Visualizing large epidemiological data sets using depth and density
Year: 2007
Type: dissertation
Abstract: Tämän tutkielman aiheena ovat suurten epidemiologisten aineistojen visualisointi. Epidemiologiassa suuri otoskoko on edellytys erityisesti tutkittaessa harvinaisen tapahtuman esiintymistä populaatiossa. Lisäksi suuria epidemiologisia aineistoja syntyy laajoissa pitkittäistutkimuksissa sekä kansallisen terveydenhuollon ja viranomaisten keräämänä. Suurten aineistojen käsittelyn tehokkuutta on nostanut viimeisen vuosikymmenen aikana tapahtunut tietokonetekniikan kehitys, joka on avannut uusia mahdollisuuksia tilastotieteellisen data-analyysin alueella. Suurten aineistojen visualisointia varten on kehitetty omia menetelmiä, sillä tavalliset graafiset menetelmät eivät välttämättä ole tehokkaita. Tässä tutkielmassa suuri aineisto on määritelty kahden suurille aineistoille tyypillisten ominaisuuden perusteella: Aineisto on suuri, jos aineiston prosessointiaika on pitkä tai aineistoa kuvatessa suurin osa pisteistä sijoittuu päällekkäin tai hyvin lähelle toisiaan. Tässä työssä suurten aineistojen visualisointia käsitellään näiden kahden ongelman näkökulmasta. Suurien aineistojen käsittely on rajattu kahden jatkuvan muuttujan tapaukseen. Lisäksi tarkastellaan aineistoja, joissa on kahden jatkuvan muuttujan lisäksi yksi tai kaksi luokittelumuuttujaa. Suurten aineistojen visualisointia käsitellään aineiston syvyyden (data depth) ja tiheyden käsitteisiin perustuvien menetelmien avulla. Molempien lähestymistapojen perustana on aineiston yhdistäminen ryhmiksi, jotka kuvataan yksittäisten havaintojen sijasta päällekkäisten havaintojen ongelman poistamiseksi. Syvyysmenetelmät määrittelevät jokaiselle havainnolle syvyysarvon ja visualisoivat ryhmät, jotka muodostetaan syvyysarvojen perusteella. Tutkituin syvyysmenetelmä on pussikuvio (the bagplot), jonka muunnelma, ryhmäpussikuvio (the grouped bagplot), esitetään tässä työssä. Tiheysmenetelmät taas jakavat kaksiulotteisen tason osiin ja tarkastelevat havaintojen määrää erikseen jokaisessa osassa. Tiheysmenetelmät ovat tunnetumpia ja käytetympiä kuin syvyysmenetelmät, joten tässä tutkielmassa painotus on syvyysmenetelmissä. Graafisia menetelmiä sovelletaan käytännössä MORGAM-projektin aineistoihin. MORGAM-projekti on suuri kansainvälinen sydän- ja verisuonitautien ja geneettisten riskitekijöiden seurantatutkimus. Menetelmien vertailussa käytetään interaktiivista verkkosovellusta, joka kehitettiin osana tätä tutkielmaa työkaluksi MORGAM:in tutkijoille. Sovelluksen käyttäjä valitsee analysoitavan aineiston ja graafiset menetelmät, jonka jälkeen sovellus muodostaa kuvat. Vertailtaessa syvyys- ja tiheysmenetelmiä toisiinsa huomataan, että aineiston monihuippuisuuden havaitseminen onnistuu ainoastaan tiheysmenetelmiltä. Tämä johtuu siitä, että syvyyden käsitteeseen liittyy oletus aineiston yksihuippuisuudesta. Toisaalta, syvyysmenetelmät ovat tehokkaampia ryhmien vertailussa. Lisäksi vertailtaessa menetelmien prosessointiaikoja huomataan, että tiheysmenetelmien prosessointiajat ovat lyhyempiä.
Source: Työväentutkimus Vuosikirja
Author: Jukka Kontto
Language: English
Field: Computer Science
Domain: Physical Sciences
Open Access status: green
OpenAlex ID: W659248974
