Comparison of clustering methods for longitudinal data

Panelová (longitudinální) data kombinují vlastnosti průřezových dat a časových řad. Jsou to soubory několika (desítky, stovky, tisícovky atd.) objektů (případně s několika sledovanými statistickými znaky), které jsou sledovány napříč časem. Výhodou je kombinace jak průřezového pohledu, který dovoluje porovnávat objekty mezi sebou, tak i pohledu skrz čas, což umožňuje pozorovat dlouhodobější vývoj proměnných. Tato diplomová práce se zabývá shlukovou analýzou panelových (longitudinálních) dat. Shluková analýza může být použita jako samostatný úkol explorativní analýzy nebo být dílčí častí jiné analýzy (v případě regresní analýzy panelových dat může být použita jako ji první krok pro zpřesnění odhadů regresních parametrů).V teoretické části jsou popsány různé datové typy a jsou vymezena data panelová, čím se liší od časových řad a průřezových dat a úskalí analýzy panelových studií. Dále je popsána motivace shlukování panelových dat a diskutovány přístupy shlukování. Jsou představeny dva proudy: modelový přístup a přístup založený na charakteristikách dat. Skupinu modelových přístupů zastupují algoritmy MixAK a longclust a skupinu přístupů založených na charakteristikách dat zastupují algoritmy kml a CluMP. V praktické částí jsou mezi sebou porovnány tyto čtyři metody. Porovnání je provedeno pomocí simulační studie v systému R. Pro tyto účely byl vytvořen Rkový kód pro generování umělých panelových dat napodobujících trajektorie genové exprese. Součástí práce je i kód pro simulaci shlukování a následující vizualizaci výsledků pomocí algoritmů MixAK, longclust, kml a CluMP. Jsou diskutovány výsledky simulace, výhody a nevýhody různých metod.