$\require{mediawiki-texvc}$

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.

다변량 장기 종속 시계열에서의 이상점 탐지
Outlier detection for multivariate long memory processes 원문보기

응용통계연구 = The Korean journal of applied statistics, v.35 no.3, 2022년, pp.395 - 406  

김경희 (성균관대학교 통계학과) ,  유승연 (성균관대학교 통계학과) ,  백창룡 (성균관대학교 통계학과)

초록
AI-Helper 아이콘AI-Helper

본 논문에서는 장기 종속 다변량 시계열 자료에 대한 이상점 탐지 기법을 연구한다. 기존 다변량 시계열 이상점 탐지 방법은 단기 종속 시계열 모형인 VARMA에 기반한 방법으로, 장기억성을 띈 다변량 시계열 자료에는 적합하지 않다. 자기회귀 모형을 통해서 장기 종속성, 즉 장기억성을 고려하기 위해서는 높은 차수의 모형이 필요하고, 이는 곧 추정의 불안성으로 이어지기에 장기억성을 효율적으로 다룰 수 없기 때문이다. 따라서, 본 논문은 이러한 문제를 보완하고자 VHAR 구조에 기반한 이상점 탐지 방법을 제시하고자 한다. 또한 더욱 정확한 추론을 위해서 로버스트한 방법을 이용하여 VHAR 계수를 추정하였고 이를 활용하여 이상점을 탐지하였다. 모의실험 결과 우리가 제안한 방법론이 기존 VARMA에 기반한 방법론보다 이상점 탐지에 더 효과적임을 살펴볼 수 있었다. 주가지수에 대한 실증자료 분석에서도 기존의 방법론은 탐지하지 못하는 추가 이상점을 찾음을 확인할 수 있었다.

Abstract ▼ AI-Helper 아이콘AI-Helper

This paper studies the outlier detection method for multivariate long memory time series. The existing outlier detection methods are based on a short memory VARMA model, so they are not suitable for multivariate long memory time series. It is because higher order of autoregressive model is necessary...

주제어

#이상점 탐지   #다변량 장기 기억 시계열   #로버스트 회귀  

표/그림 (8)

참고문헌 (14)

  1. Andersen TG, Bollerslev T, Diebold FX, and Labys P (2003). Modeling and forecasting realized volatility. Econometrica, 71, 579-625. 

    상세보기

  2. Baek C, Kechagias S, and Pipiras V (2017). Semiparametric, parametric, and possibly sparse models for multivariate long-range dependence. Wavelets and Sparsity XVII, Vol. 10394, International Society for Optics and Photonics 103941S. 

  3. Baek C and Park M (2021). Sparse vector heterogeneous autoregressive modeling for realized volatility. Journal of the Korean Statistical Society, 50, 495-510. 

    상세보기

  4. Boubacar-Mainassara Y, Esstafa Y, and Saussereau B (2021). Estimating farima models with uncorrelated but non-independent error terms. Statistical Inference for Stochastic Processes, 24, 549-608. 

    상세보기

  5. Corsi F (2009). A simple approximate long-memory model of realized volatility. Journal of Financial Econometrics, 7, 174-196. 

    상세보기

  6. Fox AJ (1972). Outliers in time series. Journal of the Royal Statistical Society: Series B (Methodological), 34, 350-363. 

    상세보기

  7. Fox J and Weisberg S (2002). Robust regression: appendix to An R and S-PLUS companion to applied regression. 

  8. Hawkins D (1980). Identification of outliers 

  9. Kleiner B, Martin RD, and Thomson DJ (1979). Robust estimation of power spectra. Journal of the Royal Statistical Society: Series B (Methodological), 41, 313-338. 

    상세보기

  10. Lee J (2017). Detecting outlier with exponential smoothing in time series. Seoul National University. 

  11. Lee K and Baek C (2021). Outlier detection for long memory processes. The Korean Data & Information Science Society, 32, 1205-1218. 

  12. Ripley B, Venables B, Bates DM, Hornik K, Gebhardt A, and Firth D (2013). R package 'MASS' 

  13. Tsay RS (1988). Outliers, level shifts, and variance changes in time series. Journal of Forecasting, 7, 1-20. 

    상세보기

  14. Tsay RS, Pena D, and Pankratz AE (2000). Outliers in multivariate time series. Biometrika, 87, 789-804. 

    상세보기

저자의 다른 논문 :

관련 콘텐츠

오픈액세스(OA) 유형

GOLD

오픈액세스 학술지에 출판된 논문

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