• 응용통계연구
• /
• 제1권2호
• /
• pp.66-81
• /
• 1987

이 연구에서는 새로운 방법의 비모수적 축차검정방법이 제시되었다. 먼저 축차적으로 얻어지는 관측치를 일정수의 집단으로 분류하고 각집단으로부터 주어진 가설에 적절한 비모수 통계량을 구하여 이것을 축차확률비검정에서 사용되는 로그확률비통계량에 대체하여 Wald의 축차검정을 수행하는 방법이다. 이러한 검정의 특성은 Wiener과정에 의해 근사적으로 규명되었다.

• Communications for Statistical Applications and Methods
• /
• 제17권6호
• /
• pp.811-827
• /
• 2010

본 논문에서는 통계적 역문제로서 이항 선택모형에서의 밀도추정 방법에 대하여 연구하였다. 밀도함수의 추정을 위하여 직교열 기저를 이용하였으며, 모형의 복잡성과 예측의 정확성을 반영한 적절한 절단모수의 선택에 대하여 고려하였다. 이항 선택 모형에서 데이터에 의존하는 절단모수를 선택하는 방법에 대해 제안하고 모의실험, 실자료를 통해 제안한 방법의 성능을 규명하였다.

• 응용통계연구
• /
• 제14권2호
• /
• pp.233-243
• /
• 2001

중장기 수요예측을 위해 자주 사용되는 방법으로 확산모형과 성장곡선모형을 들 수 있다. 본 논문에서는 이들 방법론의 성격 및 실제 적용에 있어 모수추정에 따른 문제점들을 살펴보고, 모수추정을 효율적으로 수행하기 위한 전략을 제시한다. 또한 실제 자료에 각 방법론들을 적용하여 예측결과를 비교한다.

• 한국통계학회:학술대회논문집
• /
• 한국통계학회 2003년도 추계 학술발표회 논문집
• /
• pp.295-300
• /
• 2003

공간적으로 영향을 받는 위치에서의 상호 연관성을 고려한 예측모형 중에서 크리깅 (kriging) 방법은 관측된 데이터를 보간(interpolation)하고, 부드럽게 연결(smoothing)하며, 새로운 데이터를 예측(prediction)하는 통계적 모형으로서 많이 활용되고 있다. 크리깅 모형을 적용하기 위해서는 먼저 주어진 두 위치에서의 비연관성을 나타내는 세미베리오그램 (semivariogram)의 3가지 모수(nugget, sill, range)를 추정해야 한다. 본 연구에서는 전역 적 최적화 방법인 유전자 알고리즘(genetic algorithm)을 도입하여 세미베리오그램 모수들을 추정하였고, 이를 통해 강우량(rainfall)에 대한 크리깅 추정량을 산출하고 효과성을 판단하였다.

• 응용통계연구
• /
• 제27권1호
• /
• pp.61-70
• /
• 2014

랜덤화 블록 계획법은 동질적인 실험단위를 묶어 여러 개의 블록으로 나눈 후, 각 블록의 실험단위에 처리를 적용하는 방법이다. 랜덤화 블록 계획법에서 Jonkckheere (1964)와 Terpstra (1952), Page (1963) 그리고 Hollander (1967) 등이 순서대립가설의 다양한 방법을 제안하였다. 특히, 블록 내 순위합의 가중치를 주는 방법으로 Page (1963) 검정법이 있다. 본 논문에서는 Page 검정을 확장하여 순서대립가설에 새로운 비모수적 방법론을 제안하였다. 또한, 몬테카를로 모의시험 연구를 통해 제안된 방법과 이전의 방법들의 검정력을 비교하였다.

• 응용통계연구
• /
• 제4권2호
• /
• pp.157-170
• /
• 1991

본 논문은 척도모수와 위치모수가 알려지지 않은 상황에서의 지수분포성 적합도 검정문제를 다루고 있다. 기존의 검장방법들과는 달리 누적분포 함수와 경험분포 함수 사이의 편차의 $L_1$-norm에 바탕을 두고 둔 새로운 검정방법이 제시되었으며, Monte Carlo 방법에 의하 여 검정통계량의 임계치를 구하였다. 그리고 표본의 크기가 작은 경우에 한하여 제시된 검 전통계량의 분포가 파악되었다. 한편 이 검정방법의 검정력을 기존의 검정방법들과 비교하 기 위하여 응용분야에서 흔히 사용되는 몇가지 분포형태에 대하여 검정력을 측정하였다. 그 결과, 새로운 검정방법이 보수적인 검정임에도 불구하고 다른 검정방법에 비하여 상대적으 로 검정력이 우수한 것으로 나타났다.

• 한국데이터정보과학회:학술대회논문집
• /
• 한국데이터정보과학회 2005년도 추계학술대회
• /
• pp.139-150
• /
• 2005

본 연구에서는 잡음이 섞인 카오스 시스템으로부터 생성된 자료와 단순한 무질서를 갖는 불규칙한 자료를 구별할 수 있는 고전적인 비모수적 검정을 알아보고, 낮은 차원의 카오스 자료와 무질서한 자료를 구별할 수 있는 위상공간에서의 재구성(reconstruction) 기법을 로지스틱 및 지수 사상을 이용하여 살펴보았다.

• 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.

• 응용통계연구
• /
• 제30권6호
• /
• pp.1027-1036
• /
• 2017

일원배치모형에서 세 개 이상의 처리 간에 차이 유무를 검정하여 귀무가설이 기각됐다면, 어떤 것이 통계적으로 유의한 결과인지 확인하기 위해서는 다중비교 방법이 필요하다. 대표적인 모수적 검정법으로는 Tukey (1953), 비모수적 검정법으로는 Kruskal-Wallis (1952)의 검정에 기초한 방법이 있다. 이 방법은 전체 자료에 대한 혼합표본에 순위를 부여한 후 세 개 이상의 각 처리별 평균 순위를 이용한 검정방법이다. 본 논문에서는 Chung과 Kim (2007)이 제안한 결합위치 검정법을 확장하여 일원배치모형에서 새로운 비모수적 다중비교 방법을 제안하였다. 또한 모의실험(Monte Carlo simulation)을 통해 기존의 검정방법들과 제안한 방법의 family wise error rate (FWE)와 검정력을 비교하였다.

• Journal of the Korean Data and Information Science Society
• /
• 제12권2호
• /
• pp.1-10
• /
• 2001

신경망은 점차 분류 및 함수추정을 위한 현대 통계적 방법론으로 부각되고 있다. 신경망은 특히 선형 회귀함수를 일반화시키는 유연한(flexible) 방법을 제공하며 일반적 비선형 함수를 모수화하는 방법으로 간주된다. 본 논문에서는 함수추정을 위한 신경망을 생각한다. 신경망이 훈련자료를 과대적합하는 것을 피할 수 있도록 하는 간단한 방법은 정칙화(regularization)이다. 신경망에서는 정칙화를 위해 주로 가중치 감소법(weight decay method)을 사용한다. 함수추정을 위해 가중치감소 신경망을 사용할 때 은닉노드수, 가중치모수, 학습률 및 학습반복회수가 중요한 모수이다. 본 논문에서는 유전자 알고리즘을 사용하여 가중치감소 신경망의 중요한 모수들을 자동으로 최적화하는 방법을 제안하고 결과적으로 가중치감소 신경망을 자동학습하는 방법을 설명한다. 그리고 다른 함수추정방법들과 자동학습된 가중치감소 신경망을 비교분석한다.