중복 변수와 그랜저 인과성: 정량적 분석 및 신경학적 적용

초록

본 논문은 다변량 그랜저 인과성 분석에서 변수 간 중복성이 인과성 추정치를 낮추는 문제를 지적하고, 정규화되지 않은 인과성 지표를 이용해 중복·시너지 개념을 정량화한다. 두 가지 군집화 전략(목표 변수 중심 군집과 전체 변수 집합 분할)을 제안하고, 편두통 환자에 대한 반복적 경두개 자기자극(TMS) 실험 데이터에 적용해 정보 흐름 패턴 변화를 밝혀낸다.

상세 분석

그랜저 인과성은 한 시계열이 다른 시계열의 미래값을 예측하는 데 제공하는 추가 정보를 정량화하는 방법으로, 다변량 상황에서는 모든 잠재적 원인 변수를 동시에 고려해야 한다. 그러나 실제 데이터에서는 변수들 간에 높은 상관관계, 즉 중복성이 존재한다. 기존의 정규화된 인과성 지표는 각 변수의 기여도를 전체 변동성에 대한 비율로 표현하는데, 중복된 변수들이 동시에 포함되면 각 변수의 독립적인 기여도가 분산되어 전체 인과성이 과소평가된다. 저자들은 이를 해결하기 위해 정규화되지 않은 인과성 지표, 즉 예측 오차 감소량 자체를 사용한다. 이 접근법은 변수들의 절대적인 정보 기여를 그대로 유지하므로, 중복된 변수들이 공동으로 제공하는 정보량을 정확히 측정할 수 있다.

논문은 중복성과 시너지 개념을 인과성 프레임 안에서 수학적으로 정의한다. 두 변수 집합 A와 B가 목표 변수 Y에 대해 각각 인과성을 제공한다고 할 때, A와 B의 합집합이 제공하는 인과성이 개별 인과성의 합보다 작으면 A와 B는 ‘중복’이라고 정의하고, 반대로 합집합 인과성이 합보다 크면 ‘시너지’라고 정의한다. 이러한 정의를 바탕으로 두 가지 군집화 전략을 제시한다. 첫 번째는 특정 목표 변수 Y에 대해 나머지 변수들을 그룹화하여 전체 인과성을 최대화하는 방법이며, 이는 목표 중심의 변수 선택에 유용하다. 두 번째는 전체 변수 집합을 여러 서브셋으로 분할하고, 각 서브셋 간 인과성 합을 최대화하도록 최적화하는 방법으로, 시스템 전반의 정보 흐름 구조를 파악하는 데 적합하다.

실험적으로 저자들은 편두통 환자에게 반복적 경두개 자기자극(TMS)을 적용하고, 뇌 전기활동(EEG) 데이터를 다변량 시계열로 수집하였다. 표준 그랜저 인과성 분석은 TMS 전후에 인과성 변화가 미미하다고 보고했지만, 정규화되지 않은 인과성 지표와 제안된 군집화 방법을 적용한 결과, 특정 뇌 영역 간 정보 전달이 크게 강화되거나 억제되는 패턴이 드러났다. 특히, 전두엽과 후두엽 사이의 시너지 관계가 TMS 후에 감소하고, 중복된 피질 영역들 사이의 인과성이 재구성되는 현상이 관찰되었다. 이는 편두통 뇌에서 비정상적인 신경 진동이 TMS에 의해 재조정되는 메커니즘을 정량적으로 설명한다.

이 논문은 중복 변수 문제를 정규화되지 않은 인과성 지표와 군집화 전략으로 체계적으로 해결함으로써, 복잡계(뇌, 금융, 생태계 등)에서 숨겨진 인과 구조를 보다 정확히 탐색할 수 있는 방법론을 제공한다.