이질적 표본을 위한 희소 공분산 추정

초록

본 논문은 관측치가 이질적인 집단에서 발생하는 경우를 고려하여, 무한 혼합 가우시안 그래픽 모델(GGM)과 무한 히든 마코프 모델(HMM) 기반 GGM을 제안한다. 각 클러스터마다 별도의 조건부 독립 구조를 학습함으로써, 데이터 내 숨겨진 서브팝을 자동으로 탐지하고, 희소한 공분산 행렬을 효율적으로 추정한다. 실증 분석으로는 유로 도입 이전의 환율 변동을 사용해 모델의 유연성과 실용성을 입증한다.

상세 요약

이 논문은 전통적인 가우시안 그래픽 모델(GGM)이 모든 관측치에 동일한 조건부 독립 구조를 가정한다는 한계를 지적한다. 실제 데이터는 종종 이질적인 하위 집단으로 구성되며, 이러한 경우 단일 GGM은 비선형 관계와 구조적 변이를 포착하지 못한다. 이를 해결하기 위해 저자는 두 가지 무한 차원의 베이지안 모델을 도입한다. 첫 번째는 디리클레 프로세스(DP) 기반의 무한 혼합 GGM이다. 각 혼합 성분은 자체적인 그래프 구조와 공분산 행렬을 갖으며, DP가 클러스터 수를 자동으로 조절한다는 점에서 모델 선택 문제가 자연스럽게 해결된다. 두 번째는 무한 히든 마코프 모델(HMM)으로, 시간에 따라 변하는 숨은 상태를 GGM으로 표현한다. 이는 시계열 데이터에서 구조적 전이와 비정상성을 포착하는 데 유리하다.

통계적 추론은 부분적 베이지안 방법을 활용한다. 공분산 행렬에 대한 G-Wishart 사전분포를 채택해 희소성을 유도하고, 그래프 구조는 사전적으로 지정된 edge 포함 확률을 통해 샘플링한다. MCMC 알고리즘은 Gibbs 샘플링과 Metropolis–Hastings 단계를 결합해 클러스터 할당, 그래프 구조, 그리고 공분산 파라미터를 순차적으로 업데이트한다. 특히, 무한 혼합 모델에서는 Chinese Restaurant Process(CRP) 메커니즘을 이용해 새로운 클러스터를 생성하거나 기존 클러스터에 할당하는 확률을 계산한다.

모델의 실용성을 검증하기 위해 저자는 1990년대 초반부터 1999년까지의 유럽 주요 통화 환율 데이터를 사용한다. 유로 도입 이전의 환율은 정책 변화, 시장 기대감, 경제 충격 등에 따라 급격히 변동했으며, 이는 단일 GGM으로는 설명하기 어려운 복합적인 구조를 가진다. 무한 혼합 GGM은 데이터가 자연스럽게 3~4개의 서브팝으로 분리된다는 것을 발견했으며, 각 서브팝은 서로 다른 조건부 독립 그래프를 보여준다. 예를 들어, 독일 마르크와 프랑스 프랑 사이의 직접적인 연결이 강하게 나타나는 클러스터와, 영국 파운드와 이탈리아 리라 사이의 연결이 약한 클러스터가 구분된다. 무한 HMM은 시간에 따라 그래프 구조가 전이하는 패턴을 포착했으며, 특히 1992년 마스트리히트 협정 이후와 1997년 아시아 금융 위기 전후에 그래프가 급격히 변하는 현상을 포착했다.

이러한 결과는 두 모델 모두 데이터 내 이질성을 효과적으로 식별하고, 각 하위 집단에 맞는 희소 공분산 구조를 제공한다는 점에서 큰 의미가 있다. 또한, DP와 HMM이라는 무한 차원 베이지안 프레임워크를 활용함으로써 사전적인 클러스터 수 지정 없이도 모델 복잡도를 자동 조절한다는 장점이 있다. 그러나 계산 비용이 높은 MCMC 샘플링과 G‑Wishart 정규화 상수 계산의 어려움은 실용적 적용에 있어 여전히 과제로 남는다. 향후 연구에서는 변분 추정법이나 스파스 그래프 구조를 위한 효율적인 사전 설계가 필요할 것으로 보인다.