숨은 마코프 전이와 혼합모델의 강건성

초록

본 논문은 전이 확률이 공변량에 의존하는 숨은 마코프 체인(HMM)으로 생성된 데이터를, 독립·동일분포(i.i.d.) 가정의 혼합모델로 추정했을 때도 관측 변수의 조건부 분포 파라미터가 일관적으로 추정될 수 있음을 증명한다. 주요 가정은 숨은 상태의 정Stationarity와 외생성 공변량이며, 이를 통해 복잡한 전이 구조를 무시해도 QML 추정량이 Kullback‑Leibler 최소화에 의해 진정한 파라미터에 수렴함을 보인다.

상세 분석

이 연구는 두 가지 모델 사이의 구조적 차이를 정량적으로 연결한다. 진짜 데이터 생성 과정(DGP)은 공변량 Zₜ에 의존하는 전이 확률 Q* (s|z,s′)를 갖는 시간비동질 마코프 체인 Sₜ와, 외생 공변량 Wₜ에 의해 영향을 받는 관측 변수 Yₜ = μ*_1(Sₜ)+γ*(Sₜ)Wₜ+σ*_1(Sₜ)U₁,ₜ 로 구성된다. 여기서 U₁,ₜ는 평균 0, 분산 1인 i.i.d. 잡음이다. 논문은 이 복잡한 구조를 무시하고, Sₜ가 i.i.d. π̄ₛ 분포를 따른다고 가정한 혼합모델 Yₜ = μ(Sₜ)+γ(Sₜ)Wₜ+σ(Sₜ)εₜ 을 설정한다. 핵심 질문은 “혼합모델이 잘못 지정되었음에도 불구하고, μ, γ, σ와 같은 조건부 평균·분산 파라미터를 일관적으로 추정할 수 있는가?”이다.

저자는 quasi‑maximum‑likelihood(QML) 접근을 사용한다. 로그우도는 관측값 Yₜ 에 대해 각 상태 s에 대한 가중합 형태인 ∑ₛπ̄ₛ p_π(Yₜ|Wₜ,s) 로 정의된다. QML 추정량 ˆθ_T는 이 로그우도를 최대화하는 θ̂이며, η_T→0인 근사 최적화 조건을 만족한다. 기존 문헌(Pouzo et al., 2022)에서 제시된 일반적인 정규성·일관성 조건을 그대로 적용하면, Kullback‑Leibler 정보 함수 H*(θ)=E*_P