Hyppää sisältöön
    • Suomeksi
    • På svenska
    • In English
  • Suomeksi
  • In English
  • Kirjaudu
Näytä aineisto 
  •   Etusivu
  • LUTPub
  • Diplomityöt ja Pro gradu -tutkielmat
  • Näytä aineisto
  •   Etusivu
  • LUTPub
  • Diplomityöt ja Pro gradu -tutkielmat
  • Näytä aineisto
JavaScript is disabled for your browser. Some features of this site may not work without it.

Analysis of survey data by numerical modelling

Hyvärinen, Arna (2020)

Katso/Avaa
thesis.pdf (1.464Mb)
Lataukset: 


Diplomityö

Hyvärinen, Arna
2020

School of Engineering Science, Laskennallinen tekniikka

Kaikki oikeudet pidätetään.
Näytä kaikki kuvailutiedot
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi-fe2020110989725

Tiivistelmä

Analysing survey data poses a challenge of often being based on human feelings, which cannot be measured by objective numerical values. The Finnish Institute of Occupational Health has formulated a survey to measure the cognitive ergonomy of the workplace.

In this thesis, the survey data is analysed by means of Principal Component Analysis. These results are compared to analysis results of Probabilistic Principal Component Analysis and L1-norm Principal Component Analysis. The added value of Principal Compo- nent Analysis is producing clear visualisations, which helps with explaining the results.

Survey data is often riddled with missing values, the handling of which by data imputation is discussed. Different methods of analysis have different capabilities, and they compute differently if at all in the presence of missing values.

In conclusion, survey data analysis can be performed using different methods, and due to the nature of the data, results may vary.
 
Kyselydata-analyysi koskee usein pehmeitä arvoja kuten tunteita, joita ei välttämättä voi esittää suoraan numeerisesti. Tämä tekee kyselydata-analyysistä haastavaa. Työterveyslaitos on valmistanut työn kognitiivista ergonomiaa mittaavan kyselyn.

Tässä työssä kyselydataa analysoidaan pääkomponenttianalyysin keinoin. Tuloksia vertaillaan todennäköisyyspääkomponenttianalyysin ja L1-normipääkomponenttianalyysin tuloksiin. Pääkomponenttianalyysin hyöty tulee selkeistä visualisaatioista, joilla tulokset on helppo selittää.

Kyselydatassa on usein paljon puuttuvia arvoja. Näiden käsittelyä pohditaan. Eri analyysikeinot omaavat erilaisia vahvuuksia ja rajoituksia, ja ne käyttäytyvät eri lailla puuttuvien arvojen suhteen.

Kyselydata-analyysia voidaan suorittaa eri tavoin, ja datan luoneen takia tulokset voivat eritä.
 
Kokoelmat
  • Diplomityöt ja Pro gradu -tutkielmat [11668]
LUT-yliopisto
PL 20
53851 Lappeenranta
Ota yhteyttä | Tietosuoja | Saavutettavuusseloste
 

 

Tämä kokoelma

JulkaisuajatTekijätNimekkeetKoulutusohjelmaAvainsanatSyöttöajatYhteisöt ja kokoelmat

Omat tiedot

Kirjaudu sisäänRekisteröidy
LUT-yliopisto
PL 20
53851 Lappeenranta
Ota yhteyttä | Tietosuoja | Saavutettavuusseloste