기본 콘텐츠로 건너뛰기

pandas_ta를 적용한 통계적 인덱스 지표

[data analysis]상관분석(Correlation analysis)

상관분석(Correlation analysis)

상관분석은 두 개 이상의 자료에 대한 상관 관계를 분석하는 것으로 분석의 모수는 상관계수(ρ)가 됩니다. 식 1에서 나타낸 것과 같이 분석의 귀무가설은 ρ = 0입니다. 다시 말해 비교하는 자료들 사이의 상관성은 존재하지 않음을 검정하는 것입니다.

H0 : ρ = 0, H1 : ρ ≠ 0 (식 1)

일반적으로 상관계수는 ρ 또는 r로 나타냅니다.

상관계수(r)에 대한 분포는 평균 0이며 범위는 [-1, 1] 이므로 그 분포의 분산은 1 - r2 로 나타낼 수 있습니다. 이 확률변수는 경계값과 평균이 고정되므로 자유도는 n - 2인 t분포를 따릅니다. 그러나 자유도가 클 경우는 정규분포를 적용합니다. 확률변수의 표준오차와 검정통계량은 식 2로 계산됩니다.

\begin{align}\text{SE}&=\sqrt{\frac{1-r^2}{n-2}}\\ \text{statistic}& = \frac{r-\mu_r}{\sqrt{\frac{1-r^2}{n-2}}}\\ & = \frac{r}{\sqrt{\frac{1-r^2}{n-2}}}\\ \text{SE}:&\,\text{표준오차}\end{align} (식 2)

식 2에서의 검정통계량은 상관계수를 표준화한 것으로 표준 정규분포 또는 표준 t 분포를 기반으로 검정합니다. 검정에 t-분포 또는 정규분포를 적용할 경우 통계량은 상관계수가 됩니다.

예 1)

일정기간의 kos와 ex의 일일 종가에 대한 상관분석을 실시합니다.

ex kos
0 1260.91 2218.68
1 1270.10 2255.98
2 1279.08 2264.65
3 1271.08 2289.97
4 1274.18 2350.19
5 1252.88 2351.31

다음은 위 자료를 생성하기 위한 코드입니다.

st=pd.Timestamp(2023,1,1)
et=pd.Timestamp(2024, 5, 30)
kos=fdr.DataReader('KS11', st, et)["Close"]
ex=fdr.DataReader('USD/KRW',st, et)["Close"]
data=pd.concat([ex, kos.shift(periods=-1)], join="inner", axis=1)
data.index=range(len(data))
data.columns=['ex', 'kos']
data=data.dropna()

자료의 ex와 kos간의 스케일차이를 조정하기 위해 표준화를 실시합니다. sklearn.preprocessing.StandardScaler() 함수를 적용합니다.

from sklearn.preprocessing import StandardScaler
scaler=StandardScaler().fit(data)
da=scaler.transform(data)
print(np.around(da[:3, :], 3))
[[-1.666 -2.981]
 [-1.385 -2.637]
 [-1.112 -2.557]]

객체 da의 두 변수에 대한 상관 행렬은 np.corrcoef() 메서드를 적용합니다.

corMat=np.corrcoef(da, rowvar=False)
print(np.around(corMat, 3))
[[1.    0.357]
 [0.357 1.   ]]

검정 통계량에 대한 z 검정을 실시합니다. 귀무가설의 상관계수가 0이므로 평균 0, 표준오차에 대한 정규분포를 기준으로 p-value를 계산하면 다음과 같습니다.

r=corMat[1,0]
df=len(da)-2
se=np.sqrt((1-r**2)/df)
print(f"표준오차: {round(se, 3)}, static: {round(r, 3)}")
표준오차: 0.051, static: 0.357
pValue=2*stats.norm.cdf(r, 0, se)
print("p-value: %.3f" %pValue)
p-value: 0.000

위 결과인 유의확률(p-value)은 상관계수의 평균 0, 표준오차 se의 분포 상에서 매우 극단적인 경우로 귀무가설 r = 0을 채택할 수 없음을 나타냅니다. 즉, 두 자료의 상관성은 존재한다고 할 수 있습니다. 이 결과는 그림 1로 명확해집니다.

그림 1. Ex-Kos의 산점도
fig, ax=plt.subplots(figsize=(4,3))
ax.scatter(da[:,0], da[:,1], s=10, color="green")
ax.spines["left"].set_position("center")
ax.spines["right"].set_visible(False)
ax.spines["top"].set_visible(False)
ax.spines["bottom"].set_position(("data",0))
ax.set_xlabel("ue(%)", fontsize=13, fontweight="bold")
ax.set_ylabel("vix(%)", fontsize=13, fontweight="bold")
ax.xaxis.set_label_coords(0.9, 0.45)
ax.yaxis.set_label_coords(0.55, 0.9)
plt.show()

신뢰구간은 추정값이 포함될 수 있는 확률변수의 범위입니다. 상관계수의 경우는 [-1, 1]사이의 값들로서 정규분포나 t분포의 확률변수를 그대로 적용할 수 없습니다. 그러므로 상관계수는 Fisher 변환방법으로 변환한 후 다음 방법으로 신뢰구간을 결정합니다.

  1. Fisher 변환으로 확률변수 변환
    • $z_r=\frac{\ln\left(\frac{1+r}{1-r}\right)}{2}$
  2. 변환된 확률변수의 표준편차
    • $s=\frac{1}{\sqrt{n-3}}$
  3. 정규분포의 통계량을 사용하여 신뢰구간을 계산 (신뢰구간 하한: L, 상한: U)
    • $\text{신뢰구간}=z_r \pm Z_{1-\frac{\alpha}{2}}\cdot s$
  4. 위의 신뢰구간을 상관계수의 스케일로 환원
    • $\begin{align}\text{하한}&=\frac{e^{2L}-1}{e^{2L}+1}\\\text{상한}&=\frac{e^{2U}-1}{e^{2U}+1}\end{align}$
z=np.log((1+r)/(1-r))/2
round(z, 3)
0.374
n=len(data)
L, U=z-1.96/np.sqrt(n-3), z+1.96/np.sqrt(n-3)
print('하한: %.3f, 상한: %.3f' %(L, U))
하한: 0.267, 상한: 0.480

위 결과는 변환된 스케일로 상관계수의 범위인 [-1,1]의 스케일로 환원이 필요합니다.

L1,U1=(np.exp(2*L)-1)/(np.exp(2*L)+1), (np.exp(2*U)-1)/(np.exp(2*U)+1)
print('신뢰하한: %.3f, 신뢰상한: %.3f' %(L1, U1))
신뢰하한: 0.261, 신뢰상한: 0.446

위 결과 신뢰구간은 0을 포함하지 않으며 -1의 방향으로 치우져 있습니다. 그러므로 상관계수 = 0 이라는 귀무가설을 기각할 수 있으며 두변수는 강한 역관계에 있음을 나타냅니다.

위 분석은 stats.pearsonr(x, y) 함수를 사용하여 중간 과정없이 분석 결과를 확인할 수 있습니다. 이 함수의 결과 중 신뢰구간은 .confidence_interval(confidence_level=0.95) 메소드로 확인할 수 있습니다.

re=stats.pearsonr(da[:,0], da[:,1])
print(f"statistic: {re[0].round(3)}, p-value: {re[1].round(3)}")
statistic: 0.357, p-value: 0.0
ci=re.confidence_interval(0.95)
print(f"신뢰하한: {ci[0].round(3)}, 신뢰상한: {ci[1].round(3)}")
신뢰하한: 0.261, 신뢰상한: 0.446

댓글

이 블로그의 인기 게시물

[Linear Algebra] 유사변환(Similarity transformation)

유사변환(Similarity transformation) n×n 차원의 정방 행렬 A, B 그리고 가역 행렬 P 사이에 식 1의 관계가 성립하면 행렬 A와 B는 유사행렬(similarity matrix)이 되며 행렬 A를 가역행렬 P와 B로 분해하는 것을 유사 변환(similarity transformation) 이라고 합니다. $$\tag{1} A = PBP^{-1} \Leftrightarrow P^{-1}AP = B $$ 식 2는 식 1의 양변에 B의 고유값을 고려한 것입니다. \begin{align}\tag{식 2} B - \lambda I &= P^{-1}AP – \lambda P^{-1}P\\ &= P^{-1}(AP – \lambda P)\\ &= P^{-1}(A - \lambda I)P \end{align} 식 2의 행렬식은 식 3과 같이 정리됩니다. \begin{align} &\begin{aligned}\textsf{det}(B - \lambda I ) & = \textsf{det}(P^{-1}(AP – \lambda P))\\ &= \textsf{det}(P^{-1}) \textsf{det}((A – \lambda I)) \textsf{det}(P)\\ &= \textsf{det}(P^{-1}) \textsf{det}(P) \textsf{det}((A – \lambda I))\\ &= \textsf{det}(A – \lambda I)\end{aligned}\\ &\begin{aligned}\because \; \textsf{det}(P^{-1}) \textsf{det}(P) &= \textsf{det}(P^{-1}P)\\ &= \textsf{det}(I)\end{aligned}\end{align} 유사행렬의 특성 유사행렬인 두 정방행렬 A와 B는 'A ~ B' 와 같...

유리함수 그래프와 점근선 그리기

내용 유리함수(Rational Function) 점근선(asymptote) 유리함수 그래프와 점근선 그리기 유리함수(Rational Function) 유리함수는 분수형태의 함수를 의미합니다. 예를들어 다음 함수는 분수형태의 유리함수입니다. $$f(x)=\frac{x^{2} - 1}{x^{2} + x - 6}$$ 분수의 경우 분모가 0인 경우 정의할 수 없습니다. 이와 마찬가지로 유리함수 f(x)의 정의역은 분모가 0이 아닌 부분이어야 합니다. 그러므로 위함수의 정의역은 분모가 0인 부분을 제외한 부분들로 구성됩니다. sympt=solve(denom(f), a); asympt [-3, 2] $$-\infty \lt x \lt -3, \quad -3 \lt x \lt 2, \quad 2 \lt x \lt \infty$$ 이 정의역을 고려해 그래프를 작성을 위한 사용자 정의함수는 다음과 같습니다. def validX(x, f, symbol): ① a=[] b=[] for i in x: try: b.append(float(f.subs(symbol, i))) a.append(i) except: pass return(a, b) #x는 임의로 지정한 정의역으로 불연속선점을 기준으로 구분된 몇개의 구간으로 전달할 수 있습니다. #그러므로 인수 x는 2차원이어야 합니다. def RationalPlot(x, f, sym, dp=100): fig, ax=plt.subplots(dpi=dp) # ② for k in x: #③ x4, y4=validX(k, f, sym) ax.plot(x4, y4) ax.spines['left'].set_position(('data', 0)) ax.spines['right...

turtle로 정오각형 그리기

정오각형 그리기  오각형을 그리는 것 역시 정사각형 , 정삼각형 을 그리는 것과 유사한 과정을 거칩니다. 단지 각 꼭지점의 각도만이 다르지요. 그러면 정오각형의 각 모서리의 각도는 어떻게 될까요? 이를 생각하기에 앞서 각 도형의 내각을 먼저 생각해보죠. 우리는 삼각형의 내각의 합을 알고 있습니다. 이를 이용하면 각 도형에서 삼각형이 몇개가 존재하는지를 알아보고 "삼각형의 갯수×180"로 그 도형의 내각의 합을 구할 수 있을 것입니다. 다음 그림을 볼까요? 위 그림의 사각형은 1개의 대각선으로 2개의 삼각형으로 구성됩니다. 오각형의 경우 2개의 대각선으로 3개의 삼각형으로 구성됩니다. 즉, 다음의 관계를 보이지요. 사각형의 내각 : 삼각형 2개 2×180=360 한각의 값  360/4=90 오각형의 내각 : 삼각형 3개 3×180=540 한각의 값  540/5=108 육각형의 내각 : 삼각형 4개 4×180=720 한각의 값  720/6=120 ... 위 그림에서 내각과 외각의 관계를 보면 위 그림의 검은색은 각 모서리의 내각이고 빨간색은 외각을 나타냅니다. 외각은 내각을 이루는 하나의 선을 연장했을 경우 상대되는 각도이라고 했습니다. 그러므로 오각형의 경우 내각 108도에 대한 외각은 72도입니다. 특이할 사항은 사각형이나 오각형이나 외각의 합은 360입니다. 즉, 모든 도형의 외각의 합은 360도입니다. (삼각형의 외각의 합을 구해보세요.) 그러므로 모든 정다각형에서 하나의 외각은 다음과 같이 계산될 수 있겠지요. 360/변수의 수=다각형에서 하나의 외각 위에서 회전을 할 경우 내각이 아닌 외각을 사용해야 함을 알았습니다. 그러므로 오각형을 그리는 계획은 다음과 같이 작성할 수 있겠죠. 1) 지정한 길이만큼 앞으로 이동합니다. 2) 오른쪽 또는 왼쪽으로 72도를 회전합니다. 3) 앞으로 동일한 길이만큼 이동합니다. 4) 오른쪽 또는 왼쪽으로 72도 만큼 이동합니다. 5)1번부터 4번 ...