방향성 최근접 이웃 교차표 검정: 새로운 단일측 검정의 개발과 평가

초록

본 논문은 두 클래스 이상에서 최근접 이웃 교차표(NNCT)를 이용한 공간 상호작용 검정을 기존의 양측 검정에서 한쪽 방향(단일측) 검정으로 확장한다. 새로운 방향성 셀‑특정 검정과 전체 방향성 검정을 제안하고, 무작위 라벨링(RL) 및 완전 무작위성(CSR) 독립 가설 하에서 이론적 분포와 Monte Carlo 시뮬레이션을 통해 크기와 검정력을 비교한다. 실 데이터 예시 네 건을 통해 적용 방법을 제시하고, 실무에서의 사용 지침을 제공한다.

상세 분석

논문은 공간점 패턴 분석에서 흔히 사용되는 최근접 이웃 교차표(NNCT)를 기반으로, 기존에 주로 양측 검정으로 활용되던 방법을 단일측(방향성) 검정으로 전환하는 절차를 체계적으로 제시한다. 두 가지 귀무가설인 무작위 라벨링(RL)과 CSR 독립(CSR independence)을 명확히 구분하고, 각각에 대해 기대값과 분산을 유도한다. 기존 셀‑특정 검정은 특정 셀(예: (1,1) 혹은 (2,2))의 관측 빈도가 기대값보다 크게 혹은 작게 나타나는지를 양측으로 검정했지만, 실제 연구에서는 “분리(segregation)” 혹은 “연관(association)”이라는 방향적 가설이 더 직관적이다. 이를 위해 저자는 기존 통계량의 부호를 이용해 한쪽 꼬리 영역만을 고려하는 새로운 검정통계량 Z⁺와 Z⁻를 정의하고, 전체 교차표에 대한 방향성 검정 통계량 Q를 도입한다. 이론적 분포는 대수적 근사와 부트스트랩을 통해 검증되며, 특히 표본 크기가 작을 때는 정확한 p값을 얻기 위해 Monte Carlo 재표본추출이 필요함을 강조한다. 시뮬레이션에서는 다양한 클래스 비율, 점밀도, 그리고 공간적 상호작용 강도를 조합해 10,000번 반복 실험을 수행했으며, 결과는 새로운 방향성 검정이 기존 양측 검정과 비교해 크기 유지가 충분히 안정적이며, 특히 연관 가설에서 검정력이 현저히 향상됨을 보여준다. 또한, 두 클래스가 불균형일 때도 검정의 왜곡이 최소화되는 것을 확인했다. 실 데이터(산림 조사, 질병 발생, 토양 입자, 도시 범죄) 적용 사례에서는 기존 검정이 모호한 결과를 보인 경우에도 방향성 검정이 명확한 결론을 제공한다. 최종적으로 논문은 검정 선택 시 연구 목적(분리 vs 연관)과 데이터 특성(표본 크기, 클래스 비율)을 고려해 새로운 방향성 NNCT 검정을 우선 사용할 것을 권고한다.