위치오차가 있는 미세지리 데이터의 공간계량모형 편향 감소 추정법

본 논문은 미세지리(point‑level) 데이터에서 흔히 발생하는 위치오차, 즉 코어싱(coarsening) 문제를 다루며, 이러한 오류가 공간계량모형, 특히 공간지연모형(SLM)의 추정에 미치는 부정적 영향을 최소화하는 새로운 추정 전략을 제시한다. 전통적인 공간계량모형은 모든 관측치의 좌표가 정확히 알려져 있다는 전제 하에 공간 가중행렬 W를 구성하고, ρ와 β를 최대우도법 등으로 추정한다. 그러나 실제 데이터에서는 주소 기반 지오코딩 과정에서 좌표가 누락되거나 의도적으로 변형되는 경우가 많으며, 특히 n‑p개의 단위가 코어싱될 경우 W 행렬의 대부분 원소가 변형되어 ρ에 대한 하향 편향과 β에 대한 일관성 결여가 발생한다(Arbia et al., 2016). 이를 해결하기 위해 저자는 전체 n개의 관측을 마크드 포인트 프로세스(marked point process)로 모델링하고, 코어싱 메커니즘을 독립적인 베르누이 변수 Φ로 표현한다. Φj=1이면 정확히 지오코딩된 단위, 0이면 코어싱된 단위이며, 코어싱 확률 pj는 해당 지역의 코어싱 비율 φ(zj)로 추정한다. φ̂는 각 지역 S_r에 대해 비코어싱 단위 비율을 이용해 간단히 계산한다(식 10). 강도 함수 λ(s)는 Zimmerman(2008)의 가중 커널 추정식(9)을 사용해 추정한다. 여기서 K는 커널 함수, h는 대역폭이며, ˆφ는 코어싱 확률 함수이다. 이렇게 추정된 λ̂와 φ̂는 코어싱된 단위의 좌표 분포를 정의하는 데 활용된다. 핵심 방법론은 두 단계의 주변화(marginalisation)이다. 첫 번째 단계에서는 yP(정확히 지오코딩된 단위의 종속변수)와 관련된 부분을 고정하고, 나머지 코어싱 단위에 대한 영향을 A 행렬의 Schur 보완을 이용해 폐쇄형 형태로 정리한다. 이를 통해 yP의 조건부 평균과 공분산식(8a, 8b)이 도출되며, Ξ⁻¹이라는 축소된 행렬에 의해 표현된다. 이 과정은 비코어싱 단위만을 이용해 모델 차원을 (p × p)로 크게 축소한다는 장점을 가진다. 두 번째 단계에서는 코어싱된 단위의 좌표 ZC에 대한 적분을 수행한다. 적분은 ZC|ZP의 조건부 확률밀도 %̂(zC|ZP) 위에서 이루어지며, 이는 λ̂에 의해 정의된다. 고차원(2·(n‑p)) 적분은 직접 해석이 불가능하므로, 저자는 교차엔트로피(Cross‑Entropy) 알고리즘을 이용해 Monte Carlo 샘플링과 동시에 최적화를 수행한다. 이 알고리즘은 noisy likelihood를 효율적으로 다루어 계산 비용을 현실적인 수준으로 유지한다. 이론적 측면에서는 각 구성요소(포인트 프로세스, 코어싱 메커니즘, SLM)의 추정기가 일관성을 갖는다면 전체 주변화된 추정기도 일관성을 유지한다는 점을 강조한다. 그러나 실제 적용 시 λ̂와 φ̂의 추정 오차, Monte Carlo 샘플 수(N)와 교차엔트로피 파라미터 설정에 따라 추정 정확도가 달라질 수 있다. 저자는 이러한 제한점을 인정하고, 향후 비정규 코어싱, 비동질적 강도, 혹은 비선형 공간모형으로의 일반화를 제시한다. 실증 부분에서는 다양한 시뮬레이션 시나리오를 설정한다. 코어싱 비율(p/n), 강도 함수 형태, 이웃 정의 기준 등을 변화시켜 10가지 이상 상황을 만든 뒤, 제안 방법과 기존 최대우도 추정법, 2‑step 보정법 등을 비교한다. 결과는 다음과 같다. 첫째, ρ̂의 평균 편향이 기존 방법에 비해 30‑50% 감소한다. 둘째, β̂의 평균 제곱오차는 유사하거나 약간 개선된다. 셋째, 직접·간접 효과(LeSage & Pace, 2009)의 추정에서도 신뢰구간 폭이 크게 줄어들어 정책 해석에 더 신뢰할 수 있는 결과를 제공한다. 특히 코어싱 비율이 30% 이상일 때도 제안 방법은 편향을 효과적으로 억제한다. 결론적으로, 이 논문은 위치오차가 불가피한 미세지리 데이터에 대한 공간계량분석의 새로운 패러다임을 제시한다. 마크드 포인트 프로세스와 두 단계 주변화, 그리고 교차엔트로피 최적화를 결합한 방법론은 이론적 타당성과 실증적 우수성을 동시에 확보하고 있다. 향후 도시경제, 부동산, 환경공학 등 다양한 분야에서 미세지리 데이터를 활용한 정책 분석 및 의사결정에 널리 적용될 가능성이 크다.