Do Stationarity Transformations Actually Improve Time Series Forecasts? A Controlled Experimental Evaluation

기술 요약: 정상성 변환이 실제로 시계열 예측을 개선하는가? 통제된 실험적 평가

문제 제기
정상성 변환 (예: 차분, 로그 변환, 계절성 조정) 은 많은 고전적 모델 (AR, ARMA) 이 올바르게 작동하려면 정상 입력이 필요하다는 가정에 기반한 시계열 예측의 표준 전처리 단계입니다. 그러나 전처리를 통해 정상성을 달성하는 것이 실제로 예측 정확도를 향상시키는지 평가하는 통제된 실증적 증거는 부족합니다. 기존 연구 대부분은 비교 없이 고정된 파이프라인을 적용하거나, 실제 데이터 생성 과정 (DGP) 이 알려지지 않은 실제 데이터를 의존하여, 변환이 비정상성의 올바른 형태를 대상으로 하는지 여부를 판단할 수 없게 만듭니다. 본 연구는 이론적 전처리 근거와 실증적 예측 성능 사이의 격차를 해소합니다.

방법론
저자들은 3,528 가지 구성을 포함한 완전 교차 요인 실험을 수행했습니다:

• 데이터셋: 선형 추세, 계절성, 이분산성, 자기회귀 구조, 랜덤 워크 및 이들의 조합 등 특정 비정상성 패턴을 분리한 알려진 DGP 를 가진 11 개의 합성 시계열과 1 개의 실제 데이터셋 (TSA 검문소 여행 수) 으로 구성되었습니다. 합성 시계열은 주당 빈도로 200 개의 관측치 길이를 가졌습니다.
• 변환: 단일 변환 (없음, 1 차 차분, 계절 차분, 분수 차분, 로그, 박스 - 콕스) 과 파이프라인 조합 (예: 로그 + 차분) 을 포함한 14 가지 구성을 테스트했습니다.
• 모델: 정상성을 가정하는 전통적 모델 (AR, ARMA), 부분적 정상성 처리가 가능한 모델 (ARIMA), 정상성이 필요 없는 모델 (ETS, Holt-Winters, Prophet, Gradient Boosting/LightGBM) 등 세 가지 범주를 아우르는 7 가지 예측 모델을 사용했습니다.
• 평가: 4 주, 12 주, 24 주 예측 구간에서 예측을 생성했습니다. 정확도는 원래 척도 (역변환 후) 에서 대칭 평균 절대 백분율 오차 (sMAPE) 로 측정되었습니다.
• 정상성 측정: 추세, 분산, 계절성을 포괄하는 10 가지 통계적 테스트에서 도출된 합의 비율을 사용하여 정상성을 정량화했으며, 허위 결과를 방지하기 위해 도메인별 제외 규칙을 적용했습니다.
• 분석: 연구는 변환 $\rightarrow$ 정상성 $\rightarrow$ 예측 정확도의 인과 경로를 분해하기 위해 매개 분석을 활용했습니다.

주요 결과

1. 일반적 악화: 표준 관행과 달리, 정상성 변환을 적용하면 일반적으로 예측 정확도가 저하되었습니다. 차분 기반 변환 (1 차, 계절, 분수) 은 고역 통과 필터 역할을 하여 예측 가능한 저주파 신호를 제거하고 sMAPE 를 크게 증가시켰습니다.
2. 분산 안정화 예외: 주요 예외는 분산 안정화 (로그 및 박스 - 콕스 변환) 였습니다. 이분산성 데이터에서 이러한 변환은 예측 신호 구조를 감쇠시키지 않으면서 모델링 가정 위반을 해결함으로써 60~65% 의 경우 정확도를 향상시켰습니다.
3. 일치 vs 불일치: 변환이 알려진 비정상성에 "일치"되었을지라도 (예: 선형 추세의 차분), 예측을 개선한 경우는 18% 에 불과했습니다. 많은 "교과서적" 사례 (예: 선형 추세 시계열의 차분) 에서 예측 가능한 추세 신호가 제거되어 모든 테스트 사례에서 정확도가 악화되었습니다.
4. 모델 독립성: 차분의 부정적 영향은 AR 및 ARMA 를 포함한 모든 모델 계열에서 지속되었습니다. 이러한 모델의 현대적 구현은 종종 내부 추세 매개변수화를 포함하여 외부 차분의 실용적 필요성을 줄였습니다.
5. 매개 분석 결과: 매개 분석은 변환이 추세 정상성을 성공적으로 높였음 (경로 A) 에도 불구하고, 더 높은 추세 정상성은 나쁜 예측 정확도와 연관되어 있음을 확인했습니다 (경로 B). 그 메커니즘은 신호 감쇠로 확인되었습니다. 반면, 분산 정상성을 달성하는 것은 향상된 정확도와 양의 상관관계를 보였습니다.
6. 실제 데이터 검증: TSA 공항 여객 데이터에 대한 결과는 합성 연구 결과를 뒷받침했습니다. 차분은 가장 해로운 변환이었으며, 분산 안정화와 계절성 조정을 결합한 것이 최상의 결과를 낳았습니다.

의의 및 주장
본 논문은 정상성과 예측 정확도 간의 관계가 기존 전처리 파이프라인이 가정하는 것보다 더 미묘하다고 주장합니다. 저자들은 다음과 같이 주장합니다:

• 신호 vs 정상성: 통계적 정상성을 달성하는 것이 향상된 예측 가능성과 동일하지 않습니다. 비정상성을 제거하는 변환은 종종 외삽에 필요한 학습 가능한 신호를 제거합니다.
• 이론보다 실증: 변환 선택은 정상성에 대한 이론적 가정보다는 실증적 외표본 평가에 의해 안내되어야 합니다.
• 선택적 전처리: 실무자는 신호를 보존하는 변환 (분산 안정화) 과 신호를 억제하는 변환 (차분) 을 구별해야 합니다. 차분은 기본 단계가 아닌 신중하게 적용해야 하며, 분산 안정화는 이분산성 데이터에 대한 견고한 전략으로 남아 있습니다.

본 연구는 정상성이 추론과 모델 안정성을 위한 근본적인 이론적 속성으로 남아 있지만, 현대 예측 파이프라인에서 외표본 예측 정확도를 극대화하는 신뢰할 수 있는 대리 변수는 아니라고 결론지었습니다.