변수 선택을 위한 다양한 다중 검정 방법에 대한 고찰

Abstract

빅데이터가 이슈인 요즘 많은 양의 자료를 분석할 시 변수를 선택하는 것은 중요한 문제가 되며 다양한 방법들이 적용된다. 본 논문에서는 변수 선택 방법 중 다중 검정에 대한 여러 가지 방법을 자세히 살펴보았다. 그 중 널리 알려져 있는 것은 Bonferroni 방법으로 계산하기가 쉽고 검정 방법이 간단하다는 장점이 있으나 2종 오류가 크기 때문에 검정력이 낮다는 단점이 있다. 그래서 이를 보완하고 검정력을 높이기 위하여 Dunn-Sidak, step-up, step-down 등의 다양한 방법이 제안되었다.또 다른 다중 검정 방법으로는 재배열(re-sampling)을 이용하여 보정된 유의확률(p-value)을 계산하는 것이다. 이 방법은 step-down 방법과 bootstrap 방법이 결합한 것으로 시간이 오래 걸린다는 단점이 있으나 최근 컴퓨터의 성능이 좋아지면서많이 쓰이고 있다. 본 논문에서 여러 가지 다중 검정 방법 중 재배열(re-sampling)을 이용한 다양한 알고리즘들을 중점적으로 논의하였다. 그리고 통계프로그램 R을 이용해 실제 자료에 여러 방법을 적용하여 어떻게 다른지 비교 분석하였다.;This paper is about resampling-based multiple testing of various methods for variable selection. First, the Bonferroni method is the most well-known method for dealing with multiple testing. It provides easy method to calculate and control over Type I error. By the way, it is also well-known that it can be very conservative. So many other approaches have been developed to control the Type I error. In this paper, we review multiple testing methods, especially focusing on resampling-based methods. Also, we applied various resampling-based multiple testing methods to various real data. We compared the performance of algorithms in each dataset.