전역 공변량을 포함한 관계 이벤트 모델

초록

본 논문은 자전거 공유 시스템의 이용 데이터를 관계 이벤트 모델(REM)로 분석하면서, 기존에 부분가능도(partial likelihood)만으로는 추정이 어려웠던 전역(시간‑공통) 공변량을 효율적으로 추정하는 새로운 샘플링 방법을 제안한다. 시간‑이동된 비이벤트를 이용한 중첩 사례‑대조(case‑control) 설계를 통해 전역 효과와 전통적인 노드·다이아드(쌍) 효과를 동시에 추정할 수 있으며, 이를 로그선형(로지스틱) 가법 모델로 변환해 기존의 고성능 추정 기법을 적용한다. 시뮬레이션과 워싱턴 D.C.의 35만 건 자전거 이용 사례 분석을 통해 날씨와 시간대가 이용량에 미치는 영향을 정량화한다.

상세 분석

논문은 동적 네트워크를 사건 흐름으로 보는 관계 이벤트 모델(REM)의 한계를 정확히 짚는다. 기존 REM은 위험 집합(risk set) 내에서 전역 베이스라인 위험(baseline hazard)이 상쇄되는 부분가능도(partial likelihood) 구조 때문에, 날씨·시간대와 같이 모든 노드 쌍에 동일하게 적용되는 전역 공변량을 추정할 수 없었다. 전역 효과를 포함하려면 전체가능도(full likelihood)를 계산해야 하는데, 이는 사건 발생 간 선형 예측값을 적분해야 하므로 노드 수가 많을 경우 계산 복잡도가 O(N²)로 급증한다.

저자들은 “시간‑이동(time‑shifted) 비이벤트”라는 아이디어를 도입한다. 원본 사건 흐름을 일정 시간만큼 앞·뒤로 이동시켜 가상의 비이벤트 집합을 만든 뒤, 원본 사건과 이 비이벤트를 동시에 위험 집합에 포함한다. 이렇게 하면 같은 위험 집합 내의 관측치가 서로 다른 시점에서 전역 공변량을 평가받게 되어, 전역 효과가 부분가능도에서 소거되지 않는다.

이제 위험 집합이 매우 커질 수 있기 때문에, 기존의 중첩 사례‑대조(Nested Case‑Control) 샘플링을 적용한다. 각 사건마다 하나의 비이벤트(대조군)를 무작위로 선택하면, 부분가능도는 사실상 “퇴화된(logistic) 가법 모델(degenerate logistic additive model)”과 동등해진다. 즉, 사건 여부를 이진 종속 변수로 두고, 전역·비전역 공변량을 가법 형태(스플라인 등 비선형 함수 포함)로 넣은 로지스틱 회귀식이 완전한 추정식을 제공한다.

이 접근법의 장점은 다음과 같다.

1. 정확성: 전역 효과를 추정하기 위해 베이스라인 위험을 근사하거나 가정할 필요가 없으며, 부분가능도와 동일한 일관성을 유지한다.
2. 계산 효율성: 위험 집합 규모가 O(N²)에서 O(N) 수준으로 감소하고, 로지스틱 회귀를 위한 기존 최적화 알고리즘(예: mgcv, glmnet)을 그대로 활용할 수 있다.
3. 유연성: 전역 공변량뿐 아니라 비선형 스무스 함수, 시간 가변 효과, 랜덤 효과 등을 자유롭게 모델링할 수 있다.

시뮬레이션에서는 전역 효과가 강하게 작용할 때도 추정 편향이 거의 없으며, 표본 크기가 증가함에 따라 평균 제곱 오차가 급격히 감소함을 확인한다. 실제 데이터 분석에서는 350,000건의 자전거 이용 기록을 사용해, 기온·강수량·시간대가 이용률에 미치는 영향을 통계적으로 유의하게 확인한다. 특히, 기온이 20 °C 이하이거나 강수량이 5 mm 이상일 때 이용률이 15 %30 % 감소하고, 출퇴근 시간대(아침 79시, 저녁 5~7시)에 피크가 나타나는 패턴을 정량화한다.

전반적으로 이 논문은 대규모 동적 네트워크에서 전역 공변량을 포함한 관계 이벤트 모델링을 실현할 수 있는 실용적이고 이론적으로 견고한 프레임워크를 제공한다.