다변량 지역 데이터에서 공간 혼동의 이론과 실증

초록

본 논문은 다변량 질병 데이터에서 공간 혼동을 분석·생성 관점으로 구분하고, 베이지안 코레귤러리제이션 모델에 적용한다. 공간 효과를 추가하면 고정 효과의 사후 분산이 크게 늘어날 수 있지만, 다변량 종속성을 고려하면 이러한 팽창이 단순 다중공선성과는 구별된다. 시뮬레이션과 미국 카운티 수준 비만·당뇨·암 사망률 데이터 분석을 통해, 공간 모델이 비공간 모델보다 추정 효율성이 높으며, 공간 구조가 일부 잘못 지정돼도 견고함을 확인한다.

상세 분석

논문은 먼저 공간 혼동을 “분석 모델 관점”과 “데이터 생성 관점”으로 정의한다. 분석 관점에서는 관측된 공변량과 공간 랜덤 효과 사이의 상관관계가 고정 효과 추정의 사후 분산을 인위적으로 확대시킨다(Hodges & Reich, 2010). 데이터 생성 관점에서는 공변량 자체가 공간적으로 의존적이며 미관측 혼동 변수 Z와 상관될 때, 여러 실현에 걸쳐 추정 편향과 불확실성이 증가한다. 기존 연구는 단변량 혹은 독립적인 다변량 경우에만 이 현상을 다루었으며, 다변량 종속성이 공간 혼동에 미치는 영향을 체계적으로 분석한 사례는 드물다.

저자들은 이를 메타모델링하기 위해 다변량 베이지안 코레귤러리제이션 모델을 채택한다. 데이터 생성 단계에서는 각 결과 Y_i가 선형 회귀식 β_{0i}+X_1β_{1i}+Z_i+ε_i 로 표현되고, Z_i와 X_1은 각각 공간 혼동 행렬 A·ζ_i와 C·ε_j 로 변환된 공간/비공간 잡음에 의해 생성된다. 여기서 ζ_i∼N(0,ρ_i V_φ)와 ε_j∼N(0,V_φ) 로 공간 상관을 부여하고, ρ_i∈