• Journal of applied mathematics & informatics
• /
• 제28권3_4호
• /
• pp.913-921
• /
• 2010

The derivative influence measure is adapted to the Cholesky decomposition of a covariance matrix. Formulas for the derivative influence of observations on the Cholesky root and the inverse Cholesky root of a sample covariance matrix are derived. It is easy to implement this influence diagnostic method for practical use. A numerical example is given for illustration.

• Journal of the Korean Statistical Society
• /
• 제33권2호
• /
• pp.233-244
• /
• 2004

The influence of observations is investigated in fitting proportional covariance matrices model. Local influence measures are obtained when all parameters or subsets of the parameters are of interest. We will also derive the local influence measure for investigating the influence of observations in testing the proportionality of covariance matrices. A numerical example is given for illustration.

• Journal of the Korean Data and Information Science Society
• /
• 제21권6호
• /
• pp.1263-1270
• /
• 2010

60명의 환자들을 20명씩3개 그룹으로 나누어 각 그룹마다 다른 종류의 식이요법을 실시한 후 1주 간격으로 5주간에 걸쳐서 콜레스테롤 수치에 대한 반복측정 자료를 얻었다. 해당자료를 바탕으로 적합성여부와 유의성 검정을 실시한 결과 등분산 Toeplitz가 다양한 공분산행렬 형태들 중에서 가장 적합한 공분산구조 모형으로 판명되었다. 이 모형에서는 시점들 간의 상관계수는 0.64-0.78로 대체적으로 높은 상관관계들을 보여주고 있으며, 모수인자들의 유의성검정 결과, 시간효과는 대단히 유의하게 나타났으나, 처리 및 처리와 시간과의 교호작용효과는 유의하지 않은 것으로 판명되었다.

• International Journal of Aeronautical and Space Sciences
• /
• 제3권1호
• /
• pp.19-29
• /
• 2002

Decentralized filtering for a formation flight instrumentation system by INS/GPS integration is considered in this paper. An elaborate tuning method of the measurement noise covariance is suggested to compensate modeling errors caused by decentralizing the extended Kalman filter. It does not require large data transfer between formation vehicles. Covariance analysis exhibits the superior performance of the proposed approach when compared with the existent decentralized filter and the global filter, which has the target-filter performance.

• Communications for Statistical Applications and Methods
• /
• 제20권3호
• /
• pp.235-240
• /
• 2013

Generalized linear mixed models(GLMMs) are frequently used for the analysis of longitudinal categorical data when the subject-specific effects is of interest. In GLMMs, the structure of the random effects covariance matrix is important for the estimation of fixed effects and to explain subject and time variations. The estimation of the matrix is not simple because of the high dimension and the positive definiteness; subsequently, we practically use the simple structure of the covariance matrix such as AR(1). However, this strong assumption can result in biased estimates of the fixed effects. In this paper, we introduce Bayesian modeling approaches for the random effects covariance matrix using a modified Cholesky decomposition. The modified Cholesky decomposition approach has been used to explain a heterogenous random effects covariance matrix and the subsequent estimated covariance matrix will be positive definite. We analyze metabolic syndrome data from a Korean Genomic Epidemiology Study using these methods.

• Communications for Statistical Applications and Methods
• /
• 제25권1호
• /
• pp.61-70
• /
• 2018

Modeling of the random effects covariance matrix in generalized linear mixed models (GLMMs) is an issue in analysis of longitudinal categorical data because the covariance matrix can be high-dimensional and its estimate must satisfy positive-definiteness. To satisfy these constraints, we consider the autoregressive and moving average Cholesky decomposition (ARMACD) to model the covariance matrix. The ARMACD creates a more flexible decomposition of the covariance matrix that provides generalized autoregressive parameters, generalized moving average parameters, and innovation variances. In this paper, we analyze longitudinal count data with overdispersion using GLMMs. We propose negative binomial loglinear mixed models to analyze longitudinal count data and we also present modeling of the random effects covariance matrix using the ARMACD. Epilepsy data are analyzed using our proposed model.

• Communications for Statistical Applications and Methods
• /
• 제29권5호
• /
• pp.591-601
• /
• 2022

In gene set analysis with microarray expression data, a group of genes such as a gene regulatory pathway and a signaling pathway is often tested if there exists either differentially expressed (DE) or differentially co-expressed (DC) genes between two biological conditions. Recently, a statistical test based on covariance estimation have been proposed in order to identify DC genes. In particular, covariance regularization by hard thresholding indeed improved the power of the test when the proportion of DC genes within a biological pathway is relatively small. In this article, we compare covariance thresholding methods using four different regularization penalties such as lasso, hard, smoothly clipped absolute deviation (SCAD), and minimax concave plus (MCP) penalties. In our extensive simulation studies, we found that both SCAD and MCP thresholding methods can outperform the hard thresholding method when the proportion of DC genes is extremely small and the number of genes in a biological pathway is much greater than a sample size. We also applied four thresholding methods to 3 different microarray gene expression data sets related with mutant p53 transcriptional activity, and epithelium and stroma breast cancer to compare genetic pathways identified by each method.

• 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.

• 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.

• 디지털융복합연구
• /
• 제13권10호
• /
• pp.121-133
• /
• 2015

본 튜토리얼은 R을 이용하여 공분산 기반의 구조방정식모델링을 수행하는 방법을 제시하고 있다. 이를 위해 본 튜토리얼에서는 기존 연구들에 대한 리뷰를 통해 공분산 기반의 구조방정식모델링을 위한 기준들을 정의하고, 하나의 예시 연구모형을 제시하여 공분산 기반의 구조방정식모델링을 지원하는 R 패키지인 "lavaan"을 이용하여 이 예시 모형을 분석하는 것을 보여준다. 결과물로 본 튜토리얼에서는 예시모형을 대상으로 한 R을 이용한 공분산 기반의 구조방정식모델링 기법과 실습 스크립트가 제시되었다. 본 튜토리얼은 공분산 기반의 구조방정식모델링을 처음 접하는 연구자들에게는 연구모형을 구조방정식 모델링으로 분석하는데 유용한 가이드가 될 것이며, 이미 공분산 기반의 구조방정식모델링에 익숙한 연구자들에게는 R을 이용한 새로운 공분산 기반의 구조방정식모델링 분석기법 제시를 통하여 R이라는 통합된 통계 소프트웨어 운영환경에서 심도 있는 연구를 위한 기반 지식을 제공할 것이다.