Identifiability of linear stochastic state-space models with application to ecology

기술 요약: 생태학에 대한 적용을 통한 선형 확률 상태 공간 모델의 식별 가능성

문제 정의
상태 공간 모델(SSM)은 관찰되지 않은 개체군 크기 및 동물의 이동 역학을 설명하기 위해 생태학 분야에서 널리 사용된다. 이러한 모델은 잠재적 상태 과정(latent state process)과 관측 과정(observation process)으로 구성된다. 실무자들은 매개변수를 고유하게 추정할 수 없는 문제인 식별 가능성(identifiability) 문제에 자주 직면하지만, 이러한 문제가 데이터의 한계(실질적 비식별성)에서 기인하는지 아니면 근본적인 모델 구조(이론적 비식별성)에서 기인하는지는 여전히 불분명하다. SSM 식별성에 관한 기존의 이론적 연구들은 확률 과정의 기댓값으로부터 도출된 "포괄적 요약(exhaustive summaries)"(모델을 완전히 결정하는 매개변수 조합의 벡터)에 의존해 왔다. 그러나 이러한 접근 방식은 종종 분산 매개변수를 간과하거나 과정 노이즈와 관측 노이즈 사이의 의존성을 고려하지 못하여, 특히 선형 확률 SSM의 경우 불완전하거나 부정확한 식별 진단을 초래할 수 있다.

방법론
저자들은 선형, 시불변(LTI), 이산 시간 가우시안 확률 SSM의 식별성을 평가하기 위한 새로운 이론적 프레임워크를 제в안한다. 핵심적인 방법론적 혁신은 과정의 기댓값이 아닌 관측 과정의 **출력 스펙트럼 밀도(output spectral density)**를 기반으로 포괄적 요약을 구축하는 것이다.

1. 스펙트럼 밀도 공식화: 논문은 백색 잡음에 의해 구동되는 상태 방정식과 관측 방정식으로 SSM을 정의한다. 시스템이 정상 상태(상태 전이 행렬의 고윳값이 단위 원 내부에 있음)라고 가정할 때, 저자들은 자기 공분산 함수의 푸리에 변환인 출력 스펙트럼 밀도 $S(\theta)$를 유도한다.
2. 포괄적 요약 구축: 저자들은 스펙트럼 밀도의 구성 요소가 $s = \exp(i\omega)$에 대한 유리 함수로 표현될 수 있음을 증명한다. 포괄적 요약 $\kappa(\theta)$는 스펙트럼 밀도 구성 요소들의 분자와 분모에 있는 다항식의 비상수 계수들의 벡터로 정의된다.
3. 식별성 평가: 매개변수 중복성 이론에 따라, 저자들은 미분 행렬 $\partial\kappa/\partial\theta$의 계수(rank)를 계산한다. 만약 계수가 매개변수의 수와 같다면, 모델은 이론적으로 식별 가능하다. 만약 계수가 더 낮다면, 모델은 매개변수 중복 상태이며, 이 결핍은 추정 불가능한 매개변수 조합의 수를 나타낸다.
4. 기호 분석(Symbolic Analysis): 이 방법은 다양한 생태 모델에 적용되어, 기호 미분(Maple 2024.1 이용)을 통해 미분 행렬의 계수를 결정하고 중복이 발생하는 경우 추정 가능한 매개변수 조합을 찾아낸다.

주요 기여

• 새로운 포괄적 요약: 본 논문은 과정의 기댓값에만 의존했던 기존 방식의 공백을 메우며, 평균 과정 매개변수와 분산 매개변수(과정 및 관측 노이즈)를 모두 완전히 고려하는 확률 SSM을 위한 엄격한 포괄적 요약을 도입한다.
• 이론적 vs 실질적 식별성: 본 연구는 구조적 비식별성과 실질적인 추정 어려움을 구분하기 위한 이론적 기준을 제공한다.
• 일반 모델의 검증: 저자들은 다양한 생태 모델(예: AR(1) 개체군 역학, 공변량이 포함된 동물 이동 모델)에 이 방법을 적용하여, 이들이 이론적으로 식별 가능하다는 것을 입증하였다. 이는 실제 추정 실패가 모델 구조보다는 데이터의 한계(예: 짧은 시계열) 때문일 가능성이 높음을 시사한다.
• 구조적 함정 식별: 본 논문은 다음과 같은 특정 구조적 조건이 이론적 비식별성을 초래함을 밝혀냈다:
  • 매개변수가 곱의 형태로만 나타나는 경우 (예: 생산성 $\times$ 생존율).
  • 다중 구획 시스템에서 관찰되지 않는 구획 (예: 한 종만 관찰되는 상황에서 종간 상호작용을 추정할 때).
  • 단순한 모델에서 과정 오차와 관측 오차 사이의 공분산을 포함하는 경우.

결과
저자들은 스펙트럼 밀도 기반의 포괄적 요약을 네 가지 뚜렷한 생태적 시나리오에 적용하였다:

1. 개체군 역학 (2단계 모델): 어린 새와 성조(adult) 모델로, 성조만 관찰되는 경우이다. 분석 결과, 생산성과 어린 새의 생존율이 곱의 형태로만 나타나기 때문에 모델이 매개변수 중복 상태임을 확인했다. 추정 가능한 매개변수는 곱 항, 성조 생존율, 그리고 두 개의 분산 항이다.
2. AR(1) 개체군 모델:
   • 상호작용이 없는 경우: 독립적인 과정 및 관측 노이즈를 가진 표준 AR(1) 모델은 이론적으로 식별 가능한 것으로 나타났다(매개변수 3개에 대해 계수 3). 이는 분산 추정치가 양봉(bimodal) 분포를 보였던 이전의 시뮬레이션 연구들과 대조되며, 이러한 현상이 실질적인 문제라는 가설을 뒷받침한다.
   • 상호작용이 있는 경우: 과정 오차와 관측 오차 사이의 공분산 항이 추가되면, 모델은 매개변수 중복 상태가 된다(매개변수 4개에 대해 계수 3). 이때 분산과 공분수 매개변수의 특정 선형 결합만이 추정 가능하다.
3. 동물 이동 (북극곰): 해빙 표류를 공변량으로 포함하는 모델이다. 분석 결과, 개체별로 매개변수 추정치의 변동이 컸음에도 불구하고, 모델은 이론적으로 식별 가능하다(매개변수 6개에 대해 계수 6).
4. 종간 상호작용 (MAR(1)): 상호작용하는 두 종 중 하나만 관찰되는 다변량 자기회귀 모델이다. 이 모델은 매개변수 중복 상태로 나타났다(매개변수 6개에 대해 계수 5). 그러나 저자들은 만약 두 종이 모두 관찰된다면 모델이 식별 가능할 것이라고 언급했다.

의의 및 주장
본 논문은 선형 SSM에 대해 생태학 문헌에서 보고되는 빈번한 식별성 문제가 모델의 근본적인 결함보다는 주로 실질적인 성격(데이터의 한계)을 띠고 있다고 주장한다. 새로운 스펙트럼 밀도 기반의 포괄적 요약은 분산 매개변수 추정과 관련하여 기대치에 기반한 기존 방법보다 더 정확한 진단 도구를 제공한다.

저자들은 다음과 같은 한계점을 겸허히 인정한다:

• 이 접근 방식는 정상성(stationarity)과 선형성을 가정하며, 이는 모든 생태계(예: 생물 침입 또는 비선형 역학)에 적용되지 않을 수 있다.
• 기호 미분 방식은 매우 복잡한 모델(예: 4종 이상의 상호작용)에서 계산 메모리 제한에 직면할 수 있으며, 이는 하이브리드 기호-수치 방법의 필요성을 시사한다.
• 현재 방식은 공변량을 노이즈로 "내부화"하여 처리하는데, 이는 모든 비정상(non-stationary) 시나리오에 적합하지 않을 수 있다.

본 연구는 고전적인 선형 SSM은 일반적으로 이론적으로 식별 가능하지만, 연구자들은 특정 구조적 중복(관찰되지 않는 구획, 매개변수 곱)을 주의해야 하며, 추정의 어려움은 모델의 근본적인 결함보다는 데이터의 길이 부족이나 변동성에서 비롯되는 경우가 많다는 점을 인식해야 한다고 결론짓는다.