분해 기반 인과 탐색 자기상관 및 비정상 시계열 데이터

초록

본 논문은 다변량 시계열을 추세, 계절성, 잔차로 분해한 뒤 각각에 맞는 인과 분석을 수행하는 DCD 프레임워크를 제안한다. 추세는 정상성 검정, 계절성은 커널 의존성 측정, 잔차는 제약 기반 탐색으로 처리해 다중 스케일 인과 그래프를 통합한다. 합성 및 실제 기후 데이터 실험에서 기존 방법보다 높은 정확도를 보였다.

상세 분석

DCD는 시계열 데이터의 복합적인 구조를 명시적으로 분리함으로써 인과 추정의 근본적인 가정을 만족시킨다. 먼저 STL(또는 유사한) 방법으로 각 변수의 추세(T), 계절성(S), 잔차(R) 성분을 추출한다. 추세 성분은 장기적인 비정상성을 포함하므로, ADF·KPSS와 같은 정상성 검정을 통해 변수 간 장기 의존성을 판별하고, 정상성을 만족하는 경우에만 인과 관계를 탐색한다. 이는 전통적인 Granger 인과 검정이 요구하는 정상성 가정을 우회하면서도 장기 효과를 포착한다는 점에서 의미가 크다.

계절성 성분은 주기적 패턴을 담고 있어 선형·비선형 관계 모두를 포착할 수 있는 비파라메트릭 의존성 측정이 필요하다. 논문에서는 HSIC(핵 기반 독립성 검정)를 활용해 변수 간 계절적 상호작용을 정량화한다. HSIC는 고차원 특징 공간에서의 상관을 측정하므로, 복잡한 비선형 주기 관계를 효과적으로 드러낼 수 있다.

잔차 성분은 고주파, 단기 변동을 포함하며, 이때는 기존 제약 기반 인과 탐색(PC, FCI, PCMCI+)이 적용 가능하다. 특히 DCD는 잔차가 β-믹싱(약한 의존성) 조건을 만족한다는 가정을 명시함으로써, 제한된 샘플에서도 조건부 독립성 검정의 일관성을 보장한다.

이 세 가지 성분별 그래프는 각각 E_T, E_S, E_R이라는 서로 겹치지 않는 에지 집합으로 정의된다. 논문은 이론적 섹션에서 스펙트럼 분리성(A2)과 제한된 누수(ε) 가정 하에, 각 성분별 인과 추정이 전체 인과 그래프 G*에 수렴함을 정리와 보조정리(Lemma 1, 2, Corollary 1)를 통해 증명한다. 특히, 누수가 ε에 비례해 제한되면 잔차와 계절/추세 성분 간의 교차 정보가 거의 사라져, 성분별 인과 그래프의 합성 오류가 최소화된다.

실험에서는 (1) 다양한 비정상성 수준과 자기상관 강도를 가진 합성 데이터, (2) 실제 기후 데이터(예: 온도, 강수량, 대기압) 두 가지 벤치마크를 사용했다. 평가 지표는 구조적 Hamming 거리와 SHD(Structural Hamming Distance)이며, DCD는 PCMCI+, CD-NOD, DYNOTEARS 등 최신 방법보다 평균 15~20% 낮은 SHD를 기록했다. 특히 강한 추세와 명확한 계절성을 가진 시계열에서 DCD는 spurious edge를 크게 감소시켰다.

코드와 데이터는 공개 저장소에 제공되어 재현성을 확보했으며, 향후 비선형 복합 시스템이나 다변량 금융 시계열에도 적용 가능성을 논의한다. 전체적으로 DCD는 시계열의 다중 스케일 특성을 고려한 인과 탐색이라는 새로운 패러다임을 제시하며, 기존 방법이 놓치기 쉬운 장·단기 인과 메커니즘을 동시에 포착한다는 점에서 큰 의의를 가진다.