블록 부트스트랩 신뢰구간 정확도 향상

1. 서론에서는 블록 부트스트랩이 의존 데이터에 대한 비모수적 추론 도구로 널리 쓰이지만, 두 번째 차수 정확도(coverage error O(n⁻²ᐟ³))를 달성하려면 복잡한 Studentizing이나 강력한 모델 가정이 필요하다는 기존의 한계를 지적한다. 특히, 블록을 무작위로 이어 붙이는 과정에서 발생하는 ‘경계 효과’와 블록 길이 선택의 어려움이 실무 적용을 저해한다는 점을 강조한다. 2. 방법론에서는 두 단계의 블록 부트스트랩을 정의한다. 첫 번째 레벨에서는 길이 ℓ인 겹침 블록을 무작위 복원추출해 시계열 X*를 만든다. 두 번째 레벨에서는 X* 내부에서 길이 k(≤ℓ)인 서브 블록을 다시 복원추출해 X**를 만든다. 이때 ℓ와 k는 각각 n의 1/3 차수와 그 절반 비율로 설정한다. 두 레벨 모두 동일한 블록 재배열 방식을 사용해 경계 효과를 최소화한다. 3. 커버리지 보정(Calibration) 절차는 2차 부트스트랩 분포 G**의 1−α 분위수를 구하고, 이를 이용해 명목 수준 α를 조정한 ˆα를 찾는다. 최종 신뢰구간은 기존 I(α)에서 ˆα를 대입한 형태이다. 4. Bootstrap Studentization 절차는 1차 부트스트랩 통계량의 조건부 표준편차 τ̂와 2차 부트스트랩에서 얻은 τ*를 각각 Monte‑Carlo 시뮬레이션으로 추정한다. 표준화된 통계량 J*의 1−α 분위수를 사용해 신뢰구간 I_S(α)=θ̂−n⁻¹ᐟ² τ̂ J*⁻¹(1−α) 를 구성한다. 5. 이론적 결과는 Götze‑Hipp 조건(A1‑A5)을 전제로 Edgeworth 전개를 수행한다. 정리 1은 I(α)의 커버리지 확률을 α + ℓ⁻¹·C₁ + ℓn⁻¹·C₂ + O(ℓ⁻²+ℓn⁻¹) 형태로 전개하고, ℓ∝n¹ᐟ³이면 오차가 O(n⁻¹ᐟ³)임을 보여준다. 이어서 ℓ와 k를 적절히 선택(k=ℓ/2)하면 I_C(α)와 I_S(α)의 커버리지 오차가 α + O(k⁻² + ℓn⁻¹) = α + O(n⁻²ᐟ³) 로 감소함을 증명한다. 또한 두 방법이 확률적 차원에서 O_p(k⁻² n⁻¹ᐟ² + ℓn⁻³ᐟ²) 만큼 동등함을 제시한다. 6. 시뮬레이션에서는 (i) 평균 추정, (ii) 자기상관계수, (iii) AR(1) 회귀계수 등 세 가지 통계량에 대해 n=100,200,500,1000인 경우를 실험한다. 비교 대상은 (a) 전통적인 블록 부트스트랩, (b) 부트스트랩‑t, (c) 제안된 I_C와 I_S이다. 결과는 I_C와 I_S가 특히 n이 작을 때도 목표 커버리지(95%)에 가장 가깝게 도달하며, 부트스트랩‑t는 Studentizing 추정이 불안정해 오차가 크게 늘어나는 경우가 있음을 보여준다. 7. 결론에서는 두 가지 이중 부트스트랩 방법이 복잡한 분석적 Studentizing 없이도 블록 부트스트랩 신뢰구간을 2차 정확도로 끌어올릴 수 있음을 강조한다. ℓ∝n¹ᐟ³, k=ℓ/2라는 간단한 규칙만으로 실무 적용이 가능하며, 이는 시계열, 공간, 금융 데이터 등 다양한 의존 구조를 가진 분야에 즉시 활용될 수 있다. 향후 연구로는 비정상성, 고차원 데이터, 그리고 자동 블록 길이 선택 알고리즘과의 결합을 제시한다.