Theory and Methods for missing data analysis

본 강의에서는 응용통계학의 가장 중요한 개념중의 하나인 missing data framework 을 체계적으로 학습하는 것을 목표로 한다.

일차

딥러닝의 통계학적 이해

딥러닝 모형의 기본적인 이론과 사용 방법을 통계학자의 관점에서 해설한다.

1일차 (2023년 7월 6일)

Theory and Methods for missing data analysis

Textbook: Statistical Methods for handling Incomplete Data (2nd edition), by Kim and Shao.

본 강의에서는 응용통계학의 가장 중요한 개념중의 하나인 missing data framework 을 체계적으로 학습하는 것을 목표로 한다.
Missing data framework은 단순히 결측치 처리를 통해서 무응답 편향을 줄여주고 추정의 효율을 높혀주는 효과를 얻을 뿐만 아니라 latent variable model을 사용하여 자료의 복잡한 구조를 반영하여 분석하고자 할때 유용한 통계학적 도구이다.
본 강의에서는 이러한 접근법에 대한 기본 이론과 함께 주요 기법들을 소개하여 수강생들이 통계학에 대한 시야를 넓혀주고 통계 전문가로서 성장하는데 도움을 주고자 한다.
강의에서 별도의 코딩이나 실습은 없으며 통계학 석사 수준의 이해도를 요구한다.

주요 내용: observed likelihood, missing at random, EM algorithm, imputation, fractional imputation, multiple imputation, semiparametric inference, influence function, propensity score method, double robust estimation, semiparametric efficiency, projection using Hilbert space theory, monotone missingness, nonignorable nonresponse, generalized method of moments, empirical likelihood, data integration.

1차시 (13:00 ~ 14:20 / 80분): Likelihood-based approach
2차시 (14:50 ~ 16:10 / 80분): Imputation approach
3차시 (16:40 ~ 18:00 / 80분): Inverse probability weighting approach

Jae-kwang Kim

강사 김재광 교수는 현재 미국 아이오와 주립대학교 통계학과의 LAS Dean’s professor로 재직하고 있고 한국외대, 연세대, 카이스트에서도 교수로 재직하였었다.
미국 통계학회 (American Statistical Association)와 세계수리통계학회 (Institute of Mathematical Statistics)의 석학회원(fellow)으로 왕성한 연구활동을 하고 있으며, 현재 Korean International Statistical Society의 회장직을 맡고 있다.
Survey sampling 분야와 missing data 분야의 세계적인 전문가로서 여러 기관에 자문활동을 하고 있으며, missing data 분야에 대한 저서를 출간하여 그 책을 교재로 다년간 강의를 하고 있다.

홈페이지

2일차 (2023년 7월 7일)

딥러닝의 통계학적 이해

Won Chang

Associate Professor
Division of Statistics and Data Science
Department of Mathematical Sciences
University of Cincinnati

홈페이지

선수지식: 최대가능도추정과 일반화 선형모형의 기본적인 개념

딥러닝 모형의 기본적인 이론과 사용 방법을 통계학자의 관점에서 해설한다.
딥러닝이 데이터를 기반으로 한 기저함수를 사용하는 일반화 선형모형임을 설명하고, 기본적인 모형 훈련과정, 딥러닝 모형이 유용하게 사용될 수 있는 데이터 유형 등에 대해 다룬다.
딥러닝 모형의 구조와 인간의 뇌구조의 관계와 같은 모형을 이해하는데 도움이 되지 않는 추상적인 담론을 지양하고, 가급적 모형의 구조 자체를 자세히 해설하는데 중점을 둔다.
최대가능도추정과 일반화선형모형, 규제화 등 통계학자들에게 친숙한 개념을 활용해서 딥러닝을 설명한다.

1차시 (13:00 ~ 14:20 / 80분): 신경망 모형의 기본적인 구조
2차시 (14:50 ~ 16:10 / 80분): 신경망 모형의 적합 및 검증
3차시 (16:40 ~ 18:00 / 80분): 합성곱 모형, 트랜스포머 모형