비례변경 근접 캐치 다이그래프를 이용한 공간 군집 검정

초록

본 논문은 비례변경(proportional‑edge) 근접 캐치 다이그래프(PCD)의 지배수(domination number)를 이용해 다변량 공간점 패턴의 군집성(분리·연관) 검정을 제안한다. 두 클래스의 점 위치 관계를 기반으로 한 PCD의 지배수가 이항분포와 정규분포에 근사함을 증명하고, 이를 검정 통계량으로 활용한다. 몬테카를로 시뮬레이션으로 유한표본 성능을 평가하고, 대안 가설(분리·연관) 하에서의 일관성 및 최적 파라미터를 제시한다. 고차원 데이터에도 적용 가능하도록 일반화하였다.

상세 분석

이 연구는 기존의 근접 캐치 다이그래프(PCD) 이론을 확장하여, 특히 비례변경(proportional‑edge) 형태의 PCD에 초점을 맞춘다. 비례변경 PCD는 두 클래스 A와 B의 점 집합을 고려할 때, 클래스 B의 점을 정점으로 하고, 클래스 A의 점을 기준으로 각 정점에 대한 인접 영역을 정의한다. 이때 인접 영역은 기준점과 정점 사이의 거리 비율을 조절하는 파라미터 r에 의해 결정되며, r이 클수록 더 넓은 영역을 차지한다. 논문은 r과 정점 수 n에 따라 지배수 γₙ(r) 의 확률분포를 정확히 분석한다. 첫 번째 주요 결과는 한 클래스(예: A)의 크기가 고정되고 다른 클래스(B)의 크기 n이 무한대로 갈 때, γₙ(r) 가 이항분포 B(n, p(r)) 로 수렴한다는 것이다. 여기서 p(r) 은 r 에 의존하는 성공확률이며, 이는 정점이 다른 정점을 지배할 확률을 의미한다. 두 번째 결과는 두 클래스 모두 크기가 무한대로 증가할 경우, 중심극한정리에 의해 γₙ(r) 가 평균 np(r) 와 분산 np(r)(1‑p(r)) 를 갖는 정규분포로 근사된다는 점이다. 이러한 이론적 근거는 지배수를 검정 통계량으로 사용할 수 있는 기반을 제공한다.

검정 설계는 두 가지 대안 가설을 다룬다. 첫 번째는 분리(segregation) 로, 한 클래스의 점이 다른 클래스와 멀리 떨어져 군집을 형성한다는 가설이며, 두 번째는 연관(association) 로, 두 클래스가 서로 가까이 모여 군집을 이룬다는 가설이다. 각각의 경우에 대해 귀무가설인 완전무작위(CSR, complete spatial randomness) 하에서 γₙ(r) 의 기대값과 분산을 이용해 z‑통계량을 구성한다. 파라미터 r 은 검정력(power)을 최적화하도록 선택되며, 논문은 시뮬레이션을 통해 r≈1.5 가 분리 검정에, r≈0.7 가 연관 검정에 최적임을 확인한다.

또한, 실제 데이터 적용 시 발생할 수 있는 지원 제한(support restriction) 문제를 다룬다. 즉, 클래스 B 의 점이 정의된 영역 외부에 존재할 경우 인접 영역이 비정상적으로 축소되거나 확대될 위험이 있다. 이를 보정하기 위해 경계 보정(edge correction) 기법과 작은 표본에 대한 부트스트랩 재표본화 방법을 제안한다.

Monte Carlo 실험에서는 다양한 점밀도, 클래스 비율, 그리고 공간 패턴(완전무작위, Strauss, Thomas 프로세스 등)을 시뮬레이션하여 검정의 크기(type I error)와 검정력(type II error)을 평가하였다. 결과는 제안된 지배수 기반 검정이 기존의 K‑함수, nearest‑neighbor 방법보다 높은 검정력을 보이며, 특히 작은 표본( n < 30 )에서도 안정적인 성능을 유지함을 보여준다.

마지막으로, 논문은 고차원( d ≥ 2 ) 공간으로의 일반화를 논의한다. 비례변경 PCD 의 정의는 차원에 독립적으로 확장 가능하며, 지배수의 분포 특성도 동일한 형태로 유지된다. 따라서 제안된 방법은 2‑D 평면뿐 아니라 3‑D 혹은 그 이상의 다변량 데이터(예: 환경 모니터링, 유전형 데이터)에도 적용 가능하다.