Browsing by study line "Samhällsdatavetenskap"
Now showing items 1-2 of 2
-
(2023)Tässä tutkielmassa keskitytään vuonna 2003 ensi kertaa ilmestyneen suomalainen rahapelaaminen-tutkimussarjan viimeisimpään, vuonna 2019 ilmestyneeseen osaan Rahapelitutkimus 2019. Rahapelitutkimus 2019 selvittää suomalaisten rahapelien pelaamista, rahapelien pelaamisen useutta, pelaamiseen käytettyjä rahamääriä ja mielipiteitä ongelmapelaamisesta. Tutkittava kyselytutkimus on laaja ja sisältää useita muuttujia. Tutkielmassa on tarkasteltu rahapelaamista lineaaristen regressiomallien kautta ja kiinnitetty erityistä huomiota lineaaristen mallien diagnostiikkaan. Mallien diagnostiikkana toimi erilaiset visuaaliset tarkastelut, kuten kvantiilikuvaajat ja Cookin etäisyys. Selitettäväksi muuttujaksi on valittu vuodessa rahapelattu määrä euroissa. Selittäviksi muuttujiksi on valittu vastaajan sukupuoli, alkoholin käytön määrä ja koulutustaso. Näistä on saatu neljä tilastollista mallia, jossa ensin tarkastellaan muuttujien yhteyttä yksin ja tämän jälkeen muuttujat on yhdistetty yhdeksi malliksi. Tutkielmassa havaittiin, että rahapeleihin käytetty rahamäärä on keskimäärin suurempi miehillä kuin naisilla. Myös havaittiin, että rahapelattu määrä keskimäärin kasvaa kun alkoholiannokset kasvavat käyttökertaa kohden. Tutkielmassa ei havaittu, että vastaajan koulutustason nousu 1. asteelta toiselle asteelle vaikuttaisi keskimääräisesti rahapeleihin käytettyyn rahamäärään, mutta rahapelaaminen väheni keskimäärin, kun vastaaja oli suorittanut alemman tai ylemmän korkeakoulututkinnon.
-
(2023)The self-organizing map (SOM) is a form of unsupervised neural network and a method for data analysis that allows reducing the dimensionality of data, exploring the variation and dependencies between variables and presenting their similarity relations. Being a powerful visualization instrument and having a strong disposition for clustering, the self-organizing map could be implemented to the analysis of survey data, particularly, collected with the questionnaires. This thesis provides a relevant example of dealing with the limited size mixed survey data set. The self-organizing map algorithm is implemented to analyze the data obtained from the faculty well-being project organized at the Faculty of Social Sciences in the University of Helsinki. The set of experiments utilize the self-organizing map algorithm to explore a possible clustering structure of the data and identify the profiles of the survey participants. Each of three experiments illustrates different variable encoding approaches for the sets of closed background and Likert scale questions. The largest number of the profiles was obtained from the final experiment. Four out of seven profiles represent clusters of the individuals with mainly neutral, negative or very negative experiences related to the well-being at the faculty. The data analysis experiments also illustrate the possible challenges of the SOM method implementation to survey data. The existence of categorical variables, the necessity of choosing a set of parameters for the SOM training and dealing with the missing values are discussed as main challenges of the SOM implementation to survey data analysis using the R package “kohonen”.
Now showing items 1-2 of 2