공간적 원통형 데이터의 조건부 코퓰라 회귀 모델

초록

본 논문은 원통형(각도‑선형) 데이터를 공간적 상관을 고려하면서 코퓰라를 이용해 결합하는 베이지안 모델을 제안한다. 원형 성분은 래핑된 가우시안 프로세스로, 선형 성분은 분포 회귀로 모델링하고, 코퓰라 매개변수에 공변량 효과와 공간 효과를 포함한다. GRF와 GMRF의 등가성을 활용해 계산 효율성을 높였으며, 시뮬레이션과 독일 풍향·풍속 자료를 통해 성능을 검증한다.

상세 분석

이 연구는 원통형 데이터, 즉 각도와 실수값이 동시에 관측되는 상황을 다루면서 두 변수 사이의 비선형 의존성과 공간적 자기상관을 동시에 모델링하려는 시도를 제시한다. 핵심 아이디어는 (1) 원형 변수를 래핑된 가우시안 프로세스(WGP)로 표현해 잠재적인 선형 과정 Y₁을 복원하고, (2) 선형 변수를 일반적인 분포 회귀(예: 로그 정규)로 기술한다는 점이다. 두 변수를 결합하기 위해 조건부 코퓰라 회귀 프레임워크를 채택했으며, 여기서 코퓰라 매개변수 ρ(s) 를 h_ρ(η_ρ(s)) 형태의 링크 함수와 선형/비선형 예측자 η_ρ(s) 로 표현한다. 이렇게 하면 공변량이 코퓰라의 의존 강도에 직접 영향을 미칠 수 있다. 코퓰라 종류는 Gaussian, Clayton, Gumbel 등 세 가지를 사용해 대칭·하위·상위 꼬리 의존성을 각각 탐색한다. 공간 효과는 SPDE 기반의 Matérn 공분산을 갖는 Gaussian Random Field를 Gaussian Markov Random Field(GMRF)로 근사함으로써 희소 행렬 연산을 가능하게 한다. 특히 τ(s)와 κ(s)를 공간적으로 변하게 함으로써 비정상성(non‑stationarity)도 허용한다. 베이지안 추정은 MCMC로 수행되며, 각 단계에서 라핑된 각도와 winding number k(s)를 데이터 증강 방식으로 샘플링한다. 시뮬레이션 결과는 기존 고정 코퓰라 모델 대비 추정 정확도와 예측 성능이 현저히 개선됨을 보여준다. 실제 독일 풍향·풍속 데이터에 적용했을 때, 공간적 변동과 공변량(예: 고도, 계절) 효과가 코퓰라 의존도에 유의하게 반영되었으며, 특히 고위도 지역에서 상위 꼬리 의존성을 포착한 Gumbel 코퓰라가 가장 적합했다. 전체적으로 이 모델은 원통형 데이터의 복합적인 구조를 유연하게 다루면서 계산 효율성까지 확보한 점이 큰 장점이다.