인라이어와 극값을 동시에 다루는 유연한 혼합 모델

초록

본 논문은 제로값(인라이어)이 다수 포함된 데이터에서 극값 분석을 위한 새로운 혼합 모델(FEVIMM)을 제안한다. 모델은 원점에 확률질량, 임계값 이하의 벌크분포, 임계값 이상의 일반화 파레토분포(GPD)를 결합하고, 임계값과 꼬리 비율을 파라미터로 추정한다. 최대우도법으로 추정한 뒤 기존의 평균초과플롯, 파라미터 안정성 플롯, 픽앤드 플롯 등 전통적 방법과 시뮬레이션·실제 데이터에서 비교해 우수성을 입증한다.

상세 분석

본 연구는 “인라이어”(즉, 0값)와 극단값이 동시에 존재하는 데이터의 특성을 반영하지 못하는 기존 EVT 접근법의 한계를 정확히 짚어낸다. 기존 EVMM(EV mixture model)들은 임계값을 파라미터화하여 불확실성을 반영하지만, 인라이어를 별도의 구성요소로 다루지 않아 벌크 모델의 오분류가 임계값 및 꼬리 비율 추정에 편향을 초래한다는 점을 강조한다. 이를 해결하기 위해 저자들은 FEVIMM(Flexible Extreme Value Inlier Mixture Model)을 설계했으며, 세 가지 구성요소—원점에 대한 디랙 델타 질량(ϕ₁), 임계값 이하의 연속 벌크분포(예: 감마), 임계값 이상을 설명하는 GPD(ϕ₂, ξ, σ)—를 명시적으로 결합한다. 특히 ϕ₂를 “꼬리 비율”이라는 별도 파라미터로 도입해, 전체 데이터에서 초과값이 차지하는 비중을 직접 추정하도록 함으로써, 벌크 모델이 잘못 지정되었을 때도 꼬리 추정이 크게 왜곡되지 않도록 설계하였다.

모델식(3)·(4)는 혼합밀도 형태 f(x)=ϕ₁δ₀(x)+(1−ϕ₁−ϕ₂)f₁(x)+ϕ₂f₂(x) 로 표현되며, 여기서 f₁은 벌크분포의 정규화된 밀도, f₂는 GPD 밀도이다. 파라미터 추정은 전통적인 최대우도법(MLE)을 사용하되, 임계값 u와 꼬리 비율 ϕ₂를 동시에 최적화한다. 저자들은 MLE의 점근적 정규성을 증명하고, 피셔 정보 행렬을 통해 표준오차를 계산하는 이론적 근거를 제공한다.

실증 부분에서는 두 가지 접근법을 비교한다. 첫째, 전통적인 그래프 기반 임계값 선택법(Mean Excess Plot, Parameter Stability Plot, Pickands Plot)이 인라이어 포함 여부에 따라 크게 달라지는 현상을 시연한다. 둘째, 제안된 FEVIMM을 기존 EVMM(Behrens et al.) 및 FEVMM(MacDonald et al.)과 비교해, 시뮬레이션에서 평균제곱오차(MSE), 편향(bias), 커버리지율 등에서 일관적으로 우수함을 보여준다. 실제 데이터 사례(예: 전자부품 즉시 고장 데이터, 강수량 데이터)에서도 Anderson‑Darling, Cramér‑von Mises, Kolmogorov‑Smirnov 검정 결과가 FEVIMM이 가장 높은 적합도를 나타낸다.

이 논문의 주요 기여는 (1) 인라이어를 명시적으로 모델링한 최초의 EVT 혼합 모델 제시, (2) 임계값과 꼬리 비율을 동시에 추정함으로써 모델의 로버스트성을 강화, (3) 이론적 성질과 실증적 검증을 모두 제공함으로써 실무 적용 가능성을 높인 점이다. 다만 벌크분포 선택에 따라 계산 복잡도가 증가하고, 고차원 데이터에서는 파라미터 식별 문제가 발생할 수 있다는 제한점도 언급한다. 향후 연구에서는 베이지안 프레임워크와 비모수적 벌크 모델을 도입해 확장성을 검토할 여지가 있다.