동시 그래프 동적 모델링: 다변량 시계열을 위한 유연·희소·확장 가능한 베이지안 프레임워크

초록

본 논문은 동시 그래프 동적 선형 모델(SGDLM)의 이론·방법론을 종합적으로 정리하고, 그래프 구조와 동적 요인 모델을 연결하는 새로운 이론을 제시한다. 베이지안 전방 필터링·예측 절차를 확장해 모델 불확실성 평가와 결측 데이터 처리, 그리고 인과적(반사실) 예측에 적용한다. 글로벌 거시경제 데이터에 대한 실증 분석을 통해 시계열 간 시간변화 관계와 인과 효과를 효과적으로 포착함을 보여준다.

상세 분석

SGDLM은 (I‑Γₜ) yₜ = μₜ + νₜ 형태의 구조식을 갖으며, Γₜ는 대각이 0인 희소 행렬, Λₜ는 잔차 분산의 대각 행렬이다. 이때 Γₜ의 비제로 원소는 각 시계열이 동시에 다른 시계열을 ‘부모’로 삼는 관계를 정의하고, 이러한 관계는 방향성 그래프(보통 비순환이 아님)로 시각화된다. 논문은 Γₜ가 비특이적이면 (I‑Γₜ)⁻¹이 존재해 yₜ∼N(αₜ,Ωₜ⁻¹) 로 전개되며, αₜ는 μₜ에 대한 무한 급수 전개를 통해 부모‑자식 전파 효과를 명시한다. 특히, 고유값 |γᵢ|<1 조건 하에 αₜ는 μₜ와 γᵢ의 곱으로 구성된 ‘스필오버’ 효과를 계층적으로 누적한다는 점을 강조한다.

정밀도 행렬 Ωₜ는 Λₜ와 Γₜ의 조합 Ωₜ = ( I‑Γₜ )′ Λₜ ( I‑Γₜ ) 로 표현되며, Γₜ의 희소성은 Ωₜ의 희소성으로 이어진다. 여기서 중요한 점은 Ωₜ의 비대각 원소가 두 종류의 경로—직접 부모‑자식 연결과 공통 자식을 통한 ‘도덕화(moralizing)’—에 의해 생성된다는 것이다. 따라서 그래프 구조는 조건부 독립성을 직접적으로 반영한다.

다음으로 저자는 Γₜ의 특이값 분해(Γₜ = Lₜ Dₜ Sₜ)를 이용해 내재된 동적 요인 모델을 도출한다. Lₜ는 희소한 요인 적재 행렬, Sₜ는 희소한 요인 점수 행렬이며, ηₜ = Dₜ Sₜ yₜ 로 정의된 요인 벡터는 전통적인 요인 모델과 달리 서로 상관관계를 가질 수 있다. 이는 요인과 잔차 νₜ 사이에도 희소하지만 비제로인 공분산 C(ηₜ,νₜ) = Dₜ Sₜ A V 가 존재함을 의미한다. 따라서 SGDLM은 그래프 기반 구조와 요인 기반 차원 축소를 동시에 제공하는 통합 프레임워크라 할 수 있다.

베이지안 추정에서는 각 시계열을 개별 DLM으로 모델링하고, Γₜ의 부모 집합을 통해 동시 회귀 설계행렬 Fⱼₜ에 포함한다. ‘Decouple/Recouple’ 전략을 통해 시계열별 정규‑감마(NG) 사전분포를 유지하면서, 중요도 샘플링과 변분 베이즈(VB) 단계로 효율적인 전방 필터링을 수행한다. 특히, 저자는 모델 주변우도(marginal likelihood)를 이용해 Γₜ 구조에 대한 베이지안 모델 선택을 가능하게 하였으며, 결측 데이터가 존재할 때는 해당 시계열을 일시적으로 ‘숨김’ 처리해 반사실 예측(counterfactual forecasting)을 수행한다. 이는 인과 분석에서 개입 전후 효과를 추정하는 데 필수적인 기능이다.

실증 부분에서는 전 세계 30여 개국의 거시경제 지표(실질 GDP, 물가, 금리 등)를 q≈30 차원 시계열로 구성하고, 시간에 따라 변하는 Γₜ를 추정한다. 결과는 특정 정책 충격(예: 금리 인상) 후 주요 변수들의 전이 효과를 그래프 구조와 요인 해석을 통해 명확히 드러낸다. 특히, 부모‑자식 관계가 급변하는 시점에서 요인 수가 감소하거나 증가하는 현상이 관측되어, 구조적 변동성을 포착하는 데 SGDLM의 장점이 부각된다.

요약하면, 이 논문은 (1) SGDLM의 그래프‑요인 이론적 연결고리를 정립하고, (2) 베이지안 전방 필터링·예측 알고리즘을 확장해 모델 불확실성·결측 데이터·인과 예측을 동시에 다루며, (3) 실제 거시경제 데이터에 적용해 고차원 시계열의 동적 상호작용과 인과 효과를 효과적으로 추정한다는 점에서 학술·실무 모두에 큰 기여를 한다.