숨은 인구 규모 추정을 위한 제로 절단 모델의 공변량 보정

초록

본 논문은 제로 절단 포아송 모델을 기반으로 한 인구 규모 추정법을 재검토하고, Zelterman 추정량을 최대우도 추정으로 재해석함으로써 로지스틱 회귀를 통한 공변량 보정을 가능하게 한다. 두 실제 사례(방콕 마약 사용자와 네덜란드 불법 이민자)에 적용한 결과, 관측되지 않은 이질성이 큰 경우에도 안정적인 추정이 이루어짐을 확인하였다.

상세 분석

Zelterman 추정량은 기존 문헌에서 “희소 데이터에 강인한” 방법으로 알려져 있으나, 그 수학적 근거가 명확히 제시되지 않은 경우가 많았다. 저자들은 이 추정량을 ‘지역적으로 절단된’ 포아송 분포의 최대우도 추정(MLE)으로 재구성한다. 구체적으로, 관측된 카운트가 1 이상인 경우에만 데이터가 존재하므로, 원래 포아송 확률 질량함수를 0을 제외한 형태로 정규화한다. 이 정규화된 확률은 결국 이항형식으로 변환될 수 있으며, 이는 로지스틱 회귀 모델에 바로 적용 가능함을 의미한다. 따라서 개별 관측치에 대한 공변량(예: 연령, 성별, 지역 등)을 포함시켜 확률을 조건부로 모델링함으로써, 관측되지 않은 이질성(heterogeneity)을 부분적으로 보정할 수 있다.

반면 Chao 추정량은 두 번째와 세 번째 빈도( f2, f3 등)를 이용해 하한을 제공하는 방식인데, 이는 절단된 포아송 구조와 직접적인 연결고리를 찾기 어렵다. 저자들은 Chao 추정량을 동일한 MLE 프레임워크에 포함시키려 했으나, 로그우도 함수가 비선형적이며 공변량을 포함시키는 일반화가 수학적으로 불가능함을 확인한다.

실증 분석에서는 방콕의 마약 사용자 데이터와 네덜란드의 불법 이민자 데이터를 사용하였다. 두 사례 모두 0 접촉(즉, 리스트에 전혀 나타나지 않은) 인구를 추정해야 하는 전형적인 제로 절단 상황이다. 로지스틱 회귀를 통한 Zelterman 추정은 기존 단순 추정에 비해 표준오차가 감소하고, 공변량 효과를 명시적으로 해석할 수 있게 해준다. 특히, 연령대별 혹은 지역별 차이가 큰 경우(예: 젊은 층이 더 자주 치료기관을 방문)에도 추정값이 크게 왜곡되지 않는다.

결론적으로, 제로 절단 카운트 데이터에 대한 인구 규모 추정에서 Zelterman 방법을 MLE 기반으로 재구성하고, 공변량을 포함한 로지스틱 회귀 확장판을 제시함으로써, 관측되지 않은 이질성에 대한 강인성을 유지하면서도 보다 정교한 추정이 가능함을 입증하였다. 이는 보건·사회 정책 분야에서 ‘숨은’ 인구를 파악하고 자원을 효율적으로 배분하는 데 실질적인 도구가 될 수 있다.