본 논문은 면적 데이터(area data)에서 가장 많이 사용하는 두 공간 회귀 모형인 동시자기회귀모형(simultaneous autoregressive model)과조건부자기회귀모형(conditional autoregressive model)의관심있는모수에대한구간추론성능을향상시키는새로운접근방법들을연구하였다.

최대가능도 추정방법은 널리 사용하는 추정방법이지만 모수의 구간을 추정하는데 정확이 아닌 근사적인 결과를 산출하며 피셔정보행렬(Fisher information matrix) 계산과 같은 복잡한 계산과정을 요구한다. 게다가, 면적 단위의 수가 작을 때는 명목수준(nominal level)을 종종 만족하지 않는다는 치명적인 단점이 있다. 빈도주의적 관점에서 이러한 문제를 해결하면서 추론 성능을 향상시키기 위해 우리는 추축량(pivotal quantity)과 몬테카를로 시뮬레이션(Monte Carlo simulation)을 활용한 새로운 접근방법들을 제안하였다. 관심있는 척도(scale) 모수와 회귀(regression) 모수에 대해 추축량을 활용하여 간단하면서 정확한 신뢰구간(confidence interval)을 제공하였으며, 회귀 모수에 대해서는 추가적으로 추축량과 몬테카를로 시뮬레이션을 활용한 방법도 제공하였다. 이 방법은 장애 모수를 적절히 처리하는 방법을 통합한 알고리듬을 도입함으로써 수행하며, 도입된 알고리듬의 매력은 뛰어난 확장성을 가진다는 점이다. 우리는 이러한 확장성의 구체적인 예시로 관측된 데이터의 샘플링 분포(sampling distribution)를 추론하면서 복제 데이터(replicated data)를 생성하는 알고리듬을 소개하였다. 게다가, 관측되지 않은 면적 단위에 대한 예측 문제를 해결하기 위해 예측 알고리듬도 제공하였다.

제안된 접근방법은 시뮬레이션 연구와 실제 데이터 분석에서 타당성이 증명되었다. 시뮬레이션 연구에서는 다양한 세팅을 통해 면적 단위의 수가 작거나 중간인 상황에서 제안된 접근방법이 최대가능도 추정량에 기반한 추론방법보다 우수하다는 것이 증명되었으며, 실제 데이터 분석에서는 제안된 접근방법의 적용가능성이 점검되었다. 결과적으로 제안된 접근방법은 기존의 최대가능도 추정방법과 비교하여 경쟁력을 가진다는 사실을 알 수 있었다.