[ TERM ]

선형모형 용어

TERM

데이터 용어
확률 용어
통계 용어
데이터사이언스 용어 - Wikipedia
선형모형 용어
  • 스칼라는 소문자 : $\beta$, $u$
  • 벡터는 볼드 소문자 : $\mathbf{y}$, $\mathbf{x}$, $\mathbf{u}$, $\boldsymbol{\beta}$, $\boldsymbol{\epsilon}$
  • 행렬은 볼드 대문자 : $\mathbf{X}$, $\mathbf{Z}$
  • 모집단을 모형화하는 경우 모수는 그리스어 : $\beta$, $\boldsymbol{\beta}$, $\epsilon$, $\boldsymbol{\epsilon}$
  • 표본집단을 모형화하는 경우 모수는 영어 : $b$, $\mathbf{b}$, $e$, $\mathbf{e}$
  • 표본집단에서 모수를 구하여 관측값을 분해하는 경우, 구한 모수는 모자를 씌움 : $\hat{\boldsymbol{\beta}}=\hat{\mathbf{b}}$, $\hat{\mathbf{e}}$
  • 잔차벡터는 $\hat{\mathbf{e}}$로 항상 표시하며 $\hat{\boldsymbol{\beta}}$나 $\hat{\mathbf{b}}$와 사용됨, $\hat{\boldsymbol{\epsilon}}$은 오차이므로 표본집단의 잔차를 표기하기에는 부적합하여 사용하지 않음
선형모형선형모형 종류모집단 모형식관측값 분해식적합식잔차식추정식
고정효과 선형모형단순선형회귀\( \mathbf{y}=\mathbf{1}\beta_0+\mathbf{x}\beta_1+\boldsymbol{\epsilon} \)\( \mathbf{y}=\mathbf{1}\hat{b}_0+\mathbf{x}\hat{b}_1+\hat{\mathbf{e}} \)\( \hat{\mathbf{y}}=\mathbf{1}\hat{b}_0+\mathbf{x}\hat{b}_1 \)\( \hat{\mathbf{e}}=\mathbf{y}-\hat{\mathbf{y}} \)\( \hat{\mathbf{b}}=(\mathbf{X}^{\top}\mathbf{X})^{-1}\mathbf{X}^{\top}\mathbf{y} \)
다중선형회귀\( \mathbf{y}=\mathbf{X}\boldsymbol{\beta}+\boldsymbol{\epsilon} \)\( \mathbf{y}=\mathbf{X}\hat{\mathbf{b}}+\hat{\mathbf{e}} \)\( \hat{\mathbf{y}}=\mathbf{X}\hat{\mathbf{b}} \)\( \hat{\mathbf{e}}=\mathbf{y}-\hat{\mathbf{y}} \)\( \hat{\mathbf{b}}=(\mathbf{X}^{\top}\mathbf{X})^{-1}\mathbf{X}^{\top}\mathbf{y} \)
일원분산분석\( \mathbf{y}=\mathbf{X}\boldsymbol{\beta}+\boldsymbol{\epsilon} \)\( \mathbf{y}=\mathbf{X}\hat{\mathbf{b}}+\hat{\mathbf{e}} \)\( \hat{\mathbf{y}}=\mathbf{X}\hat{\mathbf{b}} \)\( \hat{\mathbf{e}}=\mathbf{y}-\hat{\mathbf{y}} \)\( \hat{\mathbf{b}}=(\mathbf{X}^{\top}\mathbf{X})^{-1}\mathbf{X}^{\top}\mathbf{y} \)
이원분산분석\( \mathbf{y}=\mathbf{X}\boldsymbol{\beta}+\boldsymbol{\epsilon} \)\( \mathbf{y}=\mathbf{X}\hat{\mathbf{b}}+\hat{\mathbf{e}} \)\( \hat{\mathbf{y}}=\mathbf{X}\hat{\mathbf{b}} \)\( \hat{\mathbf{e}}=\mathbf{y}-\hat{\mathbf{y}} \)\( \hat{\mathbf{b}}=(\mathbf{X}^{\top}\mathbf{X})^{-1}\mathbf{X}^{\top}\mathbf{y} \)
ANCOVA\( \mathbf{y}=\mathbf{X}\boldsymbol{\beta}+\boldsymbol{\epsilon} \)\( \mathbf{y}=\mathbf{X}\hat{\mathbf{b}}+\hat{\mathbf{e}} \)\( \hat{\mathbf{y}}=\mathbf{X}\hat{\mathbf{b}} \)\( \hat{\mathbf{e}}=\mathbf{y}-\hat{\mathbf{y}} \)\( \hat{\mathbf{b}}=(\mathbf{X}^{\top}\mathbf{X})^{-1}\mathbf{X}^{\top}\mathbf{y} \)
GLS\( \mathbf{y}=\mathbf{X}\boldsymbol{\beta}+\boldsymbol{\epsilon},\ \operatorname{Var}(\boldsymbol{\epsilon})=\mathbf{R} \)\( \mathbf{y}=\mathbf{X}\hat{\mathbf{b}}+\hat{\mathbf{e}} \)\( \hat{\mathbf{y}}=\mathbf{X}\hat{\mathbf{b}} \)\( \hat{\mathbf{e}}=\mathbf{y}-\hat{\mathbf{y}} \)\( \hat{\mathbf{b}}=(\mathbf{X}^{\top}\mathbf{R}^{-1}\mathbf{X})^{-1}\mathbf{X}^{\top}\mathbf{R}^{-1}\mathbf{y} \)
벌점 선형모형Ridge 회귀\( \mathbf{y}=\mathbf{X}\boldsymbol{\beta}+\boldsymbol{\epsilon} \)\( \mathbf{y}=\mathbf{X}\hat{\mathbf{b}}+\hat{\mathbf{e}} \)\( \hat{\mathbf{y}}=\mathbf{X}\hat{\mathbf{b}} \)\( \hat{\mathbf{e}}=\mathbf{y}-\hat{\mathbf{y}} \)\( \hat{\mathbf{b}}=(\mathbf{X}^{\top}\mathbf{X}+\lambda\mathbf{I})^{-1}\mathbf{X}^{\top}\mathbf{y} \)
임의효과 선형모형임의효과 선형모형 일반형\( \mathbf{y}=\mathbf{1}\beta_0+\mathbf{Z}\mathbf{u}+\boldsymbol{\epsilon} \)\( \mathbf{y}=\mathbf{1}\hat{b}_0+\mathbf{Z}\hat{\mathbf{u}}+\hat{\mathbf{e}} \)\( \hat{\mathbf{y}}=\mathbf{1}\hat{b}_0+\mathbf{Z}\hat{\mathbf{u}} \)\( \hat{\mathbf{e}}=\mathbf{y}-\hat{\mathbf{y}} \)\(
\begin{bmatrix}
\mathbf{1}^{\top}\mathbf{R}^{-1}\mathbf{1} & \mathbf{1}^{\top}\mathbf{R}^{-1}\mathbf{Z} \\
\mathbf{Z}^{\top}\mathbf{R}^{-1}\mathbf{1} & \mathbf{Z}^{\top}\mathbf{R}^{-1}\mathbf{Z}+\mathbf{G}^{-1}
\end{bmatrix}
\begin{bmatrix}
\hat{b}_0 \\
\hat{\mathbf{u}}
\end{bmatrix}
=
\begin{bmatrix}
\mathbf{1}^{\top}\mathbf{R}^{-1}\mathbf{y} \\
\mathbf{Z}^{\top}\mathbf{R}^{-1}\mathbf{y}
\end{bmatrix}
\)
단일 임의효과 선형모형\( \mathbf{y}=\mathbf{1}\beta_0+\mathbf{z}u+\boldsymbol{\epsilon} \)\( \mathbf{y}=\mathbf{1}\hat{b}_0+\mathbf{z}\hat{u}+\hat{\mathbf{e}} \)\( \hat{\mathbf{y}}=\mathbf{1}\hat{b}_0+\mathbf{z}\hat{u} \)\( \hat{\mathbf{e}}=\mathbf{y}-\hat{\mathbf{y}} \)\(
\begin{bmatrix}
\mathbf{1}^{\top}\mathbf{R}^{-1}\mathbf{1} & \mathbf{1}^{\top}\mathbf{R}^{-1}\mathbf{z} \\
\mathbf{z}^{\top}\mathbf{R}^{-1}\mathbf{1} & \mathbf{z}^{\top}\mathbf{R}^{-1}\mathbf{z}+g^{-1}
\end{bmatrix}
\begin{bmatrix}
\hat{b}_0 \\
\hat{u}
\end{bmatrix}
=
\begin{bmatrix}
\mathbf{1}^{\top}\mathbf{R}^{-1}\mathbf{y} \\
\mathbf{z}^{\top}\mathbf{R}^{-1}\mathbf{y}
\end{bmatrix}
\)
혼합선형모형혼합선형모형 일반형\( \mathbf{y}=\mathbf{X}\boldsymbol{\beta}+\mathbf{Z}\mathbf{u}+\boldsymbol{\epsilon} \)\( \mathbf{y}=\mathbf{X}\hat{\mathbf{b}}+\mathbf{Z}\hat{\mathbf{u}}+\hat{\mathbf{e}} \)\( \hat{\mathbf{y}}=\mathbf{X}\hat{\mathbf{b}}+\mathbf{Z}\hat{\mathbf{u}} \)\( \hat{\mathbf{e}}=\mathbf{y}-\hat{\mathbf{y}} \)\(
\begin{bmatrix}
\mathbf{X}^{\top}\mathbf{R}^{-1}\mathbf{X} & \mathbf{X}^{\top}\mathbf{R}^{-1}\mathbf{Z} \\
\mathbf{Z}^{\top}\mathbf{R}^{-1}\mathbf{X} & \mathbf{Z}^{\top}\mathbf{R}^{-1}\mathbf{Z}+\mathbf{G}^{-1}
\end{bmatrix}
\begin{bmatrix}
\hat{\mathbf{b}} \\
\hat{\mathbf{u}}
\end{bmatrix}
=
\begin{bmatrix}
\mathbf{X}^{\top}\mathbf{R}^{-1}\mathbf{y} \\
\mathbf{Z}^{\top}\mathbf{R}^{-1}\mathbf{y}
\end{bmatrix}
\)

단일 임의효과 혼합모형

(단일 임의효과 선형모형)

\( \mathbf{y}=\mathbf{1}\beta_0+\mathbf{z}u+\boldsymbol{\epsilon} \)\( \mathbf{y}=\mathbf{1}\hat{b}_0+\mathbf{z}\hat{u}+\hat{\mathbf{e}} \)\( \hat{\mathbf{y}}=\mathbf{1}\hat{b}_0+\mathbf{z}\hat{u} \)\( \hat{\mathbf{e}}=\mathbf{y}-\hat{\mathbf{y}} \)\(
\begin{bmatrix}
\mathbf{1}^{\top}\mathbf{R}^{-1}\mathbf{1} & \mathbf{1}^{\top}\mathbf{R}^{-1}\mathbf{z} \\
\mathbf{z}^{\top}\mathbf{R}^{-1}\mathbf{1} & \mathbf{z}^{\top}\mathbf{R}^{-1}\mathbf{z}+g^{-1}
\end{bmatrix}
\begin{bmatrix}
\hat{b}_0 \\
\hat{u}
\end{bmatrix}
=
\begin{bmatrix}
\mathbf{1}^{\top}\mathbf{R}^{-1}\mathbf{y} \\
\mathbf{z}^{\top}\mathbf{R}^{-1}\mathbf{y}
\end{bmatrix}
\)