User comparison of various multivariation statistic analysis tools applied for sex determination based on skeleton in forensic anthropology.

Odhad pohlaví je nejdůležitější částí identifikačního procesu, na základě kterého můžeme postupovat k zjištění dalších parametrů biologického profilu jedince. Metody, které pro odhad pohlaví používáme, musejí být snadno aplikovatelné, měly by mít nízkou inter a intra observační chybu a měly by být použitelné na širokou skupinu jedinců bez rozdílu původu. Na základě rozboru literatury, která uvádí užití znaků na kostře ke klasifikaci podle pohlaví, jsme zjistili, že nejvíce používaným statistickým nástrojem je diskriminační analýza. Existují, ale i další statistické analýzy, které by mohly být pro odhad pohlaví využity a v některých ohledech mají i nižší požadavky na testovaný soubor. Proto jsme se rozhodli srovnat tři různé statistické nástroje používané pro odhad pohlaví (diskriminační analýzu, logistickou regresi a K-means). Použili jsme dva soubory dospělých jedinců známého věku a pohlaví z odlišných populací. Jednalo se o portugalskou populaci z referenčního souboru Coimbra (60 jedinců) a thajskou populaci s referenčního souboru Chiang-Mai (70 jedinců), na kterých jsme měli k dispozici naměřené hodnoty na pravé pánevní kosti (16 rozměrů) a na lebce (15 rozměrů). Vytvořili jsme tři různé výběry rozměrů (výběr podle směrodatné odchylky, výběr podle Wilksovy lambdy a empirický výběr) pro pánevní kost a lebku. Výsledky na pánevní kosti nám potvrdily, že diskriminační analýza je nejvíce vhodným nástrojem pro odhad pohlaví vzhledem k její vysoké úspěšnosti (98-100 %). Spolehlivost klasifikačních pravidel vytvořených podle diskriminační funkce byla až na jeden případ dostatečná a neklesla o více než 5 %. Na základě výsledků úspěšnosti na portugalském souboru bychom doporučili pro odhad pohlaví podle lebky logistickou regresi (88-92 %), ale pouze v případě aplikace klasifikačního pravidla na jedné populaci, protože metoda je populačně specifická.Katedra antropologieObhájenoSex estimation is the most important part of identification process of skeletal remains. On the basis of the estimation, we continue to identify additional parameters of the biological profile. We have to use methods that are easily applicable and have low inter and intra observer error. Methods must also be applicable to a wide group of individuals without distinction of origin. The analysis of literature featuring the use of patterns on skeleton for classification according to sex has shown that the most widely used statistical tool is the discriminant analysis. There are also other statistical analysis methods published in the literature which could be used for sex estimation and in some aspects these have lower requirements on the tested sample. That is the reason why we have decided to compare three different statistical tools applied for sex estimation (discriminant analysis, logistic regression and K-means). We worked with two sets of adults from two different populations, where the age and the sex of each individual is known. The populations concerned are the Portuguese population from the reference sample of Coimbra (60 individuals) and the Thai population from the reference sample of Chiang-Mai (70 individuals). We had measured values of the right pelvic bone (16 dimensions) and of the skull (15 dimensions) at our disposal. We created three different selections of dimensions (selection according standard deviation and choice by Wilks lambda and empirical choice) of the pelvic bone and the skull. The results in the case of pelvic bones confirmed that the discriminant analysis is the most appropriate tool for sex estimation due to its high success rate (98-100 %). Reliability of classification rules generated by discriminant function was sufficient and did not drop by more than 5 % except for one case. Based on the results of accuracy in the Portugal sample we recommend using the logistic regression for sex estimation from the skull (88-92 %). The classification tool has a low reliability, which is the reason why it can be applicable only in scope of a single population and that is why the method is population specific