네트워크 규모 차이를 보정한 통계량 비교를 위한 혼합 참조분포 모델

본 논문은 “네트워크 규모가 다른 여러 그래프에서 구조적 통계량을 어떻게 공정하게 비교할 수 있는가”라는 근본적인 질문을 다룬다. 서론에서는 사회학, 뇌과학, 조직 연구 등에서 서로 다른 규모의 네트워크를 동시에 분석하려는 필요성을 강조하고, 기존 연구가 주로 개별 네트워크 모델링에 집중해 규모 차이에 대한 직접적인 보정 방법이 부족함을 지적한다. 특히, 네트워크 통계량이 규모와 밀도에 민감하게 반응한다는 점을 시뮬레이션을 통해 실증한다. 배경에서는 사용되는 주요 통계량을 정의한다. 정규화되지 않은 중심화 지표(정도, 근접, 매개 중심성)는 Freeman의 중앙화 공식에 기반해 그래프 전체의 분산을 측정한다. 전이성(클러스터링)과 평균 최단 경로 길이, 밀도 등은 전형적인 토폴로지 지표이며, 이들 모두 “정규화”라 불리는 간단한 크기 보정(예: 최대값으로 나누기)만으로는 충분히 보정되지 않는다. 기존 문헌(Anderson et al., 1999; Van Wijk et al., 2010 등)에서 제시된 CUG(조건부 균등 그래프)나 특정 모델 기반 정규화가 한계가 있음을 재확인한다. 핵심 실험은 6가지 생성 모델을 이용해 네트워크 규모를 50~2000 노드로 변화시키며, 각 모델별로 1000개의 그래프를 시뮬레이션하고 통계량 분포를 추정한다. 결과는 모든 모델에서 규모가 증가함에 따라 평균값과 분산이 크게 변한다는 점을 보여준다. 특히, Erdős‑Rényi와 단순 베르누이 모델은 밀도에 따라 선형적인 변화를 보이지만, Markov ERGM과 계층적 모델은 비선형적이고 복잡한 패턴을 만든다. 이는 “같은 모델이라도 규모가 다르면 통계량이 다르게 나타난다”는 중요한 교훈을 제공한다. 다음 단계에서는 기존의 Erdős‑Rényi 기반 정규화 방법을 재현한다. 각 관측 네트워크에 대해 동일 규모의 ER 그래프를 생성하고, 관측 통계량을 그 기대값과 표준편차로 표준화한다. 시뮬레이션 결과, 규모 효과가 일부 감소하지만, 특히 전이성이나 매개 중심성처럼 고차 구조를 반영하는 지표는 여전히 규모에 민감하게 남아 있음을 확인한다. 이에 대한 대안으로 제안된 것이 “혼합 참조분포”이다. 구체적인 절차는 다음과 같다. (1) 관측된 네트워크 집합에서 무작위로 K개의 서브셋을 선택한다. (2) 각 서브셋에 대해 베르누이 확률 p̂ 를 최대우도 추정한다(연결 확률). (3) 추정된 p̂ 들을 가중 평균해 전체 혼합 분포의 파라미터를 만든다. (4) 이 혼합 분포에서 동일 규모의 무작위 그래프를 다수 생성해 목표 통계량의 기대값 μ_mix와 표준편차 σ_mix를 얻는다. (5) 관측 통계량 X를 (X‑μ_mix)/σ_mix 로 표준화한다. 이렇게 하면 규모뿐 아니라 관측 네트워크가 보여주는 평균 차수·밀도·전이성 등의 전반적인 의존 구조가 반영된다. 혼합 모델의 변형으로는 (a) 평균 차수 보존 베르누이 모델(Krivitsky et al., 2011) – p̂ 를 n에 따라 조정해 평균 차수를 일정하게 유지, (b) 계층적 베르누이 모델 – 네트워크를 여러 하위 집단(예: 지역, 부서)으로 나누어 각 집단마다 별도 p̂ 를 추정하고 이를 혼합한다. 시뮬레이션에서는 가장 단순한 베르누이 혼합이 대부분의 상황에서 충분히 좋은 보정을 제공했으며, 복잡한 모델은 특수한 구조(예: 강한 커뮤니티)에서만 추가적인 이점을 보였다. 마지막 실증 적용에서는 LAFANS 데이터(로스앤젤레스 가구·이웃 설문)에서 추출한 공동 위치 네트워크 30여 개를 분석한다. 각 네트워크는 노드 수가 50~500 사이로 다양했으며, 원시 통계량은 규모에 따라 크게 달라졌다. 혼합 정규화 후에는 전이성, 평균 경로 길이, 중앙화 지표 등이 규모와 무관하게 비교 가능해졌고, 지역별 사회적 연결 패턴(예: 특정 지역의 높은 전이성)과 같은 의미 있는 차이를 도출했다. 이는 제안된 방법이 실제 연구에서 규모 편향을 제거하고, 구조적 차이를 명확히 드러낼 수 있음을 입증한다. 결론에서는 (1) 네트워크 통계량은 규모와 밀도에 강하게 의존한다, (2) 단순 정규화는 충분하지 않으며, (3) 관측 네트워크의 의존 구조를 반영한 혼합 참조분포가 효과적인 보정 수단이다, (4) 베르누이 혼합 모델은 계산 효율성과 정확도 사이에서 좋은 균형을 제공한다는 점을 강조한다. 또한 향후 연구로는 비정규화된 가중 네트워크, 방향성 그래프, 동적 네트워크 등에 대한 확장 가능성을 제시한다.