$\require{mediawiki-texvc}$

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] 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 아이콘AI-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 아이콘AI-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 nonline...

주제어

#다변량 자료분석   #데이터마이닝   #분위수 회귀모형   #회귀나무 모형  

참고문헌 (22)

  1. Asuncion, A. and Newman, D. (2007). UCI machine learning repository, Available at ttp://www.ics.uci.edu/-mlearn/MLRepository.tml. 

  2. Breiman, L., Friedman, J., Stone, C. and Olshen, R. (1984). Classification and regression trees, Chapman & Hall/CRC, Belmont, CA. 

  3. Chaudhuri, P. and Loh, W. Y. (2002). Nonparametric estimation of conditional quantiles using quantile regression trees. Bernoulli , 8, 561-576. 

    상세보기

  4. De'ath, G. (2012). Mvpart: multivariate partitioning. R package version 1.6-0. 

  5. 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 crossref

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

    상세보기 crossref

  7. 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 crossref

  8. Kim, H. and Loh, W. Y. (2011). Classification trees with unbiased multiway splits. Journal of the American Statistical Association, 96, 589-604. 

  9. Koenker, R. (2005). Quantile regression, Cambridge University Press, Cambridge, UK. 

  10. Koenker, R. and Bassett Jr, G. (1978). Regression quantiles. Econometrica, 46, 33-50. 

    상세보기 crossref

  11. 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 crossref

  12. 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 crossref

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

    상세보기 crossref

  14. Loh, W. Y. (2002). Regression tress with unbiased variable selection and interaction detection. Statistica Sinica, 12, 361-386. 

  15. Loh, W. Y. (2009). Improving the precision of classification trees. The Annals of Applied Statistics, 3, 1710-1737. 

    상세보기 crossref

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

    상세보기 crossref

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

    상세보기 crossref

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

    상세보기 crossref

  19. 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 crossref

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

    상세보기 crossref

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

    상세보기 crossref

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

    상세보기 crossref

저자의 다른 논문 :

LOADING...

관련 콘텐츠

오픈액세스(OA) 유형

GOLD

오픈액세스 학술지에 출판된 논문

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