[논문 리뷰] Generalized Confidence Interval for the Common Coefficient of Variation

Javad Behboodian, Ali Akbar Jafari|arXiv (Cornell University)|2014. 05. 02.

Statistical Distribution Estimation and Applications참고 문헌 8인용 수 4

한 줄 요약

이 논문은 일반화된 p-값과 일반화된 변수를 사용하여 다수의 정규 모집단 간 공통된 변동계수(CV)에 대한 새로운 일반화된 신뢰구간을 제안한다. 천의(2005) 접근법과 새로운 방법을 융합함으로써, 시뮬레이션과 실제 의료 데이터 적용을 통해 기존 방법보다 더 짧은 길이와 더 나은 신뢰구간 포함 확률을 달성한다.

ABSTRACT

In this article, we consider the problem of constructing the confidence interval and testing hypothesis for the common coefficient of variation (CV) of several normal populations. A new method is suggested using the concepts of generalized p-value and generalized confidence interval. Using this new method and a method proposed by Tian (2005), we obtain a shorter confidence interval for the common CV. This combination method has good properties in terms of length and coverage probability compared to other methods. A simulation study is performed to illustrate properties.. Finally, these methods are applied to two real data sets in medicine.

연구 동기 및 목표

• 다수의 정규 모집단이 동일한 CV를 공유할 때 공통된 변동계수(CV)에 대한 정확한 신뢰구간을 구성하는 데 도전하는 것.
• CV 추론에서 부수적 매개변수와 비피봇 분포로 인해 곤경을 겪는 전통적 방법의 한계를 극복하는 것.
• 기존 접근법에 비해 간격 정밀도와 포함 성질을 향상시키는 새로운 일반화된 변수 기반 방법을 개발하는 것.
• 새로운 방법을 천의(2005) 일반화된 신뢰구간과 융합하여 길이와 포함 확률 측면에서 최적의 성능을 달성하는 것.
• 몬테카를로 시뮬레이션과 실제 의료 데이터셋을 사용하여 제안된 방법을 검증함으로써 실용적 유용성을 입증하는 것.

제안 방법

• 부수적 매개변수가 없는 분포를 확보하기 위해 일반화된 피벗 변수 개념을 사용하여 공통 CV에 대한 신뢰구간을 구성한다.
• 표본 표준편차와 평균의 비율을 기반으로 하는 일반화된 변수를 유도하며, 동일한 CV가 성립하는 귀무가설 하에서 조정한다.
• 5,000회의 반복을 사용한 몬테카를로 시뮬레이션을 통해 일반화된 변수 분포의 분위수를 추정하여 간격을 구성한다.
• 새로운 방법과 천의(2005) 일반화된 p-값 접근법을 융합하여 간격 길이와 포함도를 향상시키는 하이브리드 방법을 구성한다.
• 실제 데이터에 방법을 적용하여 일반화된 변수 접근법을 사용해 신뢰구간과 가설 검정을 위한 p-값을 계산한다.
• 네 가지 방법(천(2005), 베릴과 존슨(2007), 신규 방법(13), 통합 방법(17)) 간의 포함 확률과 간격 길이를 비교하기 위해 시뮬레이션을 실시한다.

실험 결과

연구 질문

• RQ1 기존 방법에 비해 공통된 변동계수(CV)에 대한 신뢰구간의 포함 확률과 길이를 향상시키는 새로운 일반화된 변수 기반 방법이 가능한가?
• RQ2 신규 방법과 천의 방법의 융합된 방법이 개별 방법에 비해 간격 길이와 포함 확률 측면에서 어떻게 성능을 발휘하는가?
• RQ3 작은 표본 크기에서 제안된 방법의 경험적 성능은 어떠한가, 특히 명목상의 포함 수준을 유지하는가?
• RQ4 이상치가 있는 표본 크기와 다양한 CV를 가진 실제 의료 데이터셋에서 제안된 방법은 어떻게 성능을 발휘하는가?
• RQ5 새로운 방법은 MLE나 펠츠와 밀러의 추정기와 비교해 더 정확한 공통 CV의 점추정치를 제공하는가?

주요 결과

• 예제 1에서 통합 방법(17)은 가장 짧은 신뢰구간 길이(0.0092)를 기록하여 천의(0.0100)와 베릴과 존슨의(0.0103) 방법을 모두 앞섰다.
• 예제 2에서 통합 방법는 간격 길이 2.8020을 기록했으며, 천의(5.4416)와 베릴과 존슨의(0.6479) 방법보다 짧았다. 다만 후자의 경우 간격은 짧았지만 소표본에서 포함도가 낮았다.
• 작은 표본 크기에서 베릴과 존슨(2007) 방법의 포함 확률은 명목상의 95% 수준 이하였으며, 이러한 설정에서 신뢰성 부족을 시사했다.
• 신규 방법(13)은 천의 방법보다 약간 짧은 평균 간격 길이를 보였지만 일부 시나리오에서 포함 확률이 낮아, 정밀도와 신뢰성 사이의 트레이드오프를 보였다.
• 실제 데이터 예제 양쪽에서 통합 방법(17)은 명목상의 95% 수준에 가까운 포함 확률을 유지하면서도 천의 방법보다 짧은 간격 길이를 달성했다.
• 예제 1에서 통합 방법의 95% 신뢰구간은 (0.0333, 0.0425)였으며, 이는 천의 방법의 (0.0347, 0.0447)보다 더 좁아, 포함도를 희생시키지 않고 정밀도가 향상됨을 보여주었다.