상관 입력 모델을 위한 지역 다항식 기반 민감도 분석

초록

본 논문은 입력 변수 간 상관관계가 존재할 때 전통적인 분산 기반 민감도 지수를 추정하기 위한 새로운 두 가지 지역 다항식 추정기를 제안한다. 제안 방법은 조건부 기대와 분산을 비모수적으로 추정한 뒤, 추가 모델 실행 없이 민감도 지수를 계산한다. 이론적 성질과 수치 예시, 실제 화학 반응 모델 적용을 통해 기존 방법보다 높은 정확도와 계산 효율성을 보인다.

상세 분석

본 연구는 입력 변수들이 독립적이지 않은 현실적인 상황에서 전역 민감도 분석을 수행하기 위한 근본적인 접근법을 제시한다. 기존의 Sobol·FAST와 같은 방법은 입력 독립성을 전제로 하여 상관 입력에 대해 적용이 제한적이며, Ratto et al.(2001)의 복제 라틴 하이퍼큐브 샘플링은 모델 실행 비용이 크게 증가한다. Jacques et al.(2004)의 다차원 민감도 지수는 입력을 독립적인 블록으로 재구성해야 하는데, 상관 구조가 복잡하면 블록 정의 자체가 불가능해 해석이 어려워진다. Oakley·O’Hagan(2004)의 베이지안 kriging 기반 접근은 조건부 밀도에 대한 정확한 형태가 알려져 있을 때는 강력하지만, 고차원에서 조건부 밀도 추정과 다중 적분이 “차원의 저주”에 봉착한다.

이에 저자들은 조건부 기대 E(Y|X_i)와 조건부 분산 Var(Y|X_i)를 직접 추정하기 위해 지역 다항식 회귀(local polynomial regression)를 활용한다. 지역 다항식은 커널 가중치를 이용해 입력 공간의 작은 이웃에서 다항식 모델을 적합함으로써, 비모수적이면서도 편향-분산 균형을 조절할 수 있는 장점을 가진다. 논문에서는 두 가지 추정기를 제안한다. 첫 번째는 1차 로컬 다항식(로컬 선형)으로 조건부 평균을 추정하고, 동일한 방식으로 조건부 분산을 추정한 뒤, 표본 평균을 이용해 전체 분산을 보정한다. 두 번째는 고차(local quadratic) 다항식을 사용해 편향을 더욱 감소시키고, 부트스트랩을 통한 표준오차 추정법을 도입한다. 두 추정기 모두 n→∞일 때 일관성(consistency)과 √n 수렴률을 갖으며, 적절한 밴드폭 선택 시 최소 평균제곱오차(MSE)가 최적화됨을 이론적으로 증명한다.

제안된 방법의 핵심 강점은 (1) 입력의 공동 분포만을 필요로 하며, 조건부 밀도 형태를 사전에 알 필요가 없다는 점, (2) 한 번의 모델 실행(입력‑출력 샘플)으로 모든 1차 민감도 지수를 동시에 추정할 수 있어 계산 비용이 크게 절감된다는 점이다. 또한, 지역 다항식은 차원에 따라 밴드폭을 자동 조정함으로써 고차원에서도 과도한 스무딩을 방지하고, 기존 커널 회귀보다 더 나은 경계 처리 성능을 보인다. 실험에서는 분석적으로 풀 수 있는 예제와 실제 화학 반응 속도 모델(다중 상관 파라미터)을 대상으로 정확도와 표본 효율성을 비교하였다. 결과는 제안 추정기가 Ratto의 복제 라틴 하이퍼큐브 방식보다 5~10배 적은 모델 평가로 동일 수준의 MSE를 달성하고, Oakley·O’Hagan의 kriging 기반 방법보다 다중 적분 오류가 현저히 낮음을 보여준다. 다만, 밴드폭 선택이 민감도 지수 추정에 큰 영향을 미치므로 교차 검증이나 데이터 기반 최적화 절차가 필수적이며, 매우 높은 차원(>20)에서는 여전히 샘플 희소성 문제가 남는다.