시간별 기상자료를 이용한 감자군락의 결로 상태 판별

황범석,윤진일,이광회 한국식물병리학회 1996 Plant Pathology Journal Vol.12 No.4

에너지 수확 효율 향상을 위한 압전 캔틸레버 설계

황범석(B. Hwang),김문근(M. Kim),권광호(K. Kwon),민남기(N.K. Min),정재화(J. Jeong) 한국정밀공학회 2011 한국정밀공학회 학술발표대회 논문집 Vol.2011 No.6월

발달 독성학에서 비대칭 로짓 모형을 사용한 이진수 자료와 연속형 자료에 대한 결합분석

김영화,황범석,Kim, Yeong-hwa,Hwang, Beom Seuk 한국통계학회 2020 응용통계연구 Vol.33 No.2

하나의 개체에서 여러가지 측정치가 동시에 관찰되는 경우는 다양한 연구 분야에서 흔히 나타난다. 발달 독성학 연구에서는 특정 독성 물질의 각기 다른 수준에 노출된 임신한 어미 쥐에 대해 기형인 태아의 존재와 태아의 무게가 동시에 측정된다. 이런 두 변수를 결합하여 모형화하는 것은 각기 독립적인 두 모형으로 분석하는 것보다 더 효율적인 결과를 낸다고 알려져 있다. 대부분의 결합 모형은 정규분포를 랜덤효과로 가정하여 분석한다. 그러나 발달 독성학 연구에서처럼 반응변수들의 분포가 독성 물질이 변함에 따라 불규칙하게 변하는 경우 정규분포의 가정으로는 그 특징을 잡아낼 수 없게 된다. 본 논문에서는 이진수 자료와 연속형 자료에 대해 비대칭 로짓 모형을 사용한 베이지안 결합모형을 제시한다. 본 모형은 비대칭 로짓 모형을 사용함으로써 반응변수의 분포의 형태가 독성 물질의 수준에 따라 대칭/비대칭의 형태를 자유롭게 띨 수 있는 장점을 가지고 있다. 모형의 적합성을 살펴보기 위해 발달 독성학 연구에서 독성 물질 DEHP에 적용하여 그 결과를 확인해본다. It is common to encounter correlated multiple outcomes measured on the same subject in various research fields. In developmental toxicity studies, presence of malformed pups and fetal weight are measured on the pregnant dams exposed to different levels of a toxic substance. Joint analysis of such two outcomes can result in more efficient inferences than separate models for each outcome. Most methods for joint modeling assume a normal distribution as random effects. However, in developmental toxicity studies, the response distributions may change irregularly in location and shape as the level of toxic substance changes, which may not be captured by a normal random effects model. Motivated by applications in developmental toxicity studies, we propose a Bayesian joint model for binary and continuous outcomes. In our model, we incorporate a skewed logit model for the binary outcome to allow the response distributions to have flexibly in both symmetric and asymmetric shapes on the toxic levels. We apply our proposed method to data from a developmental toxicity study of diethylhexyl phthalate.

경증 알츠하이머병 증상패턴에 대한 베이지안 잠재계층모형 분석

이승현,황범석 한국데이터정보과학회 2023 한국데이터정보과학회지 Vol.34 No.3

Certain behavioral and psychological symptoms of patients with mild Alzheimer's disease are interrelated, so that differences in symptom patterns among patients can cause other syndromes within Alzheimer's disease. The purpose of this study is to use the Bayesian latent class model to identify latent variables that affect the six symptoms observed in Alzheimer's disease patients. In addition, we try to confirm the weak-identifiability that appears while using the Bayesian latent class model. As a specific method, the Markov chain Monte Carlo method was utilized for parameter estimation, and the latent class identifiability display (LCID) and τ-measure method were used to confirm the problem of weak-identifiability. For model selection, we use the visual method, log dds ratio check (LORC) plot to determine how many latent classes are optimal. 알츠하이머병 유병자의 특정 행동 및 심리적 증상은 서로 연관되어 있어 유병자 간의 증상 패턴의 차이가 알츠하이머병 내의 다른 증후군을 일으킬 수 있다. 본 연구의 목적은 베이지안 잠재계층모형을 사용하여 알츠하이머병 환자들로부터 관찰된 6가지 증상에 영향을 주는 숨겨진 계층을 찾아내는 것에 있다. 더불어, 베이지안 잠재계층모형을 사용하면서 나타나는 약식별가능성 (weak-identifiability)을 확인하려고 한다. 구체적인 분석 방법으로 파라미터 추정을 위해 마르코프 체인 몬테 카를로 방법을 활용하고, 약식별가능성 문제를 확인하기 위해 latent class identifiability display (LCID), τ-measure 방법을 사용하였다. 모델 선택을 위해 시각적 방법인 log ddds ratio check (LORC) plot을 사용하여 몇 개의 잠재계층 수가 최적인지 알아보고자 하였다.

보조 혼합 샘플링을 이용한 베이지안 로지스틱 회귀모형 : 당뇨병 자료에 적용 및 분류에서의 성능 비교

이은희,황범석 한국통계학회 2022 응용통계연구 Vol.35 No.1

Logit models are commonly used to predicting and classifying categorical response variables. Most Bayesian approaches to logit models are implemented based on the Metropolis-Hastings algorithm. However, the algorithm has disadvantages of slow convergence and difficulty in ensuring adequacy for the proposal distribution. Therefore, we use auxiliary mixture sampler proposed by Fr\"{u}hwirth-Schnatter and Fr\"{u}hwirth (2007) to estimate logit models. This method introduces two sequences of auxiliary latent variables to make logit models satisfy normality and linearity. As a result, the method leads that logit model can be easily implemented by Gibbs sampling. We applied the proposed method to diabetes data from the Community Health Survey (2020) of the Korea Disease Control and Prevention Agency and compared performance with Metropolis-Hastings algorithm. In addition, we showed that the logit model using auxiliary mixture sampling has a great classification performance comparable to that of the machine learning models. 로지스틱 회귀 모형은 다양한 분야에서 범주형 종속 변수를 예측하거나 분류하기 위한 모형으로 많이 사용되고 있다. 로지스틱 회귀 모형에 대한 전통적인 베이지안 추론 기법으로 메트로폴리스-헤이스팅스 알고리즘이 많이 사용되었지만, 수렴의 속도가 느리고 제안 분포에 대한 적절성을 보장하기 어렵다. 따라서, 본 논문에서는 모형에 대한 베이지안 추론 방법으로 Fr\"{u}hwirth-Schnatter와 Fr\"{u}hwirth (2007)에서 제안된 보조 혼합 샘플링(auxiliary mixture sampling) 기법을 사용하였다. 이 방법은 모형의 선형성과 정규성을 만족시키기 위해 두 단계에 거쳐 잠재변수를 도입하며, 결과적으로 깁스 샘플링을 통한 추론을 가능하게 한다. 제안한 모형의 효과를 검증하기 위해 2020년 지역사회 건강조사 당뇨병 자료에 적용하여 메트로폴리스-헤이스팅스를 사용한 모형과 추론 결과를 비교 분석하였다. 또한, 다양한 분류 모형들과 본 논문에서 제안한 모형의 분류 성능을 비교한 결과 제안된 모형이 분류 분석에서도 좋은 성능을 보이는 것을 확인할 수 있었다.

베이지안 포아송 모형을 적용한 자기-대조 환자군 연구에서의 약물상호작용 위험도 분석

이은채,황범석,Lee, Eunchae,Hwang, Beom Seuk 한국통계학회 2020 응용통계연구 Vol.33 No.2

자기-대조 환자군(self-controlled case series; SCCS) 연구는 별도의 대조군 없이 환자의 비노출기간을 대조기간으로 설정하여 노출기간에 대한 상대적인 발생 위험도를 측정하는 역학 연구의 한 방법이다. 이 방법은 대조군을 선정할 때 발생하는 편의를 최소화할 수 있는 장점이 있어서 약물 복용 후 이상반응 발생 위험도를 측정하기 위한 방법으로 전통적으로 많이 사용되어왔다. 본 연구는 SCCS 연구를 바탕으로 두 개 이상의 약물을 동시에 사용했을 때 그 부작용의 위험이 어떻게 증가하는지 살펴보고자 한다. 마약성 진통제 유사체인 tramadol과 다빈도 병용 약물 간 약물상호작용에 대해 조건부 포아송 모형을 가정하고 분석하였다. 이때 베이지안 추론법을 사용하여 최대가능도추정량이 지니고 있는 과대적합 문제를 해결하며, 사전분포의 민감도를 측정하기 위해 정규 사전분포와 라플라스 사전분포를 가정하여 모형화하였다. The self-controlled case series (SCCS) study measures the relative risk of exposure to exposure period by setting the non-exposure period of the patient as the control period without a separate control group. This method minimizes the bias that occurs when selecting a control group and is often used to measure the risk of adverse events after taking a drug. This study used SCCS to examine the increased risk of side effects when two or more drugs are used in combination. A conditional Poisson model is assumed and analyzed for drug interaction between the narcotic analgesic, tramadol and multi-frequency combination drugs. Bayesian inference is used to solve the overfitting problem of MLE and the normal or Laplace prior distributions are used to measure the sensitivity of the prior distribution.

이산형 자료 예측을 위한 베이지안 네트워크 분류분석기의 성능 비교

박현재,황범석 한국통계학회 2020 응용통계연구 Vol.33 No.3

Bayesian networks, also known as directed acyclic graphs (DAG), are used in many areas of medicine, meteorology, and genetics because relationships between variables can be modeled with graphs and probabilities. In particular, Bayesian network classifiers, which are used to predict discrete data, have recently become a new method of data mining. Bayesian networks can be grouped into different models that depend on structured learning methods. In this study, Bayesian network models are learned with various properties of structure learning. The models are compared to the simplest method, the na¨ıve Bayes model. Classification results are compared by applying learned models to various real data. This study also compares the relationships between variables in the data through graphs that appear in each model. 방향성 비순환 그래프(directed acyclic graph; DAG)라고도 하는 베이지안 네트워크(Bayesian network)는 변수 사이의 관계를 확률과 그래프를 통해 모형화할 수 있다는 점에서 최근 의학, 기상학, 유전학 등 여러 분야에서 다양하게 활용되고 있다. 특히 이산형 자료의 예측에 사용되는 베이지안 네트워크 분류분석기(Bayesian network classifier)가 최근 새로운 데이터 마이닝 기법으로 주목받고 있다. 베이지안 네트워크는 그 구조와 학습 방법에 따라 여러 가지 다양한 모형으로 분류할 수 있다. 본 논문에서는 서로 다른 성질을 가진 이산형 자료를 바탕으로 구조 학습 방법에 차이를 두어 베이지안 네트워크 모형을 학습시킨 후, 가장 간단한 방법인 나이브 베이즈 (na\"ive Bayes) 모형과 비교해 본다. 학습된 모형들을 여러 가지 실제 데이터에 적용하여 그 예측 정확도를 비교함으로써 최적의 분류 분석 결과를 얻을 수 있는지 살펴본다. 또한 각각의 모형에서 나타나는 그래프를 통해 데이터의 변수 사이의 관계를 비교한다.

확률적 변동성을 가진 은닉마르코프 모형을 통한 비트코인 가격의 변동성 추정

강태현,황범석 한국통계학회 2023 응용통계연구 Vol.36 No.1

The stochastic volatility (SV) model is one of the main methods of modeling time-varying volatility. In particular, SV model is actively used in estimation and prediction of financial market volatility and option pricing. This paper attempts to model the time-varying volatility of the bitcoin market price using SV model. Hidden Markov model (HMM) is combined with the SV model to capture characteristics of regime switching of the market. The HMM is useful for recognizing patterns of time series to divide the regime of market volatility. This study estimated the volatility of bitcoin by using data from Upbit, a cryptocurrency trading site, and analyzed it by dividing the volatility regime of the market to improve the performance of the SV model. The MCMC technique is used to estimate the parameters of the SV model, and the performance of the model is verified through evaluation criteria such as MAPE and MSE. Stochastic volatility (SV) 모형은 시변 변동성을 모델링하는 주요한 수단 중 하나이며, 특히 금융시장 변동성의 추정 및 예측, 옵션의 가격 결정 등의 분야에서 활발하게 사용되고 있다. 본 논문은 SV 모형을 활용하여 비트코인 시장의 시변 변동성을 모델링하고자 한다. 시장의 변동성은 국면 전환의 특성을 갖고 있다고 알려져 있으며, 시장의 변동 국면을 나누기 위해 시계열의 패턴을 인식하는 작업에 유용한 hidden Markov model (HMM)을 결합하여 사용하고자 한다. 본 연구는 암호화폐 거래 사이트 업비트의 비트코인 데이터를 활용하여 비트코인의 변동성 모형을 추정하였으며 SV 모형의 성능을 높이기 위하여 시장의 변동 국면을 나누어 분석을 진행하였다. MCMC 기법이 SV 모델의 모수를 추정하는 데 사용되며 MAPE, MSE 등의 평가 기준을 통하여 모델의 성능을 확인하고자 한다.

가우시안 과정 분류에 대한 변분 베이지안 다항 프로빗 모형: 쥐 단백질 발현 데이터에의 적용

손동현,황범석 한국통계학회 2023 응용통계연구 Vol.36 No.2

Multinomial probit model is a popular model for multiclass classification and choice model. Markov chain Monte Carlo (MCMC) method is widely used for estimating multinomial probit model, but its computational cost is high. However, it is well known that variational Bayesian approximation is more computationally efficient than MCMC, because it uses subsets of samples. In this study, we describe multinomial probit model with Gaussian process classification and how to employ variational Bayesian approximation on the model. This study also compares the results of variational Bayesian multinomial probit model to the results of naive Bayes, K-nearest neighbors and support vector machine for the UCI mice protein expression level data. 다항 프로빗 모형은 다중 분류와 선택 모형에서 흔히 사용하는 모형이다. 다항 프로빗 모형을 추정하기 위해 일반적으로 널리 사용하는 베이지안 접근법인 마르코프 연쇄 몬테카를로(MCMC) 방법은계산 복잡도가 매우 높다는 문제점을 가지고 있다. 반면, 변분 베이즈 방법은 MCMC 방법보다 계산 복잡도는 낮으면서도 분류 성능적인 면에서 큰 차이가 나지 않아 더 효율적인 방법으로 알려져 있다. 본 연구에서는 가우시안 과정에 기반한 다항 프로빗 모형을 설명하고 해당 모형에 적용할 수 있는 변분 베이지안 근사법을 알아보고자 한다. 그리고 UCI에서 제공되는 쥐 단백질 발현 데이터에 가우시안 과정 분류에 대한 변분 베이지안 다항 프로빗 모형을 적용하여 그 성능을 확인하고나이브 베이즈, K-최근접 이웃법, 서포트 벡터 머신 분류기의 성능과 비교한다.

랜덤효과를 포함한 영과잉 포아송 회귀모형에 대한 베이지안 추론: 흡연 자료에의 적용

김연경,황범석,Kim, Yeon Kyoung,Hwang, Beom Seuk 한국통계학회 2018 응용통계연구 Vol.31 No.2

It is common to encounter count data with excess zeros in various research fields such as the social sciences, natural sciences, medical science or engineering. Such count data have been explained mainly by zero-inflated Poisson model and extended models. Zero-inflated count data are also often correlated or clustered, in which random effects should be taken into account in the model. Frequentist approaches have been commonly used to fit such data. However, a Bayesian approach has advantages of prior information, avoidance of asymptotic approximations and practical estimation of the functions of parameters. We consider a Bayesian zero-inflated Poisson regression model with random effects for correlated zero-inflated count data. We conducted simulation studies to check the performance of the proposed model. We also applied the proposed model to smoking behavior data from the Regional Health Survey (2015) of the Korea Centers for disease control and prevention. 0이 과도하게 많이 나타나는 자료는 여러 다양한 분야에서 흔히 볼 수 있다. 이러한 자료들을 분석할 때 대표적으로 영과잉 포아송 모형이 사용된다. 특히 반응변수들 사이에 상관관계가 존재할 때에는 랜덤효과를 영과잉 포아송 모형에 도입해서 분석해야 한다. 이러한 모형은 주로 빈도론자들의 접근방법으로 분석되어왔는데, 최근에는 베이지안 기법을 사용한 분석도 다양하게 발전되어 왔다. 본 논문에서는 반응변수들 사이에 상관관계가 존재하는 경우 랜덤효과가 포함된 영과잉 포아송 회귀모형을 베이지안 추론 방법을 토대로 제안하였다. 이 모형의 적합성을 판단하기 위해 모의 실험을 통해 랜덤효과를 고려하지 않은 모형과 비교 분석하였다. 또한, 실제 지역사회 건강조사 흡연 자료에 직접 응용하여 그 결과를 살펴보았다.