An Efficient Estimator of Population Mean Using a Poisson Regression-Based Approach: Simulation and Theoretical Efficiency Analysis

기술 요약: 포아송 회귀 기반 접근법을 이용한 효율적인 모집단 평균 추정량

문제 제Num (Problem Statement)
표본 조사 이론에서 모집단 평균을 추정하는 것은 주요 목표이며, 보조 정보를 활용함으로써 종종 더욱 향상됩니다. 연구 변수와 보조 변수 사이에 양의 관계가 존재할 때 비율 추정량(ratio estimator)과 회귀 추정량(regression estimator)이 표준적으로 사용되지만, 고전적인 선형 회귀 모델은 계수 데이터(count data)에 부적절한 경우가 많습니다. 선형 모델은 음수의 예측값을 생성할 수 있으며, 가설 검정에 중요한 등분산성 가정을 위반할 수 있습니다. 포아송 회귀가 계수 응답을 모델링하는 표준이긴 하지만, 특히 경쟁하는 추정량들(Kadilar 및 Cingi 또는 Koç의 방식 등)이 계수 데이터의 분포적 특성을 충분히 활용하지 못할 때, 단순 무작위 추출(SRS) 하에서 포아송 회귀 프레임워크를 구체적으로 활용하는 더 효율적인 모집단 평균 추정량이 필요합니다.

방법론 (Methodology)
본 연구는 계수 데이터가 존재하는 SRS 하에서 사용하기 위해 설계된 새로운 모집단 평균 추정량 $Z^*$를 제안합니다. 방법론은 다음과 같이 진행됩니다:

1. 이론적 틀: 본 연구는 연구 변수 $Y_i$가 포아송 분포를 따르는 사건 발생 횟수를 나타내는 포아송 회귀 모델을 활용합니다. 기울기 계수($b_P$)는 전통적인 최소 제곱법이 아닌 이 포아송 회귀 모델로부터 도출됩니다.
2. 제안된 추정량 구성: Raghav 등의 연구와 Koç의 연구에서 영감을 받아, 저자들은 $Z^*$를 차이와 합의 비율에 대한 지수 함수의 형태를 포함하는 수정된 비율 항과 회귀 항의 결합으로 정의합니다:
   $$Z^* = \left[ \alpha \bar{y} \left\{ \frac{1}{2} \left( \frac{\bar{X}}{\bar{x}} + \frac{\bar{x}}{\bar{X}} \right) \right\} + b_P(\bar{X} - \bar{x}) \right] \exp\left( \frac{\bar{X} - \bar{x}}{\bar{X} + \bar{x}} \right)$$
   여기서 $\alpha$는 평균 제곱 오차(MSE)를 최소화하여 결정되는 스칼라 상수입니다.
3. 특성 도출: 1차 근사법과 오차 항($\epsilon_0, \epsilon_1$)을 사용하여, 저자들은 $Z^*$의 편향(Bias)과 MSE의 식을 도출합니다. MSE는 $MSE(Z^*) = \alpha^2 A + \alpha B + C$의 형태로 표현됩니다. $\alpha$의 최적값은 이 식을 최소화함으로써($\alpha = -B/2A$) 구해지며, 이에 따라 최소 MSE는 $MSE_{min} = C - B^2/4A$가 됩니다.
4. 비교 분석: $Z^*$의 이론적 효율성은 다음의 대상들과 비교됩니다:
   • Kadilar와 Cingi의 전통적인 비율 추정량 ($\bar{y}_{KC1}$ ~ $\bar{y}_{KC5}$)
   • Koç의 포아송 회귀 기반 비율 추정량 ($\bar{y}_1$ ~ $\bar{y}_5$)
   • Shahzad 등의 포아송 회귀 기반 평균 추정량 ($\bar{y}_U$)
   • Jana 등의 포아송 회귀 기반 비율-결합-회귀 추정량 ($Z_1$ ~ $Z_5$)

주요 기여 및 결과 (Key Contributions and Results)
본 논문은 실제 데이터셋을 이용한 경험적 연구와 광범위한 시뮬레이션 연구를 통해 제안된 추정량을 검증합니다.

• 경험적 연구: 두 개의 실제 모집단이 분석되었습니다:

  1. 모집단 I: 공기 오염 데이터 (터키 아피온), 주간 병원 입원 횟수($Y$)와 PM10 농도($X$) 간의 관계.
  2. 모집단 II: 교통사고 데이터 (터키, 2019), 교통 사망자 수($Y$)와 자동차 수($X$) 간의 관계.
     두 경우 모두, 제안된 추정량 $Z^*$는 가장 낮은 평균 제곱 오차(MSE)와 가장 높은 백분율 상대 효율(PRE)을 나타냈습니다. 모집단 II의 경우, $Z^*$는 기존 추정량 $\bar{y}_1$ 대비 **2323.13%**의 PRE를 달성하며 모든 경쟁 추정량을 크게 앞질렀습니다.

• 시뮬레이션 연구: $X$는 균등 분포를 따르고 $Y$는 $\lambda = \exp(\beta_0 + \beta_1 X)$를 따르는 포아송 분포를 갖는 유한 모집단($N=1000$)을 대상으로 R 소프트웨어를 사용하여 시뮬레이션을 수행했습니다. 표본 크기($n=20, 30, 40$)와 회귀 계수($\beta_1 = 0.75, 0.85, 0.95$)를 변화시키며 실험했습니다.

  • 모든 시나리오에서 $Z^*$는 Kadilar와 Cingi, Koç, Jana 등의 추정량과 비교하여 일관되게 최소 MSE와 최대 PRE를 기록했습니다.
  • 결과는 표본 크기가 증가함에 따라 모든 추정량의 MSE가 감소하지만, 제안된 추정량이 우수한 효율성을 유지함을 확인시켜 주었습니다.

의의 및 주장 (Significance and Claims)
저자들은 제안된 추정량 $Z^*$가 계수 데이터의 모집단 평균을 추정하는 데 있어 기존 방법들보다 통계적으로 유의미한 개선을 제공한다고 주장합니다. 본 연구는 다음을 단언합니다:

• 편향과 MSE의 이론적 도출은 추정량의 성능에 대한 견고한 토대를 제공합니다.
• 경험적 및 시뮬레이션 결과는 $Z^*$가 기존의 비율 추정량 및 현재 문헌에 존재하는 다른 포아송 회귀 기반 접근법보다 더 효율적임을 검증합니다.
• 포아송 프레임워크 내에서 지수 함수와 특정 비율 및 회귀 항의 결합을 사용하는 것은 계수 데이터에 대한 연구 변수와 보조 변수 간의 관계를 효과적으로 포착합니다.

본 논문은 $Z^*$가 보조 정보가 가용한 계수 데이터셋을 분석할 때 권장된다고 결론짓습니다. 저자들은 향후 연구가 과산포(over-dispersion), 과잉 영(excess zeros, 영과잉 모델을 통한), 결측치 처리, 그리고 층화 추출이나 순위 집합 추출과 같은 다른 표본 설계로 이 방법론을 확장할 수 있음을 겸허히 제안하지만, 이러한 확장이 현재 연구에서 달성되었다고 주장하지는 않습니다.