준희소 가산 자료를 위한 베이지안 다변량 시공간 모형 (Bayesian multivariate spatio-temporal model for quasi-sparse count data)

서지정보

· 발행기관 : 한국통계학회
· 수록지 정보 : 응용통계연구 / 38권 / 1호 / 13 ~ 27페이지
· 저자명 : 강현주, 이경재

초록

0을 포함하는 다수의 잡음과 소수의 큰 신호로 구성되는 준희소 가산 자료는 범죄, 역학, 유전학 등 다양한 분야에서 관측되어 왔다. 영과잉 자료에 흔히 사용되는 ZIP 모형은 잡음과 신호를 동시에 포괄하기에 충분치 않아, 이러한 상황에 대응할 수 있는 모형의 필요성이 제기됐다. 이에 본 논문은 가산 자료 분석에 편리한 P-MSTM 모형 (Bradley 등, 2018)에 수축 효과를 고안하여, 준희소 가산 자료에 적합한 베이지안 시공간 모형을 제안한다. 수축 효과에 적용된 전역-지역 수축 사전분포는 전역적인 축소를 통해 잡음을 줄이고, 지역적으로는 신호 부분에서 큰 수를 허용하여 희박 벡터 상황에 적합한 해결책을 제공한다. 모의실험을 통해 해당 모형의 성능을 확인하고, 실제 자료인 로스앤젤레스 범죄 발생 횟수 자료에 모형을 적합하여 일일 범죄 발생 건수를 예측했다.

영어초록

Count data with quasi-sparsity, which consist of a few signals and an overabundance of small counts including zeros, are prevalent across diverse domains such as crime statistics, epidemiology, and genetics. However, existing methods for handling zero-inflated counts are not sufficient to simultaneously detect the signal and the noise. This paper introduces a Bayesian multivariate spatio-temporal model for quasi-sparse count data, incorporating a shrinkage effect into a P-MSTM framework proposed by Bradley et al. (2018). The shrinkage effect with global-local shrinkage priors globally shrinks the noise towards zero and locally allows the large counts. The simulation studies demonstrate the superior performance of the proposed method. For application, we apply the model to the crime data in Los Angeles and predict day-to-day occurrence.

참고자료

· 없음