• Journal of Animal Science and Technology
• /
• 제45권5호
• /
• pp.711-724
• /
• 2003

본 연구는 1970년대 이후 축산기술연구소 대관령지소에서 출생한 한우 암소로부터 한우암소의 성장곡선 모수에 영향하는 환경요인의 효과를 추정함으로써 한우의 개량을 위한 정보를 얻고자 실시하였다. Gompertz 모형, von Bertalanffy 모형 및 Logistic 모형에 의해 추정된 성장곡선 모수들의 분산분석 결과는 모두 같은 경향을 나타냈는데, 출생년도-계절의 효과는 성숙체중, 성장비 및 성숙률 모두에게 영향을 미치며, 어미소 연령의 효과는 성장비에서만 영향을 미쳤고, 공변이로 선형 모형에 포함된 최종 체중 측정시 일령의 효과는 성장비를 제외한 성숙체중과 성숙률에 영향을 미치는 것으로 나타났다. Gompertz 모형, von Bertalanffy 모형 및 Logistic 모형에 의해 개체별로 추정한 모수 A는 가을에 출생한 개체들이 봄에 출생한 개체들에 비해 10.47${\pm}$7.9, 19.01${\pm}$9.79 및 13.43${\pm}$5.94kg 더 무거웠으며 Logistic 모형에서 통계적 유의성(P〈.05)이 있었으며, 성숙률은 봄에 출생한 개체들이 가을에 출생한 개체들에 비해 0.00021${\pm}$0.00009, 0.00022${\pm}$0.00009 및 0.00041${\pm}$0.00013으로 높았고 통계적인 유의성(P〈.05)이 있었다. 어미소 연령 그룹별 성장모수들의 최소자승평균치를 보면 연령이 2세나 3세인 어미소로부터 태어난 암소들은 다른 연령그룹의 어미소로부터 태어난 암소들에 비해 성숙체중은 크지 않으면서 성장비가 크고 성숙률은 작은 경향을 보이고 있는데 성숙체중은 크지 않으면서 성장비가 크다는 것은 생시체중이 작다는 것을 시사한다. 따라서 한우 암소를 1산이나 2산까지만 번식에 이용한 후 비육 출하하는 생산체계를 유지하는 집단에서는 축군의 생시체중이 작아지고 성숙체중도 작아지는 현상이 나타날 우려가 있다. 본 연구에서는 성장곡선 모수에 영향을 미치는 환경요인으로서 출생년도-계절과 어미소 연령을 고정효과로 하고 여기에 최종 체중 측정시 일령의 1차식 효과를 공변이로 추가시켰는데, 분산분석 결과 최종 체중 측정시 일령이 세 가지 성장 모형으로 추정한 성숙체중과 성숙률에 영향을 미치는 것으로 나타났다. 이러한 결과들은 최종 체중 측정시 일령에 따라서 성장특성이 달라질 수 있음을 의미하므로 성장곡선 모형의 연구를 위해서는 최종 체중 측정 시점을 변이요인으로 고려하여야 한다. 그리고 한우의 성장 패턴을 좀더 잘 규명하기 위해서는 2차 이상의 다항회귀식 효과에 대한 검토가 필요하다.

• 농업과학연구
• /
• 제20권1호
• /
• pp.48-55
• /
• 1993

본 연구(硏究)는 1986년부터 1990년까지 충청남도(忠淸南道) 도립종축장(道立種畜場)에서 사육된 Landrace, Large Yorkshire 및 Duroc종의 후보종 모돈 115두의 이유후 형질(形質)에 대한 능력검정(能力檢定) 자료를 근거로 최소자승법을 이용하여 품종(品種), 산차(産差), 분만년도(分娩年度) 및 분만월(分娩月)이 일당증체량(日當增體量), 사료요구율, 등지방층두께, 90kg도달일령 및 선발지수에 미치는 효과(效果)를 추정(推定)하였던 바 그 결과(結果)를 요약(要約)하면 다음과 같다. 1. 이유후형질(形質)의 전체평균은 일당증체량(日當增體量), 사료요구율, 등지방층두께, 90kg도달일령 및 선발지수(選拔指數)에서 각각 $922.25{\pm}17.25$g, $2.85{\pm}0.04$, $2.03{\pm}0.04$cm, $135.44{\pm}1.38$일 및 $168.33{\pm}2.42$이었다. 2. 품종의 효과(效果)에 있어서는 일당증체량(日當增體量), 90kg도달일령 및 선발지수(選拔指數)에서 고도의 유의차(有意差)(P<0.01)가 인정되었으며, 등지방두께에 있어서도 유의차(P<0.05)가 나타났다. 품종별로는 Duroc종이 일당증체량(日當增體量), 90Kg도달일령및 선발지수(選拔指數)에서는 각각 977.23g, 132.47일 및 172.35로 가장 우수하였고, 등지방층두께는 Landrace종이 1.95cm로 가장 얇었다. 3. 산차(産差)의 효과(效果)에 있어서 일당증체량(日當增體量)은 고도의 유의차(有意差)(P<0.01)가 인정되었으며, 등지방층두께 및 선발지수(選拔指數)에서도 유의차(有意差)(P<0.05)가 인정되었고, 산차(産差)로는 일당증체량(日當增體量) 및 선발지수(選拔指數)가 3산차(産差)와 4산차(産差)에서 각각 974.92g, 177.61, 959.48g 및 1774.84로 가장 우수하였다. 4. 분만년도의 효과(效果)에 있어서는 일당증체량(日當增體量), 사료요구율 및 선발지수(選拔指數)에서 고도의 유의차(P<0.01)가 인정되었으며, 분만월에 있어서도 일당증체량(日當增體量)에서 고도의 有意差(P<0.01)가 인정되었고, 등지방층두께 및 선발지수(選拔指數)에서는 유의차(有意差)(P<0.05)가 있었으며, 분만월별로는 3월분만이 일당증체량 및 선발지수(選拔指數)에서 각각 968.22g, 174.54로 가장 우수하였다.

• Tuberculosis and Respiratory Diseases
• /
• 제42권6호
• /
• pp.913-922
• /
• 1995

연구배경: 혈류의 누가현상이 일어나는 폐혈관계의 압력을 유효유출압($P_I$), 심박출량의 변화분에 대한 폐동맥압의 변화분을 폐혈관저항증분(IR)이라고 정의할때에 $P_I$ 및 IR과 폐혈관저항을 비교해보면 폐혈관저항의 문제점이 발견된다. 즉 폐혈관상이 감소하는 폐색전증에서는 이론상 IR이 주로 증가해야 하는데, 여러 연구에 의하여 상반된 결과가 보고되어있고 폐혈관저항과 $P_I$, IR간에는 상위점이 존재하는 것이 알려져 왔다. 이에 따라 본 연구에서는 폐혈관저항을 폐혈관계의 유효유출압($P_I$)과 폐혈관저항증분(IR)으로 세분할때 폐색전증의 유발 및 치료시 아들이 어떻게 변화하는가를 관찰하여 이러한 새로운 지표들의 의미와 일반적으로 사용되는 폐혈관저항과의 차이점을 알아보고자 하였다. 방법: 실험전에 동정맥루를 만든후 10~15분 간격으로 조직하여, 동정맥루가 모두 폐쇄된 상태, 하나의 동정맥루가 개방된 상태, 그리고 두개의 동정맥루가 모두 개방된 상태의 3가지 경우로 심박출량올 변화시키면서 방사성동위원소로 표지된 자가혈병으로 대량의 폐색전증을 유발시킨후의 평균폐동맥압을 측정하여 폐혈관계의 유효유출압과 폐혈관저항증분을 계산하였다. 이때 대조군은 특이 치료를 하지않고, 제 1 치료군은 15분 동안, 제 2치료군은 3시간에 걸쳐서 재조합형의 조직형 플라스미노겐 활성체를 체중당 1mg씩 정맥주입하면서 유효유출압과 폐혈관저항증분의 변화양상을 관찰하였다. 곁과: 1) 폐혈관저항은 폐동맥압의 변화양상과 유사하게 변화했는데, 세군 모두 폐혈관저항이 유의하게 증가하였고, 제 1 치료군 및 제 2 치료군에서는 치료후 폐혈관저항이 계속 감소하는 경향을 보였는데, 제 1 치료군의 감소속도가 제 2 치료군보다 유의하게 빨랐다. 2) 최소자승법으로 산출한 심박출량과 폐동맥압과의 직선관계는 절편($P_I$) 및 기울기(IR)가 유의하였다. 3) $P_I$(폐혈관계의 유효유출압)는 폐혈관저항과 동일한 양상으로 변화한 반면에, 이론상 폐혈관저항과 가까운 IR(폐혈관저항증분)에서는 세군간의 유의한 차이나 조직형 플라스미노겐 활성체 투여후의 의미있는 변화는 거의 없었다. 결론: 폐색전증에서는 폐혈관계의 실제저항을 의미하는 폐혈관저항증분과 폐색전증에 대한 이차적 혈관 수축때문에 생기는 폐혈관계의 유효유출압의 변화가 동시에 반영된다고 할 수 있겠다.

• 대한화학회지
• /
• 제37권3호
• /
• pp.344-350
• /
• 1993

25,26,27,28-테트라아세트오키시[4]에렌·일수화물은 사방정계의 Pbca의 공간군을 갖고 있으며 a = 14.979(4), b = 15.154(4), c = 27.890(3) ${\AA}$, Z = 8, V = 6330.6 ${\AA}^{-3}$, D$_c$ = 1.28 $g{\cdot}cm^{-3}$, ${\lambda}$(Mo K${\alpha}$) = 0.71069 ${\AA}$, ${\mu}$ = 0.86 cm$^{-1}$, F(000) = 2600이고, 1.0 ${\sigma}$(I)보다 큰 강도를 가진 3376갱의 관측된 회절반점에 대하여 최종 R값은 0.069이다. 직접적에 의하여 구조를 풀었으며, 계단식 대각최소자승법에 의하여 정밀화하여, 모든 C-H 결합길이 (=0.96 ${\AA}$) 및 메칠기와 메칠렌기는 이상적인 기하학적 구조에 맞추어 계산하였다. 큰 고리는 1,3 alternate conformation을 하고 있으며 메칠렌기의 평균 평면으로부터 벤젠고리는 각각 110.7, 68.4, 113.7 및 60.8$^{\circ}$를 이루고 있으며, 4개의 각 아세트오키시기는 그들 자신의 벤젠고리와 각각 68.2, 97.6, 78.9 및 71.3$^{\circ}$의 각을 만들고 있다. 반대편에 마주 위치한 벤젠고리 (1)과 (3)은 135.6$^{\circ}$, (2)과 (4)는 135.2$^{\circ}$의 상대적 각을 이루고 있다. 물분자는 메칠렌기를 포한하고 잇는 큰고리의 평면의 z-좌표와 거의 같은 높이에 있으며, 분자내의 O(8)부터 2.942(5) ${\AA}$, 타분자의 O(2)(1/2-x, -1/2＋y, z)부터는 2.901 ${\AA}$의 거리에 있으며, 가장 짧은 분자간 거리는 O(4) 와 C(3)(1/2＋x, 1/2-y,-z)의 3.193 ${\AA}$이다.

• 한국해안·해양공학회논문집
• /
• 제31권3호
• /
• pp.115-128
• /
• 2019

본 논문에서는 공정별 해상작업 가능 기간의 합리적 산출이 가능한 확률모형이 제시된다. 확률모형을 유도하기 위해, 먼저 JMA(Japan Meterological Agency)와 NOAA(National Oceanic and Atmospheric Administration)의 해상풍 자료와 SWAN에 기초하여 2003년 1월 1일부터 2017년 12월 31일까지 한 시간 간격으로 울산 전면 해역에서의 유의 파고와 첨두 주기를 역추산 하였다. 이어 모의된 유의파고 시계열 자료로부터 최소 자승법을 활용하여 장기 유의파고 확률분포를 도출하였으며, 해석결과 그 동안 선호되던 삼 변량 Weibull 분포보다는 수정 Glukhovskiy 분포 계열에서 일치도가 가장 우월하였다. 보다 정확한 확률모형의 개발 가능성을 검토하기 위해 Borgman 선회적분을 활용하여 역 추산 단위 간격인 한 시간 내에서 출현하는 개별 파랑이 고려된 파고분포도 함께 유도하였다. 수정 Glukhovskiy 분포의 모수는 $A_p=15.92$, $H_p=4.374m$, ${\kappa}_p=1.824$로 드러났으며 해상작업 한계 파고가 $H_S=1.5m$인 경우 작업가능일 수는 319일로 모의되었다. 이와 더불어 확률모형의 검증자료를 얻기 위해 파고가 해상 준설작업 한계 파고로 기 보고된 바 있는 $H_S=1.5m$(Lee, 1991)를 상회하여 지속되는 시간을 유의파고 시계열 자료를 파별분석(wave by wave analysis)하여 산출하였다. 산출결과 2003년부터 2017년까지의 평균 지속기간은 45.5일로 확률모형으로부터 산출된 기간에 상당히 근접하였다.

• 농업과학연구
• /
• 제8권1호
• /
• pp.72-81
• /
• 1981

본(本) 시험(試驗)은 한우(韓牛) 암소에 Holstein종(種) 수소를 교배(交配)하여 생산(生産)된 1대(代) 잡종(雜種)의 발육능력(發育能力)과 필유능력(泌乳能力)을 구명(究明)하기 위하여 1973년(年)부터 1978년(年)까지, 6개년간(個年間)에 걸쳐 농촌진흥청(農村振興廳) 축산(畜産) 시험장(試險場)에서 생산사육(生産飼育)된 한우(韓牛) 빈우(牝牛)15두(頭)와 Holstein 교잡종(交雜種) 빈우(牝牛) 11두(頭)를 대상(對象)으로 실시(實施)하였다. 체중(體重)은 생시(生時)부터 36개월령(個月令)까지, 체형(體型)은 6개월령(個月令)부터 36개월령(個月令)까지, 그리고 필유능력(泌乳能力)은 분만후(分晩後) 11일(日)부터 180일(日)까지 조사(調査)하였다. 교배조합(交配組合), 분만년도(分晩年度), 분만계절(分晩季節) 및 산차(産次) 효과(效果)를 추정(推定)하기 위하여, Harvey의 최소(最少) 자승법(自乘法)을 이용(利用)하였으며, 그 분석(分析)한 결과(結果)는 다음과 같다. 1. 한우순종(韓牛純種)은 Holstein교잡종(交雜種)에 비(比)하여 각(各) 월령별(月令別)로 체중(體重)이 가벼웠으며 생시(生時), 6개월령(個月令), 12개월령(個月令), 24개월령(個月令) 및 36개월령(個月令)에서 한우순종(韓牛純種)의 체중(體重)은 각각(各各) 22.45kg, 132.82kg, 220.68kg, 363.54kg 및 365.54kg인데 대(對)하여 Holstein교잡종(交雜種)의 체중(體重)은 각각(各各) 28.09kg, 146.64kg, 254.48kg, 392.04kg 및 454.46kg이었다. 2. 체중(體重)에 미치는 분만년도(分晩年度)의 효과(效果)는 생시(生時)를 제외(除外)하고 육성기(育成期)의 발육(發育)에 많은 영향(影響)을 미쳤으며, 분만계절(分晩季節)은 생시(生時)부터 6개월령(個月令)까지는 영향(影響)을 미치지 못하였으나, 가을과 봄에 출생(出生)한 송아지가 여름과 겨울에 출생(出生)한 송아지보다 더 무거운 경향(傾向)을 보였다. 3. 산차(産次)의 효과(效果)는 각(各) 월령별(月令別)로 고도(高度)의 유의성(有意性)을 보였으며, 5 산차(産次)의 송아지가 다른 산차(産次)의 송아지보다 각(各) 월령(月令)에서 더 무거운 체중(體重)을 나타내는 경향(傾向)이었다. 4. 체위(體位)에 대(對)한 교배조합(交配組合)의 효과(效果)는 24개월령(個月令)에 체고(體高), 십자부고(十字部高), 흉심(胸深), 흉위(胸圍), 요각폭(腰角幅)에서 유의성(有意性)을 나타냈으나 분만년도(分晩年度), 분만계절(分晩季節) 및 산차(産次)는 대부분 체부위(體部位) 발육(發育)에 영향(影響)을 미치지 못하였다. 5. 필유량(泌乳量)에 대(對)한 교배조합(交配組合)의 효과(效果)는 각(各) 월령(月令)에 걸쳐 고도(高度)의 유의성(有意性)이 인정(認定)되었으며, 분만년도(分晩年度), 분만계절(分晩季節)은 영향(影響)을 미치지 못하였고, 산차(産次)는 분만후(分晩後) 11~30일간(日間)에서만 유의성(有意性)을 보였다. 6. 한우순종(韓牛純種)의 일일평균(一日平均) 필유량(泌乳量)은 3.6kg, Holstein 교잡종(交雜種)은 8.26kg 이었다.

• 지능정보연구
• /
• 제23권2호
• /
• pp.107-122
• /
• 2017

주식시장의 주가 수익률에 나타나는 변동성은 투자 위험의 척도로서 재무관리의 이론적 모형에서뿐만 아니라 포트폴리오 최적화, 증권의 가격 평가 및 위험관리 등 투자 실무 영역에서도 매우 중요한 역할을 하고 있다. 변동성은 주가 수익률이 평균을 중심으로 얼마나 큰 폭의 움직임을 보이는가를 판단하는 지표로서 보통 수익률의 표준편차로 측정한다. 관찰 가능한 표준편차는 과거의 주가 움직임에서 측정되는 역사적 변동성(historical volatility)이다. 역사적 변동성이 미래의 주가 수익률의 변동성을 예측하려면 변동성이 시간 불변적(time-invariant)이어야 한다. 그러나 대부분의 변동성 연구들은 변동성이 시간 가변적(time-variant)임을 보여주고 있다. 이에 따라 시간 가변적 변동성을 예측하기 위한 여러 계량 모형들이 제안되었다. Engle(1982)은 변동성의 시간 가변적 특성을 잘 반영하는 변동성 모형인 Autoregressive Conditional Heteroscedasticity(ARCH)를 제안하였으며, Bollerslev(1986) 등은 일반화된 ARCH(GARCH) 모형으로 발전시켰다. GARCH 모형의 실증 분석 연구들은 실제 증권 수익률에 나타나는 두터운 꼬리 분포 특성과 변동성의 군집현상(clustering)을 잘 설명하고 있다. 일반적으로 GARCH 모형의 모수는 가우스분포로부터 추출된 자료에서 최적의 성과를 보이는 로그우도함수에 대한 최우도추정법에 의하여 추정되고 있다. 그러나 1987년 소위 블랙먼데이 이후 주식 시장은 점점 더 복잡해지고 시장 변수들이 많은 잡음(noise)을 띠게 됨에 따라 변수의 분포에 대한 엄격한 가정을 요구하는 최우도추정법의 대안으로 인공지능모형에 대한 관심이 커지고 있다. 본 연구에서는 주식 시장의 주가 수익률에 나타나는 변동성의 예측 모형인 GARCH 모형의 모수추정방법으로 지능형 시스템인 Support Vector Regression 방법을 제안한다. SVR은 Vapnik에 의해 제안된 Support Vector Machines와 같은 원리를 회귀분석으로 확장한 모형으로서 Vapnik의 e-insensitive loss function을 이용하여 비선형 회귀식의 추정이 가능해졌다. SVM을 이용한 회귀식 SVR은 두터운 꼬리 분포를 보이는 주식시장의 변동성과 같은 관찰치에서도 우수한 추정 성능을 보인다. 2차 손실함수를 사용하는 기존의 최소자승법은 부최적해로서 추정 오차가 확대될 수 있다. Vapnik의 손실함수에서는 입실론 범위내의 예측 오차는 무시하고 큰 예측 오차만 손실로 처리하기 때문에 구조적 위험의 최소화를 추구하게 된다. 금융 시계열 자료를 분석한 많은 연구들은 SVR의 우수성을 보여주고 있다. 본 연구에서는 주가 변동성의 분석 대상으로서 KOSPI 200 주가지수를 사용한다. KOSPI 200 주가지수는 한국거래소에 상장된 우량주 중 거래가 활발하고 업종을 대표하는 200 종목으로 구성된 업종 대표주들의 포트폴리오이다. 분석 기간은 2010년부터 2015년까지의 6년 동안이며, 거래일의 일별 주가지수 종가 자료를 사용하였고 수익률 계산은 주가지수의 로그 차분값으로 정의하였다. KOSPI 200 주가지수의 일별 수익률 자료의 실증분석을 통해 기존의 Maximum Likelihood Estimation 방법과 본 논문이 제안하는 지능형 변동성 예측 모형의 예측성과를 비교하였다. 주가지수 수익률의 일별 자료 중 학습구간에서 대칭 GARCH 모형과 E-GARCH, GJR-GARCH와 같은 비대칭 GARCH 모형에 대하여 모수를 추정하고, 검증 구간 데이터에서 변동성 예측의 성과를 비교하였다. 전체 분석기간 1,487일 중 학습 기간은 1,187일, 검증 기간은 300일 이다. MLE 추정 방법의 실증분석 결과는 기존의 많은 연구들과 비슷한 결과를 보여주고 있다. 잔차의 분포는 정규분포보다는 Student t분포의 경우 더 우수한 모형 추정 성과를 보여주고 있어, 주가 수익률의 비정규성이 잘 반영되고 있다고 할 수 있다. MSE 기준으로, SVR 추정의 변동성 예측에서는 polynomial 커널함수를 제외하고 linear, radial 커널함수에서 MLE 보다 우수한 예측 성과를 보여주었다. DA 지표에서는 radial 커널함수를 사용한 SVR 기반의 지능형 GARCH 모형이 가장 우수한 변동성의 변화 방향에 대한 방향성 예측력을 보여주었다. 추정된 지능형 변동성 모형을 이용하여 예측된 주식 시장의 변동성 정보가 경제적 의미를 갖는지를 검토하기 위하여 지능형 변동성 거래 전략을 도출하였다. 지능형 변동성 거래 전략 IVTS의 진입규칙은 내일의 변동성이 증가할 것으로 예측되면 변동성을 매수하고 반대로 변동성의 감소가 예상되면 변동성을 매도하는 전략이다. 만약 변동성의 변화 방향이 전일과 동일하다면 기존의 변동성 매수/매도 포지션을 유지한다. 전체적으로 SVR 기반의 GARCH 모형의 투자 성과가 MLE 기반의 GARCH 모형의 투자 성과보다 높게 나타나고 있다. E-GARCH, GJR-GARCH 모형의 경우는 MLE 기반의 GARCH 모형을 이용한 IVTS 전략은 손실이 나지만 SVR 기반의 GARCH 모형을 이용한 IVTS 전략은 수익으로 나타나고 있다. SVR 커널함수에서는 선형 커널함수가 더 좋은 투자 성과를 보여주고 있다. 선형 커널함수의 경우 투자 수익률이 +526.4%를 기록하고 있다. SVR 기반의 GARCH 모형을 이용하는 IVTS 전략의 경우 승률도 51.88%부터 59.7% 사이로 높게 나타나고 있다. 옵션을 이용하는 변동성 매도전략은 방향성 거래전략과 달리 하락할 것으로 예측된 변동성의 예측 방향이 틀려 변동성이 소폭 상승하거나 변동성이 하락하지 않고 제자리에 있더라도 옵션의 시간가치 요인 때문에 전체적으로 수익이 실현될 수도 있다. 정확한 변동성의 예측은 자산의 가격 결정뿐만 아니라 실제 투자에서도 높은 수익률을 얻을 수 있기 때문에 다양한 형태의 인공신경망을 활용하여 더 나은 예측성과를 보이는 변동성 예측 모형을 개발한다면 주식시장의 투자자들에게 좋은 투자 정보를 제공하게 될 것이다.