vaiheissa onkin merkitt\u00e4vin jatkokehityssuunta.", "language": "fi", "element": "description", "qualifier": "abstract", "schema": "dc"}, {"key": "dc.description.provenance", "value": "Submitted using Plone Publishing form by Miia Hakanen (mihakane) on 2017-03-09 05:58:25.267435. Form: Admin-lomake opinn\u00e4ytteiden julkaisuun (https://kirjasto.jyu.fi/julkaisut/julkaisulomakkeet/admin-lomake-opinnaytteet). JyX data: [jyx_publishing-allowed (fi) =True]", "language": "en", "element": "description", "qualifier": "provenance", "schema": "dc"}, {"key": "dc.description.provenance", "value": "Submitted by jyx lomake-julkaisija (jyx-julkaisija.group@korppi.jyu.fi) on 2017-03-09T06:13:53Z\r\nNo. of bitstreams: 2\r\nURN:NBN:fi:jyu-201703091604.pdf: 1933797 bytes, checksum: 284d82449b5fe18c6a365ce6bfc39918 (MD5)\r\nlicense.html: 107 bytes, checksum: a7d86e598caa500b1b433bbb9dc8ef1c (MD5)", "language": "en", "element": "description", "qualifier": "provenance", "schema": "dc"}, {"key": "dc.description.provenance", "value": "Made available in DSpace on 2017-03-09T06:13:53Z (GMT). No. of bitstreams: 2\r\nURN:NBN:fi:jyu-201703091604.pdf: 1933797 bytes, checksum: 284d82449b5fe18c6a365ce6bfc39918 (MD5)\r\nlicense.html: 107 bytes, checksum: a7d86e598caa500b1b433bbb9dc8ef1c (MD5)\r\n Previous issue date: 2016", "language": "en", "element": "description", "qualifier": "provenance", "schema": "dc"}, {"key": "dc.format.extent", "value": "1 verkkoaineisto (49 sivua)", "language": null, "element": "format", "qualifier": "extent", "schema": "dc"}, {"key": "dc.format.mimetype", "value": "application/pdf", "language": null, "element": "format", "qualifier": "mimetype", "schema": "dc"}, {"key": "dc.language.iso", "value": "fin", "language": null, "element": "language", "qualifier": "iso", "schema": "dc"}, {"key": "dc.rights", "value": "In Copyright", "language": "en", "element": "rights", "qualifier": null, "schema": "dc"}, {"key": "dc.subject.other", "value": "ERP", "language": null, "element": "subject", "qualifier": "other", "schema": "dc"}, {"key": "dc.subject.other", "value": "Baeys-bootstrap", "language": null, "element": "subject", "qualifier": "other", "schema": "dc"}, {"key": "dc.subject.other", "value": "hot deck", "language": null, "element": "subject", "qualifier": "other", "schema": "dc"}, {"key": "dc.subject.other", "value": "jackknife", "language": null, "element": "subject", "qualifier": "other", "schema": "dc"}, {"key": "dc.subject.other", "value": "puuttuva tieto", "language": null, "element": "subject", "qualifier": "other", "schema": "dc"}, {"key": "dc.title", "value": "Puuttuvan tiedon k\u00e4sittely aivos\u00e4hk\u00f6k\u00e4yr\u00e4mittauksissa", "language": null, "element": "title", "qualifier": null, "schema": "dc"}, {"key": "dc.type", "value": "master thesis", "language": null, "element": "type", "qualifier": null, "schema": "dc"}, {"key": "dc.identifier.urn", "value": "URN:NBN:fi:jyu-201703091604", "language": null, "element": "identifier", "qualifier": "urn", "schema": "dc"}, {"key": "dc.type.ontasot", "value": "Pro gradu -tutkielma", "language": "fi", "element": "type", "qualifier": "ontasot", "schema": "dc"}, {"key": "dc.type.ontasot", "value": "Master\u2019s thesis", "language": "en", "element": "type", "qualifier": "ontasot", "schema": "dc"}, {"key": "dc.contributor.faculty", "value": "Matemaattis-luonnontieteellinen tiedekunta", "language": "fi", "element": "contributor", "qualifier": "faculty", "schema": "dc"}, {"key": "dc.contributor.faculty", "value": "Faculty of Sciences", "language": "en", "element": "contributor", "qualifier": "faculty", "schema": "dc"}, {"key": "dc.contributor.department", "value": "Matematiikan ja tilastotieteen laitos", "language": "fi", "element": "contributor", "qualifier": "department", "schema": "dc"}, {"key": "dc.contributor.department", "value": "Department of Mathematics and Statistics", "language": "en", "element": "contributor", "qualifier": "department", "schema": "dc"}, {"key": "dc.contributor.organization", "value": "University of Jyv\u00e4skyl\u00e4", "language": "en", "element": "contributor", "qualifier": "organization", "schema": "dc"}, {"key": "dc.contributor.organization", "value": "Jyv\u00e4skyl\u00e4n yliopisto", "language": "fi", "element": "contributor", "qualifier": "organization", "schema": "dc"}, {"key": "dc.subject.discipline", "value": "Tilastotiede", "language": "fi", "element": "subject", "qualifier": "discipline", "schema": "dc"}, {"key": "dc.subject.discipline", "value": "Statistics", "language": "en", "element": "subject", "qualifier": "discipline", "schema": "dc"}, {"key": "dc.date.updated", "value": "2017-03-09T06:13:53Z", "language": "", "element": "date", "qualifier": "updated", "schema": "dc"}, {"key": "yvv.contractresearch.funding", "value": "0", "language": "", "element": "contractresearch", "qualifier": "funding", "schema": "yvv"}, {"key": "dc.type.coar", "value": "http://purl.org/coar/resource_type/c_bdcc", "language": null, "element": "type", "qualifier": "coar", "schema": "dc"}, {"key": "dc.rights.accesslevel", "value": "openAccess", "language": "fi", "element": "rights", "qualifier": "accesslevel", "schema": "dc"}, {"key": "dc.type.publication", "value": "masterThesis", "language": null, "element": "type", "qualifier": "publication", "schema": "dc"}, {"key": "dc.subject.oppiainekoodi", "value": "4043", "language": null, "element": "subject", "qualifier": "oppiainekoodi", "schema": "dc"}, {"key": "dc.subject.yso", "value": "EEG", "language": null, "element": "subject", "qualifier": "yso", "schema": "dc"}, {"key": "dc.subject.yso", "value": "imputointi", "language": null, "element": "subject", "qualifier": "yso", "schema": "dc"}, {"key": "dc.subject.yso", "value": "bayesilainen menetelm\u00e4", "language": null, "element": "subject", "qualifier": "yso", "schema": "dc"}, {"key": "dc.subject.yso", "value": "tilastomenetelm\u00e4t", "language": null, "element": "subject", "qualifier": "yso", "schema": "dc"}, {"key": "dc.format.content", "value": "fulltext", "language": null, "element": "format", "qualifier": "content", "schema": "dc"}, {"key": "dc.rights.url", "value": "https://rightsstatements.org/page/InC/1.0/", "language": null, "element": "rights", "qualifier": "url", "schema": "dc"}, {"key": "dc.type.okm", "value": "G2", "language": null, "element": "type", "qualifier": "okm", "schema": "dc"}]
id jyx.123456789_53224
language fin
last_indexed 2025-03-31T20:03:32Z
main_date 2016-01-01T00:00:00Z
main_date_str 2016
online_boolean 1
online_urls_str_mv {"url":"https:\/\/jyx.jyu.fi\/bitstreams\/01e7b456-5d30-4c98-950c-444dbb5edcdd\/download","text":"URN:NBN:fi:jyu-201703091604.pdf","source":"jyx","mediaType":"application\/pdf"}
publishDate 2016
record_format qdc
source_str_mv jyx
spellingShingle Era, Lauri Puuttuvan tiedon käsittely aivosähkökäyrämittauksissa ERP Baeys-bootstrap hot deck jackknife puuttuva tieto Tilastotiede Statistics 4043 EEG imputointi bayesilainen menetelmä tilastomenetelmät
title Puuttuvan tiedon käsittely aivosähkökäyrämittauksissa
title_full Puuttuvan tiedon käsittely aivosähkökäyrämittauksissa
title_fullStr Puuttuvan tiedon käsittely aivosähkökäyrämittauksissa Puuttuvan tiedon käsittely aivosähkökäyrämittauksissa
title_full_unstemmed Puuttuvan tiedon käsittely aivosähkökäyrämittauksissa Puuttuvan tiedon käsittely aivosähkökäyrämittauksissa
title_short Puuttuvan tiedon käsittely aivosähkökäyrämittauksissa
title_sort puuttuvan tiedon käsittely aivosähkökäyrämittauksissa
title_txtP Puuttuvan tiedon käsittely aivosähkökäyrämittauksissa
topic ERP Baeys-bootstrap hot deck jackknife puuttuva tieto Tilastotiede Statistics 4043 EEG imputointi bayesilainen menetelmä tilastomenetelmät
topic_facet 4043 Baeys-bootstrap EEG ERP Statistics Tilastotiede bayesilainen menetelmä hot deck imputointi jackknife puuttuva tieto tilastomenetelmät
url https://jyx.jyu.fi/handle/123456789/53224 http://www.urn.fi/URN:NBN:fi:jyu-201703091604
work_keys_str_mv AT eralauri puuttuvantiedonkäsittelyaivosähkökäyrämittauksissa