선형 잠재 변수 모델과 lava 패키지

초록

lava 패키지는 R 환경에서 선형 잠재 변수 모델을 정의하고 추정하는 도구로, 모델 사양을 데이터와 분리하여 복잡한 계층 구조를 손쉽게 구현한다. 클러스터링된 데이터에 대한 강건 표준오차, 다집단 분석, 비선형 제약, 결측 데이터 처리, 검열·이진 관측에 대한 최대우도 추정, 도구변수 추정 등 다양한 고급 기능을 제공한다. 또한 비선형 일반화 구조방정식 모델을 위한 시뮬레이션 인터페이스를 포함한다. 논문에서는 인간 뇌의 세로토닌 수송체 측정 데이터를 활용해 패키지의 실제 적용 예를 보여준다.

상세 분석

lava 패키지는 전통적인 구조방정식 모델(SEM) 프레임워크를 확장하여 선형 잠재 변수 모델(LVM)을 보다 유연하게 다룰 수 있게 설계되었다. 가장 큰 특징은 모델 사양을 데이터 객체와 완전히 독립적으로 정의한다는 점이다. 이를 위해 lava는 ‘model object’를 사용해 변수, 경로, 제약조건 등을 선언하고, 이후 실제 데이터 프레임을 전달해 추정을 수행한다. 이러한 설계는 동일한 모델을 여러 데이터셋에 재사용하거나, 단계별 모델 확장을 할 때 코드 중복을 최소화한다.

통계적 측면에서 lava는 클러스터링된 혹은 상관된 관측치에 대해 강건 표준오차를 제공한다. 이는 일반적인 sandwich estimator를 기반으로 하며, 군집 크기가 불균형하거나 이질적인 경우에도 일관된 추정치를 제공한다. 다집단 분석 기능은 그룹별 파라미터를 자유롭게 고정하거나 공유하도록 설정할 수 있어, 구조적 불변성 검정이나 그룹 간 차이 검증에 유용하다.

비선형 파라미터 제약은 함수 형태로 정의할 수 있으며, 제약식이 미분 가능하면 자동 미분을 통해 최적화 과정에 통합된다. 이는 전통적인 SEM 패키지에서 제한적인 제약식만 허용하던 점을 크게 개선한다. 결측 데이터에 대해서는 완전 정보 최대우도(FIML)와 다중대체(MI) 방법을 모두 지원한다. 특히, 검열(censoring)과 이진(binary) 관측을 포함한 혼합형 데이터에 대해는 Tobit 모델과 프로빗/로짓 링크를 결합한 최대우도 추정을 수행한다.

도구변수(IV) 추정 기능은 내생성 문제를 해결하기 위해 2단계 최소제곱(2SLS)과 일반화 모멘트(GMM) 접근법을 제공한다. 사용자는 잠재 변수 자체를 도구변수로 지정하거나, 외생 관측 변수를 도구변수로 활용할 수 있다.

시뮬레이션 인터페이스는 lava의 모델 객체를 그대로 사용해 데이터 생성 과정을 정의한다. 사용자는 비선형 구조방정식, 비정규 오차분포, 복합 검열 메커니즘 등을 포함한 복잡한 시나리오를 손쉽게 구현하고, 반복 시뮬레이션을 통해 추정량의 편향·분산 특성을 평가한다.

논문에서 제시된 실증 예는 인간 뇌의 세로토닌 수송체(SERT) PET 스캔 데이터를 이용한다. 여기서는 다수의 지역별 결합량을 잠재 요인으로 모델링하고, 연령·성별·유전형 등 외생 변수를 포함한 다중 그룹 구조를 구축한다. 결과는 lava가 제공하는 강건 표준오차와 다그룹 비교 기능을 통해 연령에 따른 SERT 변화와 성별 차이를 정량화하는 데 성공했으며, 검열된 관측값(예: 측정 한계 초과)도 자연스럽게 처리하였다.

전반적으로 lava는 선형 잠재 변수 모델링을 위한 포괄적인 도구세트를 제공함으로써, 연구자가 복잡한 구조를 직관적으로 구현하고, 다양한 데이터 특성(클러스터링, 결측, 검열, 내생성 등)을 동시에 고려한 추정을 수행할 수 있게 한다.