Tez No	İndirme	Tez Künye	Durumu
269037		Robust estimation and hypothesis testing in microarray analysis / Mikrodizin analizinde sağlam kestirim yöntemleri ve hipotez testleri Yazar:BURÇİN EMRE ÜLGEN Danışman: PROF. DR. AYŞEN AKKAYA Yer Bilgisi: ORTA DOĞU TEKNİK ÜNİVERSİTESİ / FEN BİLİMLERİ ENSTİTÜSÜ / İstatistik Bölümü Konu:İstatistik = Statistics Dizin:	Onaylandı Doktora İngilizce 2010 129 s.
Mikrodizin teknolojisi, binlerce gen ifadesinin eşzamanlı olarak ölçülmesine olanak sağlamaktadır. Bunun sonucu olarak, farklı ifade olan genlerin belirlenmesi için birçok istatistiksel yöntem ortaya çıkmıştır. Kerr ve diğerleri (2001), mikrodizin verisinin analizi için varyans analizi yöntemini önermişlerdir. Fakat çalışmalarında açıkladıkları gibi, bu analizden elde edilen parametre tahminleri ve artıkların normalden daha uzun kuyruklu olmalarına rağmen, analizleri ve tahminleyicileri normallik varsayımına dayanmaktadır. Normal olmama durumu, veri analizini zorlaştırdığı ve verimsiz tahminleyicilere yol açtığı için, etkin ve sağlam istatistiksel yöntemler geliştirmek çok önemlidir. Bu amaçla, bu çalışmada, varyans analizi için uyarlanmış en çok olabilirlik tahminleme yöntemi (Tiku ve Suresh, 1992) ile adaptif uyarlanmış en çok olabilirlik tahminleme yöntemi kullanılmış ve bu tahminleyicilerin daha etkin ve sağlam oldukları gösterilmiştir. Uyarlanmış ve adaptif uyarlanmış en çok olabilirlik tahminleyicileri, yaygın kullanılan yöntemlerle simulasyonlar ve gerçek mikrodizin verileri kullanılarak karşılaştırılmıştır.
Microarray technology allows the measurement of thousands of gene expressions simultaneously. As a result of this, many statistical methods emerged for identifying differentially expressed genes. Kerr et al. (2001) proposed analysis of variance (ANOVA) procedure for the analysis of gene expression data. Their estimators are based on the assumption of normality, however the parameter estimates and residuals from this analysis are notably heavier-tailed than normal as they commented. Since non-normality complicates the data analysis and results in inefficient estimators, it is very important to develop statistical procedures which are efficient and robust. For this reason, in this work, we use Modified Maximum Likelihood (MML) and Adaptive Maximum Likelihood estimation method (Tiku and Suresh, 1992) and show that MML and AMML estimators are more efficient and robust. In our study we compared MML and AMML method with widely used statistical analysis methods via simulations and real microarray data sets.