Geri Dön

Statistical and machine learning modelling of suicide rate with respect to provinces in Turkey

Türkiye'deki intihar hızının iller bazında istatistiksel ve makine öğrenmesi modellemesi

PDF İndir

  1. Tez No: 756360
  2. Yazar: SÜLEYMAN ERDOĞAN
  3. Danışmanlar: PROF. DR. ÖZLEM İLK DAĞ
  4. Tez Türü: Yüksek Lisans
  5. Konular: İstatistik, Statistics
  6. Anahtar Kelimeler: Rassal katsayılı modeller, Sabit etki, İntihar, İstatistik, Random coefficients models, Fixed effect, Suicide, Statistics
  7. Yıl: 2022
  8. Dil: İngilizce
  9. Üniversite: Orta Doğu Teknik Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: İstatistik Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Ruhsal sağlığı etkileyen ve kişiyi intihara sürükleyen birçok faktör vardır. Bu çalışma, Türkiye'deki bütün illerdeki intihar oranı ile bağlantılı olabilecek sosyal ve ekonomik faktörleri incelemektedir. Bu olası faktörler, 2012-2019 yıllarını kapsayan 8 yıllık bir dönemde standart uzunlamasına veri modeli metotları ve hibrit model metotları kullanılarak analiz edilmiştir. Standart uzunlamasına veri modelleri; Sabit Etkiler Modeli, Rassal Etkiler Modeli ve Geçiş Modelini kapsamaktayken, hibrit modeller karışık etki regresyon ağacı(MERT) modeli, karışık etki rastgele orman(MERF) modeli ve rassal etki - beklenti maksimizasyonu ağacı(RE-EM Tree) modellerini kapsamaktadır. Modellerin sonucunda, faktörler arasından boşanma ve illerdeki sağlık imkanlarının, illerdeki intihar oranı ile önemli bir ilişkisi olduğu görülmüştür. Bir diğer gözlemlenen sonuçta ise hibrit modellerin, standart uzunlamasına veri modellerinden daha iyi sonuç verdiği gözlemlenmiştir.

Özet (Çeviri)

There are many factors that can affect the individual's mental health and thus lead them to commit suicide. This study, focuses on the social and economic factors that may contribute to the suicide rates in all provinces of Turkey. Possible effects of these factors are studied in an 8 year period between 2012-2019 using standard longitudinal data modelling methods and hybrid modelling methods. Standard longitudinal data models include; fixed effect models, random effect models and transition models whereas hybrid models include Mixed Effect Regression Tree(MERT) models, Mixed Effect Random Forest(MERF) models, Random Effect - Expectation Maximization Trees(RE-EM Tree) models. The overall results suggest that the divorce and healthcare accessibility of the provinces have significant relation with the suicide rates of provinces. Another observed result was the hybrid models overall performed better than the standard longitudinal data models.

Benzer Tezler

  1. Tez No

    637945

    Performance comparison of machine learning methods and traditional time series methods for forecasting

    Geleneksel zaman serisi yöntemleri ve makine öğrenmesi yöntemlerinin öngörü performans karşılaştırması

    OZANCAN ÖZDEMİR

    Yüksek Lisans

    İngilizce

    İngilizce

    2020

    İstatistikOrta Doğu Teknik Üniversitesi

    İstatistik Ana Bilim Dalı

    DOÇ. DR. CEYLAN YOZGATLIGİL

  2. Tez No

    828209

    Makine öğreniminde sıralayıcı ölçekteki verilerin sınıflandırma yöntemleri ile modellenmesi

    Modelling of ordinal scale by classification methods in machine learning

    İLKE GENÇ

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    İstatistikDokuz Eylül Üniversitesi

    İstatistik Ana Bilim Dalı

    DOÇ. DR. ÖZGÜL VUPA ÇİLENGİROĞLU

  3. Tez No

    793621

    Geopolimer betonun yangın dayanımının makine öğrenmesi algoritmaları kullanılarak modellenmesi

    Modelling the fire resistance of geopolymer concrete via machine learning algorithms

    MUHAMMED KAYA

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    İnşaat MühendisliğiIğdır Üniversitesi

    İnşaat Mühendisliği Ana Bilim Dalı

    DOÇ. DR. AHMET EMİN KURTOĞLU

    DR. ÖĞR. ÜYESİ NECİP ALTAY EREN

  4. Tez No

    905193

    The application of machine learning algorithms for credit default prediction within the European regulatory framework

    Avrupa düzenleyici çerçevesi kapsamında kredi temerrüt tahmini için makine öğrenmesi algoritmalarının uygulanması

    PINAR MELİS EREN

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBahçeşehir Üniversitesi

    Büyük Veri Analitiği ve Yönetimi Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ÖZGE YÜCEL KASAP

  5. Tez No

    824796

    Forecasting the performance of shale gas wells using machine learning

    Makine öğrenmesi kullanarak şeyl gaz kuyularının performansının tahmin edilmesi

    MOHAMMED SHEDAIVA

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Petrol ve Doğal Gaz Mühendisliğiİstanbul Teknik Üniversitesi

    Petrol ve Doğal Gaz Mühendisliği Ana Bilim Dalı

    DOÇ. DR. FAZIL EMRE ARTUN

Geri Dön