Communications for Statistical Applications and Methods

  • 제16권2호
  • /
  • Pages.265-275
  • /
  • 2009
  • /
  • 2287-7843(pISSN)
  • /
  • 2383-4757(eISSN)
한국통계학회 (The Korean Statistical Society)
권호 표지
DOI QR코드

DOI QR Code

오차항이 SAR(1)을 따르는 공간선형회귀모형에서 일반화 최대엔트로피 추정량에 관한 연구

Generalized Maximum Entropy Estimator for the Linear Regression Model with a Spatial Autoregressive Disturbance

  • 전수영 (고려대학교 세종캠퍼스 경제통계 산학협력단) ;
  • 임성섭 (하나은행)
  • Cheon, Soo-Young (KU Industry-Academy Cooperation Group Team of Economics and Statistics, Korea Univ.) ;
  • Lim, Seong-Seop (Personal Risk Management Team, Hana Bank)
  • 발행 : 2009.03.30
PDF 다운로드
⟨ 이전 논문 다음 논문 ⟩

초록

지역적 공간의 특성을 고려한 공간선형회귀모형을 다루는 대부분의 연구들에서 사용되고 있는 자료는 완전한 상태임을 고려하고 있다. 하지만 공간선형회귀모형을 정확히 추론함에 있어서 완전한 자료가 사용 가능한 경우는 그다지 많지가 않은 것이 현실이다. 만약 이러한 상황을 고려하지 않고 통계적 추론을 할 경우 잘못된 결론이 도출될 수 있다. 본 연구에서는 오차항이 일차 공간자기상관을 따르는 공간선형회귀모형에서 자료가 불완전한 상태 일 경우 일반화 최대엔트로피 형식을 이용하여 미지의 모수를 추정하는 방법을 제안하였고 몬테카를로 모의실험을 통하여 여러 전통적인 추정량들과 효율성을 비교하였다. 그 결과, 자료가 불완전한 상태에서 일반화 최대엔트로피 추정량이 다른 추정방법들에 비해 효율적인 추정치를 제공하였다.

This paper considers a linear regression model with a spatial autoregressive disturbance with ill-posed data and proposes the generalized maximum entropy(GME) estimator of regression coefficients. The performance of this estimator is investigated via Monte Carlo experiments. The results show that the GME estimator provides efficient and robust estimate for the unknown parameter.

키워드

참고문헌

  1. 송석헌, 전수영 (2006). 패널회귀모형에서 최대엔트로피 추정량에 관한 연구, <응용통계연구>, 19, 521-534 https://doi.org/10.5351/KJAS.2006.19.3.521
  2. 이재준 (2002). 오차항이 공간자기상관을 갖는 선형회귀모형에서 회귀계수 검정에 관한 연구, <고려대학교 석사학위 논문>
  3. Anselin, L. and Bera, A. (1998). Spatial Dependence in Linear Regression Model with an Introduction to Spatial Econometrics, Handbook of Applied Economic Statistics, New York
  4. Anselin, L. (2002). Under the hood: Issues in the specification and interpretation of spatial regression models, Agricultural Economics, 27, 247-267 https://doi.org/10.1016/S0169-5150(02)00077-4
  5. Belsley. D. (1991). Conditioning Diagnostics: Collinearity and Weak Data in Regression, John Wiley & Sons, New York
  6. Cliff, A. D. and Ord, J. K. (1973). Spatial Autocorrelation, Pion, London
  7. Dubin, R. A. (1998). Spatial autocorrelation: A primer, Journal of Housing Economics, 7, 304-327 https://doi.org/10.1006/jhec.1998.0236
  8. Golan, A. (1994). A multi-variable stochastic theory of size distribution of firms with empirical evidence, Advances in Econometrics, 10, 1-46
  9. Griffith, D. A. (1988). Advanced Spatial Statistics: Special Topics in the Exploration of Quantitative Spatial Data Series, Kluwer Academic Publishers
  10. Judge, G. G. and Golan, A. (1992). Recovering information in the case of ill-posed inverse problems with noise, Unpublished paper, University of California at Berkeley
  11. Kelejian, H. H. and Prucha, I. R. (1998). A generalized spatial two-stage least squares procedure for estimating a spatial autoregressive model with autoregressive disturbances, The Journal of Real Estate Finance and Economics, 17, 99-121 https://doi.org/10.1023/A:1007707430416
  12. Kelejian, H. H. and Prucha, I. R. (1999). A generalized moments estimator for the autoregressive parameter in a spatial model, International Economic Review, 40, 509-533 https://doi.org/10.1111/1468-2354.00027
  13. Moulton, B. R. (1986). Random group effects and the precision of regression estimates, Journal of Econo-metrics, 32, 385-397 https://doi.org/10.1016/0304-4076(86)90021-7
  14. Tobler, W. R. (1970). A computer movie simulating urban growth in the Detroit region, Economic Geography, 46, 230-240

피인용 문헌

  1. A Comparative Study on Spatial Lattice Data Analysis - A Case Where Outlier Exists - vol.17, pp.2, 2010, https://doi.org/10.5351/CKSS.2010.17.2.193