최소 단어 이상 선택하여야 합니다.
최대 10 단어까지만 선택 가능합니다.
다음과 같은 기능을 한번의 로그인으로 사용 할 수 있습니다.
NTIS 바로가기응용통계연구 = The Korean journal of applied statistics, v.29 no.1, 2016년, pp.27 - 39
이슬기 (성균관대학교 통계학과) , 백창룡 (성균관대학교 통계학과)
This paper considers variable selection in the sparse vector autoregressive (sVAR) model where sparsity comes from setting small coefficients to exact zeros. In the estimation perspective, Davis et al. (2015) showed that the lasso type of regularization method is successful because it provides a sim...
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
핵심어 | 질문 | 논문에서 추출한 답변 |
---|---|---|
벡터자기상관회귀 모형의 기능은? | 현대의 급격한 과학 기술의 발전은 기존에는 상상할 수조차 없는 다양하고도 대용량의 데이터를 생산해 내었다. 본 연구에서는 시간에 따라 관측된 고차원의 대용량 시계열 자료를 매우 효과적으로 분석할 수 있는 벡터자기상관회귀 모형(vector autoregressive model; VAR)의 추정을 다룬다. VAR 모형은 변수들 사이의 종속관계(interdependence)를 고려하여 시간에 따른 종속 관계(temporal dependence)를 선형 종속관계로 나타내는 모형이다. | |
VAR 모형이 가지는 문제점은? | VAR 모형은 Sims (1980)를 비롯한 계량경제분야를 필두로 기상학, 환경, 금융 등에서 매우 높은 예측력을 가지는 모델임이 밝혀졌다. 하지만, 차원에 따라 모수의 숫자는 제곱함수로 증가하는 차원의 저주를 가지고 있어서 고차원 자료의 경우 추정의 어려움 뿐만 아니라 예측력의 저하와 해석의 어려움을 동반하는 등 많은 문제를 가지고 있다. 이에 대한 한 가지 해결책으로 VAR 모형의 계수들이 0에 가까운 값을 정확하게 0으로 둠으로써 추정하여야하는 계수의 숫자를 줄이는 소위 희박벡터자기상관회귀모형(sparse VAR models; sVAR)이 높은 차원에서의 VAR 모형의 결점을 보완할 수 있는 모형으로 제안되었다. | |
벡터자기상관회귀 모형이란 무엇인가? | 본 연구에서는 시간에 따라 관측된 고차원의 대용량 시계열 자료를 매우 효과적으로 분석할 수 있는 벡터자기상관회귀 모형(vector autoregressive model; VAR)의 추정을 다룬다. VAR 모형은 변수들 사이의 종속관계(interdependence)를 고려하여 시간에 따른 종속 관계(temporal dependence)를 선형 종속관계로 나타내는 모형이다. 보다 구체적으로 먼저 차원이 K인 다변량 시계열 자료 Y1, . |
Arnold, A., Liu, Y., and Abe, N. (2008). Temporal causal modeling with graphical Granger methods, In Proceedings of the 13th ACM SIGKDD International Conference of Knowledge Discovery and Data Mining.
Cule, E., De Iorio, M. (2013). Ridge regression in prediction problems: automatic choice of the ridge parameter, Genetic Epidemiology, 37, 704-714.
Identification of synaptic connections in neural ensembles by graphical models, Journal of Neuroscience Methods, 77, 93-107.
Davis, R. A., Zang, P., and Zheng, T. (2015). Sparse vector autoregressive modeling, arXiv:1207.0520. Econometrica, 37, 424-438.
Hastie, T., Tibshirani, R., Wainwright, M. (2015). Statistical Learning with Sparsity: The Lasso and Generalizations, CRC press.
Huang, J., Ma, S., and Zhang, C.-H. (2008). Adaptive lasso for sparse high-dimensional regression models, Statistica Sincia, 18, 1608-1618.
Hsu, N.-J., Hung, H.-L., and Chang, Y.-M. (2008). Subset selection for vector autoregressive processes using lasso, Computational Statistics & Data Analysis, 52, 3645-3657.
Lozano, A. C., Abe, N., Liu, Y., and Rosset, S. (2009). Grouped graphical Granger modeling for gene expression regulatory networks discovery, Bioinformatics, 25, 110-118.
Lutkepohl, H. (2005). New Introduction to Multiple Time Series Analysis, Springer-Verlag, Berlin.
Song, S. and Bickel, P. J. (2011). Large vector auto regressions, arXiv:1106.3915.
Sims, C. A. (1980). Macroeconomics and reality, Econometrica: Journal of the Econometric Society, 1-48.
Tibshirani, R. (1996). Regression Shrinkage and Selection via the Lasso, Journal of the Royal Statistical Society, Series B, 58, 267-288.
Zhang, J., Jeng, X. J., and Liu, H. (2008). Some Two-Step Procedures for Variable Selection in High-Dimensional Linear Regression, arXiv:0810.1644.
Zou, H. (2006). Adaptive lasso and its oracle properties, Journal of American Statistical Association, 101, 1418-1429.
*원문 PDF 파일 및 링크정보가 존재하지 않을 경우 KISTI DDS 시스템에서 제공하는 원문복사서비스를 사용할 수 있습니다.
Free Access. 출판사/학술단체 등이 허락한 무료 공개 사이트를 통해 자유로운 이용이 가능한 논문
※ AI-Helper는 부적절한 답변을 할 수 있습니다.