• Communications for Statistical Applications and Methods
• /
• 제29권3호
• /
• pp.353-371
• /
• 2022

This paper analyzes death counts after World War II of several countries to identify and to compare their stochastic structures. The stochastic structures that this paper entertains are three structural time series models, a local level with a random walk model, a fixed local linear trend model and a local linear trend model. The structural time series models assume that a time series can be formulated directly with the unobserved components such as trend, slope, seasonal, cycle and daily effect. Random effect of each unobserved component is characterized by its own stochastic structure and a distribution of its irregular component. The structural time series models use the Kalman filter to estimate unknown parameters of a stochastic model, to predict future data, and to do filtering data. This paper identifies the best-fitted stochastic model for three types of death counts (Female, Male and Total) of each country. Two diagnostic procedures are used to check the validity of fitted models. Three criteria, AIC, BIC and SSPE are used to select the best-fitted valid stochastic model for each type of death counts of each country.

• Communications for Statistical Applications and Methods
• /
• 제18권1호
• /
• pp.79-87
• /
• 2011

공간적, 시간적으로 퍼져나가는 전염성이 강한 질병인 수두자료를 이용하여 공간 시계열 자료를 분석하는데 있어 일반적으로 알려진 ARIMA 모형에 적합하여 분석을 행하면 공간적인 정보를 반영하지 못하기 때문에 기존에 시간만을 고려한 시계열 분석방법에 공간통계의 공간적 정보를 반영한 공간시계열 모형을 고려한다. 공간시계열 모형에서 공간의 위치 및 영향은 시계열 모형에 공간적 정보로써 가중치행렬을 더 함으로써 처리 가능해진다. 가중치행렬은 지리적으로 인접한 지역일수록 공간의존도가 높다는 것을 반영한 것이며 공간시계열 모형의 연구에서 가중치행렬은 인접한 지역들은 동일한 영향을 줄 것이라 가정하였다. 따라서 본 논문에서는 공간시계열 모형인 STARMA 모형과 STBL 모형에 대한 식별방법, 통계적 추론 및 예측력 비교에 대해 연구하였고 특히, 모수추정의 알고리즘 비교와 공간시계열 모형의 예측력 비교를 통해 Kalman-Filter 방법의 우수성을 보이고자 한다.

• Communications for Statistical Applications and Methods
• /
• 제12권2호
• /
• pp.359-364
• /
• 2005

This paper considers a specification test of conditional Poisson regression model for time series count data. Although conditional models for count data have received attention and proposed in several ways, few studies focused on checking its adequacy. Motivated by the test of martingale difference assumption, a specification test via Ljung-Box statistic is proposed in the conditional model of the time series count data. In order to illustrate the performance of Ljung- Box test, simulation results will be provided.

• Journal of Information Processing Systems
• /
• 제15권3호
• /
• pp.694-706
• /
• 2019

In this study, we applied the long short-term memory (LSTM) model to classify the cryptocurrency price time series. We collected historic cryptocurrency price time series data and preprocessed them in order to make them clean for use as train and target data. After such preprocessing, the price time series data were systematically encoded into the three-dimensional price tensor representing the past price changes of cryptocurrencies. We also presented our LSTM model structure as well as how to use such price tensor as input data of the LSTM model. In particular, a grid search-based k-fold cross-validation technique was applied to find the most suitable LSTM model parameters. Lastly, through the comparison of the f1-score values, our study showed that the LSTM model outperforms the gradient boosting model, a general machine learning model known to have relatively good prediction performance, for the time series classification of the cryptocurrency price trend. With the LSTM model, we got a performance improvement of about 7% compared to using the GB model.

• Communications for Statistical Applications and Methods
• /
• 제16권2호
• /
• pp.335-348
• /
• 2009

Fuzzy regression is used as a complement or an alternative to represent the relation between variables among the forecasting models especially when the data is insufficient to evaluate the relation. Such phenomenon often occurs in seasonal time series data which require large amount of data to describe the underlying pattern. Semiparametric model is useful tool in the case where domain knowledge exists about the function to be estimated or emphasis is put onto understandability of the model. In this paper we propose fuzzy semiparametric support vector regression so that it can provide good performance on forecasting of the seasonal time series by incorporating into fuzzy support vector regression the basis functions which indicate the seasonal variation of time series. In order to indicate the performance of this method, we present two examples of predicting the seasonal time series. Experimental results show that the proposed method is very attractive for the seasonal time series in fuzzy environments.

• 산업융합연구
• /
• 제2권2호
• /
• pp.127-147
• /
• 2004

This paper examines the time-series relations among expected return, risk, and book-to-market(B/M) at the portfolio level. The time-series analysis is a natural alternative to cross-sectional regressions. An alternative feature of the time-series regressions is that they focus on changes in expected returns, not on average returns. Using the time-series analysis, we can directly test whether the three-factor model explains time-varying expected returns better than the characteristic-based model. These results should help distinguish between the risk and mispricing stories. We find that B/M is strongly associated with changes in risk, as measured by the Fama and French(1993) three-factor model. After controlling for changes in risk, B/M contains little additional information about expected returns. The evidence suggests that the three-factor model explains time-varying expected returns better than the characteristic-based model.

• 환경생물
• /
• 제34권4호
• /
• pp.365-373
• /
• 2016

환경생태 자료 분석에 사용된 많은 자료가 시간에 따라 얻어지고 있다. 조사된 시점의 수가 적은 경우에는 자료가 충분한 정보를 주지 않기 때문에 반복 측정하거나 여러 지점을 조사하여 종합적인 분석을 수행하게 된다. 이때 사용하는 방법이 경시적 자료 분석(longitudinal data analysis) 또는 혼합모형(mixed model) 분석이다. 그러나 시점의 수가 많아 정보의 양이 충분하다면 반복적인 자료가 필요하지 않으며 이러한 자료는 시계열 분석 기법을 이용하여 분석하게 된다. 특히 현재와 같이 다수의 시점에서 얻어진 자료의 수가 많아지고 있는 상항에서 각 변수 간에 서로 어떤 영향을 주는지 또는 향후 어떤 경향을 띠게 되는지 예측을 원한다면 시계열 분석 기법을 사용하여 자료를 분석해야 한다. 본 연구에서는 단변량 시계열 분석(univariate time series analysis), 개입 분석(intervention time series model), 전이함수 모형 분석(transfer function model), 다변량 시계열 분석(multivariate time series model) 기법을 소개하고 현재까지 진행된 국내외 연구 논문을 살펴보았다. 또한 향후 환경생태 자료 분석에서 중요하게 사용될 수 있는 오차수정 모형(error correction model)을 소개하였다.

• 응용통계연구
• /
• 제33권2호
• /
• pp.147-160
• /
• 2020

본 논문은 시계열 일반화 선형 모형의 하나인 계수형 시계열 모형에서 중요한 역할을 하는 과거 관측값과 조건부 평균값의 차수를 자동으로 결정하는 알고리즘을 연구한다. 본 알고리즘은 ARIMA 모형의 차수를 기반으로 시계열 일반화 선형 모형의 차수 후보군을 만들고, 차수 후보군의 조합을 이용하여 정보량 기준으로 최종 모형으로 선택한다. 제안된 알고리즘을 평가하기 위하여, 내재적 모형 및 내재적 시계열의 종류에 따른 시뮬레이션 및 실증 분석을 수행하고 예측력을 ARIMA 모형과 비교한다. 예측 성능 평가 결과, 계수형 시계열 분석에서 ARIMA 모형에 비해 시계열 일반화 선형 모형의 예측 성능이 우수함을 확인할 수 있다. 또한 실증분석으로서, 살인사건 발생 건수의 예측결과 ARIMA 모형보다 중기 및 장기 예측에서 우수한 성능을 나타내는 것을 확인할 수 있다.

• 한국수자원학회논문집
• /
• 제35권5호
• /
• pp.631-638
• /
• 2002

시계열의 예측은 통상 추계학적 모형에 의해 수행하여 왔다. 그러나 본 연구에서는 퍼지 개념을 이용한 퍼지 시계열 모형에 의해 강수량 예측을 수행하였다. 기존에 제안된 퍼지 시계열 모형을 이용하여 예측을 수행하고, 예측 능력을 향상시키기 위하여 퍼지 시계열과 뉴로-퍼지 시스템을 연계한 새로운 방법론을 제안하여 상호 비교ㆍ분석하였다. 이를 위하여 미국 일리노이주의 강수량 시계열 예측에 적용하였으며, 예측 결과, 기존의 모형보다 본 연구에서 제안한 방법론의 결과가 더 정확함을 알 수 있었다.

• Journal of information and communication convergence engineering
• /
• 제21권1호
• /
• pp.82-89
• /
• 2023

Various machine-learning models may yield high predictive power for massive time series for time series prediction. However, these models are prone to instability in terms of computational cost because of the high dimensionality of the feature space and nonoptimized hyperparameter settings. Considering the potential risk that model training with a high-dimensional feature set can be time-consuming, we evaluate a feature-importance-based feature selection method to derive a tradeoff between predictive power and computational cost for time series prediction. We used two machine learning techniques for performance evaluation to generate prediction models from a retail sales dataset. First, we ranked the features using impurity- and Local Interpretable Model-agnostic Explanations (LIME) -based feature importance measures in the prediction models. Then, the recursive feature elimination method was applied to eliminate unimportant features sequentially. Consequently, we obtained a subset of features that could lead to reduced model training time while preserving acceptable model performance.