편자기상관 (Partial Autocorrelation)

한 줄 정의: 중간 시점들의 영향을 제거하고, 특정 시차만큼 떨어진 두 시점의 값이 순수하게 얼마나 관련 있는지를 나타내는 상관계수입니다.

쉽게 풀면

오늘 기온은 어제 기온과 비슷하고, 어제 기온은 그제 기온과 비슷합니다. 그렇다 보니 오늘과 그제 기온도 상관관계가 높게 나오는데, 이건 "그제→어제→오늘"로 이어지는 연쇄 때문일 뿐, 오늘과 그제가 직접 관련 있다는 뜻은 아닐 수 있습니다. 편자기상관은 바로 이 "중간 단계를 거쳐서 생기는 간접적인 영향"을 걷어내고, 오늘과 그제만의 순수한 관계가 얼마나 되는지를 계산한 값입니다. 자기상관이 "둘 사이의 전체 관계"를 본다면, 편자기상관은 "중간을 다 빼고 순수하게 남는 관계"만 보는 셈입니다.

왜 중요한가

편자기상관은 시계열 모형에서 자기회귀(AR) 차수를 결정하는 실질적인 진단 도구로 쓰이기 때문에, 경제·금융 데이터 분석부터 기상, 생체신호 분석까지 시계열을 다루는 거의 모든 분야에서 활용됩니다. 모형의 차수를 잘못 정하면 예측력이 떨어지거나 불필요하게 복잡한 모형이 만들어질 수 있어, 편자기상관 그래프를 통한 차수 선정은 모형 설계의 신뢰도를 높이는 중요한 절차로 다뤄집니다. 또한 자기상관과 함께 살펴봄으로써 시계열 데이터 안에 어떤 종속 구조가 숨어 있는지를 진단하는 기초 도구로도 활용됩니다.

논문에서는 이렇게 쓰입니다

"편자기상관함수(PACF) 그래프에서 시차 2 이후 값이 급격히 감소하는 절단(cut-off) 패턴이 나타나 AR(2) 모형을 적합 차수로 선정하였다."

이 문장은 편자기상관 그래프를 살펴본 결과, 2시점 전까지의 값만 현재 값에 직접 영향을 준다고 판단해서 자기회귀모형의 차수를 2로 정했다는 뜻입니다.

"월별 실업률 시계열의 편자기상관함수를 분석한 결과 계절적 시차에서도 유의한 값이 나타나, 계절성을 반영한 모형이 필요함을 시사하였다."

거시경제 데이터 분석에서 편자기상관이 계절 패턴을 진단하는 데 활용된 예문이다.

"뇌파 신호의 편자기상관 구조를 분석하여 특정 주파수 대역에서의 시간적 종속성을 확인하였다."

생체신호 분석 분야에서 편자기상관이 신호의 시간적 패턴을 파악하는 데 쓰이는 사례다.

조금 더 깊게 보면

편자기상관은 흔히 유울-워커 방정식(Yule-Walker equations)이나 이와 관련된 재귀적 계산법을 통해 구해지며, 시차가 늘어날수록 중간 시점들의 영향을 순차적으로 제거하는 방식으로 계산됩니다. 실무에서는 편자기상관함수(PACF)와 자기상관함수(ACF)의 감소 패턴을 함께 비교해, PACF가 특정 시차 이후 급격히 끊기면 AR 모형이, ACF가 끊기면 MA 모형이 적합할 가능성이 높다고 해석하는 경험적 규칙이 널리 쓰입니다. 논문을 읽을 때는 이 두 그래프가 함께 제시되었는지, 그리고 신뢰구간(보통 그래프에 점선으로 표시됨)을 벗어나는 시차가 어디인지를 함께 확인하면 저자의 모형 선택 근거를 더 잘 이해할 수 있습니다.

주의할 점

편자기상관은 자기상관과 값 자체가 다르며, 두 그래프를 혼동하면 모형의 차수를 잘못 정할 수 있습니다. 보통 ARIMA 모형을 만들 때는 자기상관함수(ACF)와 편자기상관함수(PACF)를 함께 보고 AR과 MA 차수를 각각 판단합니다.