범주형 데이터에 대한 다변량 회귀형 체인 그래프 모델

초록

본 논문은 범주형 변수들을 위한 체인 그래프 모델을 제안한다. 저자들은 다변량 회귀형 마코프 속성을 정의하고, 이 속성이 기존 체인 그래프 모델과 마코프 동등함을 증명한다. 또한 일반화 선형 모델과 다변량 로지스틱 연결함수를 이용한 파라미터화 방식을 제시해 모든 독립성 제약을 포괄적으로 표현한다.

상세 분석

이 연구는 체인 그래프(chain graph)라는 복합적인 확률 그래프 구조를 범주형 데이터에 적용하는 새로운 프레임워크를 제공한다. 전통적인 베이즈 네트워크(방향성 그래프)와 마르코프 랜덤 필드(무방향성 그래프)의 장점을 결합한 체인 그래프는 블록(체인) 단위로 변수들을 나누고, 블록 내부에서는 무방향성 가장자리, 블록 간에는 방향성 가장자리를 허용한다. 기존 문헌에서는 주로 연속형 변수에 대한 체인 그래프 모델이 다루어졌으며, 독립성 구조를 기술하기 위한 여러 마코프 속성이 제안되었다. 그러나 범주형 변수에 대한 체인 그래프의 명시적 정의와 파라미터화는 아직 미비했다.

논문은 먼저 “다변량 회귀형 마코프 속성(multivariate regression chain graph Markov property)”을 정의한다. 이 속성은 각 체인 블록을 다변량 회귀 모델로 해석하고, 블록 간의 조건부 독립성을 방향성 가장자리 방향에 따라 규정한다. 구체적으로, 블록 (C)에 속한 변수 집합 (Y_C)는 그 부모 블록 (\operatorname{pa}(C))에 조건부로 독립이며, 같은 블록 내에서는 무방향성 그래프가 정의하는 마코프 특성을 따른다. 저자들은 이 정의가 기존에 제안된 “LWF(Lauritzen‑Wermuth‑Frydenberg) 마코프 속성”과 마코프 동등함을 증명한다. 즉, 두 모델이 동일한 독립성 집합을 생성하므로, 통계적 해석과 추론에 있어 교환 가능함을 보장한다.

다음으로 중요한 기여는 파라미터화이다. 저자들은 각 블록에 대해 일반화 선형 모델(GLM)의 연속체를 사용하고, 연결함수로 다변량 로지스틱(link) 함수를 채택한다. 다변량 로지스틱 함수는 다중 범주형 반응 변수를 동시에 모델링하면서, 블록 내 변수들 간의 상호작용을 자연스럽게 포함한다. 구체적으로, 블록 (C)의 조건부 확률 질량 함수는
\