$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

[국내논문] 희박 벡터자기상관회귀 모형을 이용한 한국의 미세먼지 분석
The sparse vector autoregressive model for PM10 in Korea 원문보기

Journal of the Korean Data & Information Science Society = 한국데이터정보과학회지, v.25 no.4, 2014년, pp.807 - 817  

이원석 (성균관대학교 통계학과) ,  백창룡 (성균관대학교 통계학과)

초록
AI-Helper 아이콘AI-Helper

본 논문은 최근 많은 관심을 받는 미세먼지 (PM10)의 일별 평균농도에 대해서 전국 16개 시도에서 2008년부터 2011년까지 관측한 다변량 시계열 자료에 대한 연구이다. 다변량 시계열 모형을 이용해서 시간 및 공간에 대한 상관관계를 동시에 고려, 일변량 혹은 특정 지역에 국한해서 분석한 기존의 연구와 차별성을 두었다. 또한 Davis 등 (2013)이 제안한 부분 스펙트럼 일관성 (partial spectral coherence)을 통해 다른 지역간의 상호 의존성을 파악하고 이를 토대로 변수 선택을 통해 희박벡터자기회귀모형 (sVAR; sparse vector autoregressive model)을 적합하는 방법론을 적용하여 고차원 자료 분석의 단점 및 한계를 보완하였으며 예측력 비교를 통해서 sVAR 모형 적합의 타당성을 검증하였다.

Abstract AI-Helper 아이콘AI-Helper

This paper considers multivariate time series modelling of PM10 data in Korea collected from 2008 to 2011. We consider both temporal and spatial dependencies of PM10 by applying the sparse vector autoregressive (sVAR) modelling proposed by Davis et al. (2013). It utilizes the partial spectral cohere...

주제어

AI 본문요약
AI-Helper 아이콘 AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

  • 먼저 우리는 본 논문의 핵심적 방법론인 희박 벡터자기회귀모형에 대해서 2절에서 살펴본다. 그리고 2008년부터 2011년까지 전국 16 개 시도에서 관측된 일별 평균 자료에 대한 사전분석을 3절에서 보고하여 우리나라 미세먼지의 전반적인 특징에 대해서 먼저 살펴본다. 희박 벡터자기회귀모형 분석에 대한 결과 보고 및 예측값 비교를 통해서 희박 벡터자기회귀모형에 대한 우수성을 4절에서 다루며 5절에서 결과에 대한 토의를 한다.
  • 또한, 이번 연구는 한국의 미세먼지에 대한 일변량 시계열 자료 분석을 확장하여 전국 16개 시도에 대한 종합적인 모형을 세우는데 있다. 예를 들어 Figure 3.
  • 본 연구에서는 인간의 삶의 질에 밀접한 영향을 미치는 미세먼지를 우리 나라 16개 대도시에서 관측된 일별자료를 토대로 분석하고자 한다. 기존의 미세먼지에 대한 연구는 대부분 우리 나라의 전체 평균 혹은 특정 지역에 국한된 일변량 시계열 분석이였다 (Kim, 2006; Pan과 Chen, 2008; Lee, 2010).
  • 본 절에서는 대기 오염도를 측정하는 중요한 지표중에 하나인 미세먼지 (PM10)를 2008년 부터 2011년까지 관측한 자료의 사전분석을 보고한다. 사용한 자료는 국립환경과학원 확정자료로 전국 16개 시도 지역 (서울, 부산, 대구, 인천, 광주, 대전, 울산, 경기, 강원, 충북, 충남, 전북, 전남, 경북, 경남, 제주)의 일평균을 분석하였다.
  • 이 논문에서는 한국의 미세먼지의 일별 평균농도에 대해서 2008년부터 2011년까지 전국 16개 시도에서 관측된 다변량 시계열 자료에대한 분석을 실시하였다. 그 결과 일별 평균 농도에 대해서도 장기간 종속성 (LRD)을 보였다.
  • 하지만, 이러한 강한 종속성은 우리나라 전체의 미세먼지 수준이 여름철에 다량의 강수에 의해서 낮게 나타나는 특성, 즉 평균변화 때문에 매우 긴 종속관계를 가지는 LRD 시계열처럼 보이는 가짜효과임을 밝혔다. 이번 연구는 우리 나라의 규제의 기준이 되는 일별 자료를 사용하여 보다 거시적인 분석에 초점을 두었으며 각 지역별 미세먼지의 차이, 특징, 상호 상관관계 (cross-correlation)에 좀 더 중점을 둔 연구이다.

가설 설정

  • 1 (2단계)에서 사용한 제약행렬의 예제는 다음과 같다. 간단하게 2차원의 VAR(1) 모형을 생각하고 (1, 2), (2, 2)번째 원소가 0 이라고 가정하자. 그러면 모형은 다음과 같다.
  • 또한 {Yt}가 인과과정 (causal process)임을 가정하여 Zt가 {Ys, s < t}와 독립임을 가정한다.
본문요약 정보가 도움이 되었나요?

질의응답

핵심어 질문 논문에서 추출한 답변
미세먼지는 크게 어떤 기준으로 분류할 수 있나요? 미세먼지는 다양한 원인에 의해서 생성된다. 크게 자연적인 미세먼지와 인간의 활동에 의해서 생기는 미세먼지로 구분할 수 있다. 자연적인 원인으로는 산불, 화산재, 먼지 등을 예로 들 수 있고, 인간의 활동에 의한 원인으로는 화석연료의 사용, 자동차 배기가스, 화력 발전소 및 산업 공장에서 발생되는 공해 등을 꼽을 수 있다.
미세먼지가 발생하는 원인으로는 어떤 것이 있나요? 크게 자연적인 미세먼지와 인간의 활동에 의해서 생기는 미세먼지로 구분할 수 있다. 자연적인 원인으로는 산불, 화산재, 먼지 등을 예로 들 수 있고, 인간의 활동에 의한 원인으로는 화석연료의 사용, 자동차 배기가스, 화력 발전소 및 산업 공장에서 발생되는 공해 등을 꼽을 수 있다. 특히 직경이 2.
미세먼지란 무엇인가? 최근 들어 대기오염 예보제가 시행되며 미세먼지에 대한 관심이 높아졌다. 미세먼지 (PM10; particulate matter less than 10 μm)란 대기 중에 직경이 10 μm 이하의 크기로 존재하는 매우 작은 입자를 뜻한다. 미세먼지는 다양한 원인에 의해서 생성된다.
질의응답 정보가 도움이 되었나요?

참고문헌 (11)

  1. Baek, C. (2013). Time series modelling of air quality in Korea: Long range dependence or changes in mean? The Korean Journal of Applied Statistics, 26, 987-998. 

  2. Beran, J. (1994). Statistics for long-memory processes, Vol. 61 of Monographs on Statistics and Applied Probability, Chapman and Hall, New York. 

  3. Brillinger, D. R. (1981). Time series: Data analysis and theory, Society for Industrial and Applied Mathematics, Philadelphia, PA. 

  4. Dahlhaus, R. (2000). Graphical interaction models for multivariate time series. Metrika, 51, 157-172. 

  5. Davis, R. A., Zang, P. and Zheng, T. (2013). Sparse vector autoregressive modeling. Preprint. 

  6. Doukhan, P., Oppenheim, G. and Taqqu, M. S. (2003). Theory and applications of long-range dependence, Birkhauser Boston Inc., Boston, MA. 

  7. Kim, J., Jin D., Lee J., Kim S. and Son Y. (2012). Prediction of the interest spread using VAR model. Journal of the Korean Data & Information Science Society, 23, 1093-1102. 

  8. Kim, Y. P. (2006). Air polution in seoul caused by aerosols. Journal of Korean Society for Atmospheric Environment, 22, 535-553. 

  9. Lee, H. (2010), Analysis of time series models for PM10 concentrations at the Suwon city in Korea. Journal of the Korean Data & Information Science Society, 21, 1117-1124. 

  10. Palma, W. (2007). Long-memory time series, John Wiley & Sons, Inc., Hoboken, New Jersey, USA. 

  11. Pan, J.-N. and Chen, S.-T. (2008). Monitoring long-memory air quality data using arfima model. Environmetrics, 19, 209-219. 

저자의 다른 논문 :

LOADING...

관련 콘텐츠

오픈액세스(OA) 유형

GOLD

오픈액세스 학술지에 출판된 논문

이 논문과 함께 이용한 콘텐츠

유발과제정보 저작권 관리 안내
섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트

맨위로