다변량 순서형 시계열의 쌍별 가능도 모델링

초록

본 논문은 다수의 순서형 시계열을 동시에 모델링하기 위해, 각 시계열의 마진을 순서형 자기회귀 로짓 모델로 설정하고, 시계열 간 동시 상관을 copula로 연결한다. 전체 다변량 가능도 대신 조건부 쌍별 가능도를 사용해 계산량을 크게 줄이고, 각 쌍별 모델을 독립적으로 추정한 뒤 Hessian 기반 가중 평균으로 통합한다. 시뮬레이션과 EU 실업률 데이터 적용을 통해 추정 정확도와 예측 성능을 검증한다.

상세 분석

이 연구는 순서형 시계열 데이터를 다변량으로 다루는 데 있어 두 가지 근본적인 난관을 해결한다. 첫째, 순서형 변수는 연속형과 달리 확률 질량 함수가 이산적이면서 순서 정보를 보존해야 하므로, 전통적인 다변량 정규분포와 같은 간단한 결합 구조를 적용하기 어렵다. 둘째, 시계열 특성상 각 시계열 내부의 자기상관과 시계열 간의 교차상관을 동시에 모델링해야 하는데, 차원 수가 늘어날수록 전체 가능도 계산이 지수적으로 복잡해진다.

저자들은 이러한 문제를 copula 이론과 조건부 쌍별 가능도(composite likelihood) 접근법으로 통합한다. 각 시계열의 마진은 기존 연구에서 널리 사용된 순서형 자기회귀 로짓 모델(AR(p) 형태)로 지정하고, 과거 모든 시계열의 지연값을 포함함으로써 내부 자기상관과 교차상관을 마진 단계에서 이미 반영한다. 이후 시계열 간 동시 상관을 설명하기 위해 임의의 2차원 copula C(u,v;ϕ) 를 도입한다. 여기서 ϕ는 각 쌍마다 다른 copula 패밀리를 선택할 수 있어, 비대칭·꼬리 의존성 등 다양한 종속 구조를 유연하게 포착한다.

전체 K 차원 모델의 가능도를 직접 계산하면 2^K 개의 조합이 필요하지만, 조건부 쌍별 가능도는 모든 (K·(K−1)/2) 쌍에 대해 2‑차원 결합밀도를 곱하는 형태이므로 계산량이 O(K^2) 로 크게 감소한다. 또한, 각 쌍별 로그가능도 ℓ_{r,s}(θ_{rs}) 를 독립적으로 최대화하면, 동일 파라미터가 여러 쌍에서 중복 추정될 수 있다. 이를 해결하기 위해 저자들은 Hessian 행렬 H(θ̂_{rs}) 를 가중치로 활용한 가중 평균 θ̂_{wm}= (∑ H_{rs})^{-1} ∑ H_{rs} θ̂_{rs} 를 제안한다. 이 방법은 Fieuws와 Verbeek(2006)의 결과를 확장한 것으로, 가중 평균이 원래 복합 가능도 최대화와 동일한 일차적 효율성을 제공한다는 이론적 근거가 있다.

시뮬레이션에서는 3차원 Gumbel copula(ϕ=2)와 3개의 순서형 시계열을 사용해 T=100, 500, 1000 크기의 데이터셋을 100번 반복한다. 결과는 추정값의 중앙값이 실제값에 매우 근접하고, 표본 크기가 커질수록 분산이 감소함을 보여 일관성(consistency)을 확인한다. 특히 종속 파라미터 ϕ에 대해서는 가중 평균이 단순 평균보다 평균제곱오차(MSE)가 현저히 낮아, Hessian 기반 가중치가 종속성 추정에 실질적인 이점을 제공함을 입증한다.

실제 데이터 적용에서는 EU 6개국의 월별 실업률 상태(3단계) 시계열을 분석한다. 각 국가별 마진 모델은 AR(1) 로짓 형태로 적합하고, 국가 간 동시 상관을 여러 copula(Clayton, Gumbel, Gaussian 등) 중 최적 모델을 선택해 쌍별 가능도를 구성한다. 결과적으로 모델은 단기 예측 정확도를 향상시키며, 국가별 실업률 변동의 동시 구조를 해석하는 데 유용한 인사이트를 제공한다.

이 논문의 주요 강점은 (1) 복잡한 다변량 순서형 시계열을 실용적인 계산량으로 다룰 수 있는 프레임워크 제공, (2) copula 선택의 유연성을 유지하면서도 추정 효율성을 보장하는 가중 평균 방법 제시, (3) 시뮬레이션과 실제 데이터 모두에서 검증된 성능이다. 한계점으로는 마진 모델이 로짓 형태에 고정돼 있어 다른 마진(예: probit, 비선형)으로의 확장에 추가 연구가 필요하고, 고차원에서는 여전히 쌍의 수가 O(K^2) 이므로 매우 큰 K에 대해서는 추가 차원 축소 기법이 요구될 수 있다.