Εφαρμογή τεχνικών μηχανικής μάθησης σε δημογραφικά/κοινωνικο-οικονομικά δεδομένα
| dc.contributor.advisor | Κούτρας, Μάρκος | |
| dc.contributor.author | Ακριβούλης, Αριστείδης | |
| dc.date.accessioned | 2026-09-14T13:32:07Z | |
| dc.date.available | 2026-09-14T13:32:07Z | |
| dc.date.issued | 2026-08 | |
| dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/19744 | |
| dc.description.abstract | Η παρούσα διπλωματική εργασία διερευνά τη γνωστική λειτουργία ηλικιωμένων ατόμων και τη σχέση της με δημογραφικά, υγειονομικά και κοινωνικά χαρακτηριστικά, μέσω της συνδυαστικής εφαρμογής πολυμεταβλητών στατιστικών μεθόδων και τεχνικών μηχανικής μάθησης. Για την ανάλυση αξιοποιήθηκαν δεδομένα από το Survey of Health, Ageing and Retirement in Europe (SHARE) και την εξειδικευμένη γνωστική υπομελέτη SHARE-HCAP. Βασικοί στόχοι ήταν η διερεύνηση της πολυμεταβλητής δομής των γνωστικών δοκιμασιών, η εξέταση διαφοροποιήσεων ως προς τη γνωστική κατάσταση και η ανάδειξη ευρύτερων γνωστικών, υγειονομικών και κοινωνικοδημογραφικών προφίλ των συμμετεχόντων. Αρχικά πραγματοποιήθηκαν περιγραφικές και επαγωγικές αναλύσεις, με κατάλληλη αντιμετώπιση της πολλαπλότητας των στατιστικών ελέγχων. Για τη διερεύνηση της γνωστικής δομής εφαρμόστηκαν Ανάλυση Κυρίων Συνιστωσών και διερευνητική Ανάλυση Παραγόντων με τη μέθοδο των κυρίων αξόνων και λοξή περιστροφή oblimin. Οι παραγοντικές βαθμολογίες που προέκυψαν συνδυάστηκαν στη συνέχεια με δημογραφικούς, υγειονομικούς και κοινωνικούς δείκτες και χρησιμοποιήθηκαν στην Ανάλυση Συστάδων με τις μεθόδους Ward και k-means. Πριν από τη συσταδοποίηση εφαρμόστηκαν τυποποίηση και θεματική στάθμιση των μεταβλητών, ώστε τα διαφορετικά πεδία πληροφορίας να εκπροσωπούνται ισόρροπα. Η ανθεκτικότητα των αποτελεσμάτων διερευνήθηκε επιπλέον μέσω αναλύσεων ευαισθησίας και επαναδειγματοληπτικών διαδικασιών bootstrap, στις οποίες επανεκτιμήθηκαν τα βασικά στάδια της αναλυτικής διαδικασίας. Η Ανάλυση Κυρίων Συνιστωσών ανέδειξε μια κυρίαρχη διάσταση γενικής γνωστικής επίδοσης και μια συμπληρωματική διάσταση που διαφοροποιούσε κυρίως τις οπτικοχωρικές και κατασκευαστικές επιδόσεις από την ανάκληση και αναγνώριση λέξεων. Η Ανάλυση Παραγόντων ανέδειξε διακριτές αλλά συσχετιζόμενες γνωστικές διαστάσεις που αφορούσαν την ανάκληση και αναγνώριση λέξεων, τη μνήμη αφηγηματικού υλικού, τις οπτικοχωρικές και κατασκευαστικές ικανότητες σε συνδυασμό με τη μη λεκτική συλλογιστική, καθώς και την προσοχή, την ταχύτητα νοητικής επεξεργασίας και τη λεκτική ευχέρεια. Τα αποτελέσματα υποστηρίζουν επομένως μια πολυδιάστατη οργάνωση της γνωστικής λειτουργίας, παράλληλα με την παρουσία ενός ευρύτερου κοινού άξονα γνωστικής επίδοσης. Η Ανάλυση Συστάδων ανέδειξε ευρύτερα προφίλ συμμετεχόντων που διαφοροποιούνταν ταυτόχρονα ως προς γνωστικά, υγειονομικά και κοινωνικά χαρακτηριστικά. Το ευνοϊκότερο προφίλ συνδεόταν με καλύτερες γνωστικές επιδόσεις, νεότερη ηλικία, υψηλότερο εκπαιδευτικό επίπεδο, ευνοϊκότερους δείκτες υγείας και λειτουργικότητας και ισχυρότερο κοινωνικό δίκτυο. Αντίθετα, το δυσμενέστερο προφίλ χαρακτηριζόταν από χαμηλότερες γνωστικές επιδόσεις, μεγαλύτερη ηλικία, χαμηλότερο εκπαιδευτικό επίπεδο και δυσμενέστερα υγειονομικά και λειτουργικά χαρακτηριστικά, ενώ σε αυτό παρατηρήθηκε μεγαλύτερη παρουσία συμμετεχόντων με γνωστική επιβάρυνση. Παρά τη σαφή ερμηνευτική διαφοροποίηση των προφίλ, οι δείκτες εσωτερικού διαχωρισμού έδειξαν σημαντική επικάλυψη μεταξύ τους. Ωστόσο, η λύση της k-means παρουσίασε υψηλή δειγματοληπτική σταθερότητα στις επαναδειγματοληπτικές αναλύσεις. Συνολικά, τα ευρήματα αναδεικνύουν τη χρησιμότητα της συνδυαστικής εφαρμογής τεχνικών μείωσης διάστασης, διερεύνησης λανθανουσών γνωστικών δομών και μη επιβλεπόμενης ομαδοποίησης για την περιγραφή σύνθετων προφίλ στην τρίτη ηλικία. Παράλληλα, υπογραμμίζουν ότι η γνωστική λειτουργία είναι σκόπιμο να εξετάζεται σε συνδυασμό με το ευρύτερο δημογραφικό, υγειονομικό και κοινωνικό πλαίσιο των ατόμων. Λόγω του διατομεακού σχεδιασμού, της ανάλυσης πλήρων περιπτώσεων και της μη ενσωμάτωσης δειγματοληπτικών βαρών, τα αποτελέσματα αφορούν το συγκεκριμένο αναλυτικό δείγμα και δεν θα πρέπει να ερμηνεύονται ως αιτιώδη, διαγνωστικά ή ως άμεσες εκτιμήσεις πληθυσμιακών διαφορών. | el |
| dc.format.extent | 400 | el |
| dc.language.iso | el | el |
| dc.publisher | Πανεπιστήμιο Πειραιώς | el |
| dc.rights | Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα | * |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/gr/ | * |
| dc.title | Εφαρμογή τεχνικών μηχανικής μάθησης σε δημογραφικά/κοινωνικο-οικονομικά δεδομένα | el |
| dc.title.alternative | Application of machine learning techniques in demographic/social-economic data | el |
| dc.type | Master Thesis | el |
| dc.contributor.department | Σχολή Χρηματοοικονομικής και Στατιστικής. Τμήμα Στατιστικής και Ασφαλιστικής Επιστήμης | el |
| dc.description.abstractEN | This thesis investigates cognitive functioning in older adults and its relationship with demographic, health, and social characteristics through the combined application of multivariate statistical methods and machine learning techniques. Data from the Survey of Health, Ageing and Retirement in Europe (SHARE) and its specialized cognitive substudy, SHARE-HCAP, were used for the analysis. The main objectives were to investigate the multivariate structure of the cognitive tests, examine differences according to cognitive status, and identify broader cognitive, health, and sociodemographic profiles of the participants. Initially, descriptive and inferential analyses were conducted, with appropriate control for the multiplicity of statistical tests. Principal Component Analysis and exploratory Factor Analysis using the principal axis method with oblimin rotation were applied to investigate the structure of cognitive functioning. The resulting factor scores were subsequently combined with demographic, health, and social indicators and used in Cluster Analysis employing the Ward and k-means methods. Prior to clustering, the variables were standardized and thematic weighting was applied so that the different domains of information were represented in a balanced manner. The robustness of the findings was further examined through sensitivity analyses and bootstrap resampling procedures, in which the main stages of the analytical process were re-estimated. Principal Component Analysis revealed a dominant dimension of general cognitive performance and a supplementary dimension that mainly differentiated visuospatial and constructional performance from word recall and recognition. Factor Analysis identified distinct but correlated cognitive dimensions related to word recall and recognition, narrative memory, visuospatial and constructional abilities combined with nonverbal reasoning, as well as attention, mental processing speed, and verbal fluency. The findings therefore support a multidimensional organization of cognitive functioning alongside the presence of a broader common dimension of cognitive performance. Cluster Analysis identified broader participant profiles that differed simultaneously in cognitive, health, and social characteristics. The more favorable profile was associated with better cognitive performance, younger age, higher educational attainment, more favorable health and functional indicators, and a stronger social network. In contrast, the less favorable profile was characterized by lower cognitive performance, older age, lower educational attainment, and less favorable health and functional characteristics, while a greater presence of participants with cognitive impairment was observed within this profile. Despite the clear interpretative differentiation between the profiles, measures of internal separation indicated substantial overlap between them. Nevertheless, the k-means solution demonstrated high sampling stability in the resampling analyses. Overall, the findings highlight the usefulness of combining dimension-reduction techniques, methods for investigating latent cognitive structures, and unsupervised clustering for the description of complex profiles in older age. They also emphasize that cognitive functioning should be examined in conjunction with individuals’ broader demographic, health, and social context. Due to the cross-sectional design, the complete-case analysis, and the absence of sampling weights, the findings apply to the specific analytical sample and should not be interpreted as causal or diagnostic, nor as direct estimates of population-level differences. | el |
| dc.contributor.master | Εφαρμοσμένη Στατιστική | el |
| dc.subject.keyword | Γνωστική λειτουργία | el |
| dc.subject.keyword | Γήρανση | el |
| dc.subject.keyword | SHARE-HCAP | el |
| dc.subject.keyword | Ανάλυση κυρίων συνιστωσών | el |
| dc.subject.keyword | Ανάλυση παραγόντων | el |
| dc.subject.keyword | Ανάλυση συστάδων | el |
| dc.date.defense | 2026-08-27 |
Αρχεία σε αυτό το τεκμήριο
Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές
-
Τμήμα Στατιστικής και Ασφαλιστικής Επιστήμης
Department of Statistics & Insurance Science
Εκτός από όπου διευκρινίζεται διαφορετικά, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα