극단적인 데이터 손실이 장기 상관 및 반상관 신호의 DFA 스케일링에 미치는 영향

초록

본 연구는 DFA(Detrended Fluctuation Analysis)를 이용해 장기 상관(long‑range correlated)과 반상관(anti‑correlated) 신호에 대해 데이터가 무작위로 크게 손실될 경우 스케일링 지수가 어떻게 변하는지를 체계적으로 조사한다. 원본 신호의 DFA 지수 α, 손실 비율 p, 평균 손실 구간 길이 μ, 구간 길이 분포 형태 네 가지 변수를 조절한 서러게이트 신호를 생성하고, 전역 및 지역 스케일링 변화를 분석한다. 결과는 양의 상관 신호는 최대 90 %까지 데이터가 사라져도 전역 α가 거의 변하지 않지만, 반상관 신호는 아주 작은 손실(10 % 이하)만으로도 무상관(α≈0.5)으로 전이한다는 점을 보여준다. 또한 지역 스케일링에서는 반상관 신호가 큰 스케일에서 급격히 변하고, 양의 상관 신호는 중간까지는 변하지 않으며, 손실 비율이 65 %를 초과하면 작은 스케일에서 과대평가, 큰 스케일에서 과소평가되는 특성을 보인다.

상세 요약

이 논문은 DFA가 비정상적이거나 결측이 많은 시계열 데이터에서도 신뢰할 수 있는 스케일링 지표를 제공하는지를 검증하기 위해, 인위적으로 데이터 구간을 제거하는 ‘세그멘테이션’ 방법을 도입하였다. 원본 신호는 1차 차분을 통해 정상성을 확보한 뒤, 다양한 α(0.3~1.2) 값을 갖는 장기 상관 및 반상관 시계열을 생성한다. 이후, 전체 데이터의 p %를 무작위로 선택된 구간(길이 L)만큼 제거하거나 보존하는 방식으로 서러게이트 데이터를 만든다. 구간 길이 L은 평균 μ와 분포 형태(지수, 파워‑law, 균등 등)로 정의되며, 이는 실제 실험 데이터에서 관찰되는 결측 구간의 통계와 유사하게 설계되었다.

전역 스케일링 분석에서는 DFA 로그‑로그 플롯 전체 구간에 대해 직선 피팅을 수행해 α_global을 추정한다. 결과는 양의 상관(α>0.5) 신호가 p가 0.9에 달해도 α_global이 원본과 거의 동일함을 보여준다. 이는 장기 상관 구조가 데이터가 산발적으로 사라져도 전체적인 자기상관성을 유지한다는 의미이다. 반면, 반상관(α<0.5) 신호는 p가 0.1 이하일 때도 α_global이 0.5에 수렴하며, 이는 데이터 손실이 반상관 특유의 부정적 상관을 파괴하고 무상관 상태로 전이함을 시사한다.

지역 스케일링(α_local) 분석에서는 윈도우 크기 n을 변화시키며 DFA 기울기를 구간별로 측정한다. 반상관 신호는 10 % 이상의 손실이 발생하면 큰 n(>10³) 구간에서 α_local이 급격히 상승해 0.5에 근접한다. 이는 장기적인 반상관 구조가 손실된 구간 사이에 ‘빈칸’이 삽입되면서 평균적인 변동 폭이 증가하기 때문이다. 양의 상관 신호는 p≤0.65까지는 α_local이 거의 변하지 않지만, p>0.65에서는 작은 n 구간에서 α_local이 과대(α>원본)되고, 큰 n 구간에서는 과소(α<원본)되는 비대칭 패턴이 나타난다. 이는 짧은 구간에서는 남은 데이터가 연속적으로 연결돼 강한 상관을 과대평가하고, 긴 구간에서는 결측 구간이 늘어나 평균 상관이 희석되기 때문이다.

또한, 구간 길이 분포가 지수형일 때와 파워‑law형일 때의 차이를 비교했을 때, 파워‑law 분포(긴 구간이 드물게 존재)에서는 동일한 p와 μ에도 불구하고 α_local의 변동폭이 더 크게 나타난다. 이는 긴 결측 구간이 존재하면 DFA가 해당 구간을 ‘트렌드’로 오인해 스케일링 추정에 큰 편향을 일으키기 때문이다.

실제 데이터 적용 사례로는 인간 보행 시계열(보폭 간격)과 원자재 가격 변동을 사용했다. 보행 데이터는 양의 상관(α≈0.9)을 보였으며, 80 %까지 인위적 결측을 삽입해도 전역 α가 변하지 않았다. 반면, 원자재 가격은 반상관(α≈0.4) 특성을 보여 5 % 수준의 결측만으로도 α가 0.5에 수렴, 무상관으로 변했다. 이러한 실증 결과는 논문의 시뮬레이션 결과와 일치한다.

종합하면, 장기 상관 신호는 데이터 손실에 강인한 반면, 반상관 신호는 결측에 매우 민감하다. 따라서 실험·관측 데이터에서 결측이 존재할 경우, 신호의 기본 상관 유형을 먼저 판단하고, 필요시 결측 구간을 보간하거나 다른 비선형 분석 방법을 병행하는 것이 바람직하다.