제한된 공간 회귀는 합리적인 통계 실천이다

초록

본 논문은 공간선형혼합모형(SLMM)과 제한된 공간 회귀(RSR) 사이의 베이지안 사후분포가 특정 사전 가정 하에 동일함을 보이며, RSR이 계산 효율성과 전이학습 해석을 통해 실제 분석에 유리한 대안임을 제시한다.

상세 분석

본 연구는 먼저 SLMM의 기본 구조 y = Xβ + Bν + ε에서 고정 효과 β와 공간 랜덤 효과 ν가 선형적으로 의존할 수 있음을 지적한다. 이러한 비식별성 문제를 완화하기 위해 기존 연구들은 β와 ν를 직교하도록 재파라미터화한 형태 y = Xδ + (I−P)Bν + ε를 제안했으며, 여기서 δ는 “직교화 회귀 효과”라 불린다. RSR은 δ = β라는 추가 제약을 두어 공간 랜덤 효과를 X의 열공간에 직교하도록 강제한다. 최근 Zimmerman & Ver Hoef(2022)와 Khan & Calder(2022)는 RSR이 실제 데이터가 SLMM에서 생성된 경우 베이지안 추정에서 과소평가·과대평가 문제를 일으켜 성능이 열등하다고 주장했다.

하지만 저자는 RSR의 사후분포와 SLMM의 사후분포가 동일한 사전(특히 Reich et al., 2006에서 제시된 비정규 사전) 하에서는 재파라미터화에 의해 완전히 일치함을 수학적으로 증명한다. 즉, β와 δ를 동시에 추정하도록 설계된 “augmented Bayesian RSR”은 SLMM에서 얻는 δ의 사후분포와 동일한 정보를 제공한다. 이 등가성은 두 가지 중요한 함의를 가진다. 첫째, RSR이 “잘못 지정된” 모델이라고 하더라도, 적절한 사전 선택과 데이터 증강을 통해 원래 SLMM과 동등한 추론을 수행할 수 있다. 둘째, 직교화 회귀 효과 δ는 공간적 교란(미측정 공변량)과의 관계를 반영하는 반편향 데이터로 해석될 수 있으며, 이를 전이학습(framework)으로 활용하면 비선형성이나 미측정 교란이 존재할 때 β에 대한 추정 정확도를 향상시킬 수 있다.

계산적 측면에서도 저자는 L(=I−P) 기반의 고유벡터 전개를 이용해 모든 하이퍼파라미터, 고정 효과, 랜덤 효과를 한 번에 직접 샘플링하는 폐쇄형 알고리즘을 제시한다. 기존 MCMC 기반 방법이 겪는 수렴 문제와 높은 계산 비용을 회피하면서도 정확한 사후분포를 얻을 수 있다. 특히, 이 직접 샘플링은 이산 균등 사전 없이도 가능한 최초의 완전 폐쇄형 Gaussian SLMM 사후분포 도출이라 할 수 있다.

마지막으로 저자는 COVID‑19 사망률 데이터를 이용해 RSR이 실제 데이터에서 어떻게 적용되는지를 실증적으로 보여준다. 전이학습 기반 RSR은 비선형 효과와 지역별 미측정 요인을 효과적으로 보정하여, 전통적인 SLMM보다 더 타당한 추정값과 예측 신뢰구간을 제공한다. 전체적으로 논문은 RSR이 단순히 “보수적인” 대안이 아니라, 적절한 사전 설정과 알고리즘 설계 하에 SLMM과 동등하거나 우수한 통계적·계산적 특성을 갖는 강력한 도구임을 설득력 있게 입증한다.