On testing for independence between generalized error models of several time series

이 논문은 임의의 분포 (연속형, 이산형, 또는 이들의 혼합) 를 가진 일반화된 오차 모델 (Generalized Error Models) 을 갖는 여러 시계열 간의 조건부 독립성 (Conditional Independence) 을 검정하는 새로운 방법론을 제안합니다. 기존 연구들이 주로 연속형 분포나 확률적 변동성 (Stochastic Volatility) 모델에 국한되었던 반면, 이 연구는 제로-인플레이션 (zero-inflated) regimes 가 포함된 상태 전환 모델 (regime-switching models) 등을 포함한 더 넓은 범위의 시계열 모델에 적용 가능한 검정 체계를 정립했습니다.

다음은 논문의 상세한 기술적 요약입니다.

1. 연구 배경 및 문제 제기 (Problem)

• 조건부 독립성의 중요성: 시계열 $X_{1t}$와 $X_{2t}$가 과거 정보 ($F_{t-1}$) 에 대해 조건부 독립일 때, 한 시계열은 다른 시계열의 예측에 불필요하며 (Leading indicator 가 아님), 이는 다변량 시계열 모델링의 핵심 단계입니다.
• 기존 방법론의 한계:
  • 기존의 독립성 검정 (Haugh, 1976; Hong, 1996 등) 은 주로 잔차의 교차상관 (cross-correlation) 에 의존하며, 이는 가우시안 모델에서는 유효하지만 비가우시안 모델 (예: 텐트 맵) 에서는 의존성을 탐지하지 못할 수 있습니다.
  • 경험적 과정 (Empirical processes) 을 이용한 방법 (Duchesne et al., 2012) 은 주로 확률적 변동성 (SV) 모델과 연속형 분포에 국한되어 있었습니다.
  • 실제 데이터 (금융 수익률의 0 인 플러스, 범죄 건수 등) 는 이산형 (Poisson 등) 이나 연속형과 이산형이 혼합된 분포를 가지는 경우가 많으나, 이를 다루는 다변량 시계열 독립성 검정 방법은 부족했습니다.

2. 방법론 (Methodology)

2.1 일반화된 혁신 (Generalized Innovations) 의 정의

임의의 분포를 갖는 시계열 $X_t$에 대해, 과거 정보 $F_{t-1}$에 대한 조건부 누적분포함수 (CDF) 를 $G_t(y) = P(X_t \le y | F_{t-1})$라고 할 때, **Brockwell (2007)**의 무작위화 (randomization) 기법을 사용하여 일반화된 혁신 (Generalized Innovations) $U_t$를 정의합니다.
$$U_t = G_t(X_{t-}) + V_t \Delta G_t(X_t)$$
여기서 $V_t$는 $X_t$와 독립인 $U(0,1)$ 분포를 따르는 무작위 변수이고, $\Delta G_t$는 점프 크기입니다.

• 의의: $G_t$가 연속이든 이산이든 상관없이 $U_t$는 조건부적으로 $U(0,1)$을 따르고 서로 독립이 됩니다. 이를 통해 이산형 데이터도 연속형 데이터와 동일한 수학적 프레임워크로 다룰 수 있습니다.

2.2 다변량 시계열 모델링 (Copula 기반)

다변량 시계열 $\mathbf{X}_t = (X_{1t}, \dots, X_{dt})$의 의존 구조는 **조건부 스칼라 방정식 (Conditional Sklar's Equation)**을 사용하여 모델링합니다.
$$P(\mathbf{X}_t \le \mathbf{y} | F_{t-1}) = C_t^\star \{ G_{1t}(y_1), \dots, G_{dt}(y_d) \}$$
여기서 $C_t^\star$는 **다중 선형 코풀라 (Multilinear Copula)**이며, 각 마진 (margins) 이 연속일 때의 코풀라와 일치하지만, 이산형이 섞인 경우에도 정의됩니다.

• 귀무가설 ($H_0$): 모든 $t$에 대해 $C_t^\star$가 독립 코풀라 ($\Pi$) 와 같다. 즉, 시계열 간의 조건부 독립성.

2.3 경험적 과정 및 점근적 분포

• 가상 관측치 (Pseudo-observations): 추정된 모수 $\hat{\theta}_n$과 무작위화 변수 $V_t$를 사용하여 $U_{jt}$의 추정치인 $\hat{U}_{jt}$를 생성합니다.
• 경험적 과정: 지연된 (lagged) 가상 관측치들을 기반으로 경험적 결합 분포 함수를 구성하고, 이를 독립 코풀라와의 차이로 정의된 경험적 과정 $K_{n,\ell}$과 $C_{n,\ell}$로 변환합니다.
• 주요 이론적 결과 (Theorem 1, 2):
  • 추정된 모수의 영향을 받지 않는 모수 프리 (parameter-free) 점근적 분포를 가짐을 증명했습니다.
  • 이 과정들은 **다차원 브라운 브리지 (Multivariate Brownian Bridges)**로 수렴하며, 그 공분산 구조는 모수 추정의 불확실성과 무관합니다.
  • Möbius 변환을 적용하여 공분산 구조를 단순화하고 검정력을 높였습니다.

2.4 검정 통계량 (Test Statistics)

제안된 통계량들은 Duchesne et al. (2012) 의 결과를 확장한 것으로, 다음과 같은 유형이 포함됩니다:

1. Cramér–von Mises 통계량 ($S_{n,A,\ell}$): 경험적 과정의 제곱 적분.
2. 일반화된 교차상관 (Generalized Cross-correlations): $\hat{r}_{n,A,\ell}$.
3. 코풀라 기반 의존성 측정치: Spearman's rho, van der Waerden 계수, Savage 계수 등을 확장한 통계량 ($H_{K,n}$).
4. 결합 통계량: 다양한 지연 (lag) 과 부분집합 (subset) 에 대한 P-value 를 결합한 $W_n, F_n, H_n$ 등.

3. 주요 기여 (Key Contributions)

1. 임의 분포에 대한 확장: 연속형뿐만 아니라 이산형 (Poisson 등) 과 혼합 분포 (Zero-inflated 등) 를 포함하는 일반화된 오차 모델에 대한 독립성 검정을 최초로 체계화했습니다.
2. 무작위화 기법의 통합: 이산형 데이터의 불연속성으로 인한 문제를 해결하기 위해 무작위화 변수 $V_t$를 도입하고, 이를 통해 얻은 일반화된 혁신의 점근적 성질을 rigorously 증명했습니다.
3. 이론적 일반화: Duchesne et al. (2012) 의 SV 모델 결과와 Kheifets and Velasco (2017) 의 단변량 이산형 결과를 다변량 시계열로 통합 확장했습니다.
4. 실용적 도구 개발: 모든 방법론이 R 의 **CRAN 패키지 IndGenErrors**에 구현되어 있어 연구자들이 즉시 활용할 수 있게 했습니다.

4. 실험 결과 (Results)

4.1 시뮬레이션 연구

• 데이터 생성 과정 (DGP):
  • DGP1: 연속형 (Gaussian HMM) 및 혼합형 (Exponential, Pareto).
  • DGP2: 이산형 (Poisson) 과 연속형이 혼합된 경우.
  • DGP3: 3 변수 시계열 (Poisson + Gaussian).
• 검정력 (Power):
  • 제안된 통계량 $W_n$은 다양한 의존 구조 (Frank, Gaussian, Clayton, Tent map) 에서 가장 강력하거나 우수한 성능을 보였습니다.
  • 이산형 데이터의 경우 단일 무작위화 ($M=1$) 시 약간의 검정력 손실이 있었으나, **다중 무작위화 평균화 (Averaging over $M$ randomizations, $M \ge 25$)**를 적용하면 연속형 데이터와 유사한 검정력을 회복했습니다.
  • $W_n$ 통계량은 $F_n$보다 계산이 간편하면서도 유사하거나 더 나은 성능을 보였습니다.

4.2 실제 데이터 적용

1. 금융 데이터 (NASDAQ): Apple, Intel, HP 의 주식 수익률 분석.
   • Intel 은 0 수익률이 존재하여 Zero-inflated Gaussian HMM을 적용했습니다.
   • 초기 모델링 후 일반화된 혁신 간 의존성이 발견되었으나, NASDAQ 지수를 공변량 (covariate) 으로 포함시킨 후 검정 시 독립성 가설이 기각되지 않았습니다. 이는 NASDAQ 이 세 종목 간의 의존성을 설명함을 의미합니다.
2. 범죄 데이터 (Pittsburgh): 강도 (Robbery) 및 차량 절도 (Motor Vehicle Theft) 건수 분석.
   • INGARCH 및 AR-Poisson HMM 모델을 적용했습니다.
   • 개별 시계열의 동적 특성을 모델링한 후, 잔여 의존성 (residual dependence) 은 통계적으로 유의미하지 않음을 확인했습니다. 즉, 두 시계열은 과거 정보를 조건으로 독립적입니다.

5. 의의 및 결론 (Significance)

이 논문은 시계열 분석에서 이산형 데이터와 연속형 데이터가 혼재하는 현실적인 상황을 포괄하는 강력한 독립성 검정 프레임워크를 제시했습니다.

• 모델링의 유연성: 다양한 분포와 상태 전환 모델을 다루는 유연성을 제공합니다.
• 실증 분석의 정확성: 공변량 (covariate) 을 포함한 조건부 독립성 검정을 통해 변수 간의 인과적 관계나 공통 요인을 식별하는 데 기여합니다.
• 도구 제공: IndGenErrors 패키지를 통해 이론적 방법론이 실제 연구에 바로 적용 가능하도록 했습니다.

결론적으로, 이 연구는 다변량 시계열 분석의 중요한 진단 도구로서, 특히 금융 및 사회과학 분야에서 이산형/혼합형 데이터를 다루는 연구자들에게 필수적인 방법론을 제공합니다.