티스토리 뷰
다음의 pdf는 ‘Yuan & Schuster(2013). Overview of statistical estimation methods’에 포함되어 있는 표로 여러 추정방법에 장단점에 대해 정리해 놓은 것입니다. 그 밖에도 profile ML, conditional ML, empirical ML, two-stage least-squares(2SLS) 등이 있습니다.
estimationMethod_2.pdf
아래의 사이트는 요인분석(Factor analysis)의 추정법으로 언제나 ML이 좋은 것은 아니라는 연구 결과를 보여줍니다. 만약 정확한 모형(Model)이 있다면 ML은 대부분의 경우 asymptotic efficiency를 보장하지만, 모형이 정확한 경우는 거의 없다는 것이 문제입니다.
http://www.fa100.info/maccallum2.pdf
#====pdf to txt
방법 활용 가능한 경우 잘못 사용될 수 있는 경우 최대가능도법 (Maximum Likelihood) 가능도함수가 정확할 때, 표본의 크기가 작지 않을 때, 표본 크기가 증가함에 따라 모수의 수가 증가하지 않을 때 가능도함수가 부정확할 때, 자료가 오염되었을 때, 표본의 크기가 너무 작을 때 유사최대가능도법 (Pseudo-ML) 가능도함수와 실제 분포가 특정한 방식이로 차이가 날 때 자료가 오염되었을 때 주변최대가능도법 (Marginal ML) 잠재변수를 포함한 결합가능도함수, 모수의 수가 많을 때 최대가능도법과 같다 준최대가능도법 (Quasi ML) 모수 전체를 두 집합으로 나눌 수 있고, 이 둘을 동시에 추정하기 어려울 때 최대가능도법과 같다 제한최대가능도법 (Restricted ML) 분산성분도 관심이 있을 때, 평균을 나타내는 모수가 많을 때 최대가능도법과 같다 최소제곱법, 일반화최소제곱법 (LS, GLS) 잔차가 정규분포를 따를 때, SEM에서 자료가 정규분포일 때 자료가 오염되었을 때, 정규분포를 띄지 않을 때 강건한 방법 (Robust method) 모분포의 꼬리가 두꺼울 때, 자료가 오염되었을 때, 표본 크기가 너무 작지 않을 때 오염된 것처럼 보이는 자료가 오염되지 않았을 때, 집단이 여럿일 때 제임스-스타인/능선 방법 (James-Stein/ridge method) 너무 작은 표본 크기나 다중공선성, 편향이 큰 문제가 아닐 때 능선 상수가 임의적이다 베이즈 방법 (Bayes method) 수량화 가능한 사전 정보, 작은 표본 크기 부정확한 가능도함수, 임의적인 사전 분포, MCMC의 비수렴 붓스트랩 방법 (Bootstrap) 표본 크기가 너무 작을 때, 추정량을 계산하기 쉬울 때 상관관계가 있는 관찰, 표본 크기가 너무 작을 때, 수렴되지 않은 붓스트랩 표본 델타방법 (δ-method) 중간 크기의 표본, 관련된 함수나 미분의 계산이 쉬울 때 표본 크기가 너무 작을 때 ∗ 붓스트랩은 표준오차와 신뢰구간에 대한 추정법이며, 델타방법은 표준오차에 대한 추정법이다. 참고문헌 : Yuan, K. H., & Schuster, C. (2013). Overview of statistical estimation methods. Oxford library of psychology. The handbook of quantitative methods, 1, 361-387.