내적 변화를 포착하는 새로운 통계모델: RI‑CLPM의 원리와 적용

본 논문은 장기 종단 연구에서 변수 간 인과관계를 추정하려는 심리학·사회과학 분야의 연구자들을 위해, 기존 교차지연패널모델(CLPM)의 한계를 짚고 이를 보완하는 랜덤 인터셉트 교차지연패널모델(RI‑CLPM)의 이론적·실무적 측면을 종합적으로 검토한다. 서론에서는 CLPM이 1990년대 이후 폭넓게 사용돼 왔으나, 개인 간 이질성(between‑person heterogeneity)을 충분히 통제하지 못해 개인 내 변동(within‑person change)을 정확히 포착하지 못한다는 비판을 소개한다. Hamaker·Kuiper·Grasman(2015)의 비판을 계기로 RI‑CLPM이 제안되었으며, 이는 개인마다 고정된 ‘stable trait factor’를 랜덤 인터셉트로 모델링함으로써 관측값을 ‘stable trait + within‑person deviation’ 두 부분으로 분해한다. 핵심 가정은 이 두 구성요소가 서로 독립적이라는 점이며, 이 가정이 성립하면 CLPM의 회귀계수는 순수하게 within‑person 효과를 반영한다. 다음 섹션에서는 CLPM과 RI‑CLPM의 수학적 구조를 상세히 제시한다. CLPM은 각 시점 t에서 변수 X와 Y의 관측값을 과거 시점의 라그드값과 교차 라그드값을 이용해 회귀하는 형태이며, 자기회귀계수와 교차지연계수가 주요 파라미터이다. RI‑CLPM은 여기에 개인별 랜덤 인터셉트 η_i^X, η_i^Y 를 추가하고, 관측값을 X_it = η_i^X + x_it, Y_it = η_i^Y + y_it 로 분해한다. 여기서 x_it, y_it는 각각 개인 내 편차이며, 이들에 대한 자기회귀와 교차지연 효과를 추정한다. 논문은 이 구조가 동적 패널모델(DPM)과 동일한 식을 공유한다는 점을 강조한다. DPM은 일반화된 최소제곱(GMM) 기반의 추정법을 사용하지만, RI‑CLPM은 DPM의 특수한 경우(안정적 특성과 within‑person 변동이 무상관)로 볼 수 있다. 따라서 두 모델은 서로 보완적이며, 연구자는 데이터 특성(표본 크기, 시간점 수, 측정오차)와 연구 목적에 따라 적절히 선택한다. 실제 적용 시 고려해야 할 실무적 이슈를 다섯 가지로 정리한다. 첫째, 최소 3개의 시간점이 필요하지만, 4~5개가 일반적으로 안정적인 추정을 보장한다. 둘째, 랜덤 인터셉트의 분산을 정확히 추정하려면 충분히 큰 개인 수(N≥200)가 권장된다. 셋째, 측정오차가 존재할 경우 구조방정식 모델링(SEM) 프레임워크 내에서 오류항을 명시적으로 모델링해야 한다. 넷째, 모델 확장으로는 시간에 따라 변하는 랜덤 슬로프, 다변량 RI‑CLPM, 혹은 잠재 성장 요인과 결합한 혼합 모델이 가능하지만, 파라미터 과다추정 위험이 있다. 다섯째, 가장 중요한 가정인 ‘stable trait와 within‑person 변동의 무상관성’이 위배될 경우, DPM이나 혼합 효과 모델(Mixed‑effects) 등 대안을 검토해야 한다. 논문은 RI‑CLPM을 다른 통계 모델과 비교한다. 잠재 성장 모델(LGM)과 잠재 곡선 모델(LCM)은 개인 간 성장 궤적을 추정하지만, within‑person 변동을 명시적으로 분리하지 않는다. 혼합 효과 모델은 개인별 랜덤 효과를 허용하지만, 교차지연 효과를 동시에 추정하기엔 복잡도가 높다. 반면 RI‑CLPM은 개인 평균을 고정하고, 시간에 따른 편차만을 분석함으로써 ‘과정적’ 인과관계를 탐색한다. 따라서 연구 목적이 ‘개인 수준의 변화 메커니즘’에 초점이 있다면 RI‑CLPM이 더 적합하고, ‘전체 집단의 성장 패턴’에 관심이 있다면 LGM이 더 유용하다는 결론을 제시한다. 마지막으로, RI‑CLPM 적용 사례와 기존 연구들의 비교 결과를 요약한다. 여러 실증 연구에서 RI‑CLPM은 CLPM에 비해 효과 크기와 방향이 크게 달라질 수 있음을 보여준다. 이는 CLPM이 개인 간 차이를 혼합함으로써 위양성(Spurious) 효과를 초래할 가능성이 있음을 시사한다. 또한, RI‑CLPM이 제공하는 ‘stable trait’와 ‘within‑person deviation’의 분리된 추정치는 이론적 해석을 풍부하게 하며, 정책·실천적 함의를 도출하는 데 유용하다. 논문은 향후 연구 방향으로 (1) 다변량 RI‑CLPM의 확장, (2) 비정상성(non‑stationarity) 및 비선형 효과 모델링, (3) 복합 설계(예: 다층 구조와 시간적 구조 결합)에서의 추정 방법 개발을 제안한다. 전체적으로 이 논문은 RI‑CLPM을 이해하고 적용하려는 연구자들에게 이론적 배경, 수학적 관계, 실무적 지침을 포괄적으로 제공한다.