DOI QR코드

DOI QR Code

분산성분모형에서 요인의 배치구조가 모형선택법에 미치는 영향에 대한 실험연구

Effect of Experimental Layout on Model Selection under Variance Components Models: A Simulation Study

  • 이용희 (서울시립대학교 통계학과)
  • Lee, Yonghee (Department of Statistics, University of Seoul)
  • 투고 : 2015.09.14
  • 심사 : 2015.10.14
  • 발행 : 2015.10.31

초록

분산성분모형은 다양한 임의 요인들이 반응변수에 미치는 영향을 선형식의 형태로 나타내는 매우 유용하고 널리 사용되는 통계적 모형이다. 분산성분모형은 요인의 배치나 관측 자료의 구조에 따라 크게 교차배치와 지분배치로 나누어진다. 본 논문은 분산성분모형에서 요인의 배치구조와 분산성분의 크기에 따라 모형선택법의 경험적인 성질이 다르게 나타나는 현상을 체계적인 모의실험을 통하여 제시하고자 한다. 이원배치 분산성분모형에서 정보기준에 근거한 모형선택법, 즉 BIC 또는 AIC를 사용하는 경우 요인의 배치구조와 분산성분의 크기에 따라 모형선택법의 경험적인 성질이 다르게 나타나는 현상을 소규모 모의실험을 통하여 보여준다. 모의실험 결과에서 모형선택법의 경험적 성질이 요인의 배치 설계에 따라 다르게 나타난다는 사실을 확인하였으며 특히 요인의 배치구조가 지분 설계구조일때 내포된 요인의 분산성분의 상대적인 크기가 커짐에 따라 자료를 생성하는 모형보다 작은 모형을 선택하는 경향이 있다는 것이 모의실험으로 확인되었다.

Variance components models incorporate various random factors in the form of linear models. There are two experimental Layouts for the classification of factors under variance components models: nested classification and crossed classification. We consider two-way variance components models and investigate the effect of experimental Layout on the performance of model selection criteria AIC and BIC. The effect of experimental Layout is studied through a simulation study with various combinations of parameters in a systematic fashion. The simulation study shows differences in performance of model selection methods between the two classification. There is a particular tendency to prefer the smaller model than the true model when the variance component of a nested factor becomes relatively larger than a nesting factor that is persistent even when the sample size is not small.

키워드

참고문헌

  1. Akaike, H. (1973). Information theory and an extension of the maximum likelihood principle, Second International Symposium on Information Theory, 267-281, Akademiai Kiado, Budapest.
  2. Chen, Z. and Dunson, D. B. (2003). Random effects selection in linear mixed models, Biometrics, 59, 762-769. https://doi.org/10.1111/j.0006-341X.2003.00089.x
  3. Crainiceanu, C. M. and Ruppert, D. (2004). Likelihood ratio tests in linear mixed models with one variance component, Journal of the Royal Statistical Society: Series B (Statistical Methodology), 66, 165-185. https://doi.org/10.1111/j.1467-9868.2004.00438.x
  4. Dimova, R. B., Markatou, M. and Talal, A. H. (2011). Information methods for model selection in linear mixed effects models with application to HCV data, Computational Statistics and Data Analysis, 55, 2677-2697. https://doi.org/10.1016/j.csda.2010.10.031
  5. Greven, S. and Kneib, T. (2010). On the behaviour of marginal and conditional AIC in linear mixed models, Biometrika, 97, 773-789. https://doi.org/10.1093/biomet/asq042
  6. Lee, Y. (2015). A note on performance of conditional Akaike Information Criteria in linear mixed models. Communications of the Korean Statistical Society, Accepted.
  7. Muller, S., Scealy, J. L. and Welsh, A. H. (2013). Model selection in linear mixed models, Statistical Science, 28, 135-167. https://doi.org/10.1214/12-STS410
  8. Pauler, D. K., Wakefield, J. C. and Kass, R. E. (1999). Bayes factors and approximations for variance component models, Journal of the American Statistical Association, 94, 1242-1253. https://doi.org/10.1080/01621459.1999.10473877
  9. Pinheiro, J. and Bates, D. (2006). Mixed-effects models in S and S-PLUS, Springer Science and Business Media.
  10. Saville, B. R. and Herring, A. H. (2009). Testing random effects in the linear mixed model using approximate Bayes factors, Biometrics, 65, 369-376. https://doi.org/10.1111/j.1541-0420.2008.01107.x
  11. Searle, S. R., Casella, G. and McCulloch, C. E. (1992). Variance Components, 391, John Wiley & Sons.
  12. Stram, D. O. and Lee, J. W. (1994). Variance components testing in the longitudinal mixed effects model, Biometrics, 50, 1171-1177. https://doi.org/10.2307/2533455
  13. Vaida, F. and Blanchard, S. (2005). Conditional Akaike information for mixed-effects models, Biometrika, 92, 351-370. https://doi.org/10.1093/biomet/92.2.351