비대칭 및 극단 의존성을 고려한 단계별 코퓰라 구축

서론에서는 1960년대 이후 Gumbel, Plackett, Mardia 등이 제시한 코퓰라 이론의 발전과, 특히 frailty 변수를 이용한 혼합 방법이 다양한 연구에서 활용되어 왔음을 언급한다. 기존 방법은 대칭적 구조에 머무르는 경우가 많아, 해양학·금융 등에서 관찰되는 비대칭 의존성을 충분히 반영하지 못한다는 문제점을 제시한다. 이를 해결하기 위해 저자는 사전 지식, 즉 변수 간 순서 관계와 극단 의존성 존재 여부를 모델에 직접 반영하는 절차를 제안한다. 방법론에서는 먼저 Sklar 정리를 통해 마진과 의존성을 분리하는 기본 틀을 재정리한다. 이후 비대칭성을 도입하는 Khoudraji 절차를 설명한다. 두 개의 대칭 코퓰라 C1, C2에 대해 C(u,v)=u^{θ}v^{δ}C2(u^{1-θ},v^{1-δ}) 형태로 비대칭 파라미터 θ, δ를 삽입한다. 이때 θ=δ=1이면 원래 대칭 코퓰라가 복원된다. 비대칭 적용 후에도 C2가 극값 코퓰라이면 상위 꼬리 의존성 λ는 감소하지만 사라지지는 않는다. 다음으로 최소 의존성을 추가하기 위해 frailty 혼합 모델을 도입한다. 양변을 조건부 독립으로 가정하고, 양의 랜덤 변수 Z의 라플라스 변환 ϕ^{-1}를 이용해 Ĉ(u,v)=∫C(u^{z},v^{z})dG(z) 형태의 새로운 코퓰라를 만든다. Z가 감마 분포이면 클레이턴 코퓰라와 동일한 형태가 되며, Z의 파라미터 β가 0이면 최소 의존성이 없고, β>0이면 하위 꼬리 의존도가 증가한다. 굼벨 코퓰라에 동일 절차를 적용하면 하위 꼬리 의존성 λ=2-2^{1/β} 로 표현된다. 세 가지 기본 코퓰라(Plackett, 서바이벌 클레이턴, 굼벨)를 선택하고, 각각에 대해 (1) 기본 모델, (2) 비대칭 파라미터를 추가한 모델, (3) 비대칭과 최소 의존성 파라미터를 모두 포함한 모델을 구축한다. 각 모델은 파라미터 수가 1→2→3으로 증가하며, 이는 단계적 복잡도 상승을 의미한다. 시뮬레이션 절차는 두 단계로 구성된다. 첫 번째 단계에서는 기본 코퓰라 혹은 비대칭 코퓰라에서 (U,V) 쌍을 샘플링하고, 두 번째 단계에서는 frailty 변수 Z를 샘플링해 최종 (U^{Z},V^{Z})를 얻는다. 굼벨 코퓰라의 경우 Lee의 로지스틱 극값 샘플링을 변형해 T=ϕ(U)/(ϕ(U)+ϕ(V))가 균등분포임을 이용한다. 조건부 분포의 역함수를 이용한 샘플링은 수치적 근사법을 필요로 한다. 추정 방법은 IFM(마진 추정 후 코퓰라 최대우도) 전략을 사용한다. 마진은 높은 임계값 위에서는 일반화 파레토 분포(GPD), 이하에서는 경험적 분포를 적용해 반반비모수적 접근을 취한다. 코퓰라 파라미터는 로그우도 함수를 수치 최적화로 최대화한다. 모델 간 비교는 동일 계열 내에서는 우도비 검정(LRT)으로 비대칭 파라미터 θ=1, 최소 의존성 파라미터 β=0 가설을 검정하고, 서로 다른 계열 간에는 BIC를 사용한다. BIC는 -2·로그우도+k·log(n) 형태로 계산된다. 실증 분석에서는 해양 부표 데이터(파고와 파주기)를 사용한다. 데이터 전처리 후 마진을 GPD와 경험적 분포로 모델링하고, 세 가지 코퓰라와 그 확장 모델을 적합한다. 결과는 비대칭 파라미터 δ가 1보다 작게 추정되어 비대칭이 존재함을, 최소 의존성 파라미터 β가 0이 아니며 유의미하게 추정되어 하위 꼬리 의존성이 존재함을 보여준다. BIC 값은 비대칭+최소 의존성 모델이 가장 낮아 최적 모델로 선정되며, LRT 결과도 비대칭과 최소 의존성 모두 통계적으로 유의함을 확인한다. 최종적으로 추정된 α 파라미터를 이용해 상위 꼬리 의존성 λ를 계산하고, δ와 β의 표준오차를 delta-method 로 구해 신뢰구간을 제공한다. 결론에서는 사전 지식 기반의 단계적 코퓰라 구축이 비대칭과 극단 의존성을 동시에 반영하면서도 파라미터 해석이 직관적이며, 통계적 검정과 모델 선택이 가능함을 강조한다. 또한 제시된 시뮬레이션 및 추정 절차는 다른 분야에서도 적용 가능함을 제안한다.