• 응용통계연구
• /
• 제29권5호
• /
• pp.897-906
• /
• 2016

본 연구에서는 민감한 변수와 변환된 변수로 구성된 Bar-Lev 등 (2004)의 승법모형에 무관한 양적변수를 새롭게 추가한 승법 무관양적속성 확률화응답모형을 제안하였다. 그리고 무관한 양적변수에 대한 정보를 알 때와 모를 때로 구분하여 민감한 양적속성 추정에 대한 이론적 체계를 마련하고자 하였다. 또한 제안한 승법 무관양적속성 확률화응답모형과 기존의 승법모형인 Eichhorn-Hayre 모형, Bar-Lev 등의 모형, 그리고 Gjestvang-Singh 모형과의 관계를 살펴보았고, Bar-Lev 등의 모형과의 효율성을 비교하였다. 그 결과, 기존의 승법모형들이 제안한 승법 무관양적 속성 확률화응답모형의 특별한 경우임을 확인할 수 있었고, 제안한 모형과 Bar-Lev 등의 모형과의 효율성을 수치적으로 비교한 결과 $C_x({\sigma}_x/{\mu}_x)$값이 작을수록 그리고 $C_z({\sigma}_z/{\mu}_z)$값이 클수록 제안한 승법 무관양적속성 확률 화응답모형이 Bar-Lev 등의 모형보다 효율성이 좋게 나타남을 알 수 있었다. 그리고 제안한 승법 무관양적속성 모형은 $p_1=p$값이 커질수록 또한 ${\mu}_z=1$일 때 보다 ${\mu}_z=0.5$일 때가 더 효율적인 것으로 나타났다.

• Journal of the Korean Data Analysis Society
• /
• 제20권6호
• /
• pp.2895-2905
• /
• 2018

Lee(2016a)는 Bar-Lev et al.(2004)의 모형에 무관한 변수를 추가하여 민감한 변수, 변환된 변수 그리고 무관한 변수 중에서 확률장치에 의해 선택된 질문에 응답하도록 하는 승법 양적 확률화응답모형을 제안하였다. 본 연구에서는 Bar-Lev et al.(2004)이 제안한 강요 양적속성 승법모형에 무관한 변수와 강요응답을 새롭게 추가한 혼합 승법 양적속성 확률화응답모형을 제안하였다. 그리고 무관한 변수에 대한 정보를 아는 경우와 모르는 경우로 나누어 민감한 양적속성을 추정할 수 있는 이론적 체계를 구축하였다. 또한, 모집단이 층화되어 있을 때에도 제안한 모형의 적용이 가능하도록 층화 혼합 승법 양적속성 확률화응답모형으로 확장하였고 층화추출에 있어서 비례배분과 최적배분 문제를 다루었다. 마지막으로 기존의 승법모형인 Eichhorn-Hayre(1983) 모형, Bar-Lev et al.(2004) 모형, Gjestvang-Singh(2007) 모형, Lee(2016a) 모형이 제안한 혼합 승법 양적속성 확률화응답모형의 특수한 형태임을 확인할 수 있었고, Bar-Lev et al.(2004) 모형과의 효율성 비교 결과 $C_x$값이 작을수록 그리고 $C_z$값이 클수록 제안한 혼합 승법 양적속성 확률화응답모형이 Bar-Lev et al.(2004)의 모형보다 효율적이었다.

• Journal of the Korean Data and Information Science Society
• /
• 제6권1호
• /
• pp.1-11
• /
• 1995

승법모형식 $Y_{1}={\alpha}_{0}{\prod}^{p}_{k=1}X_{kj}^{{\beta}_K}v_{j}$의 모수는 일반적으로 대수변환한 후에 최소제곱법에 의하여 추정되나 $E(e xp({\beta}_{0})){\neq}{\alpha}_{0})$ 이므로 $e xp({\beta}_{0})$은 ${\alpha}_{0}$의 편의추정량이다. 본 연구에서는 ${\alpha}_{0}$의 불편추정량을 (1) 최소제곱추정량을 수정하는 방법과(2) Finney의 결과를 이용하는 방법으로 추정하였고, 이들 추정량의 분산을 비교하여 효율성을 검토하였다. 아울러 벼의 수량과 수량구성요소와의 관계를 설명할 때 승법모형의 이용 가능성을 검토하였다.

• Communications for Statistical Applications and Methods
• /
• 제3권1호
• /
• pp.29-37
• /
• 1996

계절성을 갖는 승법 계절 혼합 시계열 모형들의 동질성 검정을 위하여 Wald 검정 통계량을 구하고 그 극한 분포가 ${\chi}^2$-분포함을 보였으며 시뮬레이션 연구를 통하여 뒷받침하였다. 도시 규모가 비슷한 우리나라 지역별 평균 온도자료를 가지고 이 동질성 검정을 수행하여 시계열을 지역별로 모형화하여 예측한 것과 동질성이 있는 것을 묶고 모형화하여 예측한 것에 대한 예측 오차를 비교하였다.

• 응용통계연구
• /
• 제24권1호
• /
• pp.127-136
• /
• 2011

본 연구에서는 통계기관에서 마이크로자료를 제공할 때, 연속형 변수를 마스킹하는 기법으로 잘 알려진 승법잡음모형을 적용하는 경우 원자료의 평균과 분산을 유지할 수 있는 변수 변환 방안을 제시하고, 제시된 방법의 적절성과 다양한 잡음생성 분포에 따른 마스킹자료의 유용성을 검토하였다. 아울러 여러 변수들을 대상으로 승법잡음모형을 적용하는 경우 변수들 간의 상관관계를 유지하기 위해서는 잡음생성과정에서 어떤 측면이 고려되어야 하는지 살펴보았다. 본 연구에서는 제시된 변수 변환 방법의 적절성과 자료의 유용성 등을 평가하기 위해 우리나라 가계조사자료를 이용한 모의실험을 수행하였다.

• 한국항만경제학회지
• /
• 제29권3호
• /
• pp.1-23
• /
• 2013

본 연구는 1992년부터 2011년까지 월별자료를 사용하여 여러 가지 시계열 추정모델과 승법 계절 ARIMA 모형을 설정하여 부산항의 컨테이너 물동량을 추정하고 예측하였다. 여러 가지 모델로 추정한 결과 부산항의 컨테이너 물동량과 물동량 변동 모두 계절을 승법한 ARIMA 모델 $(1,0,1){\times}(1,0,1)_{12}$로 추정하였을 때, 추정결과와 Akaike information, Schwarz, Hannan-Quin 기준 등으로 보아, 가장 좋은 ARIMA 추정과 예측 모형으로 나타났다. 그리하여 부산항 물동량 추정의 최적모형인 ARIMA $(1,0,1){\times}(1,0,1)_{12}$ 모형에 의해 향후 8년간 96개월에 대한 부산항 물동량 미래 예측치(2013-2020년)를 월별로 추정하여 예측한 결과 2013년부터 부산의 물동량은 연도별로 조금씩 지속적으로 증가하는 추세를 보일 것으로 나타났다. ARIMA $(1,0,1){\times}(1,0,1)_{12}$ 모형에 의한 부산항의 컨테이너 물동량의 연도별 예측량은 2013년 1천 891만 TEU, 2014년 2천 34만 TEU, 2015년 2천 188만 TEU, 2016년 2천 353만 TEU, 2017년 2천 531만 TEU, 2018년 2천 722만 TEU 그리고 2020년 3천 148만 TEU 등으로 나타났다.

• 한국수자원학회논문집
• /
• 제33권2호
• /
• pp.159-167
• /
• 2000

본 연구는 낙동강수계인 위천 유역의 최하류 군위 지점에 대해 추계학적 모형인 Box-Jenkin의 승법 ARIMA 모형과 상태공간모형 이론적 토대로 하여 계절별 월 유출량을 모의하였다. 다변량 시계열 모형인 상태공간모형의 입력변수로 월 유효우량과 균등기간의 관측된 월 유출량을 사용하여 군위지점의 월 유출량을 예측한 결과 다변량 시계열 모형인 승법 ARIMA모형에 비하여 표준오차가 작게 나타났으므로, 유효우량과 유출량을 함께 이용하는 상태공간 모형을 이용하여 합리적인 유출량 예측이 가능하도록 하였다. 본 논문은 월 유출량 기록치 및 유효우량 자료를 분석하여 승법 ARIMA 모형 및 상태공간 모형에 적용하였으며, 상태공가 모형의 이론을 적용하여 VAR(P)의 P값을 구하기 위해 시차에 의한 AIC 값을 이용하였다. VARMA 모형은 정준상관계수를 이용한 상태공간 모형을 구하여 구축하였다. 따라서, 본 논문에서는 구축된 상태공간 모형을 사용하여 위천유역의 군위 지점에서 장·단기 유출량을 예측하여 수자원의 장·단기전략 수립에 도움을 주기 위함이다.

• 한국항만경제학회지
• /
• 제31권1호
• /
• pp.69-84
• /
• 2015

본고는 개입 승법계절 ARIMA모형과 인공신경망모형을 이용하여 해상운송 물동량을 추정하고 사전적 예측치를 도출하였다. 개입 ARIMA의 추정결과 오차항에서 자기상관이 존재하지 않고 정규성이 존재함으로써 오차항의 기본가정이 잘 충족되고 있음을 확인하였다. 그리고 개입 승법계절 ARIMA모형과 인공신경망모형에 대해 예측실적 오류를 ME, MAE, RMSE, MSE로 측정한 결과 ARIMA $(2,1,0)(1,0,1)_{12}$이 가장 우수한 예측모형임을 확인할 수 있었다. 2015년부터 2019년까지의 기간에 대해 개입 ARIMA모형을 이용한 해상운송 물동량의 사전적 예측치 결과 4.54%에서 4.99%의 연평균 증가율을 보였고, 인공신경망모형을 이용한 예측결과 2.00%에서 2.44%까지의 연평균 증가율을 나타냈다.

• 한국항만경제학회지
• /
• 제23권1호
• /
• pp.149-162
• /
• 2007

본고는 2012년까지의 해상물동량을 예측하고 항만물류정책적 방안을 제시하는데 목적을 두었다. ARIMA 모형을 통한 분석을 위해서 1차적으로 모형을 식별하였다. 자기상관도표를 통해 물동량의 자기상관함수값이 대단히 느린 속도로 0에 접근하여 안정적이지 못한 것으로 나타났으나, 자기상관계수가 1차차분 후 시차1 이후 급격한 감소를 보임에 따라 AR(1) 과정을 갖는다는 것을 알 수 있었다. 또한 자료들이 강한 계절성을 갖는 것으로 나타남에 따라 식별단계를 거쳐 승법계절 ARIMA모형인 ARIMA(1,1,1)(1,0,1)s 모형을 도입하였다. 다음 단계로 2007년부터 2012년까지의 사전적 예측치를 살펴보았다. 그 결과 2007년 6억9,631만톤, 2008년 7억2,180만톤, 2009년 7억4,807만톤, 2010년 7억7,520만톤, 2011년 8억320만톤, 2012년 8억3,212만톤으로 매우 느리게 증가하였다. 2006년 대비 증가율로 보면 2007년 1.42%, 2009년 8.96%, 2012년 21.21%로 나타났다. 구체적으로 입하량의 경우는 2007년 0.86%에서 2012년 16.1%로 증가하며, 출하량의 경우는 2007년 2.76%에서 2012년 33.2%로 증가함을 알 수 있었다. 그리고 항만물동량 증가추세 둔화현상의 극복과 항만의 로컬 화물 창출 및 부가가치 창출 기능을 위해서 제조업의 공동화 억제, 환적화물의 지속적이고 적극적인 유치, 항만배후물류단지의 조기 개발과 다국적 기업의 유치, 한 중 물류협력 강화, 복합운송체계의 구축을 제시하였다.

• Communications for Statistical Applications and Methods
• /
• 제5권1호
• /
• pp.43-53
• /
• 1998

본 연구에서는 승법 시계열모형에 있어서 계절성 존재에 대한 대표본 검정통계량으로 서 Wald, 우도비, Rao 통계량을 제안했다. 그리고 세 통계량의 극한분포를 유도하였다. 모의실험을 통하여 세 검정통계량의 경험적 유의수준과 극한분포를 구하고, 세 검정통계량의 검정력을 비교하였다.