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.3, 2016년, pp.449 - 462
백창룡 (성균관대학교 통계학과) , 권용 (성균관대학교 통계학과)
This paper considers a long-run variance estimation using a block bootstrap method under strong dependence also known as long range dependence. We extend currently available methods in two ways. First, it extends bootstrap methods under short range dependence to long range dependence. Second, to acc...
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
핵심어 | 질문 | 논문에서 추출한 답변 |
---|---|---|
블럭 붓스트랩은 어떤 변형된 방법으로 발전하였는가? | 이러한 문제는 의존 구조를 보존하기 위해서 한 개씩 자료를 뽑는 것이 아니라 시계열 자료를 길이가 ℓ인 블럭으로 뽑는 K¨unsch (1989)의 moving block bootstrap(MBB)에 의해 해결의 실마리를 찾게 되었다. 블럭 붓스트랩은 그 이후 겹침을 허락하지 않는 블럭 붓스트랩(nonoverlapping block boostrap; NBB), 정상성을 보존해주는 정상 블럭 붓스트랩(stationary block bootstrap; SBB), 자료를 이어 붙여 처음과 끝부분의 블럭 크기가 작아지는 단점을 해결한 순환 블럭 붓스트랩(circular block bootstrap; CBB) 등의 여러 변형된 방법으로 발전하였다. 하지만, 커널 평활법이 띠넓이에 의존하듯이 블럭 붓스트랩은 블럭의 크기가 유한 표본에서의 성능을 크게 결정하는 매우 중요한 모수다. | |
정상시계열에 대한 장기적 분산이란? | 정상시계열에 대한 장기적 분산(long-run variance; LRV)은 모평균의 추정값인 표본 평균의 점근적 정규성을 위한 표준화된 극한(scaling limit)으로 정의된다. 따라서 LRV는 시계열 분석의 추론에서 매우 중요한 역할을 하는 모수이다. | |
LRV의 활용 분야는? | 따라서 LRV는 시계열 분석의 추론에서 매우 중요한 역할을 하는 모수이다. 예를 들어 정상시계열의 모평균에 대한 추론, 자기 상관성을 갖는 회귀분석에서의 회귀 모수에 대한 검증, 단위근 검증, 변화점 감지를 위한 CUSUM 통계량 등등 그 활용 분야는 무궁무진하다. |
Abadir, K. M., Distaso, W., and Giraitis, L. (2009). Two estimators of the long-run variance: beyond short memory, Journal of Econometrics, 150, 56-70.
Andrews, D. W. K. (1991). Heteroskedasticity and autocorrelation consistent covariance matrix estimation, Econometrica, 59, 817-858.
Baek, C. and Pipiras, V. (2014). On distinguishing multiple changes in mean and long-range dependence using local Whittle estimation, Electronic Journal of Statistics, 8, 931-964.
Beran, J. (1994). Statistics for Long-Memory Processes, 61, CRC press, New York.
Brillinger, D. R. (1981). Time Series: Data Analysis and Theory, SIAM.
Chu, C. K. and Marron, J. S. (1991). Comparison of two bandwidth selections with dependent errors, The Annuals of Statistics, 19, 1906-1918.
Hardle, W., Horowitz, J., and Kreiss J.-P. (2003). Bootstrap methods for time series, International Statistical Review, 71, 435-459.
Kim, T. Y., Park, B. U., Moon, M. S., and Kim, C. (2009). Using bimodal kernel for inference in nonparametric regression with correlated errors, Journal of Multivariate Analysis, 100, 1478-1497.
Kunsch, H. (1989). The jackknife and the bootstrap for general stationary observations, Annals of Statistics, 17, 1217-1241.
Lahiri, S. N. (2003). Resampling Methods for Dependent Data, Springer.
Mills, T. C. (2007). Time series modelling of two millennia of northern hemisphere temperatures: long memory or shifting trends?, Journal of the Royal Statistical Society, Series A, 170, 83-94.
Moberg, A., Sonechkin, D. M., Holmgren, K., Datsenko, N. M., and Karlen, W. (2005). Highly variable northern hemisphere temperatures reconstructed from low- and high-resolution proxy data, Nature, 433, 613-617.
Newey, W. K. and West, K. (1987). A simple, positive semi-definite heteroskedasticity and autocorrelation consistent covariance matrix, Econometrica, 55, 703-708.
Politis, N. D. and Romano, J. P. (1995). Bias-corrected nonparametric spectral estimation, Journal of Time Series Analysis, 16, 67-103.
Politis, N. D. and White, H. (2004). Automatic block-length selection for the dependent bootstrap, Economic Reviews, 23, 53-70.
Robinson, P. M. (2005). Robust covariance matrix estimation: HAC estimates with long memory/antipersistence correction, Econometric Theory, 21, 171-180.
*원문 PDF 파일 및 링크정보가 존재하지 않을 경우 KISTI DDS 시스템에서 제공하는 원문복사서비스를 사용할 수 있습니다.
오픈액세스 학술지에 출판된 논문
※ AI-Helper는 부적절한 답변을 할 수 있습니다.