Earticle

다변량-GARCH 분야에서 비대칭모형에 대한 연구는 상대적으로 미진하다 (McAleer 등, 2009). 본 논문에서는 다변량-GARCH 시계열에서 비대칭 모형과 상수 조건부 상관모형(CCC)을 도입하여 모델링하는 방법론에 대해 연구하고 있다. 다변량 비대칭 변동성 모형 적합 방법을 실용적으로 소개하고 있으며 이를 이용하여 국내 다변량 시계열 분석을 상세히 예시하였다.

It has been relatively incomplete in the field of financial time series to adapt asymmetric features to multivar ate GARCH processes (McAleer et al., 2009). Retaining constant conditional correlation(CCC) structure, this article pursues to introduce asymmetric GARCH modelling in analysing multivariate volatilities in time series in a practical point of view. Multivariate Korean financial time series are analyzed in detail to compar our theory with conventional methodologies including GARCH and EGARCH.

본 연구에서는 재무 시계열 자료를 분석하는데 있어 유용하게 쓰이는 이분산성 시계열 모형하에서 이상치 탐지 기법을 적용하여 그 효율성을 보이고자 한다. 먼저 GARCH 모형과 GARCH 모형하에서 이상치 탐지 기법에 대해 소개하고, 적용된 방법이 기존의 전통적인 이상치 탐지 방법보다 성능이 우수함을 시뮬레이션과 실제 KOSPI 자료에 적합시켜 입증하였다.

In this paper, we show the performance evaluation of outlier detection methods based on the GARCH model. We first introduce GARCH model and the methods of outlier detection in the GARCH model. The results of small simulation and the real KOSPI data show the out-performance of the outlier detection method over the traditional method in the GARCH model.

In this study, we implemented an experimental approach of ecological model development in order to emphasize the importance of input variable selection with respect to time-delayed arrangement between input and output variables. Time-series modeling requires relevant input variable selection for the prediction of a specific output variable (e.g. density of a species). Inadequate variable utility for input often causes increase of model construction time and low efficiency of developed model when applied to real world representation. Therefore, for future prediction, researchers have to decide number of time-delay (e.g. months, weeks or days; t-n) to predict a certain phenomenon at current time t. We prepared a total of 3,900 equation models produced by Time-Series Optimized Genetic Programming (TSOGP) algorithm, for the prediction of monthly averaged density of a potamic phytoplankton species Stephanodiscus hantzschii, considering future prediction from 0- (no future prediction) to 12-months ahead (interval by 1 month; 300 equations per each month-delay). From the investigation of model structure, input variable selectivity was obviously affected by the time-delay arrangement, and the model predictability was related with the type of input variables. From the results, we can conclude that, although Machine Learning (ML) algorithms which have popularly been used in Ecological Informatics (EI) provide high performance in future prediction of ecological entities, the efficiency of models would be lowered unless relevant input variables are selectively used.

시계열의 결측값은 미지의 모수 또는 확률변수로 취급할 수 있으며 이에 따른 최대가능도방법과 확률변수방법에 의해 결측치를 추정할수 있으며 또한 주어진 자료 하에서 미지의 값에 대한 조건부기대치로 예측할수 있다. 이 연구의 주된 목적은 불완전한 자료에 대해 기존에는 ARMA모형만을 고려하였는데 이를 확장하여 공간시계열모형인 STAR모형에 적용하여 두 가지 추정방법을 이용해 결측값의 추정 정밀도를 비교하는데 있다. 사례분석을 위해 한국질병관리본부에서 전산보고 하고 있는 전염병 자료 중에서 2001~2009년 동안의 월별 Mumps 자료를 이용하여 두 가지 추정방법의 추정 정밀도와 예측정확도를 비교하였다.

Missing values in time series can be treated as unknown parameters and estimated by maximum likelihood or as random variables and predicted by the conditional expectation of the unknown values given the data. The purpose of this study is to impute missing values which are regarded as the maximum likelihood estimator and random variable in incomplete data and to compare with two methods using ARMA and STAR model. For illustration, the Mumps data reported from the national capital region monthly over the years 2001~2009 are used, and estimate precision of missing values and forecast precision of future data are compared with two methods.

육상의 지표면 파라미터는 기후와 주로 연관되어 있으므로 육상 관측 위성 영상에 나타나는 많은 물리적 과정은 계절 주기에 따른 시간적 변화를 보인다. 본 연구에서는 계절에 따라 변하는 물리적 과정을 포함하는 시계일 원격 탐사 영상 시리즈를 어댑티브 피드백 시스템에 의해 복원한다. 이 시스템에서는 계절적 변화를 추적하기 위하여 하모닉 모델을 사용하고 수치 영상 모형의 공간적 의존성을 나타내기 위해 깁슨 랜덤 필드를 사용한다. 복원과정을 통하여 구성된 하모닉 모델과 어댑티브 계수에 의해 지표면 연속적 변화를 감시할 수 있다. 본 연구에서는 1996년부터 2000년까지 한반도로부터 관측된 AVHRR 영상 시리즈를 일주일 간격으로 정적 합성하여 NOVI 시리즈를 구하고 하모닉 모델을 사용하는 어댑티브 복원 시스템을 이 NDVI 시리즈를 적용하여 한반도 지표면 변화를 추적하였다. 연구 결과는 하모닉 어댑티브 복원시스템이 거의 실시간으로 지표면 변화를 감시하는데 매우 효과적인 수단이 될 것이라는 잠재성을 보여준다.

The surface parameters associated with the land are usually dependent on the climate, and many physical processes that are displayed in the image sensed from the land then exhibit temporal variation with seasonal periodicity. An adaptive feedback system proposed in this study reconstructs a sequence of images remotely sensed from the land surface having the physical processes with seasonal periodicity. The harmonic model is used to track seasonal variation through time, and a Gibbs random field (GRF) is used to represent the spatial dependency of digital image processes. In this study, the Normalized Difference Vegetation Index (NDVI) was computed for one week composites of the Advanced Very High Resolution Radiometer (AVHRR) imagery over the Korean peninsula for 1996 and 2000 using a dynamic technique, and the adaptive reconstruction of harmonic model was then applied to the NDVI time series for tracking changes on the ground surface. The results show that the adaptive approach is potentially very effective for continuously monitoring changes on near-real time.

수자원 시스템 거동예측은 수문학적 지속성여부에 대한 판단이 선행 되어야 하며 가용한 시계열자료에 대한 추계학적 분석을 통하여 실시하여야 한다. 본 연구에서는 계절형 ARIMA모형을 통한 안동댐 유역의 강우량, 증발산량 및 유출량 시계열자료를 예측함에 있어 전형적인 Box-jenkins의 방법을 따랐고 모형의 식별, 추정, 검진의 3단계를 거쳐 모형화 하였다. 최적 수문시계열 예측 모형을 통하여 안동댐 유역의 강우량, 증발산량 및 유출량 시계열자료로 월별 수문시스템 거동을 예측하였으며, 예측된 결과를 토대로 TANK모형과 ARIMA+TANK결합모형에 의한 장기유출모의를 실시하였다. 분석결과 관측자료의 특성을 비교적 잘 반영 하였으며, 댐 유입량 예측을 위한 추계학적 결합모형의 적용가능성을 검토하였다. 이는 유출량자료의 보유년한이 짧은 대상유역에 월강우량과 증발산량자료 등의 수문시계열 인자 예측을 통한 유출을 모의함으로서 수자원의 중 장기 전략수립에 도움을 줄 것으로 사료된다.

본 연구는 최근에 활발히 연구가 진행 중인 항공수요 예측 분야에서 사용되는 계절형 ARIMA 모형과 다변량 계절형 시계열 모형과의 성능을 비교한 것이다. 본 연구에서는 국제 여객 수요와 국제 화물 수요 예측을 위하여 실제 자료를 이용하여 비교한 결과 다변량 계절형 시계열 모형이 예측의 정확도 면에서 기존의 일변량 모형보다 우수함을 보였다.

Forecasting for air demand such as passengers and freight has been one of the main interests for air industries. This research has mainly focus on the comparison the performance between the univariate seasonal ARIMA models and the multivariate time series models. In this paper, we used real data to predict demand on international passenger and freight. And multivariate time series models are better than the univariate models based on the accuracy criteria.

이 논문에서는 대구 두 개 동의 시간별 오존농도를 예측하는 모형으로 회귀, 자기회귀누적이동평균, 자기회귀누적이동평균 오차를 가지는 회귀 같은 선형모형들을 고려하였다. 평균제곱오차제곱근에 근거하여 보았을 때 한 개 동에서는 자기회귀누적이동평균 모형이 최적의 모형으로 선택되었고, 다른 동에서는 자기회귀누적이동평균 오차를 가지는 회귀 모형이 최적 모형으로 선택되었다. 이 최적의 모형으로부터 나온 잔차들의 변동석 분석을 수행하였는데 이를 통해 120 ppb를 넘는 오존 주의보 날짜를 예측하였다. 2000년에서 2003년까지의 훈련용 자료에 근거하여 보았을 때 잔차값의 경계값으로 35 ppb를 잡았을 때 오존주의보 날짜를 예측하는데 좋은 결과를 보였다. 하나의 동에서는 2004년의 오존주의보가 발령된 이틀 중 하루와 나머지 주의보가 발령되지 않은 364일을 모두 정확히 예측하였다. 다른 동에서는 2004년의 오존주의보가 발령된 하루와 주의보가 발령되지 않은 365일을 모두 정확히 예측하였다.

In this article, we consider linear models such as regression, ARIMA (autoregressive integrated moving average), and regression+ARIMA (regression with ARIMA errors) for predicting hourly ozone concentration level in two areas of Daegu. Based on RASE(root average squared error), it is shown that the ARIMA is the best model in one area and that the regression+ARIMA model is the best in the other area. We further analyze the residuals from the optimal models, so that we might predict the ozone warning days where at least one of the hourly ozone concentration levels is over 120 ppb. Based on the training data in the years from 2000 to 2003, it is found that 35 ppb is a good cutoff value of residulas for predicting the ozone warning days. In on area of Daegu, our method predicts correctly one of two ozone warning days of 2004 as well as all of the remaining 364 non-warning days. In the other area, our methods predicts correctly all of one ozone warning days and 365 non-warning days of 2004.

공간시계열모형은 공간의 위치와 시간의 흐름에 따라 동시에 관측되는 분야인 기상, 지질, 천문, 생태, 역학 등에서 넓이 사용되고 있는 매우 복잡한 모형이다. 본 논문은 공간시계열모형에 대한 모수 추정에 있어서 기존의 최대우도추정 방법이 가지는 컴퓨팅의 문제를 해결하기 위하여 모수에 대한 사전정보와 자료의 정보를 모두 이용하는 깁스샘플링과 같은 MCMC 방법으로 모수를 추정하고, 실제 적용사례분석으로 여러 가지 측도를 구해서 추정된 모수에 대한 수렴진단을 수행하였다.

Spatial time series data can be viewed either as a set of time series collected simultaneously at a number of spatial locations. In this paper, We estimate the parameters of spatial time autoregressive moving average (SIARMA) process by method of Gibbs sampling. Finally, We apply this method to a set of U.S. Mumps data over a 12 states region.

예혼합 분무화염의 유적군 연소 기구를 평가하기 위하여 레이저 가시화법, MICRO (multi-color integrated Cassegrain receiving optics) 및 PDA (phase Doppler anemometer) 광학계측 시스템을 이용하여 동시 시계열 계측을 실시하였다. 또한 유적군의 군연소수를 실험적으로 산출하여 이론해석에 적용하였을 경우 실제로 관찰되는 군연소 형태와 일치하는지에 대하여 검토하였다. 유적군 단면화상에 의해 확인된 모든 유적군에 대하여 실험적으로 군연소수 $G_c$를 산출한 결과 주로 내부 군연소와 외부 군연소로 분류되었으며 이론해석과 일치하였다. 또한 실제 관찰된 군연소 형태와 그 유적군의 군연소수를 이론해석에 적용한 경우에 군연소 형태가 일치하는 경우와 일치하지 않는 경우가 있었다. 일치하지 않는 원인은 군연소수를 유적의 기하학적 배치만으로 결정한 것이나 현상의 3차원성이 측정 결과에 영향을 미친 것이라고 생각되어진다.

To evaluate the combustion mechanism of each droplet cluster downstream of the premixed spray flame, the simultaneous time-series measurements were conducted by using optical measurement system consisting of laser tomography, multi-color integrated Cassegrain receiving optics (MICRO) and phase Doppler anemometer (PDA). Furthermore, the group combustion number of droplet cluster was estimated experimentally, and the combustion mechanism of droplet cluster was examined applying the theoretical analysis. The group combustion number, $G_c$, was experimentally estimated about all droplet cluster verified by planar images, and it was classified into the internal group combustion mode and the external group combustion mode according to the theoretical analysis. It is found that there are cases in which the group combustion number estimated experimentally for droplet cluster agree or disagree with the classification by theoretical analysis. The reason of disagreement is considered due to that the group combustion number was only estimated by the geometrical arrangement of droplets in cluster, and that the actual phenomenon is three-dimensional but the measurement system is two-dimensional.

본 연구에서는 카오스 특성을 보이는 수문시계열에 대한 잡음의 영향을 검토하기 위하여 카오스 특성을 보이는 자료로 알려져 있는 Lorenz 시계열과 미국 Great Salt Lake의 용적 자료계열을 이용하였다. 잡음의 영향을 고려하기 위한 방법으로 잡음의 비율을 증가시키면서 끌개, 상관차원, Close Returns Plot의 변화 특성을 살펴보면서 카오스의 특성이 어떻게 변화하는지를 검토하였다. 또한 Close Returns Plot의 점들의 도수에 의해 표현되는 Close Returns Histogram의 상대도수에 대하여 $X^2$ 검정을 수행하였다. 그 결과, Lorenz 시계열과 GSL 용적 자료계열 모두 잡음의 비율이 증가함에 따라 카오스 특성이 사라지고 선형 추계학적인 과정의 자료로 변화됨을 확인하였다. 또한 단순 이동평균 방법에 의하여 Lorenz 시계열과 GSL 용적 자료계열에 대한 잡음의 제거 효과가 있는지에 대하여 검토한 결과 단순 이동평균 방법으로 자료의 잡음을 효과적으로 제거할 수 있었고, 카오스 특성을 보이는 실측 수문시계열에 적용성이 있음을 확인할 수 있었다.

The purpose of this paper is to investigate the influence of noise on chaotic time series. We used two time series of Lorenz system and of Great Salt Lake's volume data which are well known as chaotic systems. This study investigated the attractors, correlation dimensions, and Close Returns Plots and Close Returns Histograms of two time series to investigate the influence of noise as increasing noise level. We performed Chi-square test to the relative frequency of Close Returns Histogram from Close Returns Plot for the investigation of stochastic process of chaotic time series as increasing noise level of time series. As the results, two time series were changed from chaotic to stochastic series as noise level is increased. Finally, we analyzed the effect of noise cancellation by using Simple Moving Average method. The results of applications of Simple Moving Average method to Lorenz and GSL time series showed that we could effectively cancel the noise. Then we could confirm the applicability of Simple Moving Average method to cancel the noise for the hydrologic time series having chaotic characteristics.

퍼지 시계열 예측은 전체 퍼지 구간에 따른 퍼지 소속 함수의 개수와 범위에 따라서 예측성능에 많은 영향을 미치고 있으며, 이러한 문제점을 개선하기 위한 방법으로 다수 객체들의 학습 및 군집 특성을 이용한 Particle Swarm Optimization기법을 도입하였다. 제안된 방법에서는 군집의 최적 객체를 전체 최적해와 각각의 퍼지 소속 함수들에 대한 최적해로 구분하여 탐색하는 기법을 제안한다. 실제 시계열 데이터를 이용한 실험을 통하여 기존의 연구 결과들과 비교함으로써 제안된 방법의 우수한 성능을 가짐을 검증하였다.

본 논문은 재무 시계열 자료에서 흔히 나타나는 이상치를 처리하기 위하여 이중 로버스트 추정함수를 제시하였다. 이중 로버스트 추정 방정식의 해인 로버스트 추정치를 이용하여 ARCH모형과 GARCH 모형 하에서 이상치를 처리하였다. 또한 실제 주가자료를 응용하여 기존의 최소제곱추정치보다 로버스트 추정치나 이중 로버스트 추정치의 성능이 우수함을 보였다.

In this paper, we propose the double robust estimators which are the solutions of the double robust estimating equations to analyze and treat the outliers in the stock market data in Korea including the IMF period. The feasibility study shows that the proposed estimators work quitely better than the least squares estimators and the conventional robust estimators.

본 논문은 공간시계열 자기회귀 이동평균(STARMA) 모형과 공간 시계열 중선형(STBL) 모형에 대해 식별, 추정, 예측 등의 통계적 절차와 특징들을 논하고, 두 모형을 비교하는데 목적이 있다. 사례 연구를 위 해 2001년부터 2006년까지 8개 지역으로부터 보고된 월별 Mumps 자료를 사용했고, 예측오차제곱합(SSF)을 활용하여 두 모형의 적합도를 비교하였다.

The major purpose of this article is to formulate a class of Space Time Autoregressive Moving Average(STARMA) model and Space Time Bilinear model(STBL), to discuss some of the their statistical properties such as model, identification approaches, some procedure for estimation and the predictions, and to compare the STARMA model with the STBL model. For illustration, The Mumps data reported from eight city & provinces monthly over the years 2001-2006 are used and the result from STARMA and STBL model are compared with using SSF(Sum of Square Prediction Error).

표본조사에서 항목무응답 발생 시 결측대체에 사용되는 일반적인 방법은 결측변수와 관계 있는 보조변수를 이용하는 것이다. 최근 이진희 등 (2006)은 2002년 강원지역의 농가경제 자료를 이용하여 표본조사에서 공간통계를 이용한 결측대체 (missing imputation) 방법을 비교하였으며, 자료들 사이에 지역적 상관이 존재할 때 이를 이용한 결측대체가 효율적임을 보였다. 본 논문에서는 이를 확장한 개념으로, 강원지역의 2000-2002까지의 월별 자료가 공간상관과 시계열상관이 존재함을 확인하고 이 관계를 결측대체에 이용하였다. 또한 공간상관과 시계열상관이 모두 존재할 경우 공간시계열 모형을 이용한 결측 대체 방법이 공간모형을 이용하였을 때에 비해 더 효율적임을 모의실험을 통해 확인하였다.

It is a common practice to use the auxiliary variables to impute missing values from item nonresponse in surveys. Sometimes there are few auxiliary variables for missing value imputation, but if spatial and time autocorrelations exist, we should use these correlations for better results. Recently, Lee et al. (2006) showed that spatial autocorrelation could be efficiently used for missing value imputation when spatial autocorrelation existed, using the data from the farm household economy data in Gangwon-do, 2002. In this paper, we present au evaluation of spatial and space-time nonresponse imputation methods when there exist spatial and time autocorrelations using the monthly data during 2000-2002 from the same data previously used by Lee et al. (2006). We show that space-time imputation method is more efficient than the other through the numerical simulations.

시계열 모형과 공간통계 모형이 결합된 공간 시계열 모형에 관한 많은 연구가 발표되고 있다. 최근 de Luna와 Genton(2003, 2005)은 공간 시계열 모형을 이용한 실업률의 소지역 추정을 발표하는 등 공간 시계열 기법을 이용한 소지역 추정방법의 연구도 빠르게 진행되고 있다. 본 논문에서는 공간 시계열 모형을 이용한 소지역 추정기법을 설명하고 이 기법과 신기 일과 이상은(2003)이 발표한 공간모형을 이용한 소지역 추정을 비교하였다.

Small area estimation has been studied using various methods such as direct, indirect, synthetic and based on regression or time series model . In this paper we investigate a motel-based small area estimation which takes into account the spare time autoregressive model. The Economic Active Population Surveys in 2001 are used for analysis and the results from space-time autoregressive(STAR) and simultaneous autoregressive(SAR) model are compared with using MSE, MAE and MB.

During the past few years, various traffic-flow forecasting models, i.e. an ARIMA, an ANN, and so on, have been developed to predict more accurate traffic flow. However, these models analyze historical data in an attempt to predict future value of a variable of interest. They make use of the following basic strategy. Past data are analyzed in order to identify a pattern that can be used to describe them. Then this pattern is extrapolated, or extended, into the future in order to make forecasts. This strategy rests on the assumption that the pattern that has been identified will continue into the future. So ARIMA or ANN models with its traditional architecture cannot be expected to give good predictions unless this assumption is valid; The statistical models in particular, the time series models are deficient in the sense that they merely extrapolate past patterns in the data without reflecting the expected irregular and infrequent future events Also forecasting power of a single model is limited to its accurate. In this paper, we compared with an ANN model and ARIMA model and tried to combine an ARIMA model and ANN model for obtaining a better forecasting performance. In addition to combining two models, we also introduced judgmental adjustment technique. Our approach can improve the forecasting power in traffic flow. To validate our model, we have compared the performance with other models. Finally we prove that the proposed model, i.e. ARIMA + ANN + Judgmental Adjustment, is superior to the other model.