• 응용통계연구
• /
• 제30권1호
• /
• pp.103-117
• /
• 2017

경시적 자료분석에서 공변량 효과를 추정할 때 반복 측정된 결과들의 상관성은 고려되어야 한다. 따라서 공분산 행렬을 모형화하는 것은 매우 중요하다. 그러나 공분산 행렬의 추정은 모수들의 수가 많고 추정된 공분산행렬이 양정치성을 만족해야 하므로 쉽지 않은 문제이다. 이러한 제한을 극복하기 위해, 공분산행렬의 모형화를 위한 여러가지 방법을 제안하였다: 자기회귀/이동평균/자기회귀-이동평균 구조를 각각 적용한 수정 콜레스키분해 (Pourahmadi, 1999), 이동평균 콜레스키분해 (Zhang과 Leng, 2012)와 자기회귀-이동평균 콜레스키 분해 (Lee 등, 2017) 이들 구조를 가지는 공분산 행렬의 특징을 비교연구하고자 한다. 이 세 가지 모형의 성능을 비교하기 위한 모의실험을 실시한다.

• 응용통계연구
• /
• 제27권6호
• /
• pp.923-932
• /
• 2014

허들모형은 영이 과잉 가산자료를 분석하기 위해서 사용되어 왔다. 이 모형은 이산부분을 위한 로짓모형과 절삭된 가산부분을 위한 절삭된 포아송모형의 혼합모형이다. 이 논문에서 우리는 경시적 영과잉 가산자료를 분석하기 위해서 수정된 콜레스키 분해을 이용하여 일반적인 이분산성을 가지는 변량효과 공분산행렬을 제안한다. 수정된 콜레스키 분해는 변량효과 공분산행렬을 일반화자기상관 모수와 혁신분산모수로 분리되면, 이러한 모수들은 베이지안 일반화 선형모형을 통해 추정된다. 그리고 실제 자료분석을 통하여 설명한다.

• 응용통계연구
• /
• 제35권6호
• /
• pp.703-724
• /
• 2022

다변량 경시적 자료 분석은 반복 측정된 자료에 존재하는 상관관계를 올바르게 추정하면서 자료를 분석해야 한다. 경시적 연구에서는 다변량 경시적 자료가 주로 생성되지만, 기존 통계적 모형은 대부분 단변량으로 분석되어 다변량 경시적 자료에 존재하는 복잡한 상관관계를 제대로 설명하지 못하게 된다. 따라서 본 논문에서는 복잡한 상관관계를 설명하기 위해 공분산 행렬을 모형화하는 다양한 방법에 대해 고찰한다. 그 중 수정된 콜레스키 분해, 수정된 콜레스키 블록분해와 초구분해를 살펴본다. 그리고 일반화 자기회귀모수 행렬이 가지는 희박성 문제를 해결하기 위해 베이지안 방법을 이용하여 청소년 패널 데이터를 분석한다. 청소년 패널 데이터는 다변량 경시적 자료이며, 반응 변수로는 학교 적응도, 학업 성취도, 휴대전화 의존도를 고려한다. 자기 상관 구조와 혁신 표준 편차 구조를 달리 가정하여 여러 모형을 비교한다. 가장 적합한 모형에 대해 학교 적응도와 학업 성취도에 대해 모든 설명 변수가 유의미하며, 휴대전화 의존도가 반응 변수일 때 사교육 시간을 제외한 모든 설명 변수가 유의미한 것으로 나타난다.

• 한국멀티미디어학회논문지
• /
• 제11권11호
• /
• pp.1480-1490
• /
• 2008

무손실 오디오 부호화기에 있어서 선형예측기 및 이에 적합한 엔트로피 부호화기의 설계가 가장 중요한 부분이다. 본 논문에서는 공분산 방법에 콜레스키 분해를 이용하여 선형예측기의 계수를 계산하였고, 그 결과를 다항 예측기와 비교하여 예측 에러가 최소화되는 선형예측기를 선택하도록 하였다. 엔트로피 부호화기는 골롬-라이스 부호를 사용하였고, 골롬-라이스 부호화기의 매개변수를 계산하기 위해 블록기반 매개변수 예측 방법과 LOCO-I, RLGR의 순차 적응 방법을 적용하였다. 실험 결과 블록기반 매개변수 예측 방법과 제안 방식의 예측기를 이용하면 자기상관 방법과 레빈슨-더빈을 사용하는 FLAC 무손실 부호화기보다 $2.2879%{\sim}0.3413%$ 압축률이 향상되는 결과를 나타내었고, 제안 방식의 예측기와 LOCO-I 순차 적응 방법을 이용한 경우는 $2.2381%{\sim}0.0214%$ 압축률이 향상되는 결과를 나타내었다. 그러나 제안 방식의 예측기와 RLGR 순차 적응 방법을 이용한 경우는 특정 신호에서만 압축률이 향상되었다.

• 응용통계연구
• /
• 제26권5호
• /
• pp.747-758
• /
• 2013

공분산 행렬은 다변량 통계분석에서 중요한 역할을 하고 있으며 전통적인 다변량 분석의 경우 표본 공분산 행렬이 참공분산 행렬의 추정량으로 주로 사용되었다. 하지만 변수의 수가 표본의 크기보다 훨씬 큰 고차원 데이터와 같은 경우에는 표본 공분산 행렬은 비정칙행렬이 되어 기존의 다변량 기법을 사용하는 데 적절하지 않을 수가 있다. 최근 이러한 문제점을 해결하기 위해 축소추정, 경계추정, 수정 콜레스키 분해 추정 등의 새로운 공분산 행렬의 추정량들이 제안되었다. 본 논문에서는 추정량들의 성능에 영향을 미칠 수 있는 여러 현실적인 상황들을 가정하여 모의실험을 통해 참공분산 행렬의 추정량들의 성능을 비교하였다.

• 응용통계연구
• /
• 제28권2호
• /
• pp.211-219
• /
• 2015

일반화 선형혼합모델은 일반적으로 경시적 범주형 자료를 분석하는데 사용된다. 이 모델에서 임의효과는 반복 측정치들의 시간에 따른 의존성을 설명한다. 임의효과 공분산행렬의 추정은 여러가지 제약조건들 때문에 쉽지 않은 문제이다. 제약조건으로는 행렬의 모수들의 수가 많으며, 또한 추정된 공분산행렬은 양정치성을 만족하여야 한다. 이러한 제한을 극복하기 위해, 임의효과 공분산행렬의 모형화를 위한 여러가지 방법이 제안되었다: 수정 단냠레스키분해, 이동평균 단냠레스키분해와 부분 자기상관행렬을 이용한 방법이 있다. 이 논문에서 위의 제안된 방법들을 소개한다.

• 응용통계연구
• /
• 제33권3호
• /
• pp.281-296
• /
• 2020

같은 개체로부터 반복 측정한 자료를 경시적 자료(longitudinal data)라고 한다. 이러한 자료를 분석하려면 흔히 사용되는 횡단 자료 분석과는 다른 분석 방법이 필요하다. 즉, 경시적 자료에서 공변량의 효과를 추정할 때에는 반복 측정된 결과 간의 상관성을 고려해야 하며, 따라서 공분산행렬을 모형화 하는 것이 매우 중요하다. 그러나 추정해야 할 모수가 많고, 추정된 공분산행렬이 양정치성을 만족해야 하므로 공분산 행렬의 모형화는 쉽지 않다. 특히 다변량 경시적 자료분석을 위한 공분산행렬의 모형화는 더욱더 심층적인 방법론을 사용해야 한다. 본 논문은 다변량 경시적 자료분석을 위한 공분산행렬을 모형화하기 위해 두 가지 방법론을 고찰한다. 두 방법 모두 수정된 콜레스키 분해(modified Cholesky decomposition)를 이용하여 시간에 따른 응답변수들의 상관관계를 설명하고 있다. 하지만 같은 시간에서 관측된 응답변수들간의 상관관계를 설명하는 방법이 다르다. 첫 번째 방법론에서는 향상된 선형 공분산 모형(enhanced linear covariance models)을 사용하여 공분산행렬이 양정치성을 만족하도록 한다. 두 번째 방법론에서는 분산-공분산 분해(variance-correlation decomposition)와 초구분해(hypersphere decomposition)을 이용하여 공분산 행렬을 모형화 한다. 이 두 방법론의 성능을 비교하고자 모의실험을 진행한다.