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.31 no.1, 2018년, pp.109 - 122
박소진 (성균관대학교 통계학과) , 백창룡 (성균관대학교 통계학과)
The composite lognormal-generalized Pareto distribution (LN-GPD) is a mixture of right-truncated lognormal and GPD for a given threshold value. Scollnik (Scandinavian Actuarial Journal, 2007, 20-33, 2007) shows that the composite LN-GPD is adequate to describe body distribution and heavy-tailedness....
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
핵심어 | 질문 | 논문에서 추출한 답변 |
---|---|---|
LN-GPD 모형의 단점은? | LN-GPD 모형은 몸통(body) 부분은 로그정규분포를, 꼬리 부분은 일반화파레토 분포를 사용하여 두터운 꼬리를 갖는 자료를 자료의 손실 없이 분석할 수 있는 매우 유용한 분포이다. 하지만 임계값 역시 모수로 최대우도법을 사용하기에는 많은 어려움이 있다. 따라서 본 논문은 Kim 등 (2016)에서 제안한 2단계 추정법을 통해 임계값을 먼저 추정하고, 주어진 임계값에 대해서 나머지 모수들을 추정하는 방법을 통해 모수를 효율적으로 추정하는 방법에 대해서 제안하였다. | |
LN-GPD 합성분포란? | 임계값을 기준으로 그 보다 작은 값은 로그정규분포(lognormal distribution; LN)를, 큰 값은 일반화파레토분포(generalized Pareto distribution; GPD)를 따르는 합성 분포를 LN-GPD 합성분포라 한다. Scollnik (2007)은 LN-GPD 합성분포가 로그정규분포와 GPD를 합성 시킴으로써 자료의 손실 없이 꼬리가 두꺼운 분포에서 좋은 적합력을 가진다고 밝혔다. | |
로그정규분포를 사용하여 극단값을 포함하고 있는 자료를 추정할 때 한계점은? | 일반적으로 극단값을 포함하고 있는 자료는 꼬리가 두껍고 편향된 분포 형태를 띄며 로그정규분포(lognormal distribution; LN)나 일반화파레토분포(generalized Pareto distribution; GPD)를 사용한다. 하지만 로그정규분포는 두터운 꼬리를 설명하는데 한계가 있으며 GPD분포의 경우 자료를 임계값(threshold)를 기준으로 절삭하기에 데이터의 손실이 있을 뿐만 아니라 몸통(body) 부분의 특징을 반영하지 못한다. 이러한 단점을 극복하기 위해서 Cooray와 Ananda (2005), Scollnik(2007) 등은 로그정규분포와 GPD 분포의 합성(LN-GPD)을 제안하였고 합성된 분포가 실증자료를 더 잘 적합함을 보였다. |
*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.