다중 규모 시공간 가중 회귀를 위한 상향식 스케일 접근법

초록

본 논문은 각 설명변수마다 공간·시간 대역폭을 별도로 추정하는 다중 규모 시공간 가중 회귀(MGTWR) 모델인 tds‑mgtwr을 제안한다. 순차적 좌표별 탐색과 AICc 기반의 Top‑Down Scale(TDS) 캘리브레이션을 결합해 고차원 최적화 문제를 회피하고, 중요도‑우선 업데이트 스케줄을 통해 연산량을 크게 줄이며 수렴성을 높인다. Monte‑Carlo 실험과 두 실제 사례를 통해 모델의 계수 복원력과 예측 정확도가 기존 공간‑전용 MGWR보다 우수함을 확인한다.

상세 분석

tds‑mgtwr은 기존 MGTWR이 직면한 “다중 대역폭” 최적화의 비볼록성 문제를 해결하기 위해 두 가지 핵심 아이디어를 도입한다. 첫째, 공간과 시간을 각각 독립적인 격자(H(s), H(t))로 정의하고, 각 변수별로 현재 대역폭에서 바로 위·아래 이웃값과 전체 변수 중 최소 대역폭을 후보군으로 구성한다. 이렇게 제한된 후보군에서 AICc 감소량이 가장 큰 조합을 선택하는 “steepest discrete descent” 전략은 전역 탐색에 비해 연산 복잡도를 O(p·M) 수준으로 낮춘다(p는 변수 수, M은 격자 길이). 둘째, 변수 업데이트 순서를 “scale‑normalized contribution”에 따라 동적으로 재정렬한다. 즉, 현재 모델에서 각 변수의 기여도가 큰 경우 먼저 대역폭을 미세조정하고, 기여도가 낮은 변수는 대역폭을 크게 유지한다. 이 중요도‑우선 스케줄은 불필요한 재계산을 억제하고, 특히 다중공선성이 존재할 때 큰 규모의 구조적 신호를 먼저 포착함으로써 작은 규모의 잡음‑주도 변동을 제한한다. 커널 형태는 곱셈형과 가산형을 모두 지원하며, 선형·주기형(계절) 시간 커널, 비대칭(인과) 커널 등 다양한 실무 요구에 맞게 선택 가능하다. 또한, 적응형(최근접 이웃)과 비적응형(거리 기반) 대역폭 옵션을 제공해 시간 변수의 자연 단위(예: 연도·월)와 데이터 밀도에 따라 최적 구성을 선택한다. 실험에서는 표본 크기와 신호‑대‑잡음비(SNR)가 증가할수록 공간·시간 복합 모델이 순수 공간 MGWR보다 계수 회복률과 RMSE에서 현저히 우수함을 보여준다. 특히, 시간 변동이 충분히 관측된 경우(예: 연도별 관측이 5년 이상) 모델이 시간 대역폭을 자동으로 축소해 시계열 패턴을 정확히 포착한다. 실제 사례에서는 식물병 발생 강도와 주택 가격 데이터에 적용했으며, 두 경우 모두 XGBoost 등 최신 머신러닝 베이스라인과 비교해 예측 정확도에서 경쟁력을 유지하면서도 각 변수별 공간·시간 스케일을 해석 가능하게 제공한다. 전반적으로 tds‑mgtwr은 다중 규모 시공간 회귀의 계산 효율성, 수렴 안정성, 해석 가능성을 동시에 개선한 실용적인 프레임워크라 할 수 있다.