응용통계연구 (The Korean Journal of Applied Statistics)

  • 제30권3호
  • /
  • Pages.311-321
  • /
  • 2017
  • /
  • 1225-066X(pISSN)
  • /
  • 2383-5818(eISSN)
한국통계학회 (The Korean Statistical Society)
권호 표지
DOI QR코드

DOI QR Code

공간자료 주성분분석

Principal component regression for spatial data

  • Lim, Yaeji (Department of Statistics, Pukyong National University)
  • 투고 : 2016.11.23
  • 심사 : 2017.02.04
  • 발행 : 2017.06.30
PDF 다운로드
⟨ 이전 논문 다음 논문 ⟩

초록

주성분 분석은 통계학 뿐만 아니라 기상학에서 널리 사용되는 방법론이며, 고차원 자료에 대한 차원축소 역할 뿐만아니라 기상자료에서의 의미있는 패턴을 찾아내기 위해 사용되는 방법론이다. 또한 주성분분석에 기반을 둔 주성분 회귀분석 방법론은 기후예측이 가능하므로 미래 시점의 기후값 예측에 사용될 수 있다. 본 논문에서는 Wang과 Huang (2016) 논문에서 제안한 제한된 공간 주성분 분석을 기반으로 한 주성분 회귀분석 방법론을 개발하였다. 이를 시뮬레이션을 통하여 확인하였고, 실제 자료인 동아시아 지역 온도예측에 적용하여 기존의 주성분 회귀분석 예측 값에 비해 예측력이 높아짐을 확인하였다.

Principal component analysis is a popular statistical method to reduce the dimension of the high dimensional climate data and to extract meaningful climate patterns. Based on the principal component analysis, we can further apply a regression approach for the linear prediction of future climate, termed as principal component regression (PCR). In this paper, we develop a new PCR method based on the regularized principal component analysis for spatial data proposed by Wang and Huang (2016) to account spatial feature of the climate data. We apply the proposed method to temperature prediction in the East Asia region and compare the result with conventional PCR results.

키워드

과제정보

연구 과제 주관 기관 : 부경대학교, 한국연구재단

참고문헌

  1. Demsar, U., Harris, P., Brunsdon, C., Fotheringham, A. S., and McLoone, S. (2013). Principal component analysis on spatial data: an overview, Annals of the Association of American Geographers, 103, 106-128. https://doi.org/10.1080/00045608.2012.689236
  2. Green, P. J. and Silverman, B. W. (1993). Nonparametric Regression and Generalized Linear Models: a Roughness Penalty Approach, CRC Press, Boca Raton, FL.
  3. Huang, B., Banzon, V. F., Freeman, E., Lawrimore, J., Liu, W., Peterson, T. C., Smith, T. M., Thorne, P. W., Woodruff, S. D., and Zhang, H. M. (2015). Extended reconstructed sea surface temperature version 4 (ERSST. v4), part I: upgrades and intercomparisons, Journal of Climate, 28, 911-930. https://doi.org/10.1175/JCLI-D-14-00006.1
  4. Ramsay, J. O., and Silverman, B. W. (2005). Functional Data Analysis (pp. 173-185), Springer, New York.
  5. Shen, H. and Huang, J. Z. (2008). Sparse principal component analysis via regularized low rank matrix approximation, Journal of Multivariate Analysis, 99, 1015-1034. https://doi.org/10.1016/j.jmva.2007.06.007
  6. Tibshirani, R. (1996). Regression shrinkage and selection via the lasso, Journal of the Royal Statistical Society Series B (Methodological), 58, 267-288.
  7. Wang, W. T. and Huang, H. C. (2016). Regularized principal component analysis for spatial data, Journal of Computational and Graphical Statistics, Available from: http://dx.doi.org/10.1080/10618600.2016.1157483
  8. Wilks, D. S. (2011). Statistical Methods in the Atmospheric Sciences (Vol. 100), Academic Press, Oxford.