경시적 자료에서 공분산 행렬의 모형화 방법 비교 연구 (Comparison study of methods on modeling covariance matrix in longitudinal data)

서지정보

· 발행기관 : 한국데이터정보과학회
· 수록지 정보 : 한국데이터정보과학회지 / 34권 / 2호 / 255 ~ 277페이지
· 저자명 : 공하경, 이근백

초록

경시적 자료 분석은 횡단 자료 분석과는 달리 반응 변수에 대한 공변량의 효과를 추정할 때 반복 측정된 결과들 간의 상관관계를 설명해야 한다. 이것을 설명하기 위한 공분산행렬은 일반적으로 고차원이며, 양정치성을 만족해야 한다. 하지만 이러한 제한조건을 만족하는 공분산행렬의 추정은 쉽지 않으며, 양정치성의 제한조건을 피하기 위해서 상대적으로 단순한 구조의 공분산행렬을 가정한다. 하지만 이러한 가정은 강한 조건이며, 잘못 가정된 공분산행렬은 공변량 효과의 추정에 편향을 일으킬 수 있다. 이를 해결하기 위해서 최근에 콜레스키 분해를 기반으로 한 공분산행렬의 모형화가 제안되었다. 이 연구에서 콜레스키 분해를 기반으로 한 세 가지의 공분산행렬의 모형화 방법인 수정된 콜레스키 분해, 대안 콜레스키 분해, 초구 분해를 소개하고, 이 세 가지 모형의 성능을 다양한 모의실험을 통하여 비교하고자 한다.

영어초록

In contrast to cross-sectional data analysis, longitudinal data analysis can explain the association between repeated outcomes when determining the influence of covariates on responses. To demonstrate this, a high-dimensional covariance matrix is used and it should be positive definite. However, estimating the covariance matrix is challenging. To overcome the restrictions, we assume the covariance matrix with a relatively simple structure. This assumption is too strong, though, and using a wrong covariance matrix can make the estimation of covariate effects biased. Recently three decomposition methods of the covariance matrix have been proposed. In this paper, we present the methods and compare the performance of the methods.

참고자료

· 없음