프로젝트 소개
본 과제는 데이터가 과도하게 많고(High dimension Low Sample Size) 변수 간 상관성과 위계가 존재할 때, 쓸모 있는 정보만 골라내고 예측에 활용하는 통계 방법을 개선하는 연구임.
연구 목표는 기존 베이지안 MCMC보다 효율적으로 모수공간을 탐색해 정상분포(stationary distribution)로 수렴하는 MCMC샘플 생성 알고리즘 제안이며, 1차년도 일반 회귀모형 변수선택, 2차년도 로지스틱 회귀모형 및 cox 비례위험 모형 확장, 3차년도 Hidden Markov Random Field (HMRF) 다중검정으로 1차원 two-state에서 2차원 two-state로 확장임. 기대 효과는 상관구조에 유연한 베이지안 변수선택 및 베이지안 다중 검색 적용 가능성으로 뇌 이미지, 기후 등 공간자료 분석에 활용됨.