소지역 추정을 위한 베이지안 반파라메트릭 모델

본 연구는 공공보건 분야에서 소지역(카운티) 수준의 건강 지표를 추정해야 하는 실무적 필요성에 주목한다. 대규모 국가 조사(NHIS)와 같은 데이터는 전체 인구에 대한 추정은 가능하지만, 개별 카운티와 같은 소규모 영역에 대해서는 표본 크기가 충분히 크지 않아 전통적인 설계 기반 추정이 불가능하다. 이러한 상황에서 기존의 베이지안 계층 모델은 랜덤 효과를 다변량 정규분포로 가정하고, 모든 소지역을 교환가능하다고 전제함으로써 “borrowing strength”를 수행한다. 그러나 미국처럼 인구·경제·문화적 다양성이 큰 국가에서는 이 가정이 과도하게 단순화될 위험이 있다. 이에 저자들은 지역 간 이질성을 보다 유연하게 모델링하기 위해 반파라메트릭 접근을 도입한다. 핵심 아이디어는 카운티별 랜덤 효과 β_i 를 디리클레 과정(DP) 기반의 정규 혼합 모델로 표현하는 것이다. 구체적으로 β_i ∼ G, G ∼ DP(α, G_0)이며, G_0 는 평균 μ_0 와 공분산 Σ_0 를 갖는 다변량 정규분포이다. DP는 무한히 많은 혼합 성분을 허용하면서도, 실제 데이터에 의해 활성화되는 성분 수는 α와 데이터에 의해 자동 조절된다. 따라서 데이터가 암시하는 군집 구조가 사후적으로 드러나며, 지역 간 상이한 특성을 자연스럽게 반영한다. 모델은 또한 설계 기반(stratum) 효과 ν_s 를 포함한다. NHIS는 복합표본 설계로, 카운티는 프라이머리 샘플링 유닛(PSU) 내에 위치하고, PSU는 다시 198개의 스트라텀으로 층화된다. 이러한 설계 정보를 반영하기 위해 ν_s 를 N(0, δ_{m(s)}^2) 로 가정하고, 메가-스트라텀(macro‑stratum) 별로 공분산을 공유한다. δ_{m}^2 는 감마 사전분포를 부여받아 완전 베이지안 추정을 가능하게 한다. 데이터 전처리 단계에서는 1993‑1994년 NHIS에서 여성의 최근 2년 내 유방촬영술 여부를 종속 변수로 설정하고, 6개의 인구통계학적 그룹(연령 30‑39, 40‑49, 50+와 인종(흑인, 비흑인) 교차)별로 로지스틱 회귀를 수행한다. 카운티 수준의 22개 사회경제적 변수 중 두 개(백인 직업 비율, 저학력 비율)와 이들 변수와 연령·인종 그룹 간의 상호작용을 포함한 모델을 구축한다. 변수 선택은 Schwartz’s criterion와 전진 선택법을 이용해 최적의 조합을 도출하였다. 모델 구조는 다음과 같다. - 관측값 y_{sid} ∼ Binomial(n_{sid}, p_{sid}) - 로짓(p_{sid}) = x_{sid}′β + β_{sid} + ν_{s(i)} - β_i ∼ DP 혼합 정규분포 (반파라메트릭) - ν_s ∼ N(0, δ_{m(s)}^2) 베이지안 추정은 Gibbs 샘플링과 Metropolis‑Hastings를 결합해 수행한다. DP 혼합의 클러스터 할당은 Chinese Restaurant Process(CRP) 메커니즘을 이용해 샘플링하고, 각 클러스터의 평균·공분산은 정규‑역와이샤트 사전을 사용해 업데이트한다. 하이퍼파라미터 α와 G_0 의 하이퍼파라미터는 감마·정규 사전을 부여해 데이터에 의해 학습된다. 실증 결과는 다음과 같다. 파라메트릭 베이스라인 모델(β_i ∼ N(μ, Σ))에 비해 DP 혼합 모델은 사후 평균 추정치의 표준오차가 전반적으로 감소했으며, 특히 표본 크기가 작고 변동성이 큰 카운티에서 그 차이가 두드러졌다. 클러스터링 결과는 지리적·사회경제적 특성이 유사한 카운티들이 동일 클러스터에 할당되는 경향을 보였으며, 이는 모델이 실제 데이터 구조를 효과적으로 포착함을 의미한다. 또한, 외부 검증을 위해 일부 카운티의 실제 유방촬영률과 비교했을 때, DP 모델의 예측이 더 정확한 것으로 나타났다. 결론적으로, 본 논문은 소지역 추정에서 지역 간 이질성을 반영하기 위한 강력한 통계적 도구를 제시한다. DP 기반 반파라메트릭 모델은 사전 가정에 대한 민감도를 낮추고, 데이터가 제시하는 복잡한 군집 구조를 자동으로 학습함으로써, 정책 입안자와 보건 관리자가 보다 신뢰할 수 있는 소규모 지역별 지표를 제공한다. 향후 연구에서는 공간적 상관 구조를 추가하거나, 시간적 변화를 포함한 동적 DP 모델을 확장하는 방향이 제시된다.