Sirvi Autor "Uusna, Kristiina" järgi

Nüüd näidatakse 1 - 2 2

Mudelipõhise klasteranalüüsi rakendamine Eesti Haigekassa andmetele
(2020) Uusna, Kristiina; Kuljus, Kristi, juhendaja; Tartu Ülikool. Loodus- ja täppisteaduste valdkond; Tartu Ülikool. Matemaatika ja statistika instituut
Magistritöös analüüsitakse Eesti Haigekassale saadetud raviarvete põhjal moodustatud patsientide ja neile määratud diagnooside andmekogu. Eesmärk on anda ülevaade kvalitatiivsete tunnustega andmetele rakendatud mudelipõhisest klasteranalüüsist. Töös tuuakse välja andmete klasterdamiseks kasutatud segumudeli kuju. Kirjeldatakse ära EM-algoritm, mida rakendatakse mudeli parameetrite hindamiseks. Lisaks antakse ülevaade integreeritud klassifitseerimistõepära (ICL) kriteeriumist, mille abil leitakse sobivaim segumudel klasterdamiseks. Uurimise alla on võetud psüühika- ja käitumishäiretega ning vereringeelundite haigustega patsiendid. Klasteranalüüs viiakse eraldi läbi iga valitud vanusegrupi jaoks. Tulemustest selgub näiteks, et psühhoaktiivsete ainete tarvitamisest tingitud psüühika- ja käitumishäiretega patsientidest enamuse moodustavad mehed. Vereringeelundite haigusi uurides aga selgub, et kõige rohkem on patsiente kõrgvererõhkhaigustega, mida seejuures nooremas eas isikutel (vanuses 20-49) esineb rohkem meestel kui naistel. Samuti on esinenud noorematel meestel südame isheemiatõvesid ligi kaks korda rohkem kui naistel.
Statistilise analüüsi rakendamine Eesti Haigekassa raviarvetele
(2018) Uusna, Kristiina; Laur, Sven, juhendaja; Tartu Ülikool. Matemaatika ja statistika instituut; Tartu Ülikool. Loodus- ja täppisteaduste valdkond
Käesolevas bakalaureusetöös analüüsitakse Eesti Haigekassale saadetud raviarveid. Eesmärk on anda ülevaade regressioonanalüüsist diskreetsete argumentidega. Täpsemalt vaadatakse võtteid, kuidas suurte andmekoguste korral tagada arvutuslik efektiivsus ning kuidas parameetrite rohke mudeli korral anda sellele lihtne visuaalne interpretatsioon. Uuritakse mudeli headuse ja täpsuse näitajaid. Eelkõige pööratakse tähelepanu efekti suurusele ja selle tähtsusele. Olulisuse määramiseks tegeliku keskmise ja mudeli poolt ennustatud keskmise vahel võetakse kasutusele permutatsioonitest ja bootstrap-meetod.