함수형 데이터 분석을 위한 인터랙티브 시각화 도구, refund.shiny

이 논문은 함수형 데이터 분석(FDA) 분야에서 시각화가 차지하는 중요성을 강조하고, 기존의 정적 그래프 생성이 연구자에게 주는 시간적·노력적 부담을 해소하기 위해 refund.shiny 패키지를 소개한다. refund.shiny는 R 기반의 refund 패키지와 연동되어, FPCA, 다층 FPCA(MFPCA), 시간변화 FPCA(TV‑FPCA), 함수‑대‑스칼라 회귀(FoSR) 등 네 가지 주요 FDA 기법에 대한 인터랙티브 시각화 환경을 자동으로 구축한다. 논문은 먼저 함수형 데이터와 그 분석 기법들의 기본 개념을 정리한다. 함수형 데이터는 시간·공간 등 연속적인 도메인 위에서 측정된 곡선, 이미지 등을 의미하며, FPCA는 이러한 데이터의 변동을 주성분 함수와 개별 점수로 분해한다. 다층 구조 데이터에서는 피험자 수준과 방문 수준의 변동을 동시에 모델링하는 MFPCA가 필요하고, 장기간 추적 데이터에서는 실제 방문 시점 T를 고려한 TV‑FPCA가 보다 현실적인 모델링을 제공한다. 또한, 스칼라 공변량이 존재할 경우 함수‑대‑스칼라 회귀를 통해 각 공변량이 시간에 따라 어떻게 반응에 영향을 미치는지를 추정한다. 각 분석 방법에 대해 refund.shiny가 제공하는 시각화 인터페이스를 상세히 설명한다. `plot_shiny()` 함수를 호출하면 다섯 개(또는 두 개)의 탭으로 구성된 UI가 나타난다. 1. **FPCA**: - 탭 1: 평균 함수 μ(t)와 선택된 주성분 ψ_k(t)의 ±q·λ_k·ψ_k(t) 시각화, 드롭다운으로 k 선택. - 탭 2: 고유값 λ_k와 설명된 분산 비율의 스크리 플롯. - 탭 3: 점수 c_k를 슬라이더로 조정해 가상의 피험자 곡선 μ(t)+∑c_kψ_k(t) 확인. - 탭 4: 개별 피험자에 대한 관측값과 적합값 비교 플롯. - 탭 5: 점수 산점도와 선택된 점수에 해당하는 곡선 매핑; 박스 선택으로 서브셋 강조. 2. **MFPCA**: FPCA와 동일한 탭 구성을 유지하되, 각 탭에 수준(L=1,2) 전환 인셋 탭을 추가한다. 이를 통해 피험자 수준과 방문 수준의 주성분을 독립적으로 탐색하고, 해당 수준의 점수 산점도와 적합곡선을 확인한다. 3. **TV‑FPCA**: - 탭 1: 관측 곡선과 전체 평균 곡선 표시, 배경에 전체 데이터 시각화 옵션, 관측 곡선 강조 슬라이더. - 서브탭 2: 선택 피험자의 방문 시점에 따른 곡선 변화를 애니메이션 슬라이더로 탐색. - 서브탭 3: 방문 시점 T의 히스토그램과 시간선 상의 방문 분포 시각화, 데이터의 시간적 불균형 파악. - 탭 2: 평균 표면 μ(t,T), 주변 공분산 Σ(s,t), 고유함수 ψ_k(t)와 그 변동 범위, 고유값 스크리 플롯, 시간변화 점수 c_ik(T)의 공분산, 특정 피험자에 대한 점수 예측, 전체 곡선 Y_i(·,T) 예측을 각각 정적 이미지와 애니메이션으로 제공한다. 4. **함수‑대‑스칼라 회귀(FoSR)**: 회귀 계수 함수 β_k(t)를 곡선 형태로 시각화하고, 선택된 스칼라 변수에 대한 회귀 효과를 실시간으로 확인한다. 모델에 변수를 추가·제거하면 β_k(t)와 잔차 곡선이 즉시 업데이트된다. 각 모듈은 분석 단계와 시각화 단계를 명확히 분리한다. 분석은 refund 패키지의 함수(fpca.sc, mfpca.sc, fpca.lfda 등)로 수행하고, 결과 객체를 `plot_shiny()`에 전달하면 최신 결과가 반영된 인터랙티브 UI가 자동 생성된다. 따라서 분석 파라미터(예: 주성분 수, 회귀 변수) 변경 시 그래프를 일일이 다시 코딩할 필요가 없으며, 사용자는 UI 내에서 드롭다운, 슬라이더, 클릭‑드래그 등을 통해 즉시 결과를 탐색한다. 논문은 DTI(확산 텐서 영상) 데이터셋을 사례로 사용해 각 모듈의 실제 적용 과정을 보여준다. DTI 데이터는 다중 방문을 가진 다층 구조이며, 각 방문에서 백색질 섬유 트랙의 연속적인 프로파일을 측정한다. 이를 통해 FPCA, MFPCA, TV‑FPCA, FoSR 각각의 시각화가 어떻게 데이터의 특성을 드러내는지 구체적인 스크린샷과 설명을 제공한다. 마지막으로 패키지 구조와 구현 세부 사항을 간략히 소개하고, 인터랙티브 시각화가 탐색적 데이터 분석(EDA)과 결과 전달에 미치는 긍정적 영향을 논의한다. 저자는 시각화 장벽을 낮춤으로써 연구자가 모델을 빠르게 시험하고, 비전문가와의 커뮤니케이션을 원활히 할 수 있다고 주장한다. 결론적으로 refund.shiny는 함수형 데이터 분석에서 필수적인 시각화 과정을 자동화·인터랙티브화함으로써 분석 효율성을 크게 향상시키고, 결과 해석 및 공유를 보다 직관적으로 만든다.