• Communications for Statistical Applications and Methods
• /
• 제8권3호
• /
• pp.777-786
• /
• 2001

The autoregressive models have been used to describe a wade variety of time series. Then the problem of determining the order in the times series model is very important in data analysis. We consider the Bayesian approach for finding the order of autoregressive(AR) error models using the latent variable which is motivated by Tanner and Wong(1987). The latent variables are combined with the coefficient parameters and the sequential steps are proposed to set up the prior of the latent variables. Markov chain Monte Carlo method(Gibbs sampler and Metropolis-Hasting algorithm) is used in order to overcome the difficulties of Bayesian computations. Three examples including AR(3) error model are presented to illustrate our proposed methodology.

• 대한전기학회논문지
• /
• 제41권9호
• /
• pp.1051-1059
• /
• 1992

In this paper, two general methods using time-series analysis in the functional separation of the myoelectric signal of human arm movements are developed. Autocorrelation, covariance method and sequential least squares algorithm were used to determine the model parameters and the order of signal model to describe six arm movement patterns` the forearm flexion and extension, the wrist pronation and supination, rotation-in and rotation-out. The confidence interval to classify the functions of arm movement was defined by the mean and standard deviation of total squared error. With the error signals of autoregressive(AR) model, the result showed that the highest success rate was obtained in the case of 4th order, and success rate was decreased with increase of order. Autocorrelation was the method of choice for better success rate. This technique might be applied to biomedical and rehabilitation engineering.

• Communications for Statistical Applications and Methods
• /
• 제3권2호
• /
• pp.77-83
• /
• 1996

This paper is concerned with an estimation problem for the AR(1) process $Y_t, t=0, {\pm}1, {\cdots}$with time carying autoregressive coefficient, where coefficient itself is also stochastic process. Attention is directed to the problem of finding a consistent estimator of ${\Phi}$, the mean level of autoregressive coefficient. The asymptotic distribution of the resulting consistent estimator of ${\Phi}$, is them discussed. We do not assume any time series model for the time varying autoregressive coefficient.

• 응용통계연구
• /
• 제18권3호
• /
• pp.627-637
• /
• 2005

시계열 모형과 공간통계 모형이 결합된 공간 시계열 모형에 관한 많은 연구가 발표되고 있다. 최근 de Luna와 Genton(2003, 2005)은 공간 시계열 모형을 이용한 실업률의 소지역 추정을 발표하는 등 공간 시계열 기법을 이용한 소지역 추정방법의 연구도 빠르게 진행되고 있다. 본 논문에서는 공간 시계열 모형을 이용한 소지역 추정기법을 설명하고 이 기법과 신기 일과 이상은(2003)이 발표한 공간모형을 이용한 소지역 추정을 비교하였다.

• 한국소음진동공학회논문집
• /
• 제25권12호
• /
• pp.888-894
• /
• 2015

A new method for the simulation of the vehicle's interior road noise is proposed in the present study. The road noise model can synthesize road noise of a vehicle for varying driving speed within a range. In the proposed method, interior road noise is considered as a stochastic time-series, and is modeled by a nonstationary parametric model via two steps. First, each interior road noise signal, obtained from constant speed driving tests performed within a range of speed, is modeled as an autoregressive model whose parameters are estimated by using a standard method. Finally, the parameters obtained for different driving speeds are interpolated based on the varying driving speed to yield a time-varying autoregressive model. To model a full band road noise, audible frequency range is divided into an octave band using a wavelet filter bank, and the road noise in each octave band is modeled.

• 지능정보연구
• /
• 제19권1호
• /
• pp.1-17
• /
• 2013

본 연구에서는 시계열 예측을 위해 선형 모형과 비선형 모형의 하이브리드 모형 및 순수 모형의 성과를 비교 평가하였다. 이를 위해 5가지 서로 다른 패턴을 가지는 데이터를 생성하여 시뮬레이션을 진행하였다. 본 연구에서 고려한 선형 모형은 AR(autoregressive model)과 SARIMA(seasonal autoregressive integrated moving average model)이고 비선형 모형은 인공신경망(artificial neural networks model)과 GAM(generalized additive model)이다. 특히, GAM은 여러 장점에도 불구하고 시계열 예측을 위한 비선형 모형으로 기존 연구들에서는 거의 쓰이지 않았던 모형이다. 시뮬레이션 결과, seasonality를 가지는 시계열에 대해서는 AR 및 AR-AR 모형이, trend를 가지는 시계열에 대해서는 SARIMA 및 SARIMA와 다른 모형의 하이브리드 모형이 다른 모형에 비해 높은 성과를 보였다. 한편, 인공신경망과 GAM을 비교하면, 트렌드와 계절성이 더해진 시계열에 대해 SARIMA와 GAM의 하이브리드 모형이 거의 모든 노이즈(noise) 수준에 대해 높은 성과를 보인 반면, 노이즈 수준이 미미한 경우에 한해 SARIMA와 인공신경망의 하이브리드 모형이 높은 성과를 보였다.

• 자원환경지질
• /
• 제50권4호
• /
• pp.267-276
• /
• 2017

전라남도는 연안지역은 농업활동과 상수도의 미보급으로 인하여 지하수에 크게 의존하고 있다. 지하수의 과다사용은 지하수위 저하를 일으키며 그로 인한 해수침투가 발생할 가능성이 매우 높다. 따라서 지하수 사용에 따른 해수침투 관리가 매우 필요한 지역이다. 전라남도 무안군의 연안암반대수층에서 측정된 EC 자료를 이용하여 해안가 대수층에 적합한 시계열 모형을 구축하고, 해수침투의 지표인 EC를 예측하고자 시계열 분석을 수행하였다. 1년 이상 측정한 EC 시계열 자료는 짧은 주기적인 변동과 함께 추세적으로 증가하는 비정상 시계열의 특성을 보였다. 시계열 분석을 통해 시계열 모형 식별 결과 ARIMA 모형과 계절적인 요인을 고려 할 수 있는 SARIMA 모형 이 적합한 것으로 나타났다. 하지만 두 모형 적용한 결과, EC의 주기적인 변동으로 인해 ARIMA보다는 EC 자료의 변동 특성을 잘 반영한 SARIMA 모형이 예측에 있어서 유리한 것으로 나타났다. 위와 같이 시계열 분석은 암반 대수층에서 해수침투로 인한 EC의 변화를 예측하는데 있어 유용한 것으로 나타났다.

• 응용통계연구
• /
• 제37권3호
• /
• pp.297-309
• /
• 2024

본 논문에서는 자기회귀 신경망 모형과 지수평활법을 결합(NNARX+ETS 모형)하고 그 성능을 평가한다. 제안된 결합 모형은 시계열 자료를 예측하기 위하여 NNARX 모형의 외생변수로서 ETS 모형의 구성 성분을 활용한다. 이 모형의 주요 아이디어는, 신경망 모형이 원시계열 자료의 과거 시차만을 고려하는 것을 한계를 넘어서서 전통적 시계열 예측 방법인 지수평활법에 의해서 추출된 정제된 시계열 구성 성분까지도 추가로 신경망 모형의 입력값으로 사용하는 것이다. 예측 성능 평가는 2가지 실제 시계열 자료를 사용하였으며 제안된 모형을 NNAR 모형 및 전통적 시계열 분석 방법인 ETS와 ARIMA 모형과 비교하였다.

• Journal of the Korean Data and Information Science Society
• /
• 제26권2호
• /
• pp.487-493
• /
• 2015

Time series data sometimes show violation of normal assumptions. For cases where the assumption of normality is untenable, more exible models can be adopted to accommodate heavy tails. The exponential power distribution (EPD) is considered as possible candidate for errors of time series model that may show violation of normal assumption. Besides, the use of exible models for errors like EPD might be able to conduct the robust analysis. In this paper, we especially consider EPD as the exible distribution for errors of autoregressive models. Also, we represent this distribution as scale mixture of uniform and this form enables efficient Bayesian estimation via Markov chain Monte Carlo (MCMC) methods.

• Communications for Statistical Applications and Methods
• /
• 제7권1호
• /
• pp.87-96
• /
• 2000

Nonlinear time series prediction is derived and compared between statistic of modeling and neural network method. In particular mean squared errors of predication are obtained in generalized random coefficient model and generalized autoregressive conditional heteroscedastic model and compared with them by neural network forecasting.