Tanı Koyma Amaçlı Yapılan Tıbbi Çalışmalarda Jacknife, Bootstrap ve Çapraz Geçerlilik Yöntemlerinin Kullanımı

Öz

Sağlık bilimlerinde veriler analiz edilirken örneklem grubu içindeki homojen olmayan dağılım yapısının olması sık karşılaşılan bir durumdur. Bu şekildeki veri yapısı parametrik testler için gerekli olan veri setinin dağılım varsayımlarını sağlayamamasına neden olacaktır. Bu gibi durumlar ile karşılaşıldığında verinin orijinal yapısı bozulmadan, aynı veri setinin yeniden örnekleme yöntemleri kullanılarak üretilip analize tabi tutulması daha etkili sonuçlar sağlayacaktır. Literatürde, Jacknife, Bootstrap ve çapraz geçerlilik olmak üzere üç farklı yeniden örnekleme yöntemi kullanılmaktadır. Yeniden örnekleme yöntemleri karşılaştırıldığında Jackknife yönteminde verilerin normal dağılım varsayımı vardır. Ayrıca bootstrap yönteminde örneklemin seçilme şekli, verinin yerine koyma yöntemine göre yapılmaktadır. Yöntemler bilgisayar teknolojisini ilerlemesi ve istatistik paket programlarında bu modüllerin yer almasından dolayı giderek daha popüler hale gelmiştir. Birçok istatistik paket programının sınıflama ve modelleme amaçlı algoritmalarına bu yöntemler girmiştir. Bu nedenle uygulamada bu yöntemleri kullanmak kaçınılmazdır.

Anahtar Kelimeler

• Yeniden Örnekleme; Jackknife; Bootstrap; Çapraz Geçerlilik

Kaynakça

1. Sümbüloğlu V, Sümbüloğlu K. Klinik ve Saha Araştırmalarında Örnekleme Yöntemleri ve Örneklem Büyüklüğü. Ankara: Alp Ofset Matbaacılık Ltd. Şti., 2005:1- 15.
2. Yu CH. Resampling methods: concepts, applications, and justification. Practical Assessment, Research & Evaluation 2003; 8(19). Retrieved September 22, 2011 from http://PAREonline.net/getvn.asp?v=8&n=19. This paper has been viewed 53,213 times since 9/29/2003.)
3. Tinsley HEA, Brown SD, (editors). Handbook of Applied Multivariate Statistics and Mathematical Modelling. USA: Academic Press, 2000.
4. Friedman JH. Multivariate Adaptive Regression Splines. Ann Stat 1991; 19(1):1-141.
5. Schapire RE. The Strength of weak learnability. Mache Learn 1990;5:197-227.
6. Dorfman DD, Berbaum KS, Length RV. Multireader multicase Reciver Operating Characteristic Methodology: a Bootstrap Analysis. Acad Radiol 1995; 2(7):626-633.
7. Hillis SL, Obuchowski NA, Schartz KM et al. A Comparison of the Dorfman-Berbaum-Metz and Obuchowski-Rockette Methods for Receiver Operating Characteristic (ROC) Data. Stat Med 2005; 24(10): 1579-1607.
8. Breiman L, Friedman JH, Olshen RA, Stone CJ, (editors). Classification Chapman&Hall,1993. trees. New York:

9. Fisher RA, (editors). The Design of Experiment. New York: Hafner Press. 7th Ed. 1935-1966.
10. Quenouille MH. Notes on bias in estimation. Biometrika 1956; 43: 353–360.
11. Tukey JW. Bias and confidence in not-quite large samples (abstract). Ann. Math. Statist 1958; 29(2): 614.
12. Efron B. Bootstrap methods: Another look at the jackknife. The Annals of Statistics 1979; 7(1): 1-26.
13. Efron B, Tibshirani R, (editors). An Introduction to the bootstrap. New York: Chapman&Hall, 1993.
14. Efron B. Censored data and Bootstrap. JASA 1981; 76 (374): 312-9.
15. Peterson I. pick a sample. Science News 1991; 140: 56-57.
16. Hamajima N, Yuasa H, Matsuo K. Methods for statistical inferences. Biotherapy 1999; 13(6): 739-44.
17. Wehrens R, Putter H, Buydens LMC. The boostrap: A tutorial. Chemometr Intell Lab 2000; 54: 35-52.
18. Manly BFJ, (editors). Randomization, Booststrap and Monte Carlo Methods in Biology. 2nd Ed. London: Chapman & Hall, 1997.
19. Kurtz AK. A Research test of Rorschach test. Pers Psychol 1948; 1: 41-53.
20. Mosier CI. Problems and designs of cross-validation. Educ Psychol Meas 1951;11: 5-11.
21. Krus DJ, Fuller EA. Computer-assisted multicross-validation in regression analysis. Educ Psychol Meas 1982; 42: 187-193.
22. Bishop CM, (editors). Neural Networks for Pattern Recognition. 1st Ed. Oxford: Clarendon Press, 1995.
23. Hastie T, Tibshirani R, Friedman J, (editors). The Elements of Statistical Learning Data Mining. Inference and Prediction. Canada Springer; 2003.
24. Efron B. How biased is the apparent error rate of a prediction rule ?. J Am Stat Assoc 1983; 78:316-331.
25. Picard RP, Cook RD. Cross-validation of regression models. J Am Stat Assoc 1984; 79:575-583.
26. Brieman L, Friedman JH, Olshen RA, Stone CJ. Classification Chapman&Hall/Crc, 1984;18-58. Trees. 1st Ed.
27. Friedman JH. Multivariate adaptive regression splines (with discussion). Ann Stat 1991; 19 (March):1-141.
28. Death G. Boosted trees for ecological modelling and prediction. Ecological Society of America 2007; 88(1), 243- 251.
29. Skurichina M, Duin R. Bagging, boosting and the random subspace method for linear classifiers. Pattern Analysis & Applications 2002;5:121–135.