Bayesian Seasonal Adjustment for Survey Time Series

기술 요약: 설문 시계열을 위한 베이지안 계절 조정

문제 제기
국가통계기관(NSO)에서 사용하는 기존의 계절 조정 절차, 구체적으로 X-11 및 X-12-ARIMA는 설문 추정치를 정확한 관측치로 취급한다. 이러한 접근 방식은 설문 방법론자들이 일상적으로 계산하는 표준 오차($SE^d_t$)를 버리는 결과를 초래한다. 결과적으로, 높은 변동계수(CV)를 가진 높은 표본 분산을 가진 달은 낮은 분산을 가진 달과 동일한 가중치를 계절 필터에서 받게 되며, 이는 전자가 훨씬 더 큰 측정 노이즈를 가지고 있음에도 불구하고 발생하는 구조적 한계이다. 이러한 제한 사항은 해당 방법들이 진정한 계절적 드리프트(seasonal drift)와 표본 오차로 인한 변동을 구분하지 못하게 하며, 추세 움직임이나 방향성 변화에 대한 불확실성 척도(예: 신용 구간)를 제공하지 못하게 한다.

방법론
본 논문은 시간 가변적 표본 오차 분산을 기본 구조 모델(Basic Structural Model, BSM) 내의 완전한 베이지안 추론 체계에 직접 통합하는 동적 미니-맥스 베이지안 구조 모델(Dynamic Mini-Max Bayesian Structural Model, DMM-BSM) 프레임워크를 제안한다.

1. 모델 계층 구조:

   • 표본 모델(Sampling Model): 직접적인 설문 추정치 $Y^d_t$를 측정 방정식 $Y^d_t = Z^\top \alpha^d_t + e^d_t$를 통해 잠재적 BSM 상태 $\alpha^d_t$와 연결한다. 여기서 오차 분산 $V^d_t = (SE^d_t)^2$는 알려진 시간 가변적 값으로 취급된다. 이는 측정 오차가 0이라는 표준 BSM 가정과 대조된다.
   • 연결 모델(Linking Model): Tam (2026)에서 계승된 이 구성 요소는 계층적 회귀를 통해 층(strata) 간의 강점 공유(borrowing strength)를 허용하지만, 본 실증 연구는 층 수준의 데이터를 사용할 수 없는 도메인 수준에서 작동한다.
   • 전파 모델(Propagation Model): 이전 연구의 AR(1) 모델을 대체하여, 월간 데이터($s=12$)를 위한 국소 수준 추세($L_t$)와 확률적 계절 성분($\gamma_t$)을 포함하는 12차원 BSM 상태 벡터를 구성한다. 시스템 행렬 $T$와 $R$은 자유 매개변수가 없는 고정된 값을 가진다.

2. 이론적 등가성:
   본 논문은 BSM이 측정 오차 분산이 0($V_t=0$)일 때 Airline ARIMA(0,1,1)(0,1,1)$_{12}$ 모델로 축소된다는 **Harvey–Todd (1983)**의 등가성을 활용한다. **Cleveland and Tiao (1976)**와 결합하여, 이는 $V_t=0$인 BSM이 X-11 필터와 점근적으로 등가임을 확인해 준다. 따라서 DMM-BSM은 X-11에서 벗어난 것이 아니라, 표본 오차를 통합한 원칙적인 베이지안 일반화로서 제시된다.

3. 추론 알고리즘:
   전체 결합 평활 사후 분포 $\pi(\alpha_{1:T} | y_{1:T})$를 전달하기 위해 **이중 블록 깁스 샘플러(two-block Gibbs sampler)**가 사용된다:

   • 블록 1 (상태 궤적): 전방 필터 후방 샘플러(Forward Filter Backward Sampler, FFBS) (Carter and Kohn, 1994; Frühwirth-Schnatter, 1994)를 사용한다. 전방 패스(forward pass)는 시간 가변적 측정 분산 $V^d_t$를 사용하여 상태를 업데이트하는 칼만 필터를 활용한다. 후방 패스(backward pass)는 평활 사후 분포로부터 전체 상태 궤적을 결합하여 추출한다.
   • 블록 2 (하이퍼파라미터): 블록 1에서 추출된 상태 궤적에 조건부로, 분산 하이퍼파라미터($\sigma^2_\xi, \sigma^2_\omega, \sigma^2_u$)와 회귀 계수($\beta$)를 공액 역감마(conjugate inverse-gamma) 및 정규 완전 조건부 분포를 사용하여 업데이트한다.
   • 시스템 행렬이 고정되어 있기 때문에, 샘플러는 메트로폴리스 단계가 없는 "순수 깁스(pure Gibbs)" 방식이다.

주요 기여

1. BSM 전파: 스칼라 AR(1) 역학을 12차원 BSM으로 대체하여, 베이지안 프레임워크 내에서 추세와 계절적 역학을 분리할 수 있게 한다.
2. 표본 오차 통합: 칼만 필터 측정 방정식에 시간 가변적 표본 분산 $V^d_t$를 명시적으로 모델링한다. 칼만 이득(Kalman gain)은 구조적 예측에 비해 높은 CV를 가진 관측치의 가중치를 자동으로 낮추는데, 이는 X-11에는 없는 메커니즘이다.
3. 정확한 움직임 추론: FFBS 깁스 샘플러를 통해 폐쇄형 유도(closed-form derivation) 없이도 $k$-단계 추세 움직임($\Delta^{(k)}_t = L_t - L_{t-k}$)에 대한 교정된 베이즈 구간(Calibrated Bayes Intervals, CBIs) 및 방향성 변화의 사후 확률($P(\Delta_t > 0 | y_{1:T})$)을 직접 계산할 수 있다.
4. 검증된 커버리지 우월성: 시뮬레이션 연구는 DMM-BSM이 X-11-등가 모델(BSM with $V_t=0$)보다 실증적 커버리지가 상당히 높음을 입증하며, 특히 높은 CV를 가진 작은 도메인에서 그러하다.

실증 결과
본 프레임워크는 두 개의 도메인(호주 전체(AU, 대규모 도메인, 평균 CV 0.38%) 및 호주 수도 준주(ACT, 소규모 도메인, 평균 CV 1.62%))에 대한 호주 통계청(ABS) 노동력 조사(전업 고용)의 120개월 데이터를 적용하였다.

• 추세 추정치: 대규모 도메인(AU)에서 DMM-BSM 추세는 X-11 추세를 밀접하게 추종하며, 이는 Harvey–Todd 등가성을 확인시켜 준다. 소규모 도메인(ACT)에서 DMM-BSM은 높은 CV 기간(예: COVID-19 혼란기) 동안 더 넓은 신용 구간을 생성하여 증가된 불확실성을 올바르게 반영하는 반면, X-11은 불확실성 척도를 제공하지 못한다.
• 계절적 분산: DMM-BSM의 확률적 계절 분산($\sigma^2_\omega$)에 대한 최대 가능도 추정(MLE)은 0으로 수렴(경계 해)한다. 이는 발표된 시계열에서 나타나는 겉보기 계절적 변동이 진정한 확률적 계절 드리프트보다는 주로 측정 노이즈에 기인함을 시사한다. 이와 대조적으로, X-11-등가 모델은 측정 노이즈 채널의 부재를 보완하기 위해 $\sigma^2_\omega$를 (573명까지) 부풀린다.
• 커버리지 성능:
  • AU (대규모 도메인): DMM-BSM은 추세 수준에 대해 94.6%, 추세 변화에 대해 94.5%의 커버리지를 달ей(명목적 95%에 근접). X-11-등가 모델은 각각 78.8%와 64.3%만을 달성했다.
  • ACT (소규모 도메인): DMM-BSM은 86.7%(추세 수준) 및 82.1%(추세 변화)를 달성했다. 명목치에는 미치지 못하지만, X-11-등가 모델의 68.2% 및 50.8%에 비해 상당한 개선이다. 논문은 짧고 신호 대 잡음비가 낮은 시계열에서 분산 매개변수를 추정하는 어려움을 이 잔여 격차의 원인으로 꼽았으며, 편향이 보수적(구간은 유효하지만 필요 이상으로 넓을 수 있음)이라고 언급했다.

의의
본 논문은 DMM-BSM이 기존 관행에 대한 "원칙적인 베이지안 일반화"를 제공한다고 주장한다. 주요 의의는 설문 추정치를 정확한 것으로 취급하는 구조적 결함을 교정하는 데 있다. 표본 분산을 포함함으로써, 이 방법은 추세 필터가 표본 노이즈를 "쫓아가는" 현상을 방지하며, 이는 표준 X-11 접근 방식에서 과도하게 확신에 찬 부정확한 구간을 초래한다. 이 프레임워크는 국가통계기관에 추세 움직임 및 방향성 확률에 대한 모델 조건부 불확실성 정량화를 제공하며, 이는 현재 표준 계절 조정 도구에서는 구할 수 없는 출력값이다. 표본 오차가 적절히 모델링될 때 확률적 계절 분산이 0으로 수렴한다는 실증적 발견은, 설문 데이터의 계절적 변동의 본질(진정한 드리프트와 측정 노이즈의 구분)에 대한 새로운 관점을 제시한다.