Fused Clustering Dimension Reduction and Latent Model Analysis for High-Dimensional Multivariate Data

Abstract

Depending on its characteristics, data can be classified, clustered, and analyzed in order that it can be used effectively and utilized adequately. The purpose of this thesis is to present data analysis approaches for the two study topics below. Chapter 1. On Fusing Clustering Mean Methods for Information Predictor Subspace There are cases in which it is difficult to apply conventional statistical methods when the amount of data is large and the structure is complex. Sufficient dimension reduction (SDR) is a statistical methodology for analyzing data that reduces the high-dimension of data to a moderate size without loss of information about its conditional distribution of . Cluster-based analysis can more successfully conduct dimension reduction via estimating an information predictor subspace than the usual central subspace in the context of sufficient dimension reduction. Here, a variety of methods for categorizing data will be applied, and a simulation will be used to compare whether it is estimated efficaciously. Chapter 2. Characterizing Potential Drug-Drug Interaction with Tramadol in Elderly using a Latent Class Analysis Tramadol is one of the most common opioid analgesics, but safety issues are being raised. We aimed to would like to characterize potential drug-drug interactions of tramadol in older adults using a latent class analysis (LCA). We used the sample of 2016 national elderly patients from the Korea Health Insurance Review and Assessment Service database. Complying with drug prescription status, the use of tramadol and potential drug-drug interactions medicine (antidepressants, first-generation antihistamines, and anxiolytics) is categorized using the latent class analysis and a detailed look at the characteristics of each category. Older adults using tramadol showed distinct patterns of pDDI medication use. These results may help identify patients at a high risk for ADRs owing to pDDIs among tramadol users.;자료가 가지고 있는 특성에 따라, 자료원을 범주화하거나 분할하여 활용하는 것이 분석에 효율성을 높일 수 있다. 본 논문의 목적은 아래 두 가지 연구 주제에서 자료의 범주화하는 방법을 제시하는 데에 있다. Chapter 1. On fusing clustering mean methods for Information Predictor Subspace 자료의 크기가 크고 복잡해졌을 때, 일반적인 회귀분석 등의 통계 기법을 적용하기 어려울 수 있다. 충분차원축소(Sufficient dimension reduction)는 정보손실 없이 차원을 줄이는 방법으로 자료 활용도를 높인다. 충분차원축소에는 몇 가지 가정이 필요하고, 가정에 위배되는 예제에서 효과적으로 Informative Predict Subspace를 추정하기 위하여 자료를 범주화(cluster-based)하는 방안을 제안한다. 본 논문에서는 자료를 분할하는 방법을 제안하고, 다섯가지 예제의 모의실험으로 그 성능을 평가, 비교하였다. Chapter 2. 잠재범주분석(Latent class analysis)을 활용한 트라마돌 처방 및 순응도의 범주화 트라마돌은 약한 마약성 진통제로 널리 사용되고 있는 약물이다. 하지만 다약제 사용이 흔한 노인인구의 트라마돌 사용은 잠재적 약물 상호작용(potential drug-drug interaction)이 있을 수 있어 주의가 필요하다. 이에 비암성통증환자의 트라마돌 처방패턴에 따른 잠재적 부작용 가능성을 보고자 한다. 국민건강심사평가원의 노인인구 표본자료를 활용하여, 트라마돌과 항우울제, 1세대 항히스타민제, 항불안제의 약물 처방 현황을 잠재범주분석(Latent class analysis)을 통하여 범주화하고 범주별 특성과 잠재적 부작용 발생률을 살펴보고자 한다.