지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학술저널
- 저자정보
- 발행연도
- 2020.9
- 수록면
- 721 - 740 (20page)
- DOI
- 10.7465/jkdi.2020.31.5.721
이용수
이 논문의 연구 히스토리 (2)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
다변량 경시적 자료에서 반복 측정된 자료들 사이에는 응답변수들 간의 세 가지 형태의 상관관계가 존재한다: 다른 시점에서 다른 반응변수들 간의 상관관계, 다른 시점에서의 동일한 반응변수들 간의 상관관계, 그리고 같은 시점에서의 반응변수들 간의 상관관계. 따라서 다변량 경시적 자료분석에서는 이러한 상관관계들을 모두 가지는 공분산행렬을 고려하여 모형화하는 것이 중요하다. 하지만 이러한 공분산행렬은 양정치성 (positive definiteness)을 만족해야 하고, 때로는 이분산성 (heteroge-neous)을 가질 수 있다. 또한 반복 측정 횟수가 증가함에 따라 공분산행렬의 모수의 수는 기하급수적으로 증가하여 추정하기가 쉽지 않다. 이 어려움들을 해결하기 위해 자기회귀 (autoregressive) 구조, 자기회귀-이동평균 (autoregressive-moving average) 구조를 가지는 공분산 행렬의 모형화 방법이 제안되었다. Lee 등 (2020)과 Lee 등 (2019)은 다변량 경시적 자료분석에서 각각 자기회귀 구조와 자기회귀-이동평균 구조의 공분산 행렬을 분해방법을 제안하였고, 또한 이러한 분석방법으로 추정된 공분산행렬은 항상 양정치성을 만족하고, 이분산성을 가질 수 있다. 본 논문에서는 이 두 방법을 모의실험을 통하여 서로 비교하고자 한다.
목차
요약
1. 서론
2. 다변량 경시적 자료분석을 위한 선형모형
3. 모의실험
4. 결론
References
Abstract
참고문헌 (9)
참고문헌 신청
Chiu, T. Y. M. / 1996 / The matrix - Logarithmic covariance model / Journal of the American Statistical Association 91:198~210
Kim, C. / 2012 / Unconstrained models for the covariance structure of multivariate longitudinal data / Journal of Multivariate Analysis 107:104~118
Lee, K. / 2017 / ARMA cholesky factor models for the covariance matrix of linear models / Computiational Statistics & Data Analysis 115:267~280
Lee, K / 2020 / Estimation of covariance matrix of multivariate longitudinal data using modified Choleksky and hypersphere decompositions / Biometrics 76:75~86
Lee, K. / 2019 / Analysis of multivariate longitudinal data using ARMA Cholesky and hypersphere decompositions
Kim, C. / 2012 / Unconstrained models for the covariance structure of multivariate longitudinal data / Journal of Multivariate Analysis 107:104~118
Lee, K. / 2017 / ARMA cholesky factor models for the covariance matrix of linear models / Computiational Statistics & Data Analysis 115:267~280
Lee, K / 2020 / Estimation of covariance matrix of multivariate longitudinal data using modified Choleksky and hypersphere decompositions / Biometrics 76:75~86
Lee, K. / 2019 / Analysis of multivariate longitudinal data using ARMA Cholesky and hypersphere decompositions
함께 읽어보면 좋을 논문
논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!
-
다변량 경시적 자료 분석을 위한 공분산 행렬의 모형화 비교 연구
응용통계연구
2020 .06
-
일반 선형 모형에 대한 공분산 행렬의 비교
응용통계연구
2017 .02
-
경시적 자료에서 공분산 행렬의 모형화 방법 비교 연구
한국데이터정보과학회지
2023 .03
-
다변량 선형모형을 이용한 노동패널자료 분석
한국데이터정보과학회지
2020 .07
-
베이지안 다변량 선형모형의 비교 연구
한국데이터정보과학회지
2022 .03
-
일반화 선형혼합모형의 임의효과 공분산행렬을 위한 모형들의 조사 및 고찰
응용통계연구
2015 .04
-
베이지안 다변량 선형 모형을 이용한 청소년 패널 데이터 분석
응용통계연구
2022 .12
-
강건한 프로빗 선형 혼합모형을 이용한 고령화연구패널조사 자료 분석
한국데이터정보과학회지
2022 .07
-
통계모형을 이용하여 모의실험 결과 분석하기에 대한 보완연구
응용통계연구
2022 .08
-
Marginalized random effects models with ARMA random effects covariance matrix
한국데이터정보과학회지
2018 .03
-
Poisson linear mixed models with ARMA random effects covariance matrix
한국데이터정보과학회지
2017 .07
-
Negative binomial loglinear mixed models with general random effects covariance matrix
CSAM(Communications for Statistical Applications and Methods)
2018 .01
-
Dynamic linear mixed models with ARMA covariance matrix
CSAM(Communications for Statistical Applications and Methods)
2016 .11
-
Bayesian modeling of random effects precision/covariance matrix in cumulative logit random effects models
CSAM(Communications for Statistical Applications and Methods)
2017 .01
-
결합 다단계 일반화 선형모형을 이용한 다변량 경시적 자료 분석
응용통계연구
2015 .04
-
함수형 시공간 기법을 활용한 지표면 온도의 변화점 분석
Journal of The Korean Data Analysis Society
2024 .02
-
Bayesian baseline-category logit random effects models for longitudinal nominal data
CSAM(Communications for Statistical Applications and Methods)
2020 .03
-
다변량 t-선형모형을 이용한 조세재정 패널데이터 분석
한국데이터정보과학회지
2022 .01
-
완전 연결 심층신경망을 이용한 비선형 다변량 회귀분석에 관한 연구
한국데이터정보과학회지
2022 .09
-
Modeling of random effects covariance matrix in marginalized random effects models
한국데이터정보과학회지
2016 .06
이 논문의 저자 정보
최근 본 자료
댓글(0)
0
UCI(KEPA) : I410-ECN-0101-2020-041-001280687