전이학습 기반 범주형 Target-PCA

국문 초록 (Abstract)

전이학습 기반 Target-PCA는 보조 패널 정보를 활용해 타겟 패널의 공통 요인을 효율적으로 추정하지만, 타겟이 범주형으로 관측되는 경우 직접 적용하기 어렵다. 본 논문은 명목형·순서형 타겟을 FACTALS (Factor Analysis via Alternating Least Squares)로 최적 수치화한 뒤, 보조 패널과 가중 결합하여 요인을 추정하는 범주형 Target-PCA를 제안한다. 이를 통해 범주 구조를 보존하면서도 Target-PCA와 동일한 분석 틀에서 요인 분석을 수행할 수 있다. 모의실험에서는 타겟에 약한 요인이 존재하거나 패널 간 잡음비가 변하는 다양한 환경에서 잠재 연속 타겟을 직접 관측할 수 있다고 가정한 기존선 Target-PCA와 비교했을 때, 상대 평균제곱오차가 일정 수준의 손실을 보이지만 전반적으로 양호한 성능을 유지하였다. 타겟 가중치 선택에 대해서도 넓은 안정 구간을 나타냈다. 또한 타겟이 시간축에서 간헐적으로만 관측되는 경우에도 결측 시점의 공통 성분 복원 결과가 전반적으로 안정적이었다. 실증 분석에서는 미국 SLOOS 지수를 타겟, FRED 거시·금융 변수를 보조 패널로 사용하였으며, 15% 무작위 마스킹 실험에서 기존 방법보다 낮은 RMSE와 작은 분산을 기록하였다. 또한 추정된 요인을 이용해 복원한 월별값은 제안 방법이 범주형 타겟 자료를 다루는 데 유용한 도구가 될 수 있음을 보여준다.

다국어 초록 (Multilingual Abstract)

Target-PCA leverages an auxiliary panel to estimate common factors for a target panel, but it is not directly applicable when the target is categorical. We propose Categorical Target-PCA, which quantifies nominal and ordinal targets via FACTALS (Factor Analysis via Alternating Least Squares) and then estimates factors from a weighted combination of the quantified target and auxiliary panels, preserving categorical structure within the Target-PCA framework. In simulations, the proposed method shows only a moderate loss in relative MSE compared to an oracle Target-PCA that observes the latent continuous target, while remaining stable over a wide range of weighting-parameter values. It also robustly reconstructs common components when the target is intermittently observed over time. In an empirical study using the U.S. SLOOS index as the target and FRED macro–financial variables as the auxiliary panel, a 15% random masking experiment yields lower RMSE and smaller variance than existing methods, supporting its practical usefulness for categorical target panels.

목차 (Table of Contents)

• 1. 서론 1
• 2. 문헌연구 4
• 2.1 Principal Component Analysis (PCA) 4
• 2.2 Target-PCA 6
• 2.2.1 Target-PCA의 기본 개념 및 목적 6
• 2.2.2 Target-PCA의 수식적 프레임워크 7
• 2.2.3 Target-PCA에서의 γ 역할 및 전이학습 관점 9
• 2.3 범주형 타겟 변수의 정량화 12
• 2.3.1 Polychoric Correlation 기반 접근 12
• 2.3.2 Categorical PCA 및 관련 방법들 13
• 2.3.3 FACTALS: 잠재 요인 기반 정량화 13
• 3. 전이학습 기반 범주형 Target-PCA 16
• 3.1 분석 구조 및 기본 표기 16
• 3.2 범주형 Target-PCA 18
• 3.2.1 FACTALS 기반 타겟 정량화의 필요성 및 목적 18
• 3.2.2 범주형 Target-PCA 추정 절차 및 알고리즘 19
• 4. 모의실험 22
• 4.1 데이터 생성 과정(DGP) 22
• 4.2 모의실험 1: 타겟 패널에 약한 요인이 존재하는 경우 25
• 4.3 모의실험 2: 잡음 비율에 따른 최적 가중치의 효율성 29
• 4.4 모의실험 3: 타겟 패널에 결측이 존재하는 경우 31
• 5. 실증자료 분석 34
• 5.1 사용 데이터 34
• 5.2 분석 설정 35
• 5.3 분석 결과 37
• 6. 결론 및 논의점 42
• 참고문헌 44