📊 statistics

Zero-inflated stochastic volatility model for disaggregated inflation data with exact zeros

이 논문은 소비자물가지수 (CPI) 의 소분류 데이터에서 빈번히 발생하는 정확한 0 값을 처리하기 위해 제로-팽윤 확률변동 모델을 개발하고, 이를 미국, 영국, 독일, 일본의 데이터에 적용하여 기존 모델보다 개선된 추세 및 변동성 추정과 예측 성능을 입증했습니다.

원저자: Geonhee Han, Kaoru Irie

게시일 2026-03-04

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Geonhee Han, Kaoru Irie

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

인플레이션의 '침묵'을 읽는 새로운 안경: 제로-인플레이션 모델 설명

이 논문은 우리가 매일 느끼는 물가 상승 (인플레이션) 을 분석할 때, 기존 통계 방법들이 놓치고 있던 중요한 **'침묵의 신호'**를 포착하는 새로운 수학적 모델을 제안합니다.

간단히 비유하자면, **"물가 데이터를 분석할 때, '변화가 없는 것'을 단순히 '데이터가 없는 것'으로 치부하지 않고, 그 자체로 중요한 정보로 해석하는 새로운 안경"**을 개발한 것입니다.

1. 왜 이 연구가 필요할까요? (배경)

🍎 기존 방법의 문제: "모든 사과가 매일 가격이 바뀐다고 믿는 착각"
기존의 물가 분석 모델 (UCSV 모델) 은 마치 매일매일 모든 사과 가게의 가격이 오르내린다고 가정합니다. 그래서 데이터를 분석할 때, "어? 오늘 사과 가격이 안 변했네?"라고 하면, 그걸 단순히 '오류'나 '잡음'으로 처리하거나, 평균을 내면서 물가가 전혀 오르지 않는 것처럼 과소평가해버립니다.

하지만 현실은 다릅니다.

전력 요금이나 병원비처럼 정부 규제를 받거나 계약 기간이 긴 품목은 몇 달, 몇 년 동안 가격이 **완전히 고정 (0% 변화)**되어 있습니다.
데이터 수집 방식상 특정 가게의 데이터를 매달 못 구하는 경우도 있습니다.

이런 **'정확한 0 (Exact Zero)'**이 너무 많으면, 기존 모델은 "아, 물가가 안정적이구나"라고 착각해서 실제 숨겨진 물가 상승 압력을 놓쳐버립니다.

🌊 비유: 파도 없는 바다
기존 모델은 파도가 잔잔한 바다를 보며 "바다는 평온하다"고 말합니다. 하지만 실제로는 거대한 쓰나미가 다가오기 직전, 잠시 파도가 멈춘 '침묵'일 수 있습니다. 이 모델은 그 침묵의 순간이 왜 멈췄는지를 분석해서 진짜 바다의 상태를 예측합니다.

2. 이 모델은 어떻게 작동할까요? (핵심 아이디어)

저자들은 **'제로-인플레이션 확률 모델 (Zero-inflated Stochastic Volatility Model)'**이라는 새로운 도구를 만들었습니다.

🎭 두 개의 무대: '변화'와 '침묵'
이 모델은 물가 데이터를 두 가지 층으로 나누어 봅니다.

침묵의 무대 (Zero-Generating Process):
- "오늘 가격이 안 변한 건, 진짜 물가가 안정해서 그런가? 아니면 아예 가격 조정이 안 된 상태라서 그런가?"를 확률로 계산합니다.
- 마치 무대 뒤의 스태프가 "오늘은 공연을 안 해요 (가격 고정)"라고 알려주는 것과 같습니다.
변화의 무대 (Non-zero Process):
- 가격이 실제로 변했을 때, 그 변화의 크기와 방향 (상승/하락) 을 분석합니다.

🔍 비유: 안개 속 등대
기존 모델은 안개 (0 값) 가 끼면 등대 빛 (실제 인플레이션) 을 못 보고 "등대가 꺼졌다"고 생각합니다. 하지만 이 새로운 모델은 **"안개 때문에 빛이 안 보이는 것이지, 등대는 여전히 켜져 있을 수 있다"**고 판단합니다. 그래서 안개 사이로 비치는 빛의 강도 (잠재적 인플레이션) 를 더 정확하게 추정합니다.

3. 이 모델로 무엇을 발견했나요? (결과)

미국, 영국, 독일, 일본의 세부 물가 데이터를 이 모델로 분석한 결과 놀라운 사실이 나왔습니다.

숨겨진 인플레이션 발견:
- 기존 모델은 "물가 상승률이 1% 미만이다"라고 했지만, 이 모델은 "가격이 고정된 품목들이 많아서 0 으로 보일 뿐, 실제로는 숨겨진 상승 압력이 5% 에 가까웠다"고 찾아냈습니다.
- 특히 전기 요금이나 의료비처럼 가격이 자주 안 바뀌는 품목에서 이 차이가 컸습니다.
더 정확한 예측:
- 미래의 물가를 예측할 때, 이 모델을 쓰면 실제 물가 변동폭을 더 잘 예측했습니다. 기존 모델은 0 이 많은 기간을 지나치게 안정적으로 예측하다가, 갑자기 가격이 뛸 때 놀라게 되는 반면, 이 모델은 "아, 이 품목은 가격이 고정되어 있다가 언제든 뛸 수 있구나"라고 미리 경계했습니다.

4. 왜 이것이 중요한가요? (의의)

🏛️ 정책 결정자에게 주는 메시지
중앙은행이나 정부가 물가를 조절할 때, "현재 물가 상승률이 낮으니 안심해도 되겠다"라고 생각하면 큰 실수를 할 수 있습니다. 이 모델은 **"현재는 가격이 고정되어 있을 뿐, 숨겨진 인플레이션 위험이 커지고 있다"**는 신호를 줍니다.

비유: 자동차의 속도계가 고장 나서 0 을 가리키고 있다고 해서, 차가 멈췄다고 믿으면 안 됩니다. 엔진은 여전히 돌아가고 있을 수 있으니까요. 이 모델은 속도계 고장 (가격 고정) 을 고려해서 실제 엔진 회전수 (잠재 인플레이션) 를 추정해 줍니다.

📊 데이터의 불완전함을 인정하는 지혜
데이터가 부족하거나 (결측치), 가격이 안 변하는 (제로) 경우가 많을 때, 이를 무시하거나 단순화하지 않고 그 불완전함 자체가 가진 정보를 활용하는 것이 이 연구의 핵심입니다.

요약

이 논문은 "물가가 안 변하는 것 (0)"을 단순히 '없음'이 아니라, '왜 안 변하는지'에 대한 중요한 신호로 해석하는 새로운 통계 안경을 개발했습니다. 이를 통해 숨겨진 물가 상승 압력을 더 정확하게 발견하고, 더 나은 경제 정책을 세우는 데 도움을 줄 수 있습니다.

1. 연구 배경 및 문제 제기 (Problem)

배경: 소비자 물가지수 (CPI) 의 분해된 (disaggregated) 시계열 데이터는 종종 구조적인 데이터 수집 과정의 특성으로 인해 정확한 제로 (exact zeros) 가격 변화가 빈번하게 발생합니다. 이는 개별 품목의 가격 변동이 없거나 (가격 경직성), 데이터 수집 시 관측되지 않은 값을 최근 값으로 대체하는 등의 이유로 발생합니다.
기존 모델의 한계:
- 기존의 추세 인플레이션 (trend-inflation) 분석에 널리 사용되는 확률 변동성 (Stochastic Volatility, SV) 모델이나 UCSV(Unobserved Components with Stochastic Volatility) 모델은 주로 집계된 (aggregate) 인플레이션 데이터를 대상으로 개발되었습니다. 집계된 데이터에서는 제로 값이 드물기 때문에, 이러한 모델은 연속적인 정규 분포를 가정합니다.
- 분해된 데이터에 이러한 연속성 가정을 적용할 경우, 빈번한 제로 값으로 인해 추세 (trend) 와 변동성 (volatility) 이 과소평가되거나 편향된 추정이 발생할 수 있습니다. 특히 제로 값이 빈번한 품목 (예: 규제된 전기 요금, 의료 서비스 등) 에서 모델이 실제 인플레이션 압력을 제대로 포착하지 못하게 됩니다.
- 기존 제로-팽창 (zero-inflated) 모델들은 주로 예측 목적에 국한되거나, 이진 분류에 치중하여 연속적인 변동성 (SV) 을 추정하는 데 한계가 있었습니다.

2. 제안된 방법론 (Methodology)

저자들은 분해된 CPI 데이터의 제로-팽창 특성을 반영하기 위해 제로-팽창 UCSV (Z-UCSV) 모델을 제안했습니다. 이는 다변량 시계열 데이터에 적용 가능한 동적 일반화 선형 모델 (DGLM) 프레임워크를 기반으로 합니다.

A. 모델 구조

모델은 관측값 $y_t$ 를 두 가지 잠재 과정의 혼합으로 정의합니다:

제로 생성 과정 (Zero-generating process):
- 관측값이 정확히 0 이 될 확률 $p_t$ 를 모델링합니다.
- $p_t = \text{logit}^{-1}(\pi_t)$ 로 정의되며, $\pi_t$ 는 자기회귀적 동적 과정 (Markovian structure) 을 따릅니다.
- 이를 통해 제로 발생의 시간적 지속성 (persistence) 과 교차 항목 간 의존성 (cross-correlation) 을 포착합니다.
비제로 생성 과정 (Non-zero generating process):
- $y_t \neq 0$ 일 때, 잠재적인 연속적인 인플레이션 값 $y^*_t$ 가 관측됩니다.
- $y^*_t = \theta_t + \epsilon^{(y)}_t$ 로 정의되며, 여기서 $\theta_t$ 는 **잠재 추세 (latent trend)**이고 $\epsilon^{(y)}_t$ 는 로그 변동성 $h_t$ 에 의해 결정되는 오차항입니다.
- $\theta_t$ 와 $h_t$ 는 각각 UCSV 모델의 표준 구조를 따릅니다 (추세는 랜덤 워크, 로그 변동성도 랜덤 워크).

B. 다변량 확장 (Z-MUCSV)

여러 품목 (K 개) 간의 상호 의존성을 고려하기 위해 다변량 모델로 확장했습니다.
변동성 공분산 행렬 $\Sigma^{(y)}$ 를 Cholesky 분해가 아닌 순서 불변 (order-invariant) 파라미터화 (밀집 행렬 $C$ 사용) 를 적용하여, 변수의 순서에 따른 민감도를 제거하고 계산적 안정성을 확보했습니다.
제로 확률 벡터 $\pi_t$ 의 공분산 행렬 $\Sigma^{(\pi)}$ 는 역와이샤르트 (Inverse Wishart) 분포를 사용하여 사전 분포를 설정했습니다.

C. 사후 추론 알고리즘 (Posterior Inference)

로지스틱 링크 함수와 이항 확률로 인해 조건부 사후 분포가 해석적으로 구하기 어렵습니다.
이를 해결하기 위해 Pólya-Gamma (PG) 증강 (Augmentation) 기법을 도입했습니다.
- PG 분포를 보조 변수로 도입하여 이항 우도 (binomial likelihood) 를 조건부 가우시안 (conditionally Gaussian) 형태인 선형 모델로 변환합니다.
- 이를 통해 Gibbs Sampler 내에서 Forward-Filtering Backward-Sampling (FFBS) 알고리즘을 효율적으로 적용하여 잠재 상태 변수 ( $\theta, h, \pi$ ) 를 동시에 샘플링할 수 있게 되었습니다.
- 이 방법은 근사적인 접근이 아닌 점근적으로 정확한 (asymptotically exact) 베이지안 추론을 가능하게 합니다.

3. 주요 기여 (Key Contributions)

새로운 모델 프레임워크: 연속적인 반응 변수를 가지면서도 정확한 제로 값을 포함하는 비정상 다변량 시계열 데이터를 위한 최초의 제로-팽창 SV 모델을 체계적으로 정립했습니다.
효율적인 계산 알고리즘: Pólya-Gamma 증강을 활용한 맞춤형 Gibbs Sampler 를 개발하여, 복잡한 제로-팽창 구조 하에서도 빠른 수렴과 정확한 추론을 가능하게 했습니다.
데이터 특성의 반영: CPI 데이터 수집 과정에서 발생하는 '가격 경직성 (price staleness)'과 '결측치'를 모델의 불확실성 층으로 명시적으로 통합하여, 측정 오차를 보정하는 접근법을 제시했습니다.

4. 실증 분석 결과 (Results)

미국, 영국, 독일, 일본의 분해된 CPI 데이터를 사용하여 모델을 검증했습니다.

추세 및 변동성 추정:
- 기존 UCSV 모델은 제로 값이 빈번한 구간에서 추세를 0 에 가깝게 과소평가하고 변동성을 낮게 추정했습니다.
- 반면, Z-UCSV 모델은 제로 발생 확률을 분리하여 추정함으로써, 관측되지 않더라도 잠재적인 인플레이션 압력 (예: 2% 를 상회하는 추세) 을 더 정확하게 포착했습니다.
- 특히 전기 요금 (일본) 이나 의료 서비스 등 규제나 행정 절차로 인해 가격이 자주 조정되지 않는 품목에서 Z-UCSV 모델의 우월성이 두드러졌습니다.
예측 성능 (Forecasting):
- 점 예측 (Point Forecast): 제로-팽창이 심한 품목에서 Z-UCSV 모델이 평균 절대 오차 (MAE) 를 크게 줄였습니다.
- 구간 예측 (Interval Forecast): 제로-팽창 모델이 더 잘 교정된 (well-calibrated) 신뢰구간을 제공했습니다. 특히 제로 값이 많은 국가 (일본 등) 와 품목 (교통, 의료) 에서 기존 모델보다 예측 신뢰도가 높았습니다.
집계 효과: 분해된 데이터의 추세를 개별적으로 추정한 후 집계하는 방식 (Z-UCSV) 이, 집계된 데이터에 직접 모델을 적용하는 방식 (Direct UCSV) 보다 인플레이션의 변동성을 더 민감하고 정확하게 반영했습니다.

5. 의의 및 시사점 (Significance)

정책적 함의: 중앙은행 및 금융 기관은 인플레이션의 실제 추세를 파악하기 위해 제로-팽창을 무시할 경우 인플레이션 압력을 과소평가할 위험이 있음을 시사합니다. Z-UCSV 모델은 이러한 '감지 지연 (delayed recognition)'을 방지하고, 잠재적인 인플레이션 신호를 더 민감하게 포착할 수 있게 합니다.
측정 오차의 정량화: 단순한 데이터 결측이 아닌, 데이터 수집 메커니즘으로 인한 구조적 제로를 확률론적으로 모델링함으로써, 관측 데이터와 실제 경제 현상 사이의 괴리를 통계적으로 보정할 수 있는 도구를 제공합니다.
일반화 가능성: 이 모델은 CPI 데이터뿐만 아니라 제로 값이 빈번한 다양한 금융 및 경제 시계열 데이터 (예: 저거래량 주식 수익률, REIT 지수 등) 에도 적용 가능한 유연한 프레임워크를 제시합니다.

요약하자면, 이 논문은 분해된 인플레이션 데이터의 고유한 특성 (정확한 제로 값) 을 무시할 때 발생하는 추정 오류를 해결하기 위해, Pólya-Gamma 증강을 활용한 제로-팽창 확률 변동성 모델을 제안하고, 이를 통해 보다 정확하고 정보량이 풍부한 추세 및 변동성 추정이 가능함을 실증적으로 증명했습니다.