함수형 데이터 비모수 분석을 위한 경험적 가능도 신뢰구간

초록

본 논문은 함수형 공변량을 갖는 비모수 회귀에서 경험적 가능도(Empirical Likelihood)를 이용해 신뢰구간을 구성하는 방법을 제시한다. 무한 차원의 상황에서도 Wilks 현상이 성립함을 증명하고, 언더스무딩이나 직접적인 편향 추정 없이도 적용 가능한 편향 보정 절차를 개발한다. 또한 부분선형 회귀 모델로 확장하여 이론적 결과와 시뮬레이션을 통해 기존의 정규 근사 기반 방법보다 우수한 성능을 확인한다.

상세 분석

본 연구는 함수형 데이터를 다루는 비모수 회귀에서 경험적 가능도(EL) 방법을 적용함으로써, 전통적인 정규 근사 기반 신뢰구간의 한계를 극복하고자 한다. 함수형 공변량 X(t)와 실수형 반응 Y 사이의 관계를 Nadaraya–Watson 형태의 커널 추정량 (\hat m(x)=\sum_i K_h(d(x,X_i))Y_i/\sum_i K_h(d(x,X_i))) 로 설정한다. 여기서 d(·,·)는 함수 간 거리, h는 밴드위스이며, 차원이 무한이므로 편향과 분산이 복합적으로 작용한다. 기존 이론에서는 편향을 억제하기 위해 언더스무딩(밴드위스 축소)이나 편향 추정이 필요했지만, 이는 실무에서 구현이 까다롭고 표본 효율성을 저하시킨다.

논문은 EL 비율 (\ell(\theta)=\sup{\prod_{i=1}^n p_i: p_i\ge0,\sum p_i=1,\sum p_i g_i(\theta)=0}) 를 정의하고, 여기서 (g_i(\theta)=K_h(d(x,X_i))(Y_i-\theta)) 로 설정한다. 라그랑주 승수를 도입해 최적화 문제를 풀면, (-2\log\ell(\theta)) 가 n→∞일 때 자유도 1의 χ² 분포에 수렴한다는 Wilks 현상을 증명한다. 핵심은 무한 차원 공간에서도 적절한 mixing 조건과 커널의 정칙성 가정 하에, 점별 평균과 분산이 충분히 수렴함을 보이는 것이다.

편향 보정은 기존의 “undersmoothing” 대신, 추정량 (\hat m(x)) 의 1차 편향 항을 직접 빼는 방식으로 구현한다. 구체적으로, (\tilde\theta=\hat m(x)-\hat b(x)) 로 정의하고, (\hat b(x)) 를 로컬 다항식 적합을 통해 비파라메트릭하게 추정한다. 이때 EL 비율에 (\tilde\theta) 를 대입하면, 편향이 제거된 통계량이 동일한 χ² 극한 분포를 유지한다는 것을 증명한다. 따라서 신뢰구간은 ({\theta: -2\log\ell(\theta)\le \chi^2_{1,1-\alpha}}) 로 간단히 구성된다.

또한 부분선형 모델 (Y_i=Z_i^\top\beta + m(X_i)+\varepsilon_i) 로 확장한다. 여기서 Z_i는 저차원 선형 설명변수이며, m(·) 은 함수형 비모수 성분이다. 두 단계 추정법을 사용해 (\beta) 를 먼저 OLS로 추정하고, 잔차에 대해 위의 EL 절차를 적용한다. 이 과정에서도 Wilks 현상이 유지되며, (\beta) 와 m(·) 에 대한 동시 신뢰구간을 제공한다.

시뮬레이션에서는 다양한 함수형 공변량 구조(예: 스무스, 급격히 변동)와 잡음 수준을 고려해, EL 기반 신뢰구간이 정규 근사 기반 구간보다 평균 길이가 짧고, 실제 커버리지 비율이 명목 수준에 더 가깝게 나타났다. 특히 표본 크기가 작을 때 EL 방법의 강건성이 두드러졌다.

이러한 결과는 함수형 데이터 분석에서 비모수 회귀 추정의 불확실성을 정밀하게 평가할 수 있는 새로운 도구를 제공한다는 점에서 학술적·실무적 의의를 가진다.