• 응용통계연구
• /
• 제13권1호
• /
• pp.81-96
• /
• 2000

본 논문은 의학분야에서 주로 사용되는 메타분석 중 그룹화 임의효과 모형(grouped random effects model)을 프라빗 연결함수(probit link function)를 이용하여 베이즈적 관점에서 연구하였다. 이때 프라빗 함수를 강요하기 위해 잠재변수를 정의하였고, 사전 분포를 달리한 세가지 모형을 고려하였다. 주어진 세가지 모형들에게서 적합한 모형 선택을 위하여 베이즈 인자(Bayes factor, BF)와 유사베이즈 인자(pseudo-Bayes factor, PsBF)를 이용하였다. 깁스샘플러와 메트로폴리스 알고리즘을 이용하여 베이지안 계산상의 어려움을 해결하였다. 예로써, 새로운 간질약에 대한 효과를 조사하기 위하여 앞에서 제시된 방법으로 해석하였다.

• 응용통계연구
• /
• 제16권2호
• /
• pp.273-282
• /
• 2003

순서화된 척도모수들의 사전정보를 가지는 k-모집단 와이블분포의 모수추정을 위한 베이지안방법이 제시된다. 모수추정은 깁스샘플링에 의해서 이루어지며, 특히 깁스샘플러에서 형태모수의 조건부 사후분포는 로그-오목함수이므로 적응기각표집(Adaptive Rejection Sampling: ARS)방법에 의해 모수생성을 하였다. 논의된 모수추정법을 전기 절연유체 고장시간자료에 적용하여 척도모수의 순서화정보를 반영한 경우와 그렇지 않은 경우를 비교하였다.

• 응용통계연구
• /
• 제27권6호
• /
• pp.959-973
• /
• 2014

자산가격의 비대칭적 변동을 설명하기 위해 최근 비대칭적 점프확산 모형이 제안되었다. 본 논문에서는 이러한 자산가격 모형을 분석하는데 사용되는 효율적인 베이지안 방법을 제안한다. 본 논문에서 제안되는 방법은 모형 요소가 쉽게 추출되는 편의성을 희생하지 않으면서도 조건부 분포들간의 함수적 비호환성을 통해 효율성을 향상시킬 수 있는 부분붕괴 깁스 샘플러를 고안함으로써 개발되었다. 제안된 방법은 모의실험 자료에 적용되어 그 효율성을 검증하였고 1980년 9월부터 2014년 8월까지 관찰된 일별 S&P 500 자료에 적용되었다.

• 응용통계연구
• /
• 제15권1호
• /
• pp.57-71
• /
• 2002

본 논문에서는 지수생존 모형의 형태들로써 단순 지수모형, 변환 점 지수모형과 유한 혼합 지수모형 등 세 가지 모형을 소개한다. 이러한 모형들 중에서, 최적의 모형을 찾기 위하여 Gelfand와 Ghosh(1998)의 방법을 이용한 모형 선택 방법을 제안한다. 이때, 계산상의 어려움을 피하기 위하여 자료 확장 기법(Tanner와 Wong, 1987)과 깁스 샘플러(Gelfand와 Smith, 1990)를 사용하였다. 제안된 베이지안 방법을 설명하기 위하여 모의 실험 자료와Stangl의 항 우울제 자료에 적용한다. 모형 선택 방법은 사전 분포와 모형 선택 기준의 가중치에 민감하지 않다는 것을 제한된 우리의 실험으로 알 수 있었다.

• 응용통계연구
• /
• 제26권5호
• /
• pp.713-723
• /
• 2013

본 연구에서는 2-모수 파레토분포에 대해 무정보사전분포인 준거사전분포의 가정 하에서 객관적 베이지안 모수추정 절차를 제안하였다. 베이지안 추정은 깁스샘플링에 의해서 수행된다. 깁스샘플러에서 모수생성하는 방법은 형태모수는 감마분포로부터 생성하고 척도모수는 적응기각표집 알고리즘에 의해 생성한다. 제안된 베이지안 모수추정 절차는 모의실험과 자료분석에서 기존의 추정방법들인 L-적률추정법, 최우추정법, 공액사전분포 하의 주관적 베이지안 모수추정법과 비교된다.

• 응용통계연구
• /
• 제29권1호
• /
• pp.99-112
• /
• 2016

비대칭 점프확산 모형은 자산 가격의 비대칭적 변동을 효과적으로 설명하는 모형으로 활용되어 왔다. 그러나 다변량 모형으로 확장한 다변량 비대칭 라플라스 점프확산 모형은 가능도함수가 닫힌 해로 존재하지 않아 모형의 추론에 한계가 존재하였다. 본 논문에서는 이러한 한계점을 극복하기 위해 자료 확장 기법을 제안하고 새로운 베이지안 추론 방법을 개발한다. 본 논문에서 제안된 모형은 단일 점프와 공통 점프 뿐만 아니라 모든 가능한 조합으로 발생하는 점프를 반영한 확장된 다변량 비대칭 라플라스 점프확산 모형이다. 이러한 모형을 분석하기 위해 붕괴된 깁스 샘플러를 고안한 베이지안 방법을 개발하였다. 본 논문에서 제안된 모형과 방법을 모의실험 자료 및 2005년 1월 3일부터 2015년 9월 30일까지 관찰된 일별 KOSPI, S&P500, 그리고 Nikkei225에 적용하여 효율성을 검증하였다.

• 응용통계연구
• /
• 제15권1호
• /
• pp.119-128
• /
• 2002

Rao와 Yu(1994)는 소지역 추정(small area estimation) 문제를 해결하기 위한 방법으로 추정 시점과 인접지역 정보 등 보조정보와 과걱의 표본조사 결과를 모두 이용하는 모형과 그 모형으로 부터 경험적최량선형비편향추정량(Empirical Best Unbiased Predictor)을 제안하였다. 본 논문에서는 Rao와 Yu의 모형에서 미지의 모수에 대한 사전확률분포를 가정한 계층적 베이즈 추정량을 제안하고, 이를 미국의 주별 4인가족 소득추정문제에 적용하여 그 효율을 미국의 Census Bureau에서 사용하고 있는 경험적 베이즈추정량 및 이전에 제안된 다른 추정량들과 비교하였다.

• 응용통계연구
• /
• 제9권1호
• /
• pp.153-164
• /
• 1996

분포함수의 모수가 순서제약조건을 갖는 경우에 깁스샘플러(Gibbs sampler)를 이용한 모수 추정에 관해 논의하였다. 순서화 모수를 갖는 지수분포족 및 이항분포모형을 고려하고 완전조건부 분포를 유도하였으며 순서제약 조건을 만족하는 표본추출을 위해 일 대 일 대응 추출 알고리즘을 적용하였다. 동위회귀 최우추정량 및 동위베이지안 추정량과 그 결과를 비교하였다.

• 응용통계연구
• /
• 제14권1호
• /
• pp.161-175
• /
• 2001

메타분석(Meta-analysis)은 서로 독립적으로 연구되어진 결과들을 전체적인 하나의 결과로 도출하기 위해 사용되어지는 통계적 방법이다. 이러한 통계적 방법을 설명할 모형으로는 선택모형(selection model)을 포함한 계층적 모형(hierarchical model)을 사용하며, 이러한 모형들은 베이지안 메타분석에 유용한 것으로 알려져 있다. 그러나, 메타분석의 자료들은 일반적으로 출판편의(publication bias)를 갖고 있으므로 이를 극복하고자 가중함수(weight function)를 이용하여 분포함수를 새롭게 정의하여 사용한다. 최근에 Silliman(1997)은 계층적 모형(hierarchical model)에 가중함수를 첨부한 계층적 선택모형(hierarchical selection model)을 정의하고 모수적 베이지안 방법을 제시하였다. 본 연구에서는 미관측된 연구효과에 디리슈레 과정 사전분포(Dirichlet process prior)를 적용한 준모수적 계층적 선택모형(semiparametric hierarchical selection models)을 소개한다. 여기서 제시된 준모수적 계층적 선택모형을 베이지안 방법으로 추정하기 위하여 마코프 연쇄 몬테칼로(Markov chain Monte Carlo)방법을 이용한다. 제시된 방법을 적용하기 위하여 실제 자료(Johnson, 1993)인 충치를 예방하기 위한 두 가지의 예방약의 효과에 대한 차이를 비교하기 위해 얻어진 12개의 연구를 이용하여 메타분석을 한다.

• 대한전자공학회논문지SP
• /
• 제44권1호
• /
• pp.40-48
• /
• 2007

이 논문은 다중 스케일 베이지안 관점에서 다층 퍼셉트론과 마코프 랜덤 필드를 사용한 새로운 결 분할 방법을 제안한다. 다층 퍼셉트론의 출력은 사후 확률을 모델링하므로 본 논문에서는 다중 스케일 웨이블릿 계수들을 다층 퍼셉트론의 입력으로 사용한다. 다층 퍼셉트론으로부터 구한 사후 확률과 MAP (maximum a posterior) 분류를 이용하여 각 스케일에서 결 분류를 수행한다. 또한 가장 섬세한 스케일에서 더 개선된 분할 결과를 얻기 위하여 모든 스케일에서 MAP 분류 결과들을 거친 스케일에서 섬세한 스케일까지 차례로 융합한다. 이런 과정은 한 스케일에서의 분류 정보와 그 인접한 보다 거친 스케일에서 얻어지는 문맥과 관련한 연역적 정보를 이용하여 MAP 분류를 행함으로써 이루어진다. 이 융합 과정에서, MRF (Markov random fields) 사전 모델이 평탄화 제한자로서 동작하고, 깁스 샘플러 (Gibbs sampler)는 MAP 분류기로서 동작한다. 제안한 분할 방법은 HMT (Hidden Markov Trees) 모델과 HMTseg 알고리즘을 이용한 결 분할 방법보다 더 좋은 성능을 보인다.