고차원 함수 시계열의 공분산·스펙트럼 밀도 추정 수렴성

초록

본 논문은 고차원·비가우시안·비선형 함수 시계열에서 공분산 및 스펙트럼 밀도 함수 추정량의 비점근적 수렴을 다룬다. 새로운 함수 의존도 측도를 도입해 Nagaev‑형 농축 부등식을 구축하고, 이를 기반으로 동적 FPCA와 희소 스펙트럼 밀도 추정에 적용한다. 또한 이산 관측과 측정오차를 고려한 비모수 스무딩 방법의 수렴 속도도 제시한다. 시뮬레이션을 통해 이론적 결과를 실증한다.

상세 분석

이 연구는 고차원 함수 시계열 분석에서 두 번째 차수 특성인 공분산 함수와 스펙트럼 밀도 함수의 추정 정확도를 비점근적으로 평가한다는 점에서 혁신적이다. 기존 문헌은 주로 가우시안 또는 서브가우시안 선형 프로세스에 한정된 비점근적 이론을 제공했으며, 비가우시안·비선형 모델이나 스펙트럼 밀도 추정에 대한 결과는 거의 없었다. 저자들은 이러한 격차를 메우기 위해 ‘함수 의존도 측도’를 새롭게 정의한다. 이는 시간적 의존성을 L₂ 노름 기반으로 측정하고, 각 성분별 의존도와 전체 교차 의존도를 동시에 고려하는 두 가지 지표(Φₓ와 Mₓ)로 구성된다. 특히, 기존의 안정성 측도와 달리 명시적인 상한을 구할 수 있어, 일반적인 정적·동적 함수 프로세스에 적용 가능하다.

이 의존도 측도를 활용해 저자들은 Nagaev‑형 농축 부등식을 고차원·함수값 공간(일반적인 Banach 공간)으로 확장하였다. 이는 가우시안 가정 없이도 q‑번째 모멘트( q>4 )와 의존도 지수 α>0만 만족하면 충분히 강력한 확률적 경계를 제공한다. 결과적으로 (자동)공분산 함수와 스펙트럼 밀도 함수 추정량에 대해 요소별 최대 오차가 ‖·‖∞ 기준으로 O_p( √(log p / n) ) 수준으로 수렴함을 보였으며, 이는 차원 p가 표본 크기 n보다 크게 커도 유효함을 의미한다.

응용 측면에서 첫 번째는 동적 FPCA이다. 기존 FPCA는 공분산 함수만을 이용해 차원을 축소했지만, 동적 FPCA는 스펙트럼 밀도 함수를 기반으로 시간 의존성을 보존한다. 논문은 제시된 농축 결과를 이용해 동적 FPCA의 고유값·고유함수 추정 오차를 명시적으로 제시하고, 차원 p와 주파수 그리드 수에 대한 복합적인 수렴 속도를 도출한다. 두 번째 응용은 스펙트럼 밀도 행렬의 희소 추정이다. 각 주파수에서 함수 간 상관관계가 희소하다는 가정 하에, 임계값 기반 트랜스포머를 적용해 행렬 전체를 추정한다. 이때도 제시된 비점근적 경계가 정확한 위계적 선택을 보장한다.

실제 데이터는 연속적인 함수가 아닌 이산 관측값에 노이즈가 섞인 형태가 일반적이다. 저자들은 로컬 선형 스무딩을 이용해 이산 데이터를 부드러운 함수 형태로 복원하고, 복원된 함수에 대해 위의 추정량을 적용한다. 이 과정에서도 의존도 측도와 농축 부등식을 활용해 ‖·‖∞ 기준의 수렴 속도를 유지함을 증명한다. 마지막으로 시뮬레이션을 통해 가우시안·비가우시안·비선형 모델 전반에 걸쳐 이론적 경계가 실제 오차와 잘 맞는다는 것을 확인하였다.

전반적으로 이 논문은 고차원·비가우시안·비선형 함수 시계열에서 두 번째 차수 통계량의 비점근적 이론을 체계화하고, 이를 실제 분석 파이프라인(동적 FPCA, 희소 스펙트럼 추정, 이산 관측 보정)과 연결함으로써 이 분야의 연구 및 실무 적용에 중요한 토대를 제공한다.