1,721,080 research outputs found
Detecting Automobile Insurance Frauds In Turkey Using Machine Learning Approaches
No full textThe insurance sector has inherent high risk of fraudulent activity due to its trust-based nature.
Insurance fraud is often considered to be less risky and easier than other criminal activities like robbery and smuggling. This has also caused the fraudulent behavior to be widespread in this domain. Since insurance frauds are relatively more common and difficult to detect, it has significant impact on insurance companies and other stakeholders in this sector. Even simple frauds may lead to a financial burden that is not expected by the insurer, and this impairs the financial balance of the insurance sector. As a result, deviations occur in the actuarial calculations, claim reserves become insufficient. At the end of the day, increased insurance costs are paid as insurance premiums by the insured who are not guilty.
Insurance fraud is one of the most important problems of the sector in Turkey as well as in other countries. Awareness about fighting against insurance fraud has increased for both insurance companies and regulatory authorities, as they have started to establish units related to fraud and increased the controls on this subject.
This study aims to detect insurance frauds in Turkey by using a large dataset. Since the automobile insurance covers a significant share of the sector, the registration systems for automobile insurance data are more advanced in Turkey, and data can be recorded more accurately. However, previous studies that use comprehensive autmobile insurance data to detect fraud in Turkey are not available. We aim to understand the important variables related to automobile insurance fraud, and evaluate the performance of different machine learning algorithms in this domain.
We have applied various statistical and machine learning methods that are used for similar problems in the previous literature (Logistic Regression, Decision Trees, Artificial Neural Networks, Support Vector Machines). In addition, we have also used Bayesian Networks with three different learning algorithms, which has not been applied for automobile insurance fraud detection in previous studies. All methods had high performance for fraud detection in our evaluations but none of them were superior to the other.Sigortacılık, güven ilişkisine dayalı doğası nedeniyle sahtekârlığa elverişli bir sektördür. Kişilerin sigorta sahtekârlığını diğer alanlara göre daha düşük riskli görmesi, kolay yoldan kazanç sağlayabilmeleri, yakalanma riskinin az olması, soygun ve kaçakçılık gibi suçlara göre daha güvenli bulmaları da bu alandaki sahtekârlığın yaygın olmasına sebep olmuştur. Bu alandaki sahtekârlığın yaygın ve tespitinin zor olması, hem sigorta şirketini hem de diğer sigortalılar gibi ekonomideki farklı aktörleri olumsuz etkilemektedir. Sigortalı tarafından basit gözüken bir eylem bile aslında sigortacının öngöremediği finansal bir yükün altına girmesine yol açmakta ve sigortacılık sektörünün mali dengesini bozmaktadır. Bunun sonucunda yapılan aktüeryal hesaplamalarda sapmalar meydana gelir, hasar için ayrılan karşılıklar yetersiz kalır, günün sonunda da sigorta maliyetlerinin artması nedeniyle bu maliyetin bir kısmı sigorta primlerine yüklenerek suçsuz olan sigortalılar da daha fazla prim ödemek zorunda kalır.
Sigorta sahtekârlıkları dünyada olduğu gibi Türkiye’de de sektörün en önemli sorunlarından biridir. Türkiye’de sigorta sahtekârlığıyla mücadele konusunda hem şirketler hem de düzenleyici otoriteler özelinde farkındalık artmaya başlamış bununla ilgili birimler kurulmaya ve denetimler yapılmaya başlanmıştır.
Buradan yola çıkarak bu çalışmada, Türkiye’deki sigorta verileri üzerinden bir sahtekârlık tespiti çalışması yapılması amaçlanmıştır. Otomobil sigortası verilerine ilişkin kayıt sistemlerinin daha gelişmiş ve verilerin daha sağlıklı olması, ayrıca otomobil sigortalarının sektörün önemli bir payını kapsaması sebebiyle ülkemizdeki kasko sigortası verileri üzerinden bir çalışma yapılmıştır. Türkiye’de herhangi bir sigorta branşında tüm sigorta şirketi verileri üzerinden yapılmış sahtekârlık tespitine yönelik bir çalışma bulunmamaktadır. Bu çalışma ile eldeki büyük veriyle, Türkiye’de kasko sigortasındaki tazminata dayalı sahtekârlıklarda önemli olan değişkenlerin, konuların tespit edilmesi ve bu alanda sahtekârlık tespiti yapan en iyi makine öğrenmesi yöntemini bulmak amaçlanmıştır.
Bu kapsamda, literatürde benzer problemlere uygulanan istatistik ve makine öğrenme yöntemleri (Lojistik Regresyon, Karar Ağaçları, Yapay Sinir Ağları, Destek Vektör Makineleri) ele alınarak büyük veri analizi uygulamaları yapılmıştır. Bunlara ilave olarak, bu alanda literatürde uygulama yeri bulamadığı düşünülen Bayes Ağlarına da yer verilmiştir. Bu çerçevede Bayes Ağları öğrenen üç farklı algoritma ile çalışılmıştır. Uygulanan yöntemlerden sahte hasarların tespiti noktasında tüm yöntemlerin yüksek performans gösterdiği ancak hiçbirinin diğerine çok üstün gelmediği sonucuna ulaşılmıştır
Kas-İskelet Rahatsızlıkları İçin Hasta Tarafından Bildirilen Sonuç Ölçeklerini Temel Alan Bayes Ağları Geliştirilmesi
No full textMachine learning (ML) which is a branch of artificial intelligence (AI), has been an
important approach used in the medical domain. ML approaches learn from historical
data to evaluate and predict patient status. These approaches have been successful in
medical domains, such as radiology and dermatology, where a large amount of data exists
with clearly labelled patient outcomes. However, such clearly labelled outcome data do
not exist in large amounts in most medical domains. Patient reported outcome measures
(PROMS) are the primary way to assess patient outcomes in many medical areas. Filling
in PROMs regularly and repetitively can be difficult due to time and cognitive-load
requirements. Considering that some PROMs contain over 30 questions, collecting large
amounts of patient outcome data can be difficult in these domains. This study proposes
an approach for collecting patient outcome data with less time and cognitive-load
requirements. In this context, an ML approach called Bayesian networks (BNs) is used to
predict patient outcomes with missing PROM inputs, and to identify the most informative
PROM questions for specific patients. Also, random questions were selected from the
PROMs and these questions were used to determine the patient status. The obtained estimation results were compared with the estimation results obtained by using the most
informative questions. The proposed approach has been applied to PROMS used in the
musculo-skeletal domain. Results were evaluated by cross validation method. Crossvalidation
results show that the proposed approach can accurately predict patient
outcomes with fewer PROM questions.Yapay zekânın bir kolu olan makine öğrenimi, tıp alanında kullanılan önemli bir yaklaşım
olmuştur. Makine öğrenimi yaklaşımları, hastanın durumunu değerlendirmek ve tahmin
etmek için geçmiş verilerden öğrenir. Makine öğrenimi yöntemleri, radyoloji ve
dermatoloji gibi, hasta sonuçlarının veride net bir şekilde belirtildiği ve yüksek miktarda
veri kümelerinin bulunduğu alanlarda başarılı olmuştur. Fakat birçok tıp alanında bu
şekilde yüksek miktarda temiz bir hasta sonucu verisinin bulunması mümkün değildir.
Çoğu alanda hasta sonucuna ilişkin veriler, hasta tarafından bildirilen sonuç ölçütleri
(PROMs) olarak adlandırılan tıbbi anketler aracılığıyla toplanır. Hastaların PROM
düzenli ve yinelemeli olarak PROM doldurmaları gerektirdiği zaman ve bilişsel yük
yüzünden zor olabilir. Bazı PROM’ların 30 veya daha fazla soru içerdiği
düşünüldüğünde, bu alanlarda yüksek miktarda hasta sonucu verisi toplanması güçtür. Bu
çalışmada, hastalardan daha az ve bilişsel yük gerektirerek, yüksek doğrulukta hasta
çıktısı toplanması için bir yaklaşım önerilmektedir. Bir makine öğrenmesi yöntemi olan
Bayes ağları kullanılarak, hastalara en çok bilgi veren PROM sorularının sorulmasına
olanak verilmekte ve eksik PROM sorularıyla da hasta sonuçları tahmin edilmektedir. Ayrıca, PROM’lardan rasgele sorular seçilmiş ve hasta durumunu belirlemek için bu
sorular kullanılmıştır. Elde edilen tahmin sonuçları, en bilgilendirici sorular kullanılarak
elde edilen tahmin sonuçlarıyla karşılaştırılmıştır. Geliştirilen yaklaşım kas-iskelet
rahatsızlıkları alanında kullanılan PROM’lara uygulanmış, sonuçları çapraz validasyon
yöntemiyle değerlendirilmiştir. Sonuçlar incelendiğinde, hasta durumunun az sayıda
PROM sorusuyla yüksek doğrulukla tahmin edilebildiği görülmüştür
Aircraft Reliability Prediction Using Bayesian Networks That Combine Fault Data And Design Specifications
No full textReliability engineering focuses on analyzing the properties related with failure times of high valued items. Bayesian Networks (BNs) are an effective way of analyzing causal relations, they allow incorporating expert judgement into mathematical models, and they are able to make probabilistic calculations when only a part of their variables are known. This makes BNs a suitable tool for reliability analysis considering the cost of life testing high-value products. Hence, numerous BNs and Bayesian approaches have been proposed for reliability estimation and prediction analyses. Some of these approaches tend to focus on more on building discrete nodes as BN models for developing a subjective judgement where others are more focused on failure time distribution parameters and mathematical properties of the Bayes Theorem. This thesis proposes a novel BN model for predicting the time to failure distribution of an aircraft fleet, by a bottom to top approach. Our model incorporates both actual failure data and the expert judgement on design and manufacturing qualities of the aircrafts by using BNs. The expert judgement is based on the design life estimations provided by the manufacturer of the aircrafts and these values are transformed into a distribution, reflecting our uncertainty associated with it. Then this prior information is integrated to the Weibull distribution as median parameter and used for obtaining scale parameter. We applied our model to make reliability prediction by using failure data provided by an aircraft fleet operator, after preprocessing the raw data into a structure suitable for reliability analysis. We compared the performance of our model in predicting the reliability of the main systems of the aircrafts to commonly used reliability estimation methods. The proposed model offers a robust approach by giving consistently satisfactory results compared to the purely data-driven approaches and design life estimations. As the sample size increase, the performance of the model becomes very similar to the data-driven approaches. This is expected as the effect of the priors used in the model decreases with as the size of the data increases. We have also used a different prior distribution for shape parameter of the Weibull distribution, compared to standard approaches in the literature, and applied it to the aircraft fleet data.Güvenilirlik mühendisliği pahalı malzemelerin hata zamanlarına ilişkin özelliklerini analiz etmeye odaklanan mühendislik dalıdır. Bayes ağları nedensel ilişkileri analiz etmenin ve uzman değerlendirmelerini matematiksel modellere birleştirmenin efektif bir yoludur ve, değişkenlerin sadece bir kısmının bilindiği durumlarda da olasılıksal hesaplamalar yapabilmektedirler. Bayes ağları bu özelliği sayesinde, pahalı malzemelerine uygulanan ömür testlerinin maliyeti göz önüne alındığında güvenilirlik analizi için uygun bir modelleme aracıdır. Bu sebeple güvenilirlik tahmin analizlerinde uygulanmakta olan birçok Bayes ağı ve Bayes yöntemi bulunmaktadır. Bu yöntemlerin bir kısmı daha çok ayrık düğümler oluşturarak sübjektif değerlendirmeler oluşturmaya odaklanırken diğerleri hata zamanlarının dağılımına ilişkin parametreler ve Bayes Teorisi’nin matematiksel özelliklerine yoğunlaşmaktadır. Bu tezde, alt seviyeden üst seviyeye doğru ilerleyen ve bir hava aracı filosunun hata zamanlarının dağılımını tahmin etmek için geliştirilen özgün bir Bayes ağı modeli sunulmaktadır. Önerilen model, hem gerçek hata verilerini hem de hava araçlarının tasarım ve üretim kalitesine ilişkin uzman değerlendirmelerini Bayes ağları kullanarak birleştirmektedir. Uzman değerlendirmeleri, hava aracı üreticisi tarafından sağlanan tasarım ömür tahminlerini baz almakta ve bu tahmin değerlerini, değerlerdeki belirsizlikleri yansıtan bir dağılıma dönüştürmektedir. Daha sonra bu öncül bilgi Weibull dağılımının medyan parametresi olarak iletilmekte ve ölçek parametresini elde etmek için kullanılmaktadır. Bir hava aracı filosu işletmecisi tarafından temin edilen ham veri kullanılabilir veriye dönüştürüldükten sonra önerilen model bu veriden güvenilirlik tahmini için uygulanmıştır. Modelimizin hava aracının ana sistemlerinin güvenirliğini tahmin etmekteki performansı yaygın olarak kullanılan güvenilirlik analizi yöntemleri ile karşılaştırılmıştır. Önerilen model sadece veri temelli yöntemlere ve tasarım ömür tahminlerine göre istikrarlı olarak iyi sonuçlar vermekte; güvenilirlik tahmini için gürbüz bir yöntem sunmaktadır. Veri adedi arttıkça önerilen yöntem ile veri temelli yöntemler arasındaki performans farkı azalmaktadır. Bu beklenilen durum, veri adedi arttıkça modeldeki öncül uzman bilgisinin etkisinin azalmasından kaynaklanmaktadır. Ayrıca bu tezde Weibull dağılımının şekil parametresi için literatürdeki standart yaklaşımlardan değişik bir dağılım seçilmiş ve hava aracı filosu verisinde uygulanmıştır
Integration Of Bayesian Networks With Dematel For Causal Risk Analysis: A Supplier Selection Case Study In Automotive Industry
No full textBayesian Networks (BNs) are effective tools in analysis of causal relations in uncertain environments. BNs can make probabilistic calculations when a part of their variables are unknown. They can be constructed based on expert knowledge. However, there is not a widely accepted method for building BNs from expert knowledge. A common way of building BNs from expert knowledge is asking experts directions of arcs between nodes. However, this approach is not systematic as experts can be subject to errors and biases about existence and directions of causal relations. This approach is also difficult to apply especially when there are multiple experts with conflicting opinions. This thesis proposes a method to build BN models based on multiple experts’ opinion by using the Decision Making Trial and Evaluation Laboratory (DEMATEL) approach. DEMATEL is a Multi Criteria Decision Making (MCDM) Method to determine cause-effect relationships between multiple criteria. In our method, the causal structure of BN is determined by asking experts pairwise direct influence values of criteria on each other via DEMATEL survey. Then, our method systematically revises the structure based on DEMATEL results and expert opinion. After construction of the BN structure, the BN is parameterized by using ranked nodes. DEMATEL survey is also used to determine the parameters of ranked nodes. Sensitivity analysis of parameters is conducted to measure the robustness of the model. And sensitivity analysis of evidence is conducted to evaluate the consistency of the model by comparing its results with the total relation matrix of DEMATEL. DEMATEL alone is not able to make probabilistic calculations to handle uncertainty.
When DEMATEL and BN are integrated with our method, DEMATEL provides the causal structure of BN and then BN makes it possible to analyse risk and uncertainty based on the causal relationship between the decision criteria. They complement each other and integration of them provides a practical decision support tool.
We applied our proposed method to a supplier selection case study in a large automotive manufacturer in Turkey. Our proposed method is suitable for the supplier selection problem as it has multiple interrelated decision criteria and uncertainty. In addition to these, buyers usually do not have perfect information regarding their suppliers, and the BN model developed by our approach is also able to deal with that. In the case study, the cause-effect relations between supplier selection criteria were determined by DEMATEL survey and the risks related with the criteria among their interactions were analyzed by BN according to knowledge of 14 experts from the automotive manufacturer. Experts can use the model to estimate the values of supplier selection criteria and analyse decision scenarios. The proposed approach presents a novel way of building BN model from the expert knowledge by using DEMATEL surveys and ranked nodes. Another contribution of the thesis is to provide a practical decision support tool for supplier selection decision analysis in automotive industry.Page
ABSTRACT i
ÖZET iii
ACKNOWLEDGEMENTS vi
CONTENTS vii
FIGURES viii
TABLES x
SYMBOLS AND ABBREVIATIONS xi
1. INTRODUCTION 1
2. BAYESIAN NETWORKS 4
2.1. Ranked Nodes 11
3. DECISION MAKING TRIAL AND EVALUATION LABORATORY (DEMATEL) 15
4. SUPPLIER SELECTION PROBLEM 18
4.1. MCDM techniques in Supplier Selection 18
4.2. Bayesian Networks in Supplier Selection 20
5. PROPOSED METHOD 26
5.1. Case Study: Supplier Selection in a Large Automotive Manufacturer 26
5.2. Method to Build Causal BNs from DEMATEL Questionnaires 27
5.2.1. Overview of Method 27
6. RESULTS 41
6.1. Sensitivity to Evidence and Consistency with DEMATEL 41
6.2. Sensitivity to Parameters 44
6.3. Scenario Analysis and Use of the Model 47
6.3.1. Expanding the BN Model with Indicators 47
6.3.2. Scenario Analysis 50
6.3.3. Evaluation of Two Alternative Suppliers in Automotive Manufacturer 56
7. CONCLUSION 60
REFERENCES 63
APPENDIX 66
CURRICULUM VITAE 95Bayes ağları, belirsizlik içeren sebep-sonuç ilişkilerinin analizinde etkili araçlardır. Bayes ağları olasılıksal grafiksel ağlardır. Risk ve belirsizlik içeren karar analizlerinde olasılıksal hesaplamalar ile avantaj sağlamaktadır. Grafiksel yapısı sayesinde sebep-sonuç ilişkileri düğümler ve bağlantı okları ile gösterilmektedir. Bayes ağları, kısıtlı bilgi ile olasılıksal hesaplamalar yaparak, bilinmeyen değişkenleri, bilinen değişkenler ve değişkenler arası ilişkilere bağlı olarak tahmin edebilmektedir. Bayes ağları, uzman bilgisine dayalı olarak kurulabilmektedir. Fakat Bayes ağlarının sebepsel grafik yapılarının kurulumu için geçerli bir yöntem bulunmamaktadır. Uzmanlara değişkenler arasındaki ilişkilerin yönü sorulmakta ve alınan cevaplar doğrultusunda sebep-sonuç ilişkisi ağları oluşturulmaktadır. Bu yöntemle, birden fazla uzman görüşü alındığında, farklı görüşler arasından uygun yönün seçimi sistematiksiz bir şekilde yapılmaktadır. Bu yöntem hatalara ve yanlılığa sebep olabilmektedir. Bu tezde, Bayes ağlarının sebep-sonuç grafiksel yapısının uzman bilgisine dayalı olarak kurulmasına yönelik DEMATEL (Decision Making Trial and Evaluation Laboratory) metodu kullanımı önerilmiştir. DEMATEL ankete dayalı bir çok kriterli karar verme yöntemidir. Kriterler arasındaki sebep-sonuç ilişkisini ve kriterlerin ağ içerisindeki etki derecesini belirlemek için kullanılır. DEMATEL yönteminin direk ve toplam ilişki matrisi olmak üzere iki önemli matrisi vardır. Direk ilişki matrisi, kriterlerin birbirleri üzerindeki direk etki değerlerinden oluşmaktadır. Toplam ilişki matrisi ise kriterler arasındaki direk ve dolaylı olmak üzere toplam etki değerlerine ilişkin değerlerden oluşmaktadır.
Bu tezde önerilen yönteme göre, DEMATEL anketi yardımıyla uzmanlara kriterler arasındaki direk ilişkilerin etki dereceleri sorularak direk ilişki matrisi oluşturulmaktadır. DEMATEL yönteminden elde edilen direk ilişki matrisine dayalı olarak Bayes ağlarının sebep-sonuç ilişkisi yapısı belirlenmektedir. Böylece birden çok uzman görüşü sistematik bir şekilde alınarak Bayes ağı oluşturulabilmektedir. Ayrıca uzmanlar sadece ilişkilerin yönünü değil gücünü de sayısal ölçekte belirleyebilmektedir. DEMATEL’in direk ilişki matrisine dayalı olarak belirlenen sebep-sonuç grafik yapısı içerisindeki döngüler, Bayes ağları yapısıyla uyumlu hale getirmek için elenmektedir. Uzman görüşü yardımıyla gerekli görülen yapısal değişiklikler sistematik şekilde yapılabilmektedir. Elde edilen Bayes ağının parametreleri ranked nodes yöntemi aracılığıyla belirlenmektedir. Ranked nodes yöntemi, Bayes ağları içerisindeki büyük şartlı olasılık tablo değerlerini belirlemek yerine, sadece ata düğümlerin ağırlıklarını ve alt düğümlerin varyans değerlerini belirleyerek modeli çalıştırabilmektedir. Bu tezde, önerilen yönteme göre, ranked nodes parametreleri DEMATEL anket sonuçlarından elde edilmektedir. DEMATEL yönteminin toplam ilişki matrisi sonuçları ile kurulan Bayes Modeli üzerinde yapılan kanıt duyarlılık analizi sonuçları karşılaştırılarak modelin geçerliliği test edilebilmektedir. Ayrıca parametre duyarlılık analizi yardımıyla modelin gürbüzlüğü test edilmektedir. Önerilen yöntem, Türkiye’de büyük bir otomotiv üreticisi firmanın tedarikçi seçim karar analizinde kullanılarak test edilmiştir. Tedarikçi seçimi konusunda yapılan geçmiş çalışmalar ve firma içerisindeki uzman bilgisi yardımıyla tedarikçi seçimine ilişkin kriterler belirlenmiş. DEMATEL anketi yardımıyla, firma içerisindeki 14 uzmana, tedarikçi seçim kriterlerinin birbirleri üzerindeki etki dereceleri sorularak, direk ve toplam ilişki matrisleri hesaplanmıştır. Direk ilişki matris sonuçlarına göre, Bayes ağı modeli yapısı belirlendikten sonra, matris değerlerinden modelin parametreleri ranked nodes yöntemine göre belirlenmiştir. Parametre duyarlılık analizi ile modelin gürbüzlüğü test edilmiştir. Kanıt duyarlılık analizi sonuçlarının DEMATEL toplam ilişki matrisi ile karşılaştırılarak modelin geçerliliği kontrol edilmiştir. Ürün kalitesi, sevkiyat performansı gibi doğrudan gözlemlenmesi mümkün olmayan kriterlere, dolaylı olarak tahminini kolaylaştıracak indikatörler eklenmiştir. Bu indikatörler yardımıyla, uzman bilgisi modele aktarılmış ve bilinmeyen kriterler tahmin edilerek çeşitli senaryo analizleri yapılmıştır. Böylece uzmanlar, kısıtlı bilgileri ile kriterlerin tahmin değerlerini analiz ederek tedarikçilerini değerlendirebilmektedir. Otomotiv üreticisi firma ürünlerinin bileşenlerinden biri için bir tedarikçi aramaktadır. Bunun için daha önce çalışmış olduğu ve hiç çalışmadığı iki tedarikçi, önerilen yöntem yardımıyla değerlendirilmiştir.
DEMATEL yöntemi tek başına karar verme aracı olarak kullanılamayıp, belirsizlik içeren karar analizlerinde yetersiz kalmaktadır. Bayes ağları belirsizlik içeren karar analizlerinde etkin bir araç olarak DEMATEL yöntemini tamamlayıcı bir araç olarak önerilmektedir. DEMATEL yöntemi sayesinde, Bayes ağlarının sebepsel yapısı sistematik bir şekilde kurulabilmektedir. Böylelikle bütünleşik Bayes ağları ve DEMATEL metodu, sebepsel risk analizleri için etkin bir yöntem olarak önerilmektedir. Bu tez aynı zamanda otomotiv endüstrisinde tedarikçi seçim karar analizi için kullanışlı bir karar destek modeli sunmaktadır
KAYNAK KITLIĞI ALGISI EKONOMİK DAVRANIŞI NASIL ETKİLEMEKTEDİR? KAYNAK KITLIĞI ALGISININ BİLİŞSEL VE DAVRANIŞSAL SONUÇLARININ İNCELENMESİ
No full textWhen the poor go through financial difficulties, a scarcity mindset becomes activated (e.g., they psychologically experience the consequences of scarcity). This psychological aspect has a direct impact on their economic decision-making as well. In this thesis, we investigated how resource scarcity perception affects economic decision-making, specifically people’s time-discounting preferences, via the potential cognitive mechanisms (e.g., cognitive load, self-control, and thinking style) that it causes. We used Bayesian causal models, in the form of directed acyclic graphs (DAGs), to cast light on the cognitive effects of resource scarcity perception on economic decision-making. To this end, we analyzed the data of previous studies with the bnlearn package to explore possible equivalent DAGs. We also examined the findings and the available causal models from the previous literature to build DAGs. We proposed a causal model describing the relationships between resource scarcity perception and economic decision-making by employing abstraction methods in Bayesian Networks. Specifically, our causal model suggests that resource scarcity perception negatively affects people’s self-control and leads them to have an intuitive mindset. The model also suggests that low (vs. high) SES people exhibit greater time-discounting preference (e.g., they tend to choose the immediate, proximal rewards over the larger, distal ones). As the last step, we causally tested this model in a preregistered experiment; however, the results indicated that our resource scarcity manipulation did not work as we intended. The results suggest that testing causal effects of resource scarcity is more difficult than initially assumed.Fakir insanlar maddi sorunlarla karşılaştıklarında, kıtlık düşünce yapısı aktif hale gelir. Yani fakir insanlar kıtlığın sonuçlarını psikolojik olarak deneyimlerler. Kaynak kıtlığının bu psikolojik tarafı ekonomik davranış üzerinde doğrudan bir etkiye sahiptir. Biz bu tezde kaynak kıtlığı algısının sebep olduğu potansiyel bilişsel mekanizmalar (örneğin bilişsel yük, öz-kontrol ve düşünme tarzları) üzerinden ekonomik davranışı, bilhassa süre indirimi tercihlerini, nasıl etkilediğini inceledik. Ekonomik davranış üzerindeki kaynak kıtlığı algısının bilişsel etkilerine ışık tutabilmek için Yönlü Düz Ağaçlar (YDA) biçiminde Bayesci nedensel modeller kullandık. Bu bakımdan, muhtemel muadil YDA’ları keşfetmek için bnlearn paketiyle önceki çalışmaların verilerini analiz ettik. Ayrıca YDA’lar inşa etmek için literatürdeki bulguları ve mevcut nedensel modelleri inceledik. Bayes ağlarında soyutlama yöntemlerini kullanarak kaynak kıtlığı algısı ve ekonomik davranış arasındaki ilişkileri betimleyen bir nedensel model ileri sürdük. Bilhassa nedensel modelimiz kaynak kıtlığı algısının insanların öz-kontrolünü negatif yönde etkilediğini ve onları sezgisel bir düşünce yapısına sevk ettiğini ileri sürer. Bu model ayrıca düşük (vs. yüksek) sosyoekonomik arka planlı insanların daha yüksek süre indirimi tercihi göstereceğini işaret eder (örneğin, bu insanlar küçük ve kısa süreli ödülleri, büyük ve uzun süreli ödüllere seçme eğilimi göstereceklerdir). Son adım olarak, ön kayıtlı bir deneyde nedensel olarak bu modeli test ettik; ancak bulduğumuz sonuçlar kaynak kıtlığı manipülasyonumuzun istediğimiz gibi çalışmadığını gösterdi. Sonuçlar kaynak kıtlığının nedensel etkilerini test etmenin ilk adımda varsayıldığından daha zor olduğunu ortaya koymaktadır.M.S. - Master of Scienc
Wiley StatsRef: Statistics Reference Online
No full textBayesian networks (BNs) offer unique benefits for combining data and expert knowledge to model complex joint probability distributions. Recent advances in inference algorithms enabled efficient computation of BNs with both discrete and continuous variables that are also called hybrid BNs. Consequently, BNs have been widely used as risk assessment and decision support tools in various domains including project management. This article illustrates the use of BNs in different aspects of project management and gives an overview of the relevant studies in this domain.</p
Az Miktarda Veriden Sıralı Düğümler Yöntemi ile Bayes Ağı Parametrelerinin Öğrenilmesi
No full textBayesian Networks (BNs) are graphical probabilistic models that offer a suitable modeling approach for decision support problems under uncertainty. Both the graphical structure and conditional probability tables of BNs can be learned from data. This study focuses on learning conditional probability of BNs in cases where data are in limited amounts.
The ranked nodes method has been proposed to reduce the number of parameters required to define conditional probability tables of variables with ordinal states. This method assigns an underlying Truncated Normal distribution to ordinal BN variables, and it defines the conditional probability distribution with equations with fewer parameters than those required by tables. Despite this advantage, in the previous studies, the method of ranked nodes was used only to elicit BNs from expert knowledge, and methods for learning ranked nodes from data were not examined.
This study proposes an approach to learn ranked nodes from data. This approach uses Truncated Normal regression, Beta regression and linear regression to learn the relations between the underlying continuous distributions of ranked nodes, and then it transforms these to conditional probability tables for BNs. The performance of the proposed method has been evaluated using experiments with different data sizes and BN structures.Bayes Ağları (BA) belirsizlik altında karar destek problemleri için uygun bir modelleme yaklaşımı sunan olasılıksal grafiksel modellerdir. BA’nın hem grafiksel yapısı hem de koşullu olasılık tabloları verilerden öğrenilebilir. Bu çalışma verilerin sınırlı miktarda olduğu durumlarda BA’nın koşullu olasılıklarını öğrenmeye odaklanmaktadır.
Sıralı düğümler yöntemi, değerleri arasında sıralı ilişki bulunan değişkenlerin koşullu olasılık tablolarını tanımlamak için gereken parametre sayısını azaltmak için önerilmiştir. Bu yöntem sıralı BA değişkenlerini Kesilmiş Normal dağılım ile yakınsayarak, koşullu olasılık dağılımlarını tabloların gerektirdiğinden daha az parametre ile tanımlar. Bu avantaja karşın, önceki çalışmalarda sıralı düğümler yöntemi yalnızca BA’nı uzman bilgisi ile tanımlamak için kullanılmış, sıralı düğümleri veriden öğrenmeye yönelik yöntemler incelenmemiştir.
Bu çalışma sıralı düğümleri veriden öğrenmek için bir yaklaşım önermektedir. Bu yaklaşım sıralı düğümlerin sürekli dağılımları arasındaki ilişkiyi öğrenmek için kesilmiş normal regresyon, beta regresyon ve lineer regresyon yöntemlerini kullanmakta ve sonra bunları BA için koşullu olasılık tablolarına dönüştürmektedir. Önerilen yöntemin performansı farklı veri boyutları ve BA yapılarına sahip deneyler ile değerlendirilmiştir
A Multicriteria Preventive Maintenance Approach and Its Application in the After-Sales Service of a Truck and Bus Company
No full textProviding customer satisfaction has critical significance for companies that give service in automotive industry in terms of enhancing company’s prestige and consequently, increasing company’s profit by expanding customer volume. The problem of being stranded on the road as a result of an unexpected failure leads to not being able to give timely service, and consequently, customer dissatisfaction. Considering the criticality of
time nowadays, especially for vehicles that transport food products, passengers or ammunition, not being stranded on the road as a result of failure is very valuable in terms of delivering the transported products timely.
In this study, a multiple criteria preventive maintenance approach was developed to minimize the stated problem. Within the scope of preventive maintenance implementation, giving maintenance service to vehicles before they become stranded on the road and increasing customer satisfaction were planned. For this purpose, firstly determining vehicle parts that have critical importance that can make customers stranded on the road, and then
comprehensively analyzing failure probabilities of these vehicle parts, forming the preventive maintenance plan and informing customers based on the results were aimed. Critical parts were determined by Multiple Criteria Decision Making (MCDM) approaches. Then, for each critical part, failure probability distributions and parameters were determined, and probabilities of being stranded on the road for vehicles were evaluated with respect to determined factors. When forming preventive maintenance plans, customer cost, company cost, capacity usage of authorized vehicle service and other probable factors were considered and most appropriate ones were used in the study.
This proposed multiple criteria preventive maintenance approach was implemented on a truck and bus company in Ankara that aims to develop new preventive maintenance strategies with the intent of increasing customer satisfaction. By investigating detailed data gathered from past years, firstly critical parts were determined for preventive maintenance. Then, service and roadside assistance data on the basis of vehicles for these parts were
investigated and statistical analyses on reliabilities of parts were performed. By results of these analyses, alternative maintenance plans were formed considering factors like cost and service capacity. This study aims to become a guide for the implemented company and other companies in automotive industry in developing preventive maintenance plans that have higher customer satisfaction.Otomotiv endüstrisinde hizmet veren şirketler için müşteri memnuniyetinin sağlanması, şirket prestijinin yükseltilmesi ve dolayısı ile de müşteri havuzunun genişletilerek şirket gelirinin artırılması açısından kritik öneme sahiptir. Beklenmedik bir arıza sonucunda
araçların yolda kalması problemi, araçların zamanında hizmet verememesi ve dolayısıyla da müşteri memnuniyetsizliğinin oluşması ile sonuçlanmaktadır. Günümüzde zaman faktörünün ne derece kritik olduğu göz önünde bulundurulduğunda, özellikle gıda ürünleri, yolcu veya askeri mühimmat taşıyan araçlar için taşınan ürünlerin zamanında teslim edilebilmesi amacıyla araçların arıza sonucu yolda kalmaması çok değerlidir.
Bu çalışmada, belirtilen sorunun en aza indirilebilmesi adına çok kriterli bir önleyici bakım yaklaşımı geliştirilmiştir. Önleyici bakım uygulaması kapsamında, araçlara yolda kalmadan önce bakım hizmetinin verilmesi ve müşteri memnuniyetinin artırılması planlanmıştır. Bunun için öncelikle müşterileri yolda bırakabilecek kritik öneme sahip araç parçalarının belirlenmesi, daha sonra bu araç parçalarının arızalanma olasılıklarının kapsamlı olarak analiz edilmesi, araç parçaları için önleyici bakım planı oluşturulması ve analizlerden elde edilen sonuçlar ışığında müşterilerin bilgilendirilmesi hedeflenmiştir. Kritik parçalar Çok Kriterli Karar Verme yaklaşımlarıyla belirlenmiştir. Daha sonra kritik parçaların her biri için arızalanma olasılık dağılımları ve parametreleri tespit edilmiş ve araçların yolda kalma olasılıkları belirlenen faktörler açısından hesaplanmıştır. Önleyici bakım planları oluşturulurken müşteri maliyeti, şirket maliyeti, araç yetkili servisinin kapasite kullanımı ve olası diğer tüm faktörler göz önünde bulundurulmuş ve bu faktörlerden en uygun olanları belirlenerek çalışmada kullanılmıştır.
Önerilen bu çok kriterli önleyici bakım yaklaşımı, Ankara’da müşteri memnuniyetini artırmak amacıyla yeni önleyici bakım stratejileri geliştirmeyi hedefleyen bir otobüs ve kamyon firması üzerinde uygulanmıştır. Geçmiş yıllardan alınan ayrıntılı veriler incelenerek öncelikle önleyici bakım için kritik parçalar belirlenmiştir. Daha sonra bu parçalar için araç bazında servis ve yol yardımı verileri incelenmiş ve parçaların güvenilirlikleri üzerine istatistiksel analizler gerçekleştirilmiştir. Bu analizlerin sonuçlarıyla da maliyet ve servis kapasitesi gibi faktörler göz önüne alınarak alternatif bakım planları oluşturulmuştur. Çalışmanın, uygulama yapılan firma ve otomotiv endüstrisinde hizmet veren diğer işletmeler için yüksek müşteri memnuniyetine sahip önleyici bakım planları geliştirilmesi açısından yol gösterici olması hedeflenmektedir
- …
