Yazar "Cengiz, Mehmet Ali" seçeneğine göre listele

Listeleniyor 1 - 2 / 2
  • Küçük Resim
    Öğe
    Bayesci genelleştirilmiş lineer karma modellerde önsel seçimleri ve karşılaştırılması
    (Süleyman Demirel Üniversitesi, 2017) Öztürk, Zeynep; Cengiz, Mehmet Ali
    Parametre tahmininde ve model seçiminde uzman görüşlerin modele katılmasını öngören Bayesci yaklaşımda en önemli nokta parametreler hakkında önsel bilgi seçimi ve kullanımıdır. Bu nedenle, bu çalışmada, önsel dağılımların seçimleri tanıtılmış, genelleştirilmiş lineer karma modeller için farklı önseller ile elde edilen modeller hem parametre tahmini hem de model uyumu anlamında karşılaştırılmıştır. Akciğer kanseri hastalarının yaşam kaliteleri ve aldıkları tedavinin çıktılarını ölçmek amacıyla yapılan bir çalışmaya ait gerçek bir veri kullanılmıştır. SAS 9.3 programında Markov Zinciri Monte Carlo algoritması ile elde edilen parametre tahminleri bulunmuş ve modeller kurulmuştur. Farklı önsel seçimleri ile Sapma Bilgi kriteri (DIC) ne göre en iyi model bilgilendirici önsel dağılım ile elde edilen model olmuştur.
  • Küçük Resim
    Öğe
    Comparisons of markov chain monte carlo convergence diagnostic tests for bayesian logistic random effect models
    (IJSK, 2016) Öztürk, Zeynep; Cengiz, Mehmet Ali
    In mixed models, posterior densities are too difficult to work with directly. With the Markov chain Monte Carlo (MCMC) methods, to do statistical inference requires the convergence of the MCMC chain to its stationary distribution. To assess convergence of Markov chain has not a specific way. Assessing convergence of Markov chain has been developed many techniques. Although increasingly popularity MCMC methods, use of MCMC convergence diagnostics is not still common. Usually, the most MCMC users address the convergence problem by applying a diagnostic means by running their samplers. That’s why in this article we discuss the problem of assessing the performance of MCMC algorithms. We compare convergence diagnostic tests to achieve target distribution. Bayesian logistic random effects models are intended to be interpreted with emphasis on mathematical expansions under these techniques. We have used a real data that wants to know what patient and physician factors are most related to whether a patient's lung cancer goes into remission after treatment outcomes and quality of life in patients with lung cancer. Our results show that convergence needs to enough time and experience.