정규-지수분포에 대한 최소밀도함수승간격 추정법

Abstract

최소밀도함수승간격 추정법은 Baus 등 (1998)에 의해 처음 소개된 이후 많은 관심의 대상이 되었다. 최소밀도함수승간격 추정량은 우수한 로버스트 성질을 갖고 효율성도 최우추정량에 필적한 것으로 알려져 있다. 본 논문에서는 생물정보학에서 사용되는 노말-지수 분포에 근거한 추정량을 최소밀도함수승간격 추정법을 사용하여 구하는 방법을 다루고자 한다. 그런데 그 과정에서 간격을 적분을 통해 구하는 것이 매우 어려움으로 인해 직접적인 적분 대신 라플라스 근사를 시도할 것을 제안한다. 그 결과 추정량이 다소 효율성이 줄어들지만 로버스트 성질을 갖고 있음을 수학적 방법과 모의실험을 통하여 보였다. The minimum density power divergence estimation has been a popular topic in the field of robust estimation for since Basu et al. (1988). The minimum density power divergence estimator has strong robustness properties with the little loss in asymptotic efficiency relative to the maximum likelihood estimator under model conditions. However, a limitation in applying this estimation method is the algebraic difficulty on an integral involved in an estimation function. This paper considers a minimum density power divergence estimation method with approximated divergence avoiding such difficulty. As an example, we consider the normal-exponential convolution model introduced by Bolstad (2004). The estimated divergence in this case is too complicated; consequently, a Laplace approximation is employed to obtain a manageable form. Simulations and an empirical study show that the minimum density power divergence estimators based on an approximated estimated divergence for the normal-exponential model perform adequately in terms of bias and efficiency.