Quandt–Andrews 검정: 미지의 구조변화 시점에 대한 sup-Wald

Chow 검정은 시험 결과를 보기 전에 정한 시점에서 회귀계수가 달라졌는지 묻습니다. 하지만 금융·거시경제 자료에서는 사전에 타당한 시점 하나를 고르기 어려울 때가 많습니다. 여러 시점을 시험하고 가장 유의한 Chow 결과를 보고하면 시점 선택이 검정 절차의 일부가 됩니다. 그러면 보통의 단일 시점 임계값은 이 탐색을 반영하지 않습니다.

Quandt의 2구간 절차와 이후 Andrews의 점근적 틀은 후보 변화 시점 집합을 따라 통계량을 평가해 이 문제에 대응합니다. 응용 선형회귀에서 최대값은 사용하는 통계량과 공분산 처리에 따라 Quandt likelihood-ratio(QLR), sup-F 또는 sup-Wald로 불립니다. Andrews는 미지 변화점이 있는 더 넓은 모수적 모형을 대상으로 sup-Wald, LM, LR 계열 검정을 전개했습니다(Quandt, 1960, Andrews, 1993).

여기서는 범위를 의도적으로 좁힙니다. 지정한 회귀관계에서 변화 시점은 모르지만 구조변화는 하나일 수 있는지를 검정합니다. 변화 횟수를 모르는 상태에서 여러 시점을 추정하거나, 변화의 원인을 설명하거나, 매매 기회를 찾는 방법은 아닙니다. 여러 미지 변화점을 모형화하는 별도 문제는 Bai–Perron 안내에서 다룹니다.

순서가 정해진 표본의 관측치가 (t=1,ldots,T)이고, 결과변수는 (y_t), 설명변수 벡터는 (x_t)라고 하겠습니다. 모든 회귀계수가 바뀔 수 있는 단일 순수변화 모형은 다음과 같습니다.

yₜ = xₜ′β₁ + uₜ, t ≤ k yₜ = xₜ′β₂ + uₜ, t > k

(k)는 첫 번째 구간의 마지막 관측치입니다. 무변화 귀무가설은 두 구간의 계수 벡터가 같다는 공동 제한 (H₀: β₁ = β₂)입니다. 한 번의 변화라는 대립가설은 허용된 시점 중 적어도 하나에서 두 벡터가 다르다고 봅니다. 일부 계수만 변하도록 제한하는 부분변화 모형도 사용할 수 있지만, 바뀔 계수 집합을 사전에 정해야 하며 제한 수와 귀무분포도 달라집니다. 어떤 계수의 변화를 허용하는지 명시하세요.

변화 시점이 의미를 가지려면 관측 순서에도 근거가 있어야 합니다. 일별 수익률에서 (k)는 보통 거래일 순번이지 자동으로 달력 날짜가 되지는 않습니다. 결측 관측, 휴일, 비동기 시장, 선물 롤, 목표 정의의 변경은 무엇을 ‘이전’과 ‘이후’로 볼지 바꿀 수 있습니다. 선택된 분할을 특정 사건 시점과 연결하기 전에 표본 순서와 날짜 기준을 정하세요.

검정이 기각되면 검색 구간 내 어떤 시점에서라도 지정된 단일 변화 대립가설이 일정한 계수 모형과 맞지 않는다는 증거입니다. 특정 발표나 사건이 원인이라는 뜻도, 설명변수가 외생적이라는 뜻도, 사후 계수가 앞으로 지속된다는 뜻도 아닙니다. 조건부 평균, 오차 동학, 측정 과정이 잘못 지정되어 있다면 깔끔한 계수 변화 대신 그 잘못된 모형에 반응할 수 있습니다.

표본 끝에 가까운 시점을 후보로 두면 한쪽 구간의 관측치가 너무 적어 추정이 불안정해집니다. Trimming 비율 (arepsilon)은 이 양 끝을 제외하고, 사전에 정한 구간(예: ([arepsilon,1-arepsilon])) 안의 변화 비율 (lambda=k/T)만 탐색하도록 합니다. 이산 표본에서는 이를 정수 시점으로 변환하고 각 구간의 최소 관측 수와 회귀행렬의 완전한 계수를 보장합니다. (k)가 변화 전 마지막 관측인지, 변화 후 첫 관측인지까지 구현 기준을 보고하세요.

허용된 (k)마다 공동 귀무 모형과 해당 2구간 모형을 적합하고, 계수 변화 제한에 대한 통계량을 계산합니다. 독립·등분산 오차와 공통 설명변수 집합을 가정하는 고전적 OLS에서는 잔차제곱합 감소로 표현할 수 있습니다. 오차의 정규성까지 가정하면 사전 지정 시점 하나의 통계량은 유한표본 F 참조분포를 가집니다. 정규성이 없을 때 이 정확한 유한표본 분포가 자동으로 성립하지는 않습니다. Wald 방식은 추정된 계수 차이를 그 공분산으로 표준화합니다. 이분산이나 시계열 의존이 있으면 그에 맞는 공분산과 참조 방법이 필요합니다. 표준오차만 강건하게 바꾼다고 날짜 탐색 뒤의 일반 F 임계값까지 타당해지는 것은 아닙니다.

Trimming은 단순한 설정값이 아니라 검정 설계의 일부입니다. 더 많이 자르면 후보 구간이 짧아지고 매우 작은 레짐을 피할 수 있지만, 표본 끝에 가까운 큰 변화를 후보에서 제외합니다. 덜 자르면 그런 후보도 포함되지만 점근 근사와 유한표본 추정이 더 취약해집니다. 통계량이 어디에서 가장 큰지 보기 전에 표본 크기, 모형 차원, 연구 질문에 따라 탐색 구간을 정해야 합니다.

<!-- learn:illustration -->

후보 시점 (k)마다 지정된 계수 제한의 Wald 통계량을 (W(k))라고 두면 단일 변화 sup-Wald 통계량은 다음과 같습니다.

supW = max{k ∈ K} W(k)

여기서 (K)는 trimming을 적용한 후보 시점 집합입니다. 고전적 선형회귀 구현에서는 후보 시점별 Chow F를 최대화해 sup-F 또는 QLR로 보고하는 경우가 많습니다. 최댓값을 만드는 (hat{k}=argmax_{kin K} W(k))는 이 검색에서 통계량이 가장 큰 시점입니다. 선택된 추정치이지 신뢰구간이나 경제적 변화의 정확한 시각은 아닙니다.

이 이름들은 관련되어 있지만 모든 상황에서 서로 바꿔 쓸 수 있는 것은 아닙니다. 가정을 만족하는 사전 지정 시점의 동분산 Chow F는 유한표본 F 참조분포를 가질 수 있습니다. 날짜를 검색한 최대값, 강건한 공분산을 쓴 점근 sup-Wald, 우도비 통계량은 유한표본 값이나 임계값이 서로 같을 필요가 없습니다. ‘QLR’이라는 명칭만 쓰지 말고 실제 통계량, 공분산 추정량, trimming 규칙, 임계값 출처를 보고하세요.

후보 시점별 통계량은 서로 거의 같은 관측치를 재사용하므로 강하게 의존합니다. 이 검정은 최솟값 p-value를 고르는 것, 단일 시점 p-value에 후보 수를 곱하는 것, 날짜마다 독립 검정을 했다고 간주하는 것과 다릅니다. 최대 통계량을 위한 탐색 보정 귀무분포를 사용합니다.

무변화 귀무가설 아래에서는 추정할 진짜 변화 시점이 없습니다. 날짜 모수는 대립가설에서만 나타나고 귀무가설에서는 사라지므로, 사전 지정된 Wald 또는 F 검정의 통상적인 정규성 논증을 적용할 수 없습니다. 시점 전체에서 최댓값을 취하면 비표준 점근분포가 생깁니다. 최대값을 일반 F 임계값과 비교하면 안정성에 반하는 증거를 과장할 수 있습니다.

Andrews는 sup-Wald, LM, LR 계열 검정의 점근분포와 임계값을 유도하며, 탐색 구간의 양 끝과 검정 제한 수가 기준에 들어갑니다(1993). 적용 가능한 임계값은 모형과 공분산 가정에도 의존합니다. 해당 검정에 맞는 표, 구현 또는 근사치를 사용하고 다른 trimming 비율이나 제한 수의 값을 가져오지 마세요. Andrews는 8개 제한에 대한 sup 검정 임계값 일부가 지나치게 작았음을 정정 논문에서 밝혔으므로, 그 경우 수정된 표를 확인해야 합니다(2003 정정). Hansen은 구조변화 검정의 점근 p-value를 수치적으로 근사하는 방법을 제시했습니다(1997).

Andrews와 Ploberger는 대립가설에서만 존재하는 방해모수가 있는 검정 문제에 대해 평균 및 지수형 검정도 유도합니다(1994). 이들은 탐색을 고려하는 연관 절차이지 sup-Wald의 다른 이름은 아닙니다. 부트스트랩이나 다른 유한표본 보정을 사용한다면 재표집 설계가 귀무 구조와 동일한 날짜 탐색을 재현하는지 설명하세요. 일반적인 부트스트랩이 날짜 선택이나 의존 문제를 저절로 해결하지는 않습니다.

일부러 작게 만든 가상 절편 전용 회귀에서 관측값이 다음과 같다고 합시다.

y = [0, 1, 1, 1, 1, 1, 3, 3, 3, 3, 3, 3]

관측치는 (T=12)개입니다. 설명을 위해 trimming 비율을 (arepsilon=0.25)로 두면 양쪽 구간에 적어도 3개씩 있어야 하므로, 첫 구간의 마지막 관측 시점 (k=3,ldots,9)를 후보로 둡니다. 이는 탐색 산술을 보여 주기 위한 예이며, 권장 trimming 값이나 추론 표본이 아닙니다.

전체 표본 평균은 (23/12)이고, 합동 회귀의 잔차제곱합은 다음과 같습니다.

RSS₀ = Σ yₜ² − (Σ yₜ)²/12 = 59 − 529/12 = 179/12

후보 (k=6)에서 첫 구간의 합과 제곱합은 모두 5이므로 잔차제곱합은 (5−5²/6=5/6)입니다. 두 번째 구간에는 3이 여섯 번 있어 그 잔차제곱합은 0입니다. 따라서 (RSS₁(6)=5/6)입니다. 제한은 하나이고 구간별 절편 두 개를 추정하므로, 사전 지정 시점 통계량은 다음과 같이 계산됩니다.

F(6) = [(RSS₀ − RSS₁(6))/1] / [RSS₁(6)/(12−2)] = 169

같은 방식으로 일곱 후보를 모두 계산하면 (k=3,ldots,9) 순서의 F값은 약 (7.21, 12.10, 25.28, 169.00, 20.71, 8.94, 4.59)입니다. 따라서 이 자료의 sup-F는 최댓값 169이고, 그 후보는 (k=6)입니다. 이 계산은 구성된 수열에서 어느 후보가 가장 큰지만 확인하며 p-value를 제공하지 않습니다. 날짜를 탐색했으므로 169는 일반적인 사전 지정 시점 F 분포가 아니라 설계에 맞는 탐색 보정 비표준 임계값과 비교해야 합니다.

기각은 선택한 유의수준, 검정 가정과 임계값 아래에서 허용 구간 전체의 최대 통계량이 일정한 계수 귀무모형과 맞지 않는다는 뜻입니다. 변화 시점이 하나로 정확히 식별됐다는 뜻은 아닙니다. 인접 후보의 통계량이 비슷할 수 있고, 표본 끝점, trimming, 설명변수, 공분산 방법을 바꾸면 최고점이 움직일 수 있습니다. (hat{k})를 정확한 시점처럼 제시하지 말고 후보 통계량의 형태나 적절한 날짜 불확실성 분석을 함께 보고하세요.

비기각도 계수 안정성의 증명이 아닙니다. 변화 폭이 작거나 trimming된 끝부분에 있거나 검정 제한에 포함되지 않은 계수만 변하면 검정력이 낮을 수 있습니다. 단일 변화 검정은 서로 일부 상쇄되는 여러 변화도 놓칠 수 있습니다. 반대로 이상치, 분산 변화, 누락된 동학, 자료 정의의 변경, 반복적인 모형 탐색이 불안정성 증거를 만들 수 있습니다. 이 검정은 원인이 아니라 범위가 정해진 통계적 질문에 답합니다.

최고 시점은 검정에 사용한 자료로 선택됩니다. 그 날짜를 사전에 지정된 사건 날짜처럼 간주해 보정 없이 두 번째 유의성 검정을 하고 독립적인 확인이라고 주장하지 마세요. 날짜가 예측 모형 변경이나 거래규칙에 영향을 준다면 규칙을 구체화하고 후속 자료에서 평가해야 합니다. 표본 내 sup 통계량은 이후 레짐이 지속하거나 경제적 가치가 있음을 입증하지 않습니다.

Hidden Markov 또는 레짐 전환 모형은 관측치가 전환확률에 따라 반복해서 바뀔 수 있는 잠재 상태를 따르는지 묻는 또 다른 질문입니다. 단일 미지 변화점 검정은 탐색 구간에서 한 번 발생해 이후 지속되는 분할을 다룹니다. 서로 보완적으로 쓸 수 있지만 가정과 출력은 같지 않습니다. 자세한 내용은 레짐 전환 안내를 참조하세요.

결과변수와 설명변수, 순수변화인지 부분변화인지, 검정 계수 제한, 표본 날짜와 순서, 변화 시점의 정의를 적습니다. (T), 제한 수, trimming 비율 또는 실제 후보 집합, 최소 구간 크기, 사용한 통계량이 sup-Wald, sup-F/QLR, sup-LM 또는 다른 절차인지 보고합니다. 공분산 추정량, 임계값 또는 p-value 계산법, 유한표본 정정도 포함하세요.

후보 시점별 통계량을 보여 주고, 최대값을 만든 시점을 선택된 위치로 보고하되 가능한 경우 불확실성이나 민감도도 제시합니다. 모형과 검정 설계를 사전에 정했는지, 결측치와 실시간 자료를 어떻게 처리했는지, 어떤 표본과 설명변수를 추가로 검토했는지 설명하세요. 예측을 위한 분석이라면 학습 표본 안에서만 변화 시점을 탐색하고, 수정한 모형은 이후 별도 자료로 평가합니다.

미지 변화 검정의 통계적 유의성은 사건의 원인이나 수익성 있는 레짐을 찾아 주지 않습니다. 비유의 결과도 안정성을 보증하지 않습니다. 타당한 결론은 지정한 단일 변화 대립가설, trimming 범위, 회귀식, 표본, 탐색을 반영한 추론 방법 안으로 한정됩니다.