행렬형 시계열의 결측치 처리와 동적 베이지안 모델링

본 논문은 행렬‑변량 동적 선형 모델(MV‑DLM)에서 관측값의 부분적·전체적 결측이 발생했을 때, 기존의 스칼라 자유도 기반 역위시트(IW) 사전이 정보를 충분히 활용하지 못한다는 문제점을 지적한다. 이를 해결하기 위해 저자는 자유도 행렬 N (대각선 행렬)으로 확장된 수정된 역위시트 분포(MIW)를 정의하고, 이와 공액성을 유지하는 행렬‑정규(N)·MIW 결합분포를 도입한다. 첫 번째 섹션에서는 기존 MV‑DLM의 수식(1)을 재정리하고, 사전 Θ₀|Σ ∼ N_{d×p}(m₀,P₀,Σ)와 Σ ∼ IW_p(n₀,n₀S₀) 를 사용했을 때의 한계를 설명한다. 특히, 부분 결측이 있을 경우 스칼라 자유도 n_t 는 관측된 성분과 결측된 성분을 구분하지 못해 사후 공분산 추정이 왜곡된다. 두 번째 섹션에서는 MIW 분포를 수학적으로 정의한다. Lemma 1은 p(Σ)=c|Σ|^{-(v+tr(N)/(2p))} exp{-½ tr(N^{1/2}S N^{1/2} Σ^{-1})} 가 정규화된 밀도임을 증명하고, N이 대각선이면 자유도 행렬이 각 변수별로 독립적인 n_i 값을 갖게 된다. Proposition 1은 행렬‑정규 Y|Σ ∼ N_{r×p}(m,P,Σ)와 MIW Σ ∼ MIW_p(S,N,v) 의 결합분포에서 Σ|Y 역시 MIW 형태임을 보여 공액성을 확보한다. 이어서 Proposition 2는 결합분포를 적분해 얻는 새로운 행렬‑t 분포(MT)를 도출하고, 이는 기존 행렬‑t와 동일한 꼬리와 평균 구조를 가지지만 자유도 행렬 N 에 의해 조정된다. Proposition 3은 MIW의 마진 특성을 분석해, 부분 행렬 Σ₁₁ 도 MIW 형태의 사후를 유지함을 증명한다. 세 번째 섹션에서는 수정된 사전 Θ₀|Σ ∼ N_{d×p}(m₀,P₀,Σ₀)와 Σ₀ ∼ MIW_p(S₀,N₀,p) 를 채택한 새로운 MV‑DLM을 제시한다. Proposition 4는 이 모델에 대한 한 단계 예측·사후 업데이트 식을 명시한다. 핵심은 자유도 행렬 N_t 를 매 시점마다 N_{t‑1}+U_t (관측 여부를 나타내는 대각 행렬) 로 갱신하고, Σ의 스케일 행렬 S_t 도 U_t 에 의해 조정한다는 점이다. 이때 상태 평균 m_t, 공분산 P_t, 예측 오차 e_t, 예측 공분산 Q_t 는 기존 MV‑DLM과 동일한 형태를 유지하되, U_t 가 0인 성분은 자동으로 무시된다. 따라서 전체·부분 결측 상황을 동일한 재귀식으로 처리할 수 있다. 네 번째 섹션에서는 결측치가 전혀 없을 때는 U_t=I_p 가 되어 기존 West & Harrison(1997)의 알고리즘과 일치함을 확인한다. 반면, 전체 결측( U_t=0 )일 경우 사후가 사전과 동일하게 유지되며, 부분 결측( U_t 에 일부 0이 포함)일 경우 관측된 변수만이 자유도와 공분산 업데이트에 기여한다. 이를 통해 각 변수별 자유도 n_i 가 실시간으로 조정되어, 변수 간 상관관계가 약하거나 비대칭인 데이터에서도 보다 정확한 공분산 추정이 가능하다. 마지막으로, 기존 Brown et al.(1994)의 블록 자유도 방식과 비교해, MIW는 공액성을 유지하면서도 마진이 동일한 형태를 갖는 장점을 강조한다. 또한, 계산 복잡도가 O(p³) 수준으로 유지되어 실시간 모니터링 및 전문가 개입에 적합함을 논한다. 결론적으로, 본 연구는 행렬‑변량 시계열에서 결측치를 효율적으로 다루는 새로운 베이지안 프레임워크를 제시하고, 이론적 정당성과 실용적 알고리즘을 동시에 제공한다.