자기회귀 모델의 DFA 분석: 상관 지수와 상호작용 상수의 관계

초록

본 연구는 1차 및 2차 자기회귀(AR) 모델에 대해 Detrended Fluctuation Analysis(DFA)를 적용하여, AR 계수와 DFA에서 얻어지는 상관 지수(α) 사이의 정량적 관계를 규명한다. AR(1)에서는 상호작용 상수 φ와 α가 지수적으로 연결되며, φ가 클수록 짧은 구간의 상관이 강해진다. AR(2)에서는 인접(φ₁)과 먼 거리(φ₂) 상호작용이 각각 상관 지수와 상관 구간에 미치는 영향을 분석한다. 1000점 길이의 시뮬레이션 데이터를 통해 AR 모델을 DFA 플롯만으로 식별하거나 구분할 수 있는 실용적 기준을 제시한다.

상세 분석

본 논문은 전통적으로 장기 상관을 탐지하기 위해 고안된 Detrended Fluctuation Analysis(DFA)를 짧은 기억을 갖는 자기회귀(AR) 과정에 적용함으로써, DFA가 단순히 비정상성(non‑stationarity) 여부를 판단하는 도구를 넘어, 다양한 시간 척도에서의 상관 구조를 정량화할 수 있음을 보여준다. 먼저 1차 AR 모델, AR(1): xₜ = φ xₜ₋₁ + εₜ(εₜ는 백색 잡음) 에 대해 1000개의 시계열을 생성하고, 각 시계열에 대해 4~1000 구간 길이에서 DFA를 수행하였다. 로그‑로그 플롯에서 기울기 α는 전형적인 0.5(백색 잡음)에서 φ가 증가함에 따라 0.5 ~ 1.0 사이로 상승했으며, φ와 α 사이의 관계는 α = 0.5 + A·(1 – e^{–B·φ}) 형태의 지수함수로 근사되었다. 여기서 A와 B는 시뮬레이션 조건(시계열 길이, 차분 차수 등)에 따라 달라지는 보정 상수이다. 이 결과는 φ가 클수록 인접 시점 간 의존성이 강해져, DFA가 감지하는 “짧은 구간” 상관이 증가한다는 직관과 일치한다.

다음으로 2차 AR 모델, AR(2): xₜ = φ₁ xₜ₋₁ + φ₂ xₜ₋₂ + εₜ을 고려한다. φ₁은 인접 시점(1‑lag) 상호작용, φ₂는 두 번째 시점(2‑lag) 상호작용을 의미한다. 실험에서는 φ₁을 고정하고 φ₂를 양·음의 다양한 값으로 변동시켰다. 양의 φ₂(예: +0.2)는 α를 전반적으로 상승시킬 뿐 아니라, DFA 플롯에서 기울기가 일정하게 유지되는 구간(즉, 상관이 지속되는 스케일)도 확대시켰다. 반면 음의 φ₂(예: –0.2)는 α를 크게 변화시키지는 않지만, 상관이 유지되는 구간을 급격히 축소시켜, 플롯이 빠르게 0.5에 수렴하도록 만들었다. 이는 먼 거리(2‑lag) 양의 상호작용이 시스템에 추가적인 “장기” 기억을 부여해 상관 범위를 넓히는 반면, 음의 상호작용은 상쇄 효과를 일으켜 효과적인 기억 길이를 단축시킨다.

또한, 논문은 시계열 길이가 1000점이라는 중·장기( medium‑long) 규모에서도 충분히 안정적인 α 추정이 가능함을 확인하였다. 시계열 길이가 짧을 경우(예: N < 200) α의 분산이 크게 증가해 모델 구분이 어려워지지만, N ≈ 1000이면 φ와 α 사이의 지수 관계가 통계적으로 유의미하게 드러난다.

이러한 결과는 두 가지 실용적 함의를 가진다. 첫째, 실험 데이터나 자연 현상에서 DFA 플롯만을 관찰했을 때, 플롯이 지수적으로 상승하는 구간과 그 기울기를 통해 해당 데이터가 AR(1) 모델에 근접한지, 혹은 AR(2)와 같은 고차 모델을 필요로 하는지를 사전 판단할 수 있다. 둘째, φ₁과 φ₂의 부호·크기에 따라 상관 지수와 상관 구간이 어떻게 변하는지를 정량적으로 예측함으로써, 복합적인 메모리 구조를 갖는 시스템(예: 심장 박동, 기후 변동, 금융 시계열)에서 잠재적인 AR 파라미터를 역추정하는 기반을 제공한다.

요약하면, DFA는 장기 상관 탐지 도구를 넘어, 짧은 기억을 가진 AR 과정의 파라미터 추정 및 모델 구분에 유용한 정량적 메트릭을 제공한다는 점에서 기존 DFA 활용 범위를 크게 확장한다.