$\require{mediawiki-texvc}$

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.

3-모수 카파분포의 모수 추정 방법들의 비교 원문보기

한국데이터정보과학회 2003년도 추계학술대회, 2003 Oct. 30, 2003년, pp.139 - 145  

전유나 (전남대학교 통계학과 대학원) ,  김연우 (전남대학교 통계학과 대학원) ,  황영아 (전남대학교 통계학과 대학원) ,  박정수 (전남대학교 통계학과)

초록
AI-Helper 아이콘AI-Helper

본 논문에서는 강수 자료의 예측에 사용되는 3-모수 카파 분포(KD3)에서의 모수 추정 방법을 알아보고 시뮬레이션을 통하여 모수 추정 방법에 따른 성능을 비교해 보았다. 이 분포의 모수 $\alpha,\;\beta,\;\mu$를 추정하기 위하여 적률추정법(MME), L-적률 추정법(LME), 최우추정법(MLE)을 적용하였다. 소표본의 경우뿐만 아니라 대표본의 경우에도 시뮬레이션을 통하여 추정법들의 성능을 비교하였다. 적률 추정법과 L-적률 추정법에서는 제약조건 하에서의 1차원 Newton-Raphson방법을 수정하여 이용하였다. MSE를 기준으로 한 시뮬레이션 결과, KD3의 모수 추정에 있어서 표본의 크기가 100보다 작으면 LME의 적용을 추천하고 표본의 크기가 100이상이면 MLE를 추천한다.

AI 본문요약
AI-Helper 아이콘 AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

  • 그러나 본 논문에서는 최우 추정치의 Regularity Condition이 만족되지 않아 이론상으로 표본의 크기가 큰 경우에도 최우 추정치의 성능이 가장 좋다고 말하기 어렵다. 따라서 이 장에서는 소표본의 경우뿐만 아니라 대표본의 경우에도 시뮬레이션을 통하여 각 추정법의 성능을 비교하여 보고 가장 좋은 추정법을 알아보고자 한다. 시뮬레이션의 설정은 다음과 같다.

가설 설정

  • . B : Scale-equivariant 이므로 모두 1로 설정 .
본문요약 정보가 도움이 되었나요?

관련 콘텐츠

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