잠재 공통 입력을 배제한 새로운 그랜저 인과성 측정법

본 논문은 시계열 데이터에서 흔히 마주치는 ‘잠재 공통 입력(latent common input)’에 의해 발생하는 가짜 인과 관계를 제거하기 위한 새로운 그랜저 인과성 측정법을 제시한다. 서론에서는 그랜저 인과성의 기본 개념과 널리 사용되는 부분 그랜저 인과성(partial Granger causality)의 이론적 배경을 소개한다. 기존 부분 그랜저 인과성은 목표 변수와 조건 변수 사이의 공통 잡음 상관을 제거하는 방식으로 설계되었으나, 실제 인과 관계를 추정하려면 원인 변수와 목표 변수 사이의 공통 입력을 차단해야 함을 지적한다. 이 개념적 오류는 검정 통계량이 음수가 될 수 있다는 문제와도 연결된다. 이에 저자는 두 변수 xₜ와 yₜ에 대해 xₜ = a xₜ₋₁ + c yₜ₋₁ + εₜ, yₜ = b yₜ₋₁ + ξₜ 라는 AR(1) 구조를 가정하고, εₜ와 ξₜ₋₁ 사이에 지연된 상관계수 ρ가 존재하는 잡음 공분산 행렬 Σ를 정의한다. 이때 Σₓₓ−Σₓᵧ Σᵧᵧ⁻¹ Σᵧₓ 를 τ²라 두어, τ²는 원인‑목표 사이의 직접적인 인과 효과를 평가하기 위해 반드시 제거해야 할 공통 입력 성분을 제외한 순수 잡음 분산이다. τ²를 이용해 εₜ를 ξₜ₋₁과 독립적인 새로운 잡음 ωₜ(분산 τ²)와 선형 결합 계수 η로 재표현한다. 즉, εₜ = η ξₜ₋₁ + ωₜ, ωₜ ⟂ ξₜ₋₁, ωₜ ⟂ εₜ, 이러한 재파라미터화는 기존 부분 그랜저 인과성에서 발생할 수 있는 음수 검정 통계량 문제를 근본적으로 해소한다. 새로운 인과성 검정은 귀무 가설 H₀: c = 0(인과 효과 없음)과 대립 가설 H₁: c ≠ 0을 설정하고, τ²가 c를 포함함에 따라 유의하게 감소하는지를 likelihood‑ratio 형태로 검정한다. 조건부 로그우도는 ℓₓ|ᵧ = −(T−2)/2 log τ² − (1/(2τ²)) ∑ₜ (xₜ−a xₜ₋₁−c yₜ₋₁−η ξₜ₋₁)² 이며, τ²̂ (c = 0)와 τ²̂ (c ≠ 0) 사이의 차이를 F‑통계량으로 변환한다. 저자는 수치 실험을 통해 이 통계량이 무인과성 상황에서 근사적으로 F(1, T−2) 분포를 따른다는 것을 확인하였다. 파라미터 추정 절차는 두 단계로 구성된다. 첫 단계에서는 yₜ에 대한 AR(1) 모델을 독립적으로 추정해 b̂와 잔차 ξ̂ₜ를 얻는다. 두 번째 단계에서는 ξ̂ₜ를 고정하고 xₜ에 대한 조건부 AR 모델을 추정해 â, ĉ, η̂, τ̂²를 구한다. 이렇게 하면 모델이 과잉 파라미터화되는 문제를 회피하면서도, 원인‑목표 간의 직접적인 인과 효과만을 순수하게 평가할 수 있다. 실험에서는 (1) 공통 입력을 공유하지만 실제 인과 관계가 없는 두 시계열, (2) 실제 인과 관계가 존재하면서 동시에 공통 입력이 존재하는 경우, (3) 기존 그랜저 인과성, 부분 그랜저 인과성, 제안 방법을 각각 적용하였다. 결과는 기존 방법이 경우에 따라 허위 인과를 검출하거나, 음수 검정 통계량으로 인해 해석이 불가능한 상황이 발생했음에 반해, 제안된 방법은 유의 수준(α = 0.05)에서 정확히 허위 인과를 배제하고 실제 인과만을 검출하였다. 또한 다중 검정 절차를 도입해 여러 변수 쌍에 동시에 적용할 때도 제안 방법이 높은 재현율과 낮은 위양성률을 유지함을 보였다. 논문은 이러한 결과를 바탕으로, 뇌신경 기록(EEG, fMRI, 칼슘 영상)이나 다변량 경제 데이터처럼 관측되지 않은 공통 요인이 존재할 가능성이 높은 분야에 특히 유용하다고 주장한다. 다만 현재 모델은 공통 입력이 지연된 형태로만 작용하고, 잠재 변수에 의한 자동상관 잡음은 MA(이동 평균) 모델을 필요로 한다는 제한점이 있다. 향후 연구에서는 MA‑AR 혼합 모델이나 상태공간 프레임워크를 도입해 잠재 변수까지 포괄하는 일반화된 인과성 검정을 설계할 여지가 있다.