자기상관 (autocorrelation)

한 줄 정의: 시계열 데이터에서 현재 값이 과거의 자기 자신(예: 하루 전, 일주일 전 값)과 얼마나 비슷하게 움직이는지를 나타내는 상관관계입니다.

쉽게 풀면

오늘 기온이 더웠다면 어제도 대체로 더웠을 가능성이 높죠. 이렇게 "오늘 값"과 "며칠 전 값" 사이에 존재하는 연관성을 자기상관이라고 합니다. 보통 상관관계는 서로 다른 두 변수(예: 키와 몸무게) 사이의 관계를 보지만, 자기상관은 "같은 변수"를 시간차를 두고 비교합니다. 예를 들어 오늘 매출과 어제 매출의 상관, 오늘 매출과 일주일 전 매출의 상관을 각각 계산해서, 데이터가 얼마나 "규칙적으로 반복되는 흐름"을 갖고 있는지 확인하는 것입니다.

왜 중요한가

시계열 데이터를 다루는 거의 모든 통계·계량경제 논문에서 자기상관은 반드시 점검해야 하는 기본 진단 항목입니다. 관측치가 시간에 따라 서로 독립이라는 가정은 회귀분석, 분산분석 등 고전적 통계 기법의 근간인데, 자기상관이 있으면 이 가정이 깨져 검정 결과 자체의 신뢰도가 흔들리기 때문입니다. 또한 주가나 센서 데이터처럼 반복되는 패턴을 예측하려는 연구에서는 자기상관 구조를 파악하는 것이 곧 예측 모형 설계의 출발점이 되므로, 금융·환경·신호처리 등 다양한 응용 분야에서 폭넓게 다뤄집니다.

논문에서는 이렇게 쓰입니다

"더빈-왓슨 검정 결과 잔차의 자기상관이 유의하게 나타나(d=1.12), 회귀모형의 독립성 가정이 위배됨을 확인했다."

이 문장은 회귀분석에서 남은 오차(잔차)들이 시간 순서상 서로 독립이어야 한다는 가정이 깨졌다는 것을 뜻합니다. 잔차에 자기상관이 있다는 것은 "오차마저도 일정한 패턴으로 반복된다"는 의미로, 모형이 시간에 따른 패턴을 충분히 설명하지 못했다는 신호입니다.

"뇌파(EEG) 신호의 자기상관 함수를 분석한 결과, 특정 지연 시간에서 뚜렷한 주기적 피크가 관찰되어 리듬성 신경 활동의 존재를 시사했다."

신호처리 및 신경과학 분야에서는 자기상관을 이용해 신호 안에 숨어 있는 주기적 패턴을 찾아냅니다. 자기상관 값이 특정 시간 간격마다 높게 나타난다면, 그 신호가 해당 주기로 반복되는 리듬을 가지고 있다는 뜻으로 해석할 수 있습니다.

"패널 데이터 분석에서 오차항의 자기상관을 통제하기 위해 강건표준오차(robust standard error)를 적용하여 추정치의 유의성을 재검증했다."

경제학이나 사회과학의 패널 데이터 분석에서는 시간에 걸쳐 반복 관측된 오차항끼리 자기상관이 발생하기 쉽습니다. 이를 그대로 두면 통계적 유의성이 과대평가될 수 있어, 자기상관의 영향을 보정한 표준오차를 사용해 결과를 다시 검증하는 절차가 흔히 쓰입니다.

조금 더 깊게 보면

실제 논문에서는 특정 시차(lag)에서의 자기상관 값만 보는 대신, 여러 시차에 걸친 자기상관 값을 나열한 자기상관함수(ACF, autocorrelation function)를 그래프나 표로 함께 제시하는 경우가 많습니다. 여기에 다른 변수의 영향을 제거하고 해당 시차만의 순수한 상관을 보는 편자기상관함수(PACF, partial autocorrelation function)를 함께 살펴보면, ARIMA 계열 모형에서 몇 차 시차까지 반영해야 하는지 판단하는 데 도움이 됩니다. 자기상관의 유의성을 통계적으로 검정할 때는 더빈-왓슨 검정 외에도 여러 시차를 한꺼번에 검정하는 융-박스(Ljung-Box) 검정 등이 대체로 함께 언급됩니다.

주의할 점

회귀분석이나 분산분석 같은 일반적인 통계 기법은 관측치들이 서로 독립이라는 가정을 깔고 있습니다. 그런데 시계열 데이터처럼 자기상관이 존재하면 이 가정이 깨져 표준오차가 과소추정되고, 실제로는 유의하지 않은 결과를 유의한 것처럼 잘못 판단할 위험이 있습니다. 이 때문에 ARIMA 모형처럼 자기상관 구조 자체를 반영하는 모형을 사용합니다.