사회 시스템 진화를 위한 시공간 지수형 포인트 프로세스 모델

1. 연구 배경 및 필요성 사회 시스템은 시간에 따라 구조와 행동이 상호 영향을 주고받으며 진화한다. 기존의 연속시간 마코프 모델(SAOM, TERGM, STERGM 등)은 주로 고정된 배우 집합을 전제로 하며, 네트워크를 이진 관계(친구·비친구)로 단순화한다. 이러한 접근은 실제 학교, 직장 등에서 학생·직원의 입·퇴사, 전학·졸업 등으로 구성원이 지속적으로 변하는 상황을 제대로 반영하지 못한다. 또한, 이진 관계는 친밀도·상호작용 강도와 같은 미세한 차이를 포착하지 못한다. 2. 잠재 사회 공간 개념 저자들은 ‘사회 공간’이라는 연속적인 유클리드 공간(S,‖·‖)을 정의하고, 각 배우 i를 시간 t에 위치 Z_{t,i}∈S 로 나타낸다. 배우 집합 S_t는 시간에 따라 변하고, X_t는 배우별 관측된 공변량(예: 음주 여부, 성별 등)을 포함한다. 사회 관계는 두 배우 사이의 거리 ‖Z_{t,i}−Z_{t,j}‖ 로 표현되며, 거리가 짧을수록 친밀도가 높다고 가정한다. 3. STEPP 모델 정의 시간 전이를 이산 마코프 과정으로 가정하고, 전체 전이 확률 P(S_t,X_t,Z_t | S_{t‑1},X_{t‑1},Z_{t‑1})가 지수형 가족 형태임을 보인다. 핵심은 ‘ego transition distribution(ETD)’로, 각 배우 i의 다음 위치와 행동을 조건부 독립적으로 정의한다. ETD는 다음과 같은 기본 구성 요소를 포함한다. - **Basic Drift (δ₀)**: 배우가 이전 위치 주변에 대칭적으로 이동하는 기본 확률 구조. δ₀가 클수록 이동 폭이 작아져 이전 위치에 머무를 확률이 높아진다. - **Atomic Drift (δ₁)**: k개의 최근접 이웃 B_k(Z_{t‑1,i},Z_{t‑1}^{‑i})를 선택하고, 각 이웃 j에 가중치 w(Z_{t‑1,i},Z_{t‑1,j})를 부여해 이동 방향을 조정한다. 이는 실제 사회에서 제한된 수의 친밀한 관계만이 개인의 행동에 큰 영향을 미친다는 가정을 반영한다. - **Homophilous Attraction (α_m)**: 동일한 속성 X_m을 가진 이웃(A_{t,i}^m)에게 끌리는 효과. 파라미터 α_m이 클수록 같은 행동·특성을 가진 친구와 가까워지는 경향이 강화된다. - **Heterophilous Attraction (υ_m)**: 서로 다른 속성 X_m을 가진 이웃(U_{t,i}^m)에게 끌리는 효과. 이는 다양성 추구 혹은 이질적 관계 형성을 모델링한다. - **Homophilous Repulsion (˜α_m)** 및 **Heterophilous Repulsion (˜υ_m)**: 위의 끌어당김을 반대로, 동일(또는 이질) 속성을 가진 이웃으로부터 멀어지는 효과를 정의한다. 선형 공간에서는 거리 벡터를 반사시켜 구현한다. 각 과정은 지수형 형태의 확률 밀도로 표현되며, 정규화 상수 c(·)는 측정공간 μ에 따라 유한함을 증명한다. 4. 파라미터와 전체 전이 확률 전체 파라미터 벡터는 θ=(δ₀,δ₁,ρ₁…ρ_q,α₁…α_q,υ₁…υ_q,λ) 로 구성된다. 여기서 ρ_m은 행동 변수 X_m의 지속 확률(예: 음주 여부가 이전 시점과 동일할 확률)이다. 배우 집합 변화 S_t|S_{t‑1}는 별도의 지수형 모델 P_λ 로 지정하며, 이는 외생적 마이그레이션 프로세스로 가정한다(예: 이민·이민자 수를 포아송·이항 분포로 모델링). 전체 전이 확률은 다음과 같이 결합된다. P_θ(S_t,X_t,Z_t | S_{t‑1},X_{t‑1},Z_{t‑1}) = P_λ(S_t | S_{t‑1}) × ∏_{i∈S_t} P_δ(Z_{t,i} | Z_{t‑1},S_{t‑1}) × 행동 지속 항 × P_α(·) × P_υ(·) 이 식은 지수형 가족이므로 최대우도 추정이 가능하고, 정규화 상수는 각 과정별로 독립적으로 계산된다. 5. 추정 및 계산 방법 저자들은 폐쇄형 정규화 상수를 이용해 로그우도 함수를 직접 계산하고, 파라미터 θ에 대해 Newton‑Raphson 혹은 BFGS와 같은 최적화 알고리즘을 적용한다. 고차원 파라미터 공간과 복잡한 이웃 구조 때문에, MCMC 기반 샘플링(특히 Metropolis‑Hastings)과 Gibbs 샘플링을 혼합해 사후 분포를 탐색한다. 또한, 시뮬레이션을 위한 효율적인 파이썬/ R 패키지를 제공하여, 사용자가 임의의 사회 공간, 가중치 함수, 이웃 수 k 등을 지정해 맞춤형 STEPP을 구현할 수 있게 한다. 6. 실증 적용: 청소년 우정·물질 사용 네트워크 데이터는 미국 중·고등학교 학생들을 대상으로 3번에 걸친 설문 조사(친구 nominations, 음주·마약 사용 여부)에서 수집되었다. 각 파동마다 학생 수가 변동했으며, 전학·졸업으로 인한 이민·이민자 과정을 외생적 마이그레이션으로 모델링하였다. 주요 발견은 다음과 같다. - **동질적 끌어당김**(α_m) 파라미터가 양의 값을 보였으며, 이는 같은 행동(음주·마약)을 하는 친구와의 거리 감소를 의미한다. - **이질적 반발**(˜υ_m) 파라미터도 양의 값을 나타, 서로 다른 행동을 하는 친구와는 거리(사회적 거리)가 증가하는 경향을 확인했다. - **기본·원자 드리프트**(δ₀,δ₁)는 전체적인 이동 폭을 조절했으며, δ₁이 큰 경우 최근접 이웃의 위치가 개인 이동에 큰 영향을 미쳤다. - **행동 지속**(ρ_m)은 약 0.7~0.8 수준으로, 이전 행동이 다음 파동에서도 비교적 높은 확률로 유지됨을 보여준다. 모델 적합도는 기존 SAOM·TERGM 대비 AIC/BIC에서 유의하게 개선되었으며, 시뮬레이션된 네트워크 구조와 실제 관측된 네트워크 통계(밀도, 클러스터링 계수, 동질성 비율 등)가 잘 일치하였다. 7. 논의 및 확장 가능성 STEPP은 (1) 배우 집합이 변동하는 현실적인 상황, (2) 연속적인 관계 강도와 거리 기반 상호작용, (3) 행동·속성의 동질·이질 효과를 동시에 모델링한다는 점에서 기존 모델을 보완한다. 저자들은 다음과 같은 확장 방향을 제시한다. - **연속형 공변량**: 현재는 이산형 속성에 한정했지만, 가우시안 커널을 이용해 연속형 변수에 대한 동질·이질 효과를 정의할 수 있다. - **비선형 사회 공간**: 현재는 유클리드 공간을 가정했지만, 하이퍼볼릭 혹은 토러스와 같은 비선형 매니폴드에서도 거리와 가중치를 재정의하면 보다 복잡한 사회 구조를 포착 가능하다. - **다중 레이어 네트워크**: 친구 관계 외에 온라인 상호작용, 교실 내 협업 등 다중 레이어를 동시에 모델링하는 확장도 가능하다. 8. 결론 본 논문은 잠재 사회 공간 위에서 개인 위치와 행동을 동시에 기술하는 시공간 지수형 포인트 프로세스(STEPP)를 제안하고, 이론적 정당성, 폐쇄형 정규화, 최대우도 추정 방법을 제공한다. 실증 분석을 통해 청소년 물질 사용 행동과 우정 네트워크의 공동 진화를 효과적으로 설명함을 보여주었으며, 모델의 모듈성 및 확장성을 강조한다. STEPP은 사회 과학 연구자가 복잡하고 동적인 사회 시스템을 정량적으로 분석하는 데 유용한 새로운 도구가 될 것으로 기대된다.