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.33 no.1, 2020년, pp.25 - 46
이다솜 , 이은지 (고려대학교 통계학과) , 조성일 (전북대학교 통계학과 (응용통계연구소)) , 최태련 (고려대학교 통계학과)
This paper presents ordinal probit semiparametric regression models using Bayesian Spectral Analysis Regression (BSAR) method. Ordinal probit regression is a way of modeling ordinal responses - usually more than two categories - by connecting the probability of falling into each category explained b...
핵심어 | 질문 | 논문에서 추출한 답변 |
---|---|---|
BART란 무엇인가? | 명목형 변수를 위한 비모 수적 베이지안 방법에 있어서는 Chipman 등 (2010)의 Bayesian additive regression tree (BART)가 대표적인 방법이라고 할 수 있다. BART는 정규화 사전 분포(regularization prior)를 사용하고, 반응 변수의 확률을 프로빗 연결함수를 통해 m개의 설명력이 약한 나무들의 합으로 표현하는 방식으로, R의 BART 패키지의 pbart함수를 통해 적합할 수 있다. BART를 통한 비모수적 접근 방법 외에, Wood (2017)에서는 mgcv패키지의 jagam함수를 통해 GAM 모형을 베이지안 방식으로 적합할 수 있도록 하였다. | |
이항형 반응변수를 분류하는 방식은 무엇에 용이한가? | Albert와 Chib (1993)은 이항확률에 프로빗 연결함수를 직접 적용하는 방식 대신 선형회귀모형을 통해 설명된는 잠재변수 값에 따라 이항형 반응변수를 분류하는 방식을 채택하였다. 이러한 접근방식은 사전 분포와 사후 분포 간의 켤레성(conjugacy)으로 인해 사후 분포 도출에 용이하기 때문에 베이지안 범주형 자료 분석의 토대가 되었다. 명목형 변수를 위한 비모 수적 베이지안 방법에 있어서는 Chipman 등 (2010)의 Bayesian additive regression tree (BART)가 대표적인 방법이라고 할 수 있다. | |
BSAR 방법이 매우 유용할 것이라고 판단되는 이유는? | 또한, 순서형 범주를 적합하기 위한 스플라인 회귀 모형은 대해서는 Wood (2017)의 gam의 ocat family를 참조해 모형을 적합할 수 있지만, 현재 로짓 링크만 제한적으로 사용할 수 있기 때문에, 실용적인 면에 있어서는 다소 간의 한계를 보인다. 이에 반해, BSAR 방법은 가우지안 확률과정과 코사인 기 저를 바탕으로 한 다소 복잡한 적합방식이지만, 단조증가, 감소 뿐 아니라 오목,볼록, U자형, S자형 등 의 다양한 형태제약을 반영할 수 있으며 (Lenk와 Choi, 2017), R 패키지 bsamGP (Jo 등, 2019)에서 다양한 모형적합을 제공하기 때문에, 본 논문에서의 연구와 같은 실제 자료분석에 있어서 매우 유용할 것이라고 판단된다. |
Agresti, A. (2013). Categorical Data Analysis (3rd ed), John Wiley & Sons, NJ.
Albert, J. H. and Chib, S. (1993). Bayesian analysis of binary and polychotomous response data, Journal of the American Statistical Association, 88, 669-679.
Carmody, T. P., Brischetto, C. S., Matarazzo, J. D., O’Donnell, R. P., and Connor, W. E. (1985). Cooccurrent use of cigarettes, alcohol, and coffee in healthy, community-living men and women. Health Psychology, 4, 323.
Chen, M. H. and Dey, D. K. (2000). Bayesian analysis for correlated ordinal data models. In Generalized Linear Models: A Bayesian Perspective (volume 5, pages 133-157), Dekker, New York.
Chipman, H. A., George, E. I., and McCulloch, R. E. (2010). BART: Bayesian additive regression trees, The Annals of Applied Statistics, 4, 266-298.
Clark, A., Georgellis, Y., and Sanfey, P. (2001). Scarring: The psychological impact of past unemployment, Economica, 68, 221-241.
Cowles, M. K., Carlin, B. P., and Connett, J. E. (1996). Bayesian tobit modeling of longitudinal ordinal clinical trial compliance data with nonignorable missingness, Journal of the American Statistical Association, 91, 86-98.
Geisser, S. and Eddy, W. F. (1979). A predictive approach to model selection, Journal of the American Statistical Association, 74, 153-160.
Harris, M. N. and Zhao, X. (2007). A zero-inflated ordered probit model, with an application to modelling tobacco consumption, Journal of Econometrics, 141, 1073-1099.
Hasegawa, H. (2010). Analyzing tourists' satisfaction: a multivariate ordered probit approach, Tourism Management, 31, 86-97.
Hastie, T. J. and Tibshirani, R. J. (1990). Generalized additive models, Monographs on Statistics and Applied Probability (Vol 43), Chapman and Hall, London.
Jara, A., Hanson, T. E., and Lesaffre, E. (2009). Robustifying generalized linear mixed models using a new class of mixtures of multivariate Polya trees, Journal of Computational and Graphical Statistics, 18, 838-860.
Jo, S., Choi, T., Park, B., and Lenk, P. (2019). bsamGP: An R package for Bayesian spectral analysis models using Gaussian process priors, Journal of Statistical Software, 90, 1-41.
Jung, K. W., Won, Y. J., Kong, H. J., Lee, E. S., and Community of Population-Based Regional Cancer Registries (2018). Cancer statistics in Korea: incidence, mortality, survival, and prevalence in 2015, Cancer Research and Treatment: Official Journal of Korean Cancer Association, 50, 303-316.
Kang, E., Lee, J. A., and Cho, H. J. (2017). Characteristics of hardcore smokers in South Korea from 2007 to 2013, BMC Public Health, 17, 521.
Kockelman, K. M. and Kweon, Y. J. (2002). Driver injury severity: an application of ordered probit models, Accident Analysis & Prevention, 34, 313-321.
Koop, G., Poirier, D. J., and Tobias, J. L. (2007). Bayesian Econometric Methods (Econometric Exercises), Cambridge University Press, Cambridge.
Korean Centers for Disease Control and Prevention (2016). The Seventh Korea National Health and Nutrition Examination Survey (KNHANES VII-1).
Lenk, P. J. and Choi, T. (2017). Bayesian analysis of shape-restricted functions using Gaussian process priors, Statistica Sinica, 27, 43-69.
Nelder, J. A. and Wedderburn, R. W. (1972). Generalized linear models, Journal of the Royal Statistical Society. Series A (General), 135, 370-384.
Park, J. C., Kim, M. H., and Lee, J. Y. (2018). Nomogram comparison conducted by logistic regression and naive Bayesian classifier using type 2 diabetes mellitus (T2D), Korean Journal of Applied Statistics, 31, 573-585.
Seok, H. E., Bang, H. J., and Kim, S. Y. (2017). Bayesian analysis of KBSID-III adaptive behavior data using a zero-inflated ordered probit model, Korean Journal of Psychology: General, 36, 215-239.
Sha, N. and Dechi, B. O. (2019). A Bayes inference for ordinal response with latent variable approach, Stats, 2, 321-331.
Tan, Y. V. and Roy, J. (2019). Bayesian additive regression trees and the general BART model, Statistics in Medicine, 38, 5048-5069.
Watanabe, S. (2010). Asymptotic equivalence of Bayes cross validation and widely applicable information criterion in singular learning theory, Journal of Machine Learning Research, 11, 3571-3594.
Wood, S. N. (2017). Generalized Additive Models: An Introduction with R (2nd ed), CRC Press, Florida.
Xie, Y., Zhang, Y., and Liang, F. (2009). Crash injury severity analysis using Bayesian ordered probit models, Journal of Transportation Engineering, 135, 18-25.
*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.