베이지안 구조적 시계열(BSTS)은 시계열 데이터를 모델링하고 예측하기 위한 통계적 프레임워크이다. 이는 상태 공간 모델과 베이지안 추론을 통합하여 시계열을 추세, 계절성, 회귀 성분으로 분해할 수 있게 하며, 모든 모수에 대한 완전한 사후 분포를 제공한다. 이 접근법은 결측 데이터 처리, 사전 정보 통합, 예측 및 인과 효과 추정에서의 불확실성 정량화 능력으로 특히 가치가 있다.
이 방법은 2010년대 중반 학술 연구와 오픈소스 구현, 특히 Google이 개발한 CausalImpact 패키지를 통해 널리 알려졌다. BSTS는 계량경제학, 역학, 마케팅 분석과 같은 분야에서 표준 도구가 되었으며, 여기서 개입이나 사건이 시계열에 미치는 영향을 이해하는 것이 중요하다. 그 유연성과 확률적 특성은 정상성을 요구하고 모수를 고정된 값으로 취급하는 ARIMA와 같은 고전적 시계열 방법과 구별된다.
핵심 구성 요소
BSTS 모델은 상태 공간 표현에 기반하며, 관측된 시계열 \( y_t \)는 잠재 상태 벡터 \( \alpha_t \)의 함수로 표현된다. 관측 방정식은 일반적으로 \( y_t = Z_t^T \alpha_t + \varepsilon_t \)이며, 상태는 \( \alpha_{t+1} = T_t \alpha_t + R_t \eta_t \)에 따라 진화하고, 오차 항 \( \varepsilon_t \)와 \( \eta_t \)는 가우시안으로 가정된다. 상태 벡터는 여러 구성 요소를 포함할 수 있다: 국소 선형 추세, 계절성 구성 요소(종종 푸리에 항 또는 더미 변수로 모델링됨), 외부 예측 변수에 대한 회귀 계수.
핵심 특징은 회귀 계수에 스파이크-앤-슬랩 사전 분포를 사용하는 것이다. 이 사전 분포는 모델이 자동으로 변수 선택을 수행하여 관련 없는 계수를 0으로 축소하면서 중요한 예측 변수를 유지할 수 있게 한다. 이는 잠재적 공변량의 수가 표본 크기에 비해 클 때 특히 유용하며, 이는 관측 연구에서 흔한 시나리오이다.
베이지안 추론 및 계산
BSTS의 추론은 마르코프 체인 몬테카를로(MCMC) 방법, 일반적으로 깁스 샘플링을 통해 수행된다. 상태 공간 구조는 칼만 필터와 평활화기를 통해 잠재 상태의 효율적인 샘플링을 가능하게 하며, 회귀 계수와 분산 모수는 조건부로 업데이트된다. 베이지안 접근법은 모든 양에 대한 사후 분포를 산출하여 예측 및 효과 추정에 대한 신뢰 구간을 제공한다.
실용적인 장점 중 하나는 결측 관측치의 자연스러운 처리이다. 상태 공간 프레임워크에서 결측 값은 잠재 변수로 취급되며 샘플링 과정에서 대체되어 별도의 대체 단계가 필요하지 않다. 이는 보고 지연이나 데이터 수집 문제로 인한 공백이 있는 실제 데이터 세트에 특히 유리하다.
인과 영향 분석
BSTS의 주요 응용 분야는 CausalImpact R 패키지에서 구현된 인과 영향 추정이다. 이 방법은 개입 전 기간 동안 일련의 대조 시계열에 BSTS 모델을 적합하여 처리 단위에 대한 합성 대조군을 구성한다. 모델은 처리된 시계열과 대조군 간의 관계를 학습한 후 개입 후 기간에 대한 반사실적 결과를 예측한다. 관측 값과 예측 값의 차이는 불확실성 구간과 함께 인과 효과의 추정치를 제공한다.
이 접근법은 마케팅 캠페인, 정책 변경 또는 공중 보건 개입의 효과를 평가하는 데 널리 사용되었다. 예를 들어, 연구자들은 광고 지출이 매출에 미치는 영향이나 새로운 법이 교통 사고에 미치는 효과를 측정하는 데 적용했다. 이 방법의 강점은 무작위 실험 없이도 추세와 계절성을 설명할 수 있는 능력에 있다.
소프트웨어 구현
여러 소프트웨어 패키지가 BSTS를 구현한다. Google이 2014년에 출시한 원래 CausalImpact 패키지는 R에서 여전히 인기가 있다. Google의 bsts R 패키지는 사용자 정의 상태 공간 모델을 구축하기 위한 더 일반적인 프레임워크를 제공한다. Python에서는 pycausalimpact 라이브러리가 CausalImpact의 포트를 제공하며, statsmodels 라이브러리에는 일부 상태 공간 기능이 포함되어 있지만 베이지안 변수 선택에 대한 강조는 덜하다.
이러한 도구는 진입 장벽을 낮추어 베이지안 통계에 대한 깊은 전문 지식이 없는 실무자도 BSTS를 적용할 수 있게 했다. 그러나 사용자는 여전히 계절성 구성 요소의 수나 회귀 계수에 대한 사전 분포와 같은 모델링 선택을 해야 하며, 이는 결과에 영향을 미칠 수 있다.
한계 및 고려 사항
BSTS는 MCMC 샘플링으로 인해 고전적 방법에 비해 계산 집약적이며, 특히 긴 시계열이나 많은 공변량의 경우 더욱 그렇다. 신뢰할 수 있는 사후 추정을 보장하려면 수렴 진단이 필요하다. 이 방법은 또한 선형성과 가우시안 오차를 가정하는데, 이는 계수 데이터나 고도로 왜곡된 분포에는 적합하지 않을 수 있으며, 포아송 및 기타 패밀리에 대한 확장이 존재한다.
또 다른 한계는 인과 응용에서 대조 시계열 선택에 의존한다는 점이다. 대조군이 좋은 예측 변수가 아니거나 개입 자체의 영향을 받는 경우 반사실적 추정치가 편향될 수 있다. 이러한 어려움에도 불구하고 BSTS는 전통적인 계량경제학과 현대 머신 러닝 접근법 사이의 격차를 메우는 견고하고 유연한 도구로 남아 있다.
관련 개념
BSTS는 특히 예측 응용 분야에서 Machine learning 및 Artificial intelligence의 더 넓은 분야와 관련이 있다. 이는 시간적 의존성을 처리하는 Sequence-to-Sequence (Seq2Seq) 모델 및 Encoder-Decoder Architecture 아키텍처와 개념적 공통점을 공유하지만, BSTS는 해석 가능성과 불확실성 정량화를 강조한다. 이 방법은 결측 데이터 대체가 핵심 기능이므로 Data Augmentation 기술과도 연결된다. Generative AI의 맥락에서 BSTS는 현실적인 반사실적 시나리오를 생성하는 데 사용될 수 있지만, 신경망 기반 접근법은 아니다.