• 응용통계연구
• /
• 제30권3호
• /
• pp.427-439
• /
• 2017

공변량(covariate)이 존재하는 경우, 각 처리군 간 효과의 차이를 검정하기 위한 대표적인 비모수적 방법에는 Quade (1967)가 제안한 검정법이 있다. 또한 반응변수에 대해 공변량으로 단순선형회귀분석을 실시하여 얻은 잔차에 대해 일원배치분산분석과 Kruskal Wallis가 제안한 방법을 적용하는 방법, 그리고 Hwang과 Kim (2012)이 제안한 비모수적 도구인 위치(placement)를 이용한 방법이 있다. 본 논문에서는 공분산분석 모형에서 Hwang과 Kim (2012)이 제안한 방법을 확장하여 공분산분석에서의 새로운 방법을 제안하였다. 또한 모의실험(Monte Carlo simulation study)을 통하여 기존의 검정법들과 제안한 방법의 검정력을 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.

• 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.

• Communications for Statistical Applications and Methods
• /
• 제15권3호
• /
• pp.333-342
• /
• 2008

회귀모형에서의 변수선택에 관한 정리를 공분산분석 모형으로 확장하였다. 공분산분석 모형에서 몇개의 회귀변수를 제거한 축소모형을 세우는 경우에 추정량의 변화를 알아본 결과, 회귀계수 뿐만아니라 분산분석계수도 추정량의 편차는 증가하지만 분산은 감소하며, 어떤 경우에는 평균제곱오차도 감소한다는 결론을 얻었다.

• 한국정보통신학회논문지
• /
• 제17권5호
• /
• pp.1076-1082
• /
• 2013

자기 공분산 기울기를 이용하여 음성 신호와 배경 잡음 신호를 구분할 때 구분 가능성을 높이기 위해 주파수 영역에서 음성 신호의 자기 공분산 기울기를 최대화하는 주파수 대역을 찾아내었다. 디지털 샘플링 된 음성 신호를 일정한 개수의 신호로 이루어진 블록으로 나눈 후 각 블록에 고속푸리에변환(Fast Fourier Transform, FFT)을 하여 주파수 영역으로 변환한 다음 임의의 주파수 대역에서 각 블록에서의 공분산을 구하고 이 공분산 값들을 연결하는 직선 근사를 한 후에 이 직선의 기울기를 자기 공분산 기울기로 사용하는데 이 값은 음성 신호의 특성 상 주파수 대역별로 차이가 있다. 따라서 어느 주파수 대역에서 자기 공분산 기울기가 크게 나타나는지 200개의 남성 음성 파일을 이용하여 주파수 대역별로 비교 분석하였다.

• 한국지리정보학회지
• /
• 제12권1호
• /
• pp.36-43
• /
• 2009

본 연구에서는 GPS 자료를 이용한 다중기선 처리 시 기선사이에 발생하는 공분산이 위치결정에 미치는 영향을 분석하였다. GPS를 이용한 위치결정방법 중 일반적으로 이용되고 있는 측위방법인 정지측위에 대해 공분산의 영향을 분석하였으며 이를 위해 공분산이 적절히 고려된 다중기선 처리결과를 얻은 후 단일기선 처리 결과, 즉 기선사이에 공분산이 고려되지 않은 결과와의 위치정확도 차이를 비교 분석하였다. 정지측위의 경우 정확도 차이는 거의 없었으나 다중기선 처리가 기선별 공분산을 고려했을 때 보다 안정적인 위치정확도를 확보할 수 있는 것으로 나타났다. 따라서 일반적인 측량의 경우는 기선간의 자료처리를 통해 위치결정을 하여도 충분한 요구정확도를 확보할 수 있는 것으로 판단되나 기선간의 공분산을 고려하면 좀 더 안정적이고 정확한 결과를 얻을 수 있는 것으로 사료된다.

• 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.

• 응용통계연구
• /
• 제30권1호
• /
• pp.103-117
• /
• 2017

경시적 자료분석에서 공변량 효과를 추정할 때 반복 측정된 결과들의 상관성은 고려되어야 한다. 따라서 공분산 행렬을 모형화하는 것은 매우 중요하다. 그러나 공분산 행렬의 추정은 모수들의 수가 많고 추정된 공분산행렬이 양정치성을 만족해야 하므로 쉽지 않은 문제이다. 이러한 제한을 극복하기 위해, 공분산행렬의 모형화를 위한 여러가지 방법을 제안하였다: 자기회귀/이동평균/자기회귀-이동평균 구조를 각각 적용한 수정 콜레스키분해 (Pourahmadi, 1999), 이동평균 콜레스키분해 (Zhang과 Leng, 2012)와 자기회귀-이동평균 콜레스키 분해 (Lee 등, 2017) 이들 구조를 가지는 공분산 행렬의 특징을 비교연구하고자 한다. 이 세 가지 모형의 성능을 비교하기 위한 모의실험을 실시한다.

• 한국음향학회:학술대회논문집
• /
• 한국음향학회 2004년도 추계학술발표대회논문집 제23권 2호
• /
• pp.127-130
• /
• 2004

기존의 전대역(Full-Band)에서 특징 파라미터를 추출하는 화자 확인(Speaker Verification) 시스템은 저대역이나 고대역에서 화자 정보의 특징이 제거되기 쉽다. 또한, 주파수 스펙트럼에 부분적으로 오염이 되는 경우, 특징 파라미터를 왜곡시켜 화자 확인 시스템의 성능을 저하시킨다. 본 논문에서는 이러한 문제점을 해결하기 위해 다중대역 공분산 모델(Covariance Model)을 제안한다. 제안한 방법은 주파수 영역에서 전대역을 여러 개의 부대역(Sub-Band)으로 분할하고, 부대역별로 독립적으로 특징 파라미터를 추출하여 공분산 모델을 구한다. 제안된 방법의 성능 확인을 위하여 공분산 모델 간의 거리를 측정하는 화자 확인 실험을 하였다. 잡음 환경에서 기존의 방법인 전대역에 기반한 공분산 모델과 제안한 방법을 비교 분석한 결과, 제안한 방법이 기존 방법보다 $2\%$정도 성능이 향상되었다. 또한, 제안된 방법은 전대역에 기반한 파라미터 차원 수를 다중대역의 개수로 분할하여 사용하므로 계산량의 감소와 저장 공간면에서 효율적이다.

• 방송공학회논문지
• /
• 제21권1호
• /
• pp.60-65
• /
• 2016

본 논문에서는 영상에 존재하는 잡음 (noise) 들을 제거하는 방법 중 하나인 비 지역적 평균 (non-local means, NLM) 알고리즘을 먼저 소개하고 비 지역적 평균 알고리즘의 개선된 방법 중 하나인 주성분 분석 (principal component analysis, PCA) 기반의 알고리즘에 대해서도 소개한다. 주성분 분석을 활용하기 위해서는 선행적으로 공분산 행렬 (covariance matrix)을 구해야 하는데, 영상의 모든 픽셀들을 대상으로 하였을 때 이 공분산 행렬을 구하기 위해서는 큰 크기를 가지는 행렬 곱 연산이 필요하다. 만약 비 지역적 평균 알고리즘의 영상 패치 (neighborhood patch) 의 크기를 S × S = S², 영상 전체의 픽셀 수를 Q라고 한다면 공분산 행렬을 구하기 위해서는 S² × Q 크기의 행렬 곱 연산이 필요하게 된다. 이는 영상의 특성을 고려하면 비효율적인 연산이다. 따라서 본 논문에서는 공분산 행렬을 효율적으로 구하기 위해, 영상 패치들간의 일정 간격을 유지하면서 샘플링을 하는 방법을 제안하고자 한다. 최종적으로, 샘플링 후에는 S² × floor (Width/l) × (Height/l) 크기를 가진 행렬의 곱 연산으로 공분산 행렬을 구할 수 있다.