잠재 클래스 모델 적합도 검정: 순서형 범주형 데이터의 새로운 통계적 접근

논문은 순서형 범주형 데이터가 심리·교육·사회 조사에서 빈번히 수집되는 현실을 배경으로, 이러한 데이터에 적용되는 잠재 클래스 모델(LCM)의 핵심 문제인 클래스 수 K 추정에 초점을 맞춘다. 기존에는 AIC·BIC 같은 정보 기준이나 EM 기반 우도비 검정이 주로 사용되었지만, 고차원(아이템 수 J가 크고 표본 N이 큰) 상황에서 계산 비용이 급증하고 이론적 일관성 보장이 약점으로 지적되어 왔다. 저자는 이를 해결하기 위해 “정규화 잔차 행렬”을 도입한다. 먼저, 모델이 정확히 지정된 경우(즉, K₀ = K)에는 실제 파라미터 Z와 Θ를 이용해 R* = (R − R̂)/√V 형태의 행렬을 정의하고, 그 스펙트럴 노름 σ₁(R*)가 1+√(J/N) 이하임을 Lemma 1으로 증명한다. 이를 기반으로 T_ideal = σ₁(R*) − √(1+J/N) 를 정의하면, K₀가 올바르면 T_ideal이 0에 수렴하고, K₀가 과소 지정될 경우에는 일정 양수 ε보다 크게 된다는 “이진 행동”을 확보한다. 실제 데이터에서는 Z와 Θ를 알 수 없으므로, 일관적인 분류 추정기 M을 가정하고, 추정된 파라미터(ĤZ, ĤΘ)로 ˜R을 만든다. 여기서는 파라미터 추정 오차가 정규화 잔차에 미치는 영향을 제어하기 위해 여러 가정을 둔다. Assumption 1은 파라미터가 0과 M 사이에서 충분히 떨어져 있어 분산이 0에 가까워지지 않도록 하고, Assumption 2는 각 클래스가 충분히 큰 표본을 가지고 있어 균형을 유지함을 보장한다. Assumption 3은 서로 다른 클래스 간에 충분히 큰 차이를 보이는 아이템 집합 T_{kl}이 존재함을 요구한다. 이러한 가정 하에, 추정된 정규화 잔차 행렬 ˜R는 이상적인 R*와 차이가 O_p(√(log N/N)) 수준으로 작아, 실용 통계량 T_K₀ = σ₁(˜R) − √(1+J/N) 가 동일한 이진 행동을 보인다. 이를 바탕으로 두 가지 순차 검정 절차를 제시한다. 첫 번째는 “하향식” 방식으로, K₀를 1부터 시작해 T_K₀가 임계값 τ_N보다 작아질 때까지 증가시키는 방법이다. 두 번째는 “상향식” 방식으로, 큰 K₀에서 시작해 T_K₀가 τ_N을 초과하면 감소시키는 방식이다. 두 절차 모두 τ_N이 N, J에 대해 τ_N → 0이면서 N·τ_N² → ∞, J·τ_N² → ∞을 만족하면, 즉 임계값이 충분히 작지만 표본 크기에 비해 너무 작지 않을 때, 일관적으로 진짜 K를 회복한다는 정리를 증명한다. 시뮬레이션에서는 K = 2~5, J = 10~100, N = 200~5000, M = 4, δ = 0.1~0.4 등 다양한 설정을 시험했다. 제안 방법은 특히 클래스 간 차이가 작아질수록(δ가 커질수록) 기존 BIC·EM이 과소 적합하거나 과다 적합을 반복하는 반면, 제안 검정은 높은 정확도(>95%)와 낮은 오류율을 유지했다. 또한 계산 시간은 EM 기반 방법에 비해 5~10배 빠르게 수행되었다. 실제 데이터 예시로는 교육 평가에서 4개의 문항에 대한 500명의 응답을 분석했으며, 검정 결과 K = 3이 최적임을 밝혀, 각 클래스가 ‘기초’, ‘중간’, ‘고급’ 수준의 학습 성취를 의미함을 확인했다. 결론에서는 본 검정이 LCM의 모델 선택을 정보 기준에서 스펙트럼 기반 검정으로 전환시켜, 고차원·대규모 순서형 데이터에 적합하고, 이론적 일관성과 실용적 효율성을 동시에 제공한다는 점을 강조한다. 향후 연구로는 비정규화 잔차, 다중 그룹 확장, 그리고 베이지안 사전 결합을 통한 검정력 향상이 제안된다.