네트워크 구조 방정식 모델을 통한 인과 매개와 스필오버 효과 분석

초록

본 논문은 사회적 네트워크 내에서 노출, 매개변수, 결과 사이에 발생하는 복합적인 상호작용을 정량화하기 위해 무작위 효과 네트워크 구조 방정식 모델(REN‑SEM)을 제안한다. 일반적인 인과 매개 효과와 네트워크 스필오버 효과를 동시에 식별·추정할 수 있는 여섯 가지 메커니즘 추정량을 정의하고, 선형 형태(LREN‑SEM)에 대해 최대우도 추정법과 비독립 데이터에 대한 점근 이론을 구축한다. 시뮬레이션과 Twitch 게이머 네트워크 실증 분석을 통해 제안 방법의 정확성과 실용성을 검증한다.

상세 분석

이 연구는 기존 인과 매개 분석이 가정하던 독립성(SUTVA)을 네트워크 간섭(interference) 상황에 맞게 확장한다는 점에서 혁신적이다. 저자들은 각 개체 i에 대해 노출 A_i, 매개 M_i, 결과 Y_i를 포함하는 DAG를 정의하고, 이 DAG가 인접 노드들의 노출·매개·공변량과 랜덤 효과(b_i^m, b_i^y)를 통해 상호 연결된 구조 방정식 시스템을 형성한다(REN‑SEM). 핵심 가정은 1차 이웃에 한정된 ‘첫 번째 마코프 간섭’이며, 이를 통해 고차원 노출 벡터 A를 저차원 요약 함수 T_{a1i}, T_{a2i}, T_{a3i} 등으로 축소한다. 이러한 요약은 매개와 결과에 대한 조건부 독립성을 유지하면서도 실제 네트워크에서 관측 가능한 통계량으로 변환한다.

식별 단계에서는 여섯 가지 메커니즘 효과—직접 효과(NDE), 매개를 통한 직접 효과, 이웃 노출이 직접 Y에 미치는 효과, 이웃 노출이 매개를 통해 Y에 미치는 효과, 이웃 매개가 Y에 미치는 효과, 그리고 2차 이웃 노출이 1차 이웃 매개를 거쳐 Y에 미치는 효과—를 정의하고, 각각을 잠재 결과(potential outcomes)와 노출 매핑을 이용해 표현한다. 가정 1(노출 독립성)과 추가적인 교란 변수(C) 무조건성, 포지티비티, 일관성 등을 전제로 하면, 관측된 데이터로부터 각 효과를 비편향적으로 추정할 수 있음을 증명한다.

선형 특수화(LREN‑SEM)에서는 Y_i와 M_i를 각각 이웃 노출·매개·공변량의 가중 평균(S_1i)과 랜덤 효과를 포함한 선형 회귀 형태로 모델링한다. 이때 최대우도 추정은 다변량 정규분포를 가정한 혼합 효과 모델과 동일한 형태가 되며, EM 알고리즘 혹은 직접적인 폐쇄형 해를 통해 파라미터를 추정한다. 저자들은 네트워크 의존성을 고려한 새로운 점근 분산 추정식을 제시하고, 일반적인 i.i.d. 가정이 깨지는 경우에도 일관성과 정규성을 보장한다는 정리를 증명한다.

시뮬레이션에서는 네트워크 크기(N=200~800), 평균 차수, 그리고 다양한 매개·스필오버 강도를 변형시켜 추정량의 편향, 평균제곱오차, 커버리지 등을 평가한다. 결과는 제안된 MLE가 기존 독립 모델 대비 편향을 크게 감소시키고, 정확한 분산 추정으로 신뢰구간이 명목 수준을 잘 유지함을 보여준다.

실증 분석에서는 Twitch 스트리머 간의 팔로우 네트워크를 이용해 스트리머가 특정 게임을 홍보(A)했을 때 시청자 수(Y)에 미치는 직접 효과와, 스트리머 간 상호작용을 매개하는 평균 시청시간(M)을 통한 간접 효과를 분리한다. 분석 결과, 직접 효과는 통계적으로 유의하지만, 이웃 스트리머의 노출이 매개를 통해 전달되는 스필오버 효과가 더 큰 영향을 미치는 것으로 나타났다. 이는 네트워크 기반 마케팅 전략 수립에 중요한 시사점을 제공한다.

전반적으로 이 논문은 (1) 네트워크 간섭과 매개를 동시에 다루는 통합 인과 모델을 제시하고, (2) 식별 조건을 명확히 규정하며, (3) 선형 경우에 실용적인 추정·검정 방법을 제공하고, (4) 비독립 데이터에 대한 점근 이론을 확립함으로써 관측 네트워크 데이터 분석에 새로운 표준을 제시한다는 점에서 학문적·실무적 의의가 크다.