동적 다변량 패널 모델링을 위한 R 패키지 dynamite

초록

dynamite는 베이지안 프레임워크와 Stan 기반 MCMC를 활용해 다수의 개인과 다변량 시계열을 동시에 분석할 수 있는 R 패키지이다. 시간에 따라 변하는 효과를 베이지안 P‑스플라인으로 부드럽게 추정하고, 다양한 이산·연속 분포, 그룹별 랜덤 효과, 잠재 요인 등을 지원한다. 사용자 친화적인 formula 인터페이스와 자동화된 다단계 예측 기능을 제공하며, 시각화·진단 도구도 포함한다.

상세 분석

본 논문은 동적 다변량 패널 모델(DMPM)의 수학적 정의와 이를 구현한 R 패키지 dynamite의 설계·구현 세부사항을 체계적으로 제시한다. 모델은 개인 i 와 시간 t 에 대한 C개의 반응변수 y_{c,t,i} 를 가정하고, 각 반응은 과거 관측값 y_{1:t‑1,i} 와 외생 공변량 x_{t,i} 뿐 아니라 같은 시점에 앞서 정의된 다른 반응값에 조건부 종속성을 갖는다. 이러한 순서화(π)를 통해 다변량 조건부 독립성을 확보하고, 일반화된 선형 예측식(η_{c,t,i})을 다음과 같이 구성한다:
η_{c,t,i}=α_{c,t}+u_{c,t,i}^⊤β_c+w_{c,t,i}^⊤δ_{c,t}+z_{c,t,i}^⊤ν_{c,i}+λ_{c,i}^⊤ψ_{c,t}.
여기서 α_{c,t}, δ_{c,t}, ψ_{c,t}는 시간에 따라 변하는 파라미터이며, 베이지안 P‑스플라인(랜덤 워크 사전)으로 부드러움을 제어한다. 스플라인 베이스는 동일한 D개의 B‑스플라인을 사용하고, τ_{c,k}가 매끄러움 정도를 조절한다. 개인별 랜덤 효과 ν_{c,i}는 평균 0, 공분산 구조(대각 또는 전부)로 가정되며, 고정 효과 β_c와 시간변화 효과 δ_{c,t}와 겹치지 않도록 설계돼 식별성을 보장한다. 또한 λ_{c,i}·ψ_{c,t} 형태의 잠재 요인 구조를 도입해 반응 간 상관관계를 모델링한다.

패키지는 Stan을 백엔드로 사용해 No‑U‑Turn Sampler(NUTS)를 통해 전후 사후분포를 효율적으로 샘플링한다. rstan·cmdstanr 인터페이스를 모두 지원해 사용자는 환경에 맞는 엔진을 선택할 수 있다. 데이터 전처리·예측 단계는 data.table 기반으로 메모리 효율성을 극대화했으며, posterior·ggplot2·loo 패키지를 활용해 사후 요약·시각화·교차검증을 일관된 워크플로우로 제공한다.

핵심 기능으로는 (1) 다중 응답 변수와 다중 개인을 동시에 모델링, (2) 시간변화 효과를 베이지안 스플라인으로 부드럽게 추정, (3) 다양한 분포(가우시안, 포아송, 이항, 범주형 등) 지원, (4) 그룹별 랜덤 효과와 잠재 요인 통합, (5) 자동화된 전체 시계열에 대한 다단계 예측(개인·집단 수준 모두) 등이 있다. 기존 패키지(plm, fixest, panelr, brms 등)는 각각 선형/고정효과, 다중 레벨, 혹은 비베이지안 접근에 제한적이며, 시간점이 많을 경우 계산량이 급증한다. 반면 dynamite는 상태공간 모델을 일반화해 비가우시안 관측에도 확장 가능하고, MCMC 기반이므로 불확실성 정량화가 자연스럽다.

또한 패키지는 formula 기반 DSL을 제공해 변수·스플라인·랜덤·잠재 요인 등을 직관적으로 선언할 수 있다. 예를 들어 y1 + y2 ~ 1 + x1 + s(time) + (1|id) + lfactor(~1|id)와 같은 구문으로 고정 효과, 시간 스플라인, 개인 랜덤 인터셉트, 잠재 요인까지 한 줄에 정의한다. 모델 적합 후 fitted(), predict(), coef(), confint() 등 S3 메서드로 사후 평균·신뢰구간·예측값을 손쉽게 추출한다.

실증 부분에서는 실제 교통 사망자 데이터와 합성 데이터에 대해 두 가지 사례를 제시한다. 첫 번째 사례에서는 좌석 사용률과 사망자 수를 동시에 모델링해 시간에 따라 변화하는 정책 효과(예: 안전벨트 의무화)를 스플라인으로 포착하고, 잠재 요인을 통해 두 변수 간 상호작용을 설명한다. 두 번째 사례는 고차원 합성 데이터에서 1000명·500시간·5반응을 다루며, 계산 시간·메모리 사용량이 기존 Stan 기반 다변량 모델에 비해 30~40% 정도 절감됨을 보고한다.

마지막으로 교차검증(LOO, LFO)와 사후 진단(잔차, R̂) 결과를 통해 모델의 일반화 성능과 수렴 품질을 검증한다. 전체적으로 dynamite는 대규모 집중형 패널 데이터를 베이지안 방식으로 다루고자 하는 연구자에게 강력하고 유연한 도구임을 입증한다.