시계열 일반화 오차 모델 독립성 검정 연속 이산 혼합 접근

초록

본 논문은 연속형·이산형 분포를 모두 포함할 수 있는 일반화 오차(generalized error) 모델을 정의하고, 이러한 모델들의 혁신(generalized innovations) 사이의 조건부 독립성을 검정하는 새로운 통계량들을 제안한다. lagged 혁신을 이용한 경험적 과정의 공동점근분포가 파라미터 추정과 무관하게 정규성을 갖는 것을 증명하고, Möbius 변환을 통해 공분산을 간단히 계산한다. Cramér‑von Mises 기반 검정통계, 의존성 측도, 시각화 도구를 포함한 여러 검정방법을 제시하며, 금융·범죄 데이터에 대한 실증과 CRAN 패키지 IndGenErrors 구현을 제공한다.

상세 분석

이 연구는 기존의 확률적 변동성 모델에 국한되던 독립성 검정 프레임워크를 크게 확장한다. 먼저, 임의의 마진 분포를 갖는 시계열 (X_t)에 대해 조건부 누적분포함수 (G_t)와 그 점프 (\Delta G_t)를 이용해 (U_t=G_t(X_t^-)+V_t\Delta G_t(X_t)) 형태의 일반화 혁신을 정의한다. 여기서 (V_t\sim\mathcal{U}(0,1))는 독립적인 난수이며, 이 변환은 연속·이산 혼합 마진을 모두 균등분포로 변환함을 Broc‑well(2007)의 결과를 통해 보인다. 따라서 (U_t)는 과거 (\mathcal{F}_{t-1})에 조건부로 i.i.d. (\mathcal{U}(0,1))이며, 이는 기존의 Bai(2003) 방식과 일치하지만 이산형 마진에도 적용 가능하도록 일반화된 점이다.

다변량 확장에서는 각 시계열 (X_{j,t})에 대해 위와 같은 변환을 수행한 뒤, (\mathbf{U}t=(U{1,t},\dots,U_{d,t}))를 다중선형 copula (C_t^{\times})에 의해 연결한다. (C_t^{\times})는 시간에 따라 변할 수 있는 파라미터 혹은 레짐 전환 구조를 포함할 수 있어, 복잡한 동적 의존성을 모델링한다. 독립성 귀무가설은 모든 시점에 (C_t^{\times}=\Pi) (독립 copula)이며, 이는 lagged 혁신 (\mathbf{U}_{t+\ell}) 역시 조건부 독립 (\Pi)를 만족한다는 형태로 표현된다.

핵심 이론적 기여는 lagged 혁신을 이용한 경험적 과정 (\mathbb{G}n^{\ell}(u)=\sqrt{n}\bigl(F_n^{\ell}(u)-\prod_j F{n,j}^{\ell_j}(u_j)\bigr))의 공동점근분포를 도출한 것이다. 저자들은 이 과정이 파라미터 추정 (\hat\theta_n)와 무관하게 평균이 0이고, 공분산 구조는 Möbius 변환을 적용하면 (\Sigma_{\ell,\ell’}(u,u’))가 단순한 형태로 나타난다는 점을 증명한다. 이는 기존 연구(Duchesne et al., 2012)에서 연속형 경우에만 성립하던 결과를 일반화한 것으로, 이산·연속 혼합 마진에서도 동일한 정규성을 보장한다.

통계적 검정으로는

1. Cramér‑von Mises 유형 통계 (S_n=\int |\mathbb{G}_n^{\ell}(u)|^2,du)
2. 거리 기반 의존성 측도(예: Hoeffding’s (D), distance covariance)
3. 그래프 기반 시각화(누적 경계 플롯)
   를 제안한다. 각각은 점근분포가 알려져 있어 부트스트랩 없이도 임계값을 계산할 수 있다. 특히, 다중 lag를 동시에 고려하는 다변량 통계량은 기존의 단일 lag 검정보다 높은 검정력을 보인다.

시뮬레이션에서는 stochastic volatility, regime‑switching, INGARCH 등 다양한 모델을 대상으로 크기와 검정력을 평가한다. 연속형 마진에서는 기존 방법과 동등하거나 약간 우수한 성능을 보였으며, 이산형·혼합형 마진에서는 기존 방법이 전혀 작동하지 않는 상황에서도 제안 검정이 높은 파워를 유지한다.

실증에서는 (i) 주식 수익률과 변동성 지수의 연속형 데이터, (ii) 일일 범죄 건수와 기상 변수의 이산·연속 혼합 데이터를 분석한다. 두 사례 모두 제안 검정이 기존 잔차 기반 상관검정보다 미세한 의존성을 탐지함을 보여준다. 마지막으로, 모든 절차는 R 패키지 IndGenErrors에 구현되어 있어, 사용자들은 모델 적합 → 혁신 추출 → 독립성 검정까지 일관된 워크플로우를 손쉽게 수행할 수 있다.