$\require{mediawiki-texvc}$

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.

희박 벡터 자기 회귀 모형의 로버스트 추정
Robust estimation of sparse vector autoregressive models 원문보기

응용통계연구 = The Korean journal of applied statistics, v.35 no.5, 2022년, pp.631 - 644  

김동영 (성균관대학교 통계학과) ,  백창룡 (성균관대학교 통계학과)

초록
AI-Helper 아이콘AI-Helper

본 논문은 고차원 시계열 자료에 이상점이 존재하는 경우 희박벡터자기회귀모형(sparse VAR; sVAR)의 모수를 강건하게 추정하는 방법에 대해서 연구하였다. 먼저 Xu 등 (2008)이 독립인 자료에서 밝혔듯이 adaptive lasso 방법이 sVAR 모형에서도 어느 정도의 강건함을 가짐을 모의 실험을 통해 알 수 있었다. 하지만, 이상점의 개수가 증가하거나 이상점의 영향력이 커지는 경우 효율성이 현저히 저하되는 현상도 관찰할 수 있었다. 따라서 이를 개선하기 위해서 최소절대편차(least absolute deviation; LAD)와 Huber 함수를 기반으로 벌점화 시키는 adaptive lasso를 이용하여 sVAR 모형을 추정하는 방법을 본 논문에서는 제안하고 그 성능을 검토하였다. 모의 실험을 통해 제안한 로버스트 추정 방법이 이상점이 존재하는 경우에 모수 추정을 더 정확하게 하고 예측 성능도 뛰어남을 확인했다. 또한 해당 방법론들을 전력사용량 데이터에 적용한 결과 이상점으로 의심되는 시점들이 존재하였고, 이를 고려하여 강건하게 추정하는 제안한 방법론이 더 좋은 예측 성능을 보임을 확인할 수 있었다.

Abstract ▼ AI-Helper 아이콘AI-Helper

This paper considers robust estimation of the sparse vector autoregressive model (sVAR) useful in high-dimensional time series analysis. First, we generalize the result of Xu et al. (2008) that the adaptive lasso indeed has robustness in sVAR as well. However, adaptive lasso method in sVAR performs ...

주제어

#로버스트추정   #벡터자기회귀모형  

참고문헌 (13)

  1. Baek C, Davis RA, and Pipiras V (2017). Sparse seasonal and periodic vector autoregressive modeling, Computational Statistics & Data Analysis, 106, 103-126. 

    상세보기

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

    상세보기

  3. Chen C and Liu LM (1993). Joint estimation of model parameters and outlier effects in time series, Journal of the American Statistical Association, 88, 284-297. 

    상세보기

  4. Davis RA, Zang P, and Zheng T (2016). Sparse vector autoregressive modeling, Journal of Computational and Graphical Statistics, 25, 1077-1096. 

    상세보기

  5. Fan J and Li R (2001). Variable selection via nonconcave penalized likelihood and its oracle properties, Journal of the American Statistical Association, 96, 1348-1360. 

    상세보기

  6. Huber PJ (1981). Robust Statistics, Wiley, New York. 

  7. Lambert-Lacroix S and Zwald L (2011). Robust regression through the Huber's criterion and adaptive lasso penalty, Electronic Journal of Statistics, 5, 1015-1053. 

  8. Lee SG and Baek C (2016). Adaptive lasso in sparse vector autoregressive models, The Korean Journal of Applied Statistics, 29, 27-39. 

  9. Lutkepohl H (2005). New Introduction to Multiple Time Series Analysis, Springer-Verlag, Berlin. 

  10. Shin AJ, Park M, and Baek C (2022). Sparse vector heterogeneous autoregressive model with nonconvex penalties, Communications for Statistical Applications and Methods, 29, 53-64. 

    원문보기 상세보기

  11. Tibshirani R (1996). Regression shrinkage and selection via the lasso, Journal of the Royal Statistical Society:Series B (Methodological), 58, 267-288. 

    상세보기

  12. Wang H, Li G, and Jiang G (2007). Robust regression shrinkage and consistent variable selection through the lad-lasso, Journal of Business & Economic Statistics, 25, 347-355. 

    상세보기

  13. Xu H, Caramanis C, and Mannor S (2008). Robust regression and lasso, Advances in Neural Information Processing Systems, 21, 103-126. 

저자의 다른 논문 :

관련 콘텐츠

오픈액세스(OA) 유형

GOLD

오픈액세스 학술지에 출판된 논문

이 논문과 함께 이용한 콘텐츠

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