Bayesilaisia menetelmiä aikariippuvan datan analyysiin
Väitöstilaisuuden tiedot
Väitöstilaisuuden päivämäärä ja aika
Väitöstilaisuuden paikka
Sali L2, Linnanmaan kampus
Väitöksen aihe
Bayesilaisia menetelmiä aikariippuvan datan analyysiin
Väittelijä
Filosofian maisteri Olli Sarala
Tiedekunta ja yksikkö
Oulun yliopiston tutkijakoulu, Luonnontieteellinen tiedekunta, Matemaattisten tieteiden tutkimusyksikkö
Oppiaine
Tilastotiede
Vastaväittäjä
Professori Arto Klami, Helsingin yliopisto
Toinen vastaväittäjä
Apulaisprofessori Henri Pesonen, Tampereen yliopisto
Kustos
Professori Mikko J. Sillanpää, Oulun yliopisto
Uusia bayesilaisen tilastotieteen menetelmiä aikariippuvan havaintoaineiston analyysiin
Useissa havaintoaineistoissa esiintyy riippuvuuksia, joita voidaan käsitellä aikasarjoina. Aikasarja koostuu tyypillisesti peräkkäisissä aikapisteissä yksilöltä tai kohteelta tehdyistä havainnoista tai mittauksista. Täten havaintoaineistoon syntyy luonnollinen aikariippuvuusrakenne, jossa tulevilla aikapisteillä mitatut arvot riippuvat mahdollisesti muuttujan edellisistä arvoista. Tämä asettaa haasteita aineiston analyysiin, sillä mahdollisten huomioitavien riippuvuuksien määrä kasvaa merkittävästi verrattuna toisistaan riippumattomiin havaintoihin. Aikasarja-analyysiin on useita malleja, joiden valintaan ja parametrien estimointiin on kehitetty laajasti menetelmiä.
Väitöskirjatyössä esitetään kolme bayesilaiseen tilastotieteeseen perustuvaa menetelmää aikariippuvan havaintoaineiston analysointiin. Nämä ovat Gaussin sekoitejakaumamalliin pohjautuva aikasarjojen klusterointi, ei-negatiivinen matriisihajotelma sekä dynaamisen Gaussin graafisen malliin perustuva verkkojen estimointi harvan osittaiskorrelaatiograafiketjun avulla. Menetelmien yhdistävä tekijä on aineiston aikariippuvuuden mallintaminen priori-jakaumien tasolla satunnaiskävelyyn pohjautuvalla silotuksella, jolloin havaintoja voidaan käsitellä toisistaan ehdollisesti riippumattomina otoksina. Menetelmien toimivuutta on esitelty muun muassa biologian ja materiaalitieteen esimerkkiaineistoilla.
Väitöskirjatyössä esitetään kolme bayesilaiseen tilastotieteeseen perustuvaa menetelmää aikariippuvan havaintoaineiston analysointiin. Nämä ovat Gaussin sekoitejakaumamalliin pohjautuva aikasarjojen klusterointi, ei-negatiivinen matriisihajotelma sekä dynaamisen Gaussin graafisen malliin perustuva verkkojen estimointi harvan osittaiskorrelaatiograafiketjun avulla. Menetelmien yhdistävä tekijä on aineiston aikariippuvuuden mallintaminen priori-jakaumien tasolla satunnaiskävelyyn pohjautuvalla silotuksella, jolloin havaintoja voidaan käsitellä toisistaan ehdollisesti riippumattomina otoksina. Menetelmien toimivuutta on esitelty muun muassa biologian ja materiaalitieteen esimerkkiaineistoilla.
Luotu 17.11.2026 | Muokattu 18.11.2026