고차원 함수 시계열에서 나타나는 허위 요인과 효과적 차원수

본 논문은 고차원 함수 시계열의 요인 구조를 일반화하고, 표본 공분산 연산자의 스펙트럼이 실제 요인 구조를 반영하지 못하는 ‘허위(spurious)’ 현상을 이론적으로 규명한다. 먼저, 저자들은 H = L²(I)라는 Hilbert 공간 위에 정의된 p‑차원 함수 시계열 Xₜ를 비정상적 요인 Fₜ와 정적 오차 ζₜ의 합으로 표현하는 일반적인 함수형 요인 모델(식 (1))을 제시한다. 여기서 Fₜ는 H_K 공간 위의 랜덤 워크 형태이며, 로딩 연산자 Ψ는 H_K→H_p의 유계 선형 연산자로, 각 성분은 적분 커널 Ψ_{ik}(u,v) 로 기술된다. 이러한 설정은 기존 연구에서 다루던 ‘함수형 로딩 + 다변량 요인’, ‘다변량 로딩 + 함수형 요인’, ‘코인테그레이션된 함수 시계열’ 등을 모두 포함한다. 논문의 핵심은 ‘효과적 차원수(effective rank)’라는 새로운 개념이다. 효과적 차원수는 Ψ와 요인 공분산 C_ε의 고유값 스펙트럼이 얼마나 빠르게 감소하는지를 정량화한 지표로, 이를 통해 표본 공분산 연산자 Ĉ_T의 고유값·고유함수가 실제 공분산 C의 고유구조를 반영하는지 여부를 판단한다. 주요 결과는 다음과 같다. 1. **Theorem 3.8 (핵심 충분조건)** 효과적 차원수가 충분히 크면, 즉 Ψ·C_ε의 고유값이 느리게 감소하면, 표본 고유값 λ̂_j는 비정상 요인의 누적 변동에 의해 지배받아 Wiener 과정에 대한 함수 형태로 수렴한다. 이때 표본 고유함수 φ̂_j 역시 실제 요인 로딩이 아니라 Brownian motion의 고유함수와 유사한 형태가 된다. 이는 Onatski & Wang(2021)의 고차원 시계열 결과를 함수형으로 확장한 것으로, 비정상성(통합성)이 스펙트럼을 장악한다는 점을 강조한다. 2. **Theorem 3.11·Corollary 3.15 (강한 요인에도 허위 가능)** 기존 HDTS에서는 강한(고신호대비) 요인이 소수이면 표본 스펙트럼이 실제 요인 구조를 잘 복원한다는 결과가 있다. 그러나 함수형 프레임워크에서는 Ψ의 무한 차원성 때문에, 강한 요인이 몇 개뿐이어도 효과적 차원수가 크면 표본 고유값이 허위 한계에 수렴한다. 즉, ‘소수의 강한 비정상 요인’이라도 허위 요인을 초래할 수 있다. 이는 함수 도메인 내 의존성과 크로스섹션 의존성이 복합적으로 작용하기 때문이다. 3. **효과적 차원수의 분해** 저자들은 Ψ의 커널 구조를 두 부분(크로스섹션 의존성, 함수 도메인 의존성)으로 분해하고, 각각이 효과적 차원수에 어떻게 기여하는지를 정량화한다. 특히, 함수 도메인 의존성이 강할수록(즉, 커널이 낮은 차수의 스무딩을 제공할수록) 효과적 차원수가 커져 허위 현상이 더 쉽게 발생한다. 4. **시뮬레이션** (i) Ψ의 고유값이 급격히 감소하는 경우(낮은 효과적 차원수)와 (ii) 완만히 감소하는 경우(높은 효과적 차원수)를 비교하였다. 결과는 (ii) 상황에서 표본 고유값이 첫 몇 개에서 급격히 상승하고, 실제 요인 수와 무관하게 허위 고유값이 크게 나타나는 것을 확인했다. 또한, 표본 고유함수는 실제 로딩과는 크게 다른 형태를 보였다. 5. **실증 분석 – 연령별 사망률 데이터** 여러 지역(예: 일본 46개 지역)의 연령별 사망률을 50년간 관측한 데이터를 사용해 함수형 요인 분석을 수행하였다. 효과적 차원수가 큰 지역(예: 인구 변동이 큰 지역)에서는 표본 고유함수가 비정상적 시간 흐름을 반영하는 것으로 나타났으며, 이는 정책 해석 시 ‘공통 요인’이라고 오해할 위험을 내포한다. 반면, 효과적 차원수가 낮은 경우에는 전통적인 요인 해석이 비교적 안정적이었다. 6. **결론 및 향후 과제** 논문은 (1) 함수형 고차원 시계열에서 표본 공분산 기반 방법이 비정상성에 매우 민감함을, (2) 효과적 차원수를 통해 허위 요인이 언제 발생하는지를 명확히 제시함을, (3) 기존 HDTS 이론을 함수형으로 확장하면서도 근본적인 차이를 밝혀냈음을 강조한다. 향후 연구 과제로는 (a) 효과적 차원수를 데이터 기반으로 추정하는 실용적 방법, (b) 허위 요인을 사후 검정하거나 교정하는 절차, (c) 비정상 요인의 보다 일반적인 형태(예: I(d) 혹은 fractional integration)와의 연계가 제시된다. 전반적으로, 이 논문은 고차원 함수 시계열 분석에 있어 기존의 ‘PCA/FA는 안전하다’는 인식을 재검토하도록 강력히 촉구한다. 특히 비정상적 요인과 무한 차원의 함수 공간이 결합될 때, 표본 고유구조가 실제 데이터 구조를 왜곡할 위험이 크므로, 연구자와 실무자는 효과적 차원수와 허위 요인 검정을 반드시 고려해야 한다.