원형 변수의 그랜저 인과관계 분석

초록

본 논문은 원형(위상) 변수들 사이의 인과관계를 파악하기 위해 기존 다변량 그랜저 인과성 방법을 수정하여 적용한다. 수정된 방법을 이용해 여러 종류의 쿠루모토(Kuramoto) 동기화 시스템을 분석했으며, 특히 선호 연결 네트워크와 마취 단계 전이 모델에서 정보 흐름을 정량화하였다. 결과는 원형 변수에서도 그랜저 인과성이 유용한 도구임을 보여준다.

상세 분석

그랜저 인과성은 전통적으로 선형 실수값 시계열에 적용돼 왔으며, 변수 A가 변수 B의 미래값을 예측하는 데 유의미한 정보를 제공하면 A가 B를 “그랜저 인과”한다고 정의한다. 그러나 위상과 같이 원형(0~2π) 형태를 갖는 변수에 직접 적용하면 주기성 때문에 선형 회귀가 비효율적이며, 위상 차이의 비선형성을 무시하게 된다. 저자들은 이러한 한계를 극복하기 위해 원형 변수를 복소수 형태(e^{iθ})로 변환하고, 복소수 회귀 모델에 LASSO와 같은 정규화를 결합한 다변량 인과성 측정 방식을 제안한다. 핵심 아이디어는 각 변수의 푸리에 급수를 제한된 차수까지 전개하여 실수와 허수 성분을 별도 회귀 변수로 취급함으로써, 비선형 위상 상호작용을 선형 회귀 프레임 안에 포함시키는 것이다. 또한, 다변량 상황에서 조건부 그랜저 인과성을 계산하기 위해 변수 집합 전체에 대한 잔차 분석을 수행하고, 통계적 유의성을 부트스트랩 검정으로 검증한다. 실험에서는 먼저 동질적인 전역 결합 강도를 가진 전형적인 쿠루모토 모델에 적용해, 동기화가 진행될수록 인과성 매트릭스가 점차 대칭화되는 현상을 확인했다. 이어서, 선호 연결(Preferential Attachment) 메커니즘으로 생성된 스케일프리 네트워크 위에 쿠루모토 진동자를 배치했을 때, 중심성 높은 노드가 주변 노드에 비해 높은 인과성 점수를 얻으며, 이는 네트워크 구조가 정보 흐름에 미치는 영향을 정량화한다는 점에서 의미가 크다. 마지막으로, 마취 깊이에 따라 위상 변동성이 달라지는 뇌 파 모델에 적용해, 깊은 마취 상태에서는 전역적인 인과성 감소와 특정 지역(예: 전전두엽)의 인과성 집중 현상이 관찰되었다. 이러한 결과는 원형 변수에 대한 그랜저 인과성이 신경과학적 상태 변화를 감지하는 새로운 지표가 될 가능성을 시사한다. 전체적으로, 복소수 회귀 기반의 수정된 그랜저 인과성 프레임워크는 원형 데이터의 비선형 상호작용을 포착하면서도 기존 시계열 인과성 분석의 통계적 강점을 유지한다는 점에서 학술적·실용적 기여가 크다.