고차원 데이터에서 공분산행렬의 추정에 대한 비교연구
DC Field | Value | Language |
---|---|---|
dc.contributor.author | 이동혁 | - |
dc.contributor.author | 이재원 | - |
dc.date.accessioned | 2021-09-06T09:08:20Z | - |
dc.date.available | 2021-09-06T09:08:20Z | - |
dc.date.created | 2021-06-17 | - |
dc.date.issued | 2013 | - |
dc.identifier.issn | 1225-066X | - |
dc.identifier.uri | https://scholar.korea.ac.kr/handle/2021.sw.korea/105656 | - |
dc.description.abstract | 공분산 행렬은 다변량 통계분석에서 중요한 역할을 하고 있으며 전통적인 다변량 분석의 경우 표본 공분산 행렬이 참공분산 행렬의 추정량으로 주로 사용되었다. 하지만 변수의 수가 표본의 크기보다 훨씬 큰 고차원 데이터와 같은 경우에는 표본 공분산 행렬은 비정칙행렬이 되어 기존의 다변량 기법을 사용하는 데 적절하지 않을 수가 있다. 최근이러한 문제점을 해결하기 위해 축소추정, 경계추정, 수정 콜레스키 분해 추정 등의 새로운 공분산 행렬의 추정량들이 제안되었다. 본 논문에서는 추정량들의 성능에 영향을 미칠 수 있는 여러 현실적인 상황들을 가정하여 모의실험을 통해 참공분산 행렬의 추정량들의 성능을 비교하였다. | - |
dc.language | Korean | - |
dc.language.iso | ko | - |
dc.publisher | 한국통계학회 | - |
dc.title | 고차원 데이터에서 공분산행렬의 추정에 대한 비교연구 | - |
dc.title.alternative | A Comparative Study of Covariance Matrix Estimators in High-Dimensional Data | - |
dc.type | Article | - |
dc.contributor.affiliatedAuthor | 이재원 | - |
dc.identifier.bibliographicCitation | 응용통계연구, v.26, no.5, pp.747 - 758 | - |
dc.relation.isPartOf | 응용통계연구 | - |
dc.citation.title | 응용통계연구 | - |
dc.citation.volume | 26 | - |
dc.citation.number | 5 | - |
dc.citation.startPage | 747 | - |
dc.citation.endPage | 758 | - |
dc.type.rims | ART | - |
dc.identifier.kciid | ART001815003 | - |
dc.description.journalClass | 2 | - |
dc.description.journalRegisteredClass | kci | - |
dc.subject.keywordAuthor | 공분산 행렬 추정 | - |
dc.subject.keywordAuthor | 축소추정 | - |
dc.subject.keywordAuthor | 경계 추정 | - |
dc.subject.keywordAuthor | 수정 콜레스키 분해 추정. | - |
dc.subject.keywordAuthor | Covariance matrix estimation | - |
dc.subject.keywordAuthor | shrinkage | - |
dc.subject.keywordAuthor | thresholding | - |
dc.subject.keywordAuthor | modified Choelsky decomposition. | - |
Items in ScholarWorks are protected by copyright, with all rights reserved, unless otherwise indicated.
(02841) 서울특별시 성북구 안암로 14502-3290-1114
COPYRIGHT © 2021 Korea University. All Rights Reserved.
Certain data included herein are derived from the © Web of Science of Clarivate Analytics. All rights reserved.
You may not copy or re-distribute this material in whole or in part without the prior written consent of Clarivate Analytics.