비례오즈 모델, 순서형 결과 분석의 실용적 표준

초록

본 논문은 순서형 종속변수를 다루는 다섯 가지 회귀모델(비례오즈, 범주별 오즈, 위치‑시프트, 위치‑스케일, 선형) 의 추정 편향, 제1종 오류율, 검정력 등을 광범위한 시뮬레이션을 통해 비교한다. 결과는 비례오즈 모델이 대부분의 상황에서 편향이 적고 검정 오류가 안정적이며, 해석이 직관적이므로 특별한 반대 사유가 없을 때 기본 선택으로 권장된다는 점을 강조한다.

상세 분석

이 연구는 순서형 데이터 분석에서 가장 흔히 사용되는 비례오즈 모델(PO)과, 보다 복잡한 구조를 갖는 범주별 오즈(CSO), 위치‑시프트(LSH), 위치‑스케일(LSC) 모델, 그리고 ordinal 변수를 연속형으로 오인하는 선형 모델(LM)을 동일한 데이터 생성 과정에서 비교한다. 시뮬레이션 설계는 n = 250, 500, 1 000의 표본 크기, k = 3, 5, 7개의 카테고리, p = 5 또는 35개의 공변량(그 중 0, 1, 4개가 실제 효과를 가짐) 등 현실적인 연구 상황을 포괄한다. 파라미터 β와 γ(분산·위치 효과) 값은 0, 0.1, 0.2, 0.5, 1, 2 등 다양한 규모와 부호 조합을 사용해, 작은 효과부터 큰 효과, 그리고 효과가 없는 경우까지 모두 포함하였다. 또한, 결과 변수의 분포를 균등, 좌우 비대칭(skewed), 비구조적(unstructured) 세 가지 θ 설정으로 변형해, 데이터가 심하게 왜곡될 때 모델이 어떻게 반응하는지를 검증하였다.

편향 분석에서는 누적형 모델(PO, LSH, LSC)이 β가 큰 경우와 outcome 분포가 고도로 비대칭일 때 추정값이 크게 왜곡되는 현상을 확인했다. 특히 CSO 모델은 카테고리마다 별도 βᵣ을 추정해야 하므로, 파라미터 수가 급증하고 수렴 실패가 빈번히 발생했다(전체 설정 중 20 % 이상이 수렴 문제를 보임). LSH와 LSC는 추가적인 dispersion 파라미터 γ를 도입하지만, γ가 0이 아닌 경우에도 추정 편향은 비교적 제한적이었다.

검정력과 제1종 오류율 측면에서는 PO와 LM이 가장 안정적이었다. α = 0.05 기준 Wald 검정에서 PO는 실제 효과가 없는 변수에 대해 기대 이하의 오류율을 유지했으며, 효과가 있는 변수에 대해서는 0.8 ~ 0.95 수준의 검정력을 보였다. LM은 비록 모델 가정이 부적절함에도 불구하고, 큰 표본에서는 오류율과 검정력이 PO와 비슷한 수준에 도달했다. 반면 CSO와 LSH는 파라미터 수가 많아 자유도가 감소하면서 검정력 저하가 두드러졌고, LSC는 비선형 구조로 인해 수치적 최적화가 불안정해 오류율이 상승했다.

시뮬레이션 과정에서 데이터 재생성 정책(카테고리 빈도가 5 미만이면 재추출)과 누적 확률 순서 위배 시 재추출을 적용했음에도 불구하고, 특히 고차원(35 변수)·고카테고리(7)·소표본(250) 조합에서 모델 실패율이 눈에 띄게 증가했다. 이는 실제 연구에서 복잡한 CSO나 LSC 모델을 무분별히 적용하면 추정 불안정성을 초래할 위험이 있음을 시사한다.

전반적으로, 비례오즈 모델은 “plain but robust”라는 논문 제목이 암시하듯, 모델 구조가 단순하면서도 추정 편향과 검정 오류가 최소화되는 균형점을 제공한다. 다만, 데이터가 극도로 비대칭이거나 β가 매우 큰 경우에는 편향이 커질 수 있으므로, 사전 탐색적 분석(예: 카테고리 비율 확인)과 모델 진단이 필요하다.