희소 벡터 자기회귀 모델링

초록

본 논문은 다변량 시계열의 차원 증가에 따른 VAR 모형의 파라미터 폭증 문제를 해결하기 위해, 부분 스펙트럴 코히런스(PSC)를 이용한 2단계 변수 선택 절차를 제안한다. 1단계에서는 PSC와 BIC를 결합해 조건부 상관이 없는 변수쌍을 사전 제거하고, 2단계에서는 t‑비율과 BIC를 활용해 남은 파라미터를 추가적으로 정제한다. 시뮬레이션 및 실제 데이터(구글 독감 트렌드, 대기오염)에서 Lasso‑VAR 대비 추정 정확도와 예측 성능이 우수함을 보인다.

상세 분석

이 연구는 고차원 VAR 모형에서 발생하는 “파라미터 폭발” 현상을 완화하기 위해, 주파수 영역에서 정의되는 부분 스펙트럴 코히런스(Partial Spectral Coherence, PSC)를 핵심 도구로 삼는다. PSC는 특정 두 시계열이 나머지 K‑2 차원의 시계열을 조건으로 할 때, 잔차 시계열 간의 교차 스펙트럼을 정규화한 값으로, gY(ω)=fY(ω)⁻¹(역 스펙트럼 밀도 행렬)의 비대각 원소가 0이면 해당 변수쌍이 조건부 독립임을 의미한다. 저자는 이 특성을 이용해 모든 (K·(K‑1)/2) 변수쌍에 대해 PSC를 비파라메트릭하게 추정하고, 각 쌍에 대해 supω|PSĈij(ω)|² 를 요약 통계량 ˆSij 로 정의한다. ˆSij 가 큰 순서대로 변수쌍을 정렬한 리스트 Q1을 만든 뒤, BIC(베이즈 정보 기준)를 사용해 두 개의 하이퍼파라미터(p, M)—즉, VAR 차수와 선택할 상위 M개의 변수쌍—를 동시에 최적화한다. 이 과정에서 선택된 M개의 변수쌍에 대해 모든 시차 k=1…p에 걸쳐 AR 계수를 자유롭게 추정하고, 나머지 쌍은 해당 계수를 0으로 고정한다(그룹 선택).

1단계는 조건부 독립성을 기반으로 큰 차원의 파라미터 공간을 급격히 축소하지만, PSC 추정의 샘플 변동성으로 인해 일부 거짓 양성(조건부 상관이 없지만 PSĈ가 크게 나타나는 경우)이 포함될 수 있다. 이를 보완하기 위해 2단계에서는 기존 1단계 모델을 초기값으로 삼아, 각 AR 계수의 t‑비율을 계산하고, 다시 BIC를 최소화하는 방향으로 추가적인 변수 제거를 수행한다. 이 단계는 실제 회귀 계수의 통계적 유의성을 검증함으로써, 과도한 선택을 억제하고 모델의 파라미터 수를 더욱 감소시킨다.

제안된 방법은 기존 Lasso‑VAR 접근법과 비교했을 때 몇 가지 장점을 가진다. 첫째, Lasso는 회귀 설계 행렬을 단순히 현재값을 종속변수, 과거값을 독립변수로 하는 선형 회귀 형태로 변환하면서 시계열 의존성을 무시한다는 비판이 있다. 반면, PSC 기반 방법은 주파수 영역에서 직접 조건부 상관을 평가하므로 시계열 구조를 보존한다. 둘째, Lasso는 차수(p)와 정규화 파라미터 λ를 별도로 선택해야 하는데, 과도한 차수 선택(over‑selection) 경향이 보고된 바 있다. 여기서는 BIC가 차수와 변수쌍 수를 동시에 최적화하므로, 차수 선택이 보다 데이터‑주도적으로 이루어진다. 셋째, 계산 복잡도 측면에서 PSC는 전체 역 스펙트럼 행렬을 한 번만 계산하면 모든 변수쌍의 조건부 상관을 얻을 수 있어, K가 수백 수준일 때도 효율적이다.

하지만 몇 가지 한계도 존재한다. PSC는 Gaussian 가정에 기반한 이론적 해석을 제공하지만, 실제 비정규 데이터에 대해서는 quasi‑likelihood 해석에 의존한다. 또한, PSC가 0이 아닌 경우에도 실제 VAR 계수가 0일 가능성이 존재한다(PSC와 AR 계수 사이의 직접적인 일대일 대응이 보장되지 않음). 저자는 이를 2단계 정제 과정으로 완화하려 하나, 이론적 보장은 부족하다. 마지막으로, 역 스펙트럼 행렬의 추정은 고차원에서 정규화(예: shrinkage) 없이 수행하면 수치적 불안정성을 초래할 수 있다. 향후 연구에서는 정규화된 스펙트럼 추정기와 PSC 기반 선택의 통계적 일관성을 동시에 확보하는 방안을 모색할 필요가 있다.