[논문]다변량 분위수 회귀나무 모형에 대한 연구

김재오; 조형준; 방성완

doi:10.7465/jkdi.2017.28.3.533

[국내논문] 다변량 분위수 회귀나무 모형에 대한 연구
Multivariate quantile regression tree 원문보기

Journal of the Korean Data & Information Science Society = 한국데이터정보과학회지, v.28 no.3, 2017년, pp.533 - 545

김재오 (고려대학교 통계학과) , 조형준 (고려대학교 통계학과) , 방성완 (육군사관학교 수학과)

초록
AI-Helper

분위수 회귀모형은 반응변수의 조건부 분포에 대하여 포괄적이고 유용한 통계적 정보를 제공한다. 그러나 많은 실제 자료는 설명변수와 반응변수가 비선형의 관계를 갖고 있어 전통적인 선형 분위수 회귀모형은 왜곡되고 잘못된 결과를 초래할 수 있다. 또한 자료의 복잡성이 증가하여 반응변수가 여러개인 다변량 자료의 분석에 대한 보다 정확한 예측과 더불어 풍부한 해석에 대한 요구가 증가하고 있다. 이러한 이유로 본 연구에서는 다변량 분위수 회귀나무 모형을 제안하였다. 본 연구에서는 기존의 다변량 회귀나무 모형의 분할변수 선택 알고리즘의 문제점을 지적하고 향상된 분할변수 선택 알고리즘을 제안하였다. 제안한 알고리즘은 합리적인 계산시간으로 적용 가능하며 분할변수 선택에서 편향 발생의 문제를 갖지 않는 동시에 기존 방법보다 더 정확하게 분할변수를 선택할 수 있있다. 본 연구에서는 모의실험과 실증 예제를 통해 제안한 방법의 우수한 성능과 유용성을 확인하였다.

Abstract ▼ AI-Helper

Quantile regression models provide a variety of useful statistical information by estimating the conditional quantile function of the response variable. However, the traditional linear quantile regression model can lead to the distorted and incorrect results when analysing real data having a nonlinear relationship between the explanatory variables and the response variables. Furthermore, as the complexity of the data increases, it is required to analyse multiple response variables simultaneously with more sophisticated interpretations. For such reasons, we propose a multivariate quantile regression tree model. In this paper, a new split variable selection algorithm is suggested for a multivariate regression tree model. This algorithm can select the split variable more accurately than the previous method without significant selection bias. We investigate the performance of our proposed method with both simulation and real data studies.

Keyword

참고문헌 (22)

Asuncion, A. and Newman, D. (2007). UCI machine learning repository, Available at ttp://www.ics.uci.edu/-mlearn/MLRepository.tml.
Breiman, L., Friedman, J., Stone, C. and Olshen, R. (1984). Classification and regression trees, Chapman & Hall/CRC, Belmont, CA.
Chaudhuri, P. and Loh, W. Y. (2002). Nonparametric estimation of conditional quantiles using quantile regression trees. Bernoulli , 8, 561-576.

상세보기
De'ath, G. (2012). Mvpart: multivariate partitioning. R package version 1.6-0.
Eo, SH. and Cho, H. (2014). Tree-structured mixed-effects regression modeling for longitudinal data. Journal of Computational and Graphical Statistics, 23, 740-760.

상세보기
Hallin, M., Lu, Z. and Yu, K. (2009). Local linear spatial quantile regression. Bernoulli, 15, 659-686.

상세보기
Richey, J. and Jung, K. H. (2014). Intergenerational economic mobility in Korea using a quantile regression analysis. Journal of the Korean Data & Information Science Society, 25, 715-725.

원문보기 상세보기
Kim, H. and Loh, W. Y. (2011). Classification trees with unbiased multiway splits. Journal of the American Statistical Association, 96, 589-604.
Koenker, R. (2005). Quantile regression, Cambridge University Press, Cambridge, UK.
Koenker, R. and Bassett Jr, G. (1978). Regression quantiles. Econometrica, 46, 33-50.

상세보기
Koenker R. and Mizera I. (2004). Penalized triograms: total variation regularization for bivariate smoothing. Journal of the Royal Statistical Society B, 66, 145-163.

상세보기
Li, Y., Liu, Y. and Zhu, J. (2007). Quantile regression in reproducing kernel hilbert spaces. Journal of the American Statistical Association, 102, 255-268.

상세보기
Liu Y. and Wu Y. (2011). Simultaneous multiple non-crossing quantile regression estimation using kernel constraints. Journal of Nonparametric statistics, 23, 415-437.

상세보기
Loh, W. Y. (2002). Regression tress with unbiased variable selection and interaction detection. Statistica Sinica, 12, 361-386.
Loh, W. Y. (2009). Improving the precision of classification trees. The Annals of Applied Statistics, 3, 1710-1737.

상세보기
Loh, W. Y. and Wei, Z. (2013). Regression trees for longitudinal and multiresponse data. The Annals of Applied Statistics, 7, 495-522.

상세보기
Loh, W. Y. and Vanichsetakul, N. (1988). Tree-structured classification via generalized discriminant analysis. Journal of the American Statistical Association, 83, 715-725.

상세보기
Segal, M. (1992). Tree-structured methods for longitudinal data. Journal of the American Statistical Association, 87, 407-418.

상세보기
Shim, J. Y. and Hwang, C. H. (2012). M-quantile kernel regression for small area estimation. Journal of the Korean Data & Information Science Society, 23, 749-756.

원문보기 상세보기
Yu, K. and Jones, M. (1998). Local linear quantile regression. Journal of the American Statistical Association, 93, 228-237.

상세보기
Zhang, H. (1998). Classification trees for multiple binary responses. Journal of the American Statistical Association, 93, 180-193.

상세보기
Zhang, H. and Ye, Y. (2008). A tree-based method for modeling a multivariate ordinal response. Statistics and its Interface, 1, 169.

상세보기

저자의 다른 논문 :

LOADING...

활용도 분석정보

상세보기

다운로드

내보내기

활용도 Top5 논문

해당 논문의 주제분야에서 활용도가 높은 상위 5개 콘텐츠를 보여줍니다.
더보기 버튼을 클릭하시면 더 많은 관련자료를 살펴볼 수 있습니다.

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증