다변량 시계열 네트워크 구축을 위한 그랜저 인과성 측정법 비교 평가

본 논문은 “Granger causality”라는 개념을 다양한 형태로 확장한 측정법들을 체계적으로 비교·평가한다. 연구자는 먼저 측정법을 데이터 표현 영역(시간, 주파수, 위상)과 모델 의존성(모델 기반 vs. 모델 프리)으로 구분하고, 각 범주 내에서 bivariate와 multivariate 형태, 차원 축소 적용 여부를 코드화하였다. 시간 영역에서는 전통적인 VAR(p) 모델에 기반한 GCI, CGCI, PGCI, 그리고 차원 축소를 적용한 RCGCI를 포함한다. 정보 이론 영역에서는 TE, PTE, STE, PSTE, TERV, PTERV, 그리고 비균일 임베딩을 이용한 PMIME를 다루며, 비선형 의존성을 포착한다. 주파수 영역에서는 PDC, GPDC, DTF, dDTF, GGC, RGPDC 등 VAR 모델의 주파수 응답을 이용한 측정법을 검토한다. 위상 영역에서는 DPI만을 포함했으며, 기타 범주에는 상태공간 기반 MCR과 이벤트 동기화 기반 DED가 있다. 연구는 저차원(3~5 변수)부터 고차원(최대 25 변수)까지 다양한 시뮬레이션 시스템을 사용한다. 시스템 종류는 이산적인 Hénon 맵, 연속적인 V‑AR 프로세스, 결정론적 Mackey‑Glass, 그리고 신경질량 모델 등이며, 각각 확률적·비확률적 특성을 가진다. 각 측정법에 대해 1000회 이상의 독립 시뮬레이션을 수행하고, 원본 인과 네트워크와 재구성된 네트워크 사이의 정밀도, 재현율, F1 점수를 계산한다. 결과는 다음과 같다. 저차원 시스템에서는 대부분의 측정법이 높은 정확도를 보였지만, 차원이 증가함에 따라 성능 차이가 두드러졌다. 차원 축소를 적용한 RCGCI(조건부 Granger), RGPDC(제한된 일반화 부분 코히런스), 그리고 PMIME(부분 상호 정보 기반 혼합 임베딩)는 25 변수 시스템에서도 F1 점수가 0.8 이상으로, 다른 측정법에 비해 현저히 우수했다. 이는 차원 축소가 불필요한 변수들을 배제하고, 모델 파라미터 수를 감소시켜 과적합을 방지하기 때문이다. 비선형 시스템에서는 정보 이론 기반 측정법이 선형 모델 기반보다 더 견고한 성능을 보였다. 특히 TE와 PTE는 최근접 이웃 기반 엔트로피 추정 방법을 사용했을 때 차원 저주에 강인했으며, 다변량 형태인 PTE는 직접적인 인과성만을 추출하는 데 효과적이었다. 반면, 주파수 기반 측정법은 전체 네트워크 구조 복원에서는 차원 축소가 적용되지 않은 경우 과잉 연결을 생성하거나 중요한 연결을 놓치는 경향이 있었다. DPI는 동기화가 뚜렷한 경우에만 유용했으며, 일반적인 다변량 시계열에서는 낮은 정확도를 보였다. 통계적 유의성 검정은 각 측정법마다 적절히 적용되었으며, 특히 차원 축소 기법은 검정의 자유도를 절감시켜 더 강력한 검정을 가능하게 했다. 저자들은 이러한 결과를 바탕으로, 다채널 EEG, 다변량 금융 시계열 등 고차원 데이터를 다룰 때는 (1) 다변량 조건부 인과성 모델을 사용하고, (2) 변수 선택·차원 축소 전략을 통합한 측정법을 적용하는 것이 최선이라고 제안한다. 결론적으로, 본 연구는 다양한 Granger 인과성 측정법의 장단점을 명확히 구분하고, 고차원 시스템에서 차원 축소가 적용된 선형 및 비선형 측정법이 가장 신뢰할 수 있는 네트워크 재구성 도구임을 입증한다. 이는 향후 복잡계 네트워크 분석, 뇌과학 연구, 금융 시스템 위험 전파 분석 등에 중요한 실용적 가이드를 제공한다.