비정규 오차를 고려한 자기회귀모형의 추정법 및 예측성능에 관한 연구

목차

1. 서론
2. 본론
3. 실험 및 결과 분석
4. 결론
5. 참고문헌

본문내용

1. 서 론
시계열 데이터는 일반적인 데이터에 시간의 차원이 추가된 형태로 시간에 따라 관측되는 데이터이며, 경제, 환경, 사회 등 다양한 분야에서 수집된다(Last et al., 2001). 시계열 데이터를 분석하는 목적은 과거 값을 토대로 미래 값의 예측이다. 이러한 분석은 경제 분야에서 주식, 환율 등의 예측으로 수익을 창출하고, 환경 분야에서 강우량과 하천 유출수량 등의 예측으로 수해 및 자연재해를 예방한다. 또한 사회현상을 비롯하여보안이나 수요와 공급 등에 이르기까지 합리적인 의사결정을돕는다. 그러므로 시계열 데이터의 분석에서 예측 오차를 줄여 정확성을 높이고자 하는 연구들은 다양한 분야에서 요구되는 중요한 연구주제이다.
시계열 데이터의 분석 방법론은 지수평활법(Exponential Smoothing Method), 분해법(Decomposition Method), 박스-젠킨스 모형(Box-Jenkins Model) 등이 있다(Bowerman et al., 2005). 지수평활법은 이동 평균 방법을 보완하여 최근 자료에 큰 가중치를 부여하는 방법이며, 분해법은 패턴을 부분패턴으로 분해함으로써 예측뿐만 아니라 계절성, 순환성, 추세성과 같은 시계열 데이터의 특성들에 대한 정보와 영향을 분석하는 방법이다. 그러나 평활법은 불규칙 변동을 제거한 후 시계열 데이터의 추정이 가능한 방법이며, 분해법은 특정 패턴이 시계열에
내제되어 있을 때 가능한 방법이다. 이에 반에 박스-젠킨스 모형은 다양한 시계열 데이터에 적용이 가능하며, 정확성과 예측성이 높아 가장 많이 이용되는 방법이다(Bruce et al., 2005).
박스-젠킨스 모형은 시계열 데이터의 자기상관관계(Autocorrelation)
를 이용한 다중회귀기법(Multi-linear Regression)으로 모형과 모형의 계수를 추정하는 방법이다(Pankratz, 2008).
이러한 박스-젠킨스 모형은 모형 식별, 계수 추정, 모형 검증 세 단계 절차로 구성되어 있다. 먼저 자기상관계수와 부분자기상관계수를 이용해 박스-젠킨스 모형은 시계열 데이터가 어떤 모형에 적합한지를 판단한다

<이하생략>

참고자료

· Akaike, H. (1969), Power spectrum estimation through autoregressive model fitting, Annals of the institute of statistical mathematics, 21, 407-419.
· Akaike, H. (1974), A New Look at the Statistical Model Identification, IEEE
· Transactions on automatic control, 19(6), 716-723.
· Aldrich, J. (1997), R. A. Fisher and the making of Maximum Likelihood 1912～1922, Statistical Science, 12(3), 162-176.
· Bowerman, B. L., O’Connellm R., and Koehler, A. (2005), Forecasting
· Time Series and Regression, 4th edition, Thomson Brooks/Cole, CA, USA.
· Box, G. E. P., Jenkins, G. M., and Reinsel, G. C. (1994), Time Series Analysis : Forecasting and Control, 3rd edition, Prentice-Hall, NJ, USA.
· Elderton, W. P. and Johnson, N. L. (2009), Systems of frequency curves,
· Cambridge University Press, NY, USA.
· Endo, H. and Randall R. B. (2007), Enhancement of autoregressive model
· based gear tooth fault detection technique by the use of minimum entropy
· deconvolution filter, Mechanical Systems and Signal Processing, 21(2),906-919.
· Gay, D. M. (1983), Algorithm 611. Subroutines for Unconstrained Minimization
· Using a Model.Trust, ACM Transcations on Mathematical Software, 9(4), 503-524.
· Gay, D. M. (1990), Usage Summary for Selected Optimization Routines, Computing Sicience Technical Report, AT&T Bell Laboratories, NJ, USA.
· Last, M., Klein, Y., and Kandel, A. (2001), Knowledge Discovery in TimeSeries Databases, IEEE Transactions on systems, Man, and cybernetices- part B : cybernetics, 31(1), 160-169.
· Nagahara, Y. (2000), Non-Gaussian Filter and Smoother Based on the Pearson
· Distribution System, Journal of Time Series Analysis, 24(6), 721-738.
· Nagahara, Y. (2004), A method of simulating multivariate nonnormal distributions by the Pearson distribution system and estimation, Computational
· Statistics and Data Analysis, 47(1), 1-29.
· Pankratz, A. (2008), Forecasting with Univariate Box-Jenkins Models Concepts and Cases, John wiley and sons, NY, USA.
· Parrish, R. S. (1983), On an integrated approach to member selection and parameter estimation for Pearson distributions, Computational Statistics and Data Analysis, 1, 239-255.
· Pearson, K. (1895), Contributions to the Mathematical Theory of Evolution.
· II. Skew Variation in Homogeneous Material, Philosophical Transactions of the Royal Society of London A, 186, 343-414.
· Pearson, K. (1916), Mathematical Contributions to the Theory of Evolution.
· XIX. Second Supplement to a Memoiron Skew Variation, Philosophical
· Transactions of the Royal Society of London, Series A, Containing
· Papersof a Mathematical or Physical Character, 216, 429-457.
· Rydberg, T. H. (2000), Realistic Statistical Modelling of Financial Data,
· International Statistical Review, 68(3), 233-258.
· Sethi, S. and Sorger G. (1991), A Theory of Rolling Horizon Decision Making,Annuals of Operations Research, 29, 387-416
· Walpole, R. E. Myers, R. H. Myers, S. L., and Ye, K. (2006), Probability and Statistics for engineerings and scientists, 9 edition, Prentice Hall, NJ, USA.