exdqlm: An R Package for Estimation and Analysis of Flexible Dynamic Quantile Linear Models

기술 요약: exdqlm: 유연한 동적 분위 선형 모델의 추정 및 분석을 위한 R 패키지

문제 정의
분위 회귀(Quantile Regression)는 정적 모델링을 위한 표준적인 도구이지만, 동적 분위 방법론과 그에 수반되는 소프트웨어는 여전히 제한적이다. 기존의 베이지안 접근 방식은 종종 비대칭 라플라스(Asymmetric Laplace, AL) 분포를 가능도(Likelihood)로 사용하는데, 이는 체크 손실 함수(Check-loss function)와 연결되지만 오차 분포에 대한 제한적인 가정을 부과한다. 반대로, 더 유연한 비모수적 오차 모델은 동적 상태 공간 모델(Dynamic State-space models)이나 긴 시계열 데이터에 적용하기에는 계산적으로 매우 부담스럽다. 또한, 일반적인 분위 회귀 패키지(예: quantreg, bayesQR)는 시간을 관측된 예측 변수나 시차(Lag)로 취급할 뿐, 계수를 잠재 상태(Latent states)로 전파하지는 않는다. 반면, 일반적인 상태 공간 패키지(예: dlm)는 가우시안 가능도에 집중하며 전용 분위 워크플로우가 결여되어 있다. 이로 인해 광범위한 분위 도구와 가우시안 동적 모델링 소프트웨어 사이에, 즉 동적 분위 상태 공간 모델을 위한 전용 베이지안 워크플로우가 필요한 공백이 존재한다.

방법론
본 논문은 **확장 동적 분위 선형 모델(Extended Dynamic Quantile Linear Models, exDQLMs)**을 구현하는 exdqlm R 패키지를 소개한다. 핵심 방법론적 구성 요소는 다음과 같다:

1. 확장 비대칭 라플라스(Extended Asymmetric Laplace, exAL) 가능도: 본 패키지는 표준 AL 분포의 파라메트릭 확장인 exAL 분포(Yan, Zheng, and Kottas, 2025)를 활용한다. exAL은 잠재 변수($v_t$ 및 $s_t$)를 포함하는 혼합 표현(Mixture representation)을 통해 계산상의 이점을 유지하면서도, 왜도(Skewness) 파라미터 $\gamma$를 통해 제한적인 가정을 완화한다. 관측 방정식은 $y_t = F_t^\top \theta_t + \epsilon_t$로 정의되며, 여기서 $\epsilon_t \sim \text{exAL}_{p_0}(0, \sigma, \gamma)$이고, 상태 진화는 가우시안 혁신(Gaussian innovations)을 따르는 $\theta_t = G_t \theta_{t-1} + \omega_t$를 따른다.
2. 추론 알고리즘: 패키지는 두 가지 주요 추론 엔진을 제공한다:
   • MCMC: 잠재 변수 시퀀스, 동적 상태(전방 필터링-후방 샘플링을 통해), 척도(Scale) 및 왜도 파라미터를 업데이트하는 깁스 샘플링 루틴(exdqlmMCMC)을 제공한다. 이는 슬라이스 샘플링(Slice sampling)과 메트로폴리스-헤이스팅스 커널을 지원한다.
   • 라플라스-델타 변분 베이즈(Laplace–Delta Variational Bayes, LDVB): Wang과 Blei(2013)의 비공액 변분 전략에 기반한 빠른 근사 추론 루틴(exdqlmLDVB)이다. 이는 평균장 분해(Mean-field factorization)와 블록별 좌표 상승법(Blockwise coordinate ascent)을 채택한다. 비공액 조인트 척도-왜도 블록은 변환된 좌표상에서 라플라스-델타 방법을 사용하여 근사되며, 결정론적 수렴 모니터링과 근사적 불확실성 요약을 제공한다.
3. 모델 확장:
   • 전달 함수(Transfer Functions): 지수적 감쇄율 $\lambda$를 통해 응답 분위에 대한 현재 및 시차 입력 효과를 모델링하기 위한 전달 함수 상태 증강(State augmentation)을 지원한다.
   • 정적 회귀(Static Regression): 정적 exAL 및 AL 회귀를 수축 사전 분포(특히 Nishimura–Suchard 정규화 허스호이(Horseshoe) 사전 분포)와 함께 특수 사례로서 처리한다.
   • 사후 합성(Posterior Synthesis): quantileSynthesis() 함수는 별도로 적합된 분위 수준들로부터 얻은 사후 예측 추출값을 결합하여 하나의 일관된 분포를 생성하며, 필요한 경우 단조성 보정(Monotonicity corrections)을 적용한다.

주요 기여
본 논문의 주요 기여는 소프트웨어 중심적이며, 동적 및 정적 분위 분석을 지정, 적합, 진단 및 예측하기 위한 통합된 워크플로우를 제공하는 것이다. 구체적인 기여는 다음과 같다:

• 추세, 계절성, 회귀 및 전달 함수 구성 요소를 위한 조립 가능한 모델 구축 인터페이스.
• MCMC와 변분 추론(LDVB 및 ISVB) 모두를 위한 통합된 추론 인터페이스.
• 적합된 모델, 예측값, 진단 객체를 위한 표준 메서드(print(), summary(), plot(), predict(), diagnostics())를 갖춘 S3 객체 워크플로우.
• 계산 집약적인 작업(예: exAL 밀도, 칼만 재귀, 사후 샘플링)을 위한 Rcpp 기반 컴파일 구현 및 이식성을 위한 R 폴백(Fallback) 제공.
• 확률 적분 변환(PIT) 분석, 보정(Calibration)을 위한 쿨백-라이블러(KL) 발산, 연속 순위 확률 점수(CRPS), 사후 예측 손실 기준(PPLC)을 포함한 진단 도구.

결과
본 논문은 네 가지 예제를 통해 패키지를 검증한다:

1. Lake Huron: 동적 모델 구축, MCMC 추론, 다단계 예측, 그리고 세 가지 분위 수준(0.05, 0.50, 0.95)에 걸친 사후 예측 추출의 사후 합성 과정을 보여준다.
2. Sunspots: DQLM(고정된 $\gamma=0$)과 exDQLM(추정된 $\gamma$) 적합을 LDVB를 통해 비교한다. 이는 할인 인자(Discount factor) 선택을 위한 모델 진단(PIT, KL, CRPS)을 보여주며, LDVB의 계산 효율성을 MCMC와 비교하여 LDVB가 경쟁력 있는 예측 성능을 유지하면서도 실질적으로 훨씬 빠름을 입증한다.
3. Big Tree Water Flow: 세 가지 명세(기초 모델, 직접 회귀 모델, 전달 함수 모델)를 비교한다. 이 예제는 외부 공변량을 처리하는 워크플로우와 조건부 예측을 강조하며, 전달 함수가 어떻게 시차 기후 효과를 포착하는지 보여준다.
4. 시뮬레이션 희소 벤치마크(Simulated Sparse Benchmark): 수축 사전 분포를 사용한 정적 exAL 회귀를 평가한다. 결과는 MCMC가 더 정확한 사후 꼬리 요약을 제공하는 반면, LDVB는 희소 계수에 대해 유사한 신호 복구 능력을 보이면서도 매우 빠른 근사(7~20배 빠름)를 제공함을 나타낸다.

의의 및 범위
본 논문은 exdqlm을 일반적인 분위 회귀 소프트웨어와 가우시안 상태 공간 패키지 사이의 간극을 메우는 전문화된 도구로 위치시킨다. 본 패키지는 공동 다중 분위 추정을 위해 설계된 광범위한 범용 툴킷이나 패키지를 대체하려는 목적이 아님을 명시한다. 대신, 계수가 잠재 상태로서 전파되는 동적 분위 상태 공간 모델을 위한 전용 베이지안 워크플로우를 제공한다.

저자들은 현재의 한계점을 언급한다: 동적 모델은 한 번에 하나의 분위 수준에 대해 적합되며(합성은 사후에 수행됨), LDVB는 정확한 사후 추출값이 아닌 근사치를 제공하며(따라서 MCMC가 꼬리 행동의 참조점이 됨), 전달 함수의 시차율은 내부적으로 추정되기보다 고정되거나 그리드 선택(Grid-selected)된다. 향후 개발 방향으로는 다변량 출력 모델, 비공액 척도-왜도 블록에 대한 개선된 근사법, 비선형 동적 모델링 등이 포함된다. 본 패키지는 MIT 라이선스 하에 배포되며 CRAN에서 이용 가능하다.