상태공간 모델은 확률적이거나 결정론적인 애플리케이션 모두 사용할 수 있다. 또한 연속적이거나 이산적으로 샘플링된 데이터 모두에도 적용 될 수 있다.
이 사실만으로도 상태공간 모델의 활용도와 상당한 유연성을 어느 정도 예측 할 수 있다. 특히 장점과 단점은 상태공간 모델이 가진 유연성에 의해 생긴다.
상태공간 모델에는 여러가지 장점이 있다. 특히 노이즈가 낀 데이터 자체보다 시계열에서 가장 흥미로운 노이즈한 데이터의 생성 과정과 상태를 모델링할 수 있게 해준다. 상태공간 모델에서는 가장 먼저 과정의 생성을 설명할 수 있는 인과 관계에 대한 모델을 모델링 단계에서 주입 한다. 이는 시스템의 동장방식에 대한 신뢰성 있는 지식이나 탄탄한 이론을 갖고 있는 경우에 유용하다. 또한 일반적으로 이미 익숙한 시스템의 역동성을 자세히 파악하는 데 유용하다.
상태공간 모델은 시간에 따른 상관계수 및 파라미터의 변화를 허용한다. 즉 시간에 따라 변화하는 행동을 허용한다는 뜻이다. 상태공간 모델 사용 시 데이터에 정상성이라는 조건을 부과하지 않는다. 이는 정상과정을 가정하고, 시간에 따라 변화지 않는 단 하나의 상관걔수 집합으로 모델링된 모델과 꽤 다른 것이다.
하지만 상태공간 모델에도 단점이 있다. 때로는 강점이 약점이 되기도 한다.
- 상태공간 모델은 너무 유연해서 수많은 파라미터의 설정이 가능하다. 수많은 종류의 상태공간 모델이 존재할 수 있다. 즉, 특정 상태공간 모델을 구성하는 모든 속성이 심도 있게 연구되지 않았다고 볼 수 있다. 수업 교재나 연구 논문에서 시계열 데이터에 특화된 상태공간 모델을 거의 찾아 볼 수 없다. 해당 모델의 성능적 측면에서나 모델 개발 단계에서 실수 했을 부분에 있어서 어느 것 하나도 확실하게 정립된 사실이 없는 상태에 놓이게 된다.
- 수 많은 파라미터로 구성된 상태공간 모델은 계산적으로 매우 부담스러울 수 있다. 또한 많은 파라미터로 구성된 일부 상태공간 모델의 경우 과적합에 취약하다. 특히 데이터가 많지 않다면 그럴 가능성이 더 크다.
댓글 없음:
댓글 쓰기