기본 콘텐츠로 건너뛰기

선형 회귀 분석 (5)

앞서 영향력이 있는 관측치에 대해서 이야기했습니다. 이는 관측치 가운데 하나가 전체 모델이 큰 영향을 주는 경우를 이야기 합니다. 예를 들어 어린이의 나이와 키의 상관 관계를 보려고 하는데, 키가 180cm인 8세 남자아이가 있다면 어떻게 될까요? 나이에 따라 키가 증가한다는 회귀 모델에 상당한 영향을 주게 될 것입니다. 9세, 10세 소아보다 키가 더 클 테니까요. 


 사실 이런 관측치는 이상치 (outlier)에 속한다고 할 수 있으며 뭔가 측정이 잘못된 것이 아닌가 살펴봐야 합니다. 정말 말이 안되는 수치인 경우 기록이나 측정이 잘못된 것으로 봐야 하겠죠. 하지만 정상 범위에 들어가는데도 모델에 영향을 추는 관측치는 존재합니다. 이들을 어떻게 확인하고 적절히 처리하는 것이 통계 분석에서 중요합니다. 


 앞서 지렛값으로 표현한 영향력이 큰 값을 알아보기 위해서 쿡의 거리를 예로 들었습니다. 쿡의 거리는 가장 널리 사용되는 영향력 지표로 R의 잔차도에서 기본값으로 보여줍니다. 이는 해당 관측값이 전체 최소제곱추정량에 미치는 영향력을 보여주는 지표입니다. 쿡의 거리에 대해서는 전문 통계 서적을 참조해 주십시요. 


 쿡의 거리가 1이 넘으면 상당한 영향력을 끼치는 관측값이기 때문에 해당 값을 다시 확인해야 합니다. 하지만 이것만으로 판단이 안되는 애매한 크기의 관측값이 있을 수 있습니다. 추가로 볼 수 있는 값으로 DFBETAS (Difference in betas)가 있습니다. 이는 해당 관측치의 개별 베타 값에 대한 영향력 지표입니다. 반대로 적합값(fitted value)에 대한 영향력은 DFFITS (difference in Standardized Fits)라고 합니다. 마지막으로 베타값의 분상 공분상 행렬의 Cov(b^) 추정값에 대한 해당 관측치에 대한 영향력을 보기 위해 COVRATIO 를 확인할 수 있습니다. 


 실제로 이를 구해보겠습니다. 역시 앞의 예제를 그대로 활용합니다. 쿡의 거리를 구하는 방법은 cooks.distance() 입니다. 



set.seed(1234)
x<-rnorm span="">
set.seed(4567)
b<-rnorm span="">
y=3*x+b
y

model=lm(y~x)

> cooks.distance(model)
           1            2            3            4            5            6            7            8            9           10           11           12           13           14 
2.600136e-02 2.964722e-02 9.460372e-04 8.310767e-03 4.270502e-02 6.912472e-02 6.886873e-04 3.115780e-06 4.954109e-03 3.004645e-02 2.442558e-02 1.964249e-02 5.583533e-03 4.866320e-04 
          15           16           17           18           19           20           21           22           23           24           25           26           27           28 
8.254979e-05 3.526836e-04 3.374894e-05 1.059867e-02 6.275987e-02 6.292508e-01 2.222316e-07 2.441922e-03 1.082112e-03 8.162240e-03 3.462975e-02 2.718459e-02 1.229875e-03 5.773949e-05 
          29           30           31           32           33           34           35           36           37           38           39           40           41           42 
5.728208e-04 6.816683e-03 1.745361e-01 1.641478e-03 8.014061e-03 1.318513e-02 1.530960e-02 4.621449e-02 1.327900e-01 2.454684e-03 4.217183e-04 1.017895e-05 6.901388e-02 5.422216e-05 
          43           44           45           46           47           48           49           50 
3.066727e-03 2.577556e-02 3.020307e-03 1.466131e-03 5.275885e-04 1.944129e-02 1.778459e-02 9.060604e-03 


 역시 다른 값들도 기본 함수로 정의되어 있어 covratio(), dffits(), dfbetas()로 확인할 수 있습니다. 

> covratio(model)
        1         2         3         4         5         6         7         8         9        10        11        12        13        14        15        16        17        18 
1.0166823 1.0049375 1.1346557 1.1699503 0.9965723 0.9586003 1.0617766 1.0645262 1.0435610 0.9677118 0.9608814 1.0121283 1.0460037 1.0703567 1.1238113 1.0662976 1.0642407 1.0343993 
       19        20        21        22        23        24        25        26        27        28        29        30        31        32        33        34        35        36 
0.8519556 1.1391000 1.0741355 1.0537654 1.0595996 1.0714466 0.9305887 1.0420920 1.0927978 1.0734085 1.0677548 1.0483295 0.9620704 1.0571891 1.0343154 1.0079963 1.0812999 0.9616953 
       37        38        39        40        41        42        43        44        45        46        47        48        49        50 
1.0408390 1.0818220 1.0632316 1.0642522 1.1257242 1.0749655 1.0579127 0.9600232 1.0631681 1.0671351 1.0750717 1.0370244 0.9890301 1.0254304 
> dffits(model)
            1             2             3             4             5             6             7             8             9            10            11            12 
-0.2291204281 -0.2453109669  0.0430520461  0.1277476627  0.2955225946  0.3800179151  0.0367497143 -0.0024701769 -0.0989914300  0.2487259944  0.2243702038  0.1990030065 
           13            14            15            16            17            18            19            20            21            22            23            24 
-0.1050949025  0.0308817921 -0.0127148411  0.0262888228 -0.0081299574  0.1453013653 -0.3709983753 -1.1608907594 -0.0006596997 -0.0693254154 -0.0460849910  0.1269263411 
           25            26            27            28            29            30            31            32            33            34            35            36 
 0.2694083447  0.2335018140 -0.0491017533  0.0106340228 -0.0335084957 -0.1161571004  0.6096307501 -0.0567922802 -0.1262296725  0.1628893614  0.1740890035 -0.3096151226 
           37            38            39            40            41            42            43            44            45            46            47            48 
-0.5234976052 -0.0694172431 -0.0287498446 -0.0044647730 -0.3717957967  0.0103049914  0.0776965550 -0.2305833479  0.0770783821  0.0536425808  0.0321543311 -0.1972341286 
           49            50 
 0.1900826351 -0.1344516184 
> dfbetas(model)
     (Intercept)             x
1  -0.1570817397  1.494553e-01
2   0.1484953764 -1.570898e-01
3  -0.0364130007  3.740498e-02
4   0.1182153166 -1.159286e-01
5  -0.2001461266  2.096813e-01
6  -0.2688153939  2.805736e-01
7   0.0066804405 -5.055585e-03
8  -0.0003720607  2.623403e-04
9  -0.0168705658  1.248587e-02
10  0.1208673975 -1.110122e-01
11  0.0162163131 -6.179515e-03
12  0.1126176355 -1.051579e-01
13 -0.0407510478  3.637243e-02
14 -0.0144993138  1.570570e-02
15  0.0104941742 -1.080511e-02
16 -0.0084720012  9.577857e-03
17 -0.0008993268  5.366172e-04
18  0.0730275205 -6.732945e-02
19 -0.1640298329  1.489647e-01
20  1.0939724976 -1.110269e+00
21  0.0003423443 -3.672519e-04
22 -0.0060733635  2.974966e-03
23 -0.0014063373 -6.576974e-04
24 -0.0875346099  9.156247e-02
25  0.0829210138 -7.135995e-02
26  0.1819901253 -1.752567e-01
27  0.0359036534 -3.736747e-02
28  0.0061965148 -5.803326e-03
29  0.0136239341 -1.498109e-02
30 -0.0605676137  5.606865e-02
31 -0.5172241864  5.311547e-01
32 -0.0040013008  1.460573e-03
33 -0.0408410483  3.545182e-02
34  0.0162223601 -8.948521e-03
35  0.1441227724 -1.396056e-01
36 -0.2062328317  1.956853e-01
37 -0.4769913543  4.668541e-01
38 -0.0515460384  4.941240e-02
39  0.0038541638 -5.126033e-03
40 -0.0002652832  6.544753e-05
41  0.3304046393 -3.377071e-01
42  0.0062958962 -5.924280e-03
43  0.0355513253 -3.242215e-02
44  0.0343504111 -4.452576e-02
45  0.0434071475 -4.051154e-02
46  0.0292439987 -2.720100e-02
47  0.0203733341 -1.923899e-02
48 -0.1392881925  1.328956e-01
49  0.0237734851 -1.530499e-02
50 -0.0127188011  6.712592e-03


 참고로 창 크기를 옆으로 늘리면 1:1로 밀리지 않고 매칭할 수 있습니다. 아무튼 이렇게 일일이 확인하면 번거로우므로 실제로는 이를 한 번에 확인할 수 있는 influence.measures() 함수를 사용하게 됩니다. 아래는 값들이 붙었는데 R에서는 잘 확인이 될 것입니다. * 표시는 영향력이 의심되는 경우입니다. 




> influence.measures(model)
Influence measures of
 lm(formula = y ~ x) :

      dfb.1_     dfb.x       dffit      cov.r  cook.d   hat inf
1  -0.157082  1.49e-01 -0.22912 1.017 2.60e-02 0.0348    
2   0.148495 -1.57e-01 -0.24531 1.005 2.96e-02 0.0339    
3  -0.036413  3.74e-02  0.04305 1.135 9.46e-04 0.0816   *
4   0.118215 -1.16e-01  0.12775 1.170 8.31e-03 0.1133   *
5  -0.200146  2.10e-01  0.29552 0.997 4.27e-02 0.0403    
6  -0.268815  2.81e-01  0.38002 0.959 6.91e-02 0.0440    
7   0.006680 -5.06e-03  0.03675 1.062 6.89e-04 0.0204    
8  -0.000372  2.62e-04 -0.00247 1.065 3.12e-06 0.0202    
9  -0.016871  1.25e-02 -0.09899 1.044 4.95e-03 0.0203    
10  0.120867 -1.11e-01  0.24873 0.968 3.00e-02 0.0250    
11  0.016216 -6.18e-03  0.22437 0.961 2.44e-02 0.0200    
12  0.112618 -1.05e-01  0.19900 1.012 1.96e-02 0.0277    
13 -0.040751  3.64e-02 -0.10509 1.046 5.58e-03 0.0227    
14 -0.014499  1.57e-02  0.03088 1.070 4.87e-04 0.0270    
15  0.010494 -1.08e-02 -0.01271 1.124 8.25e-05 0.0720    
16 -0.008472  9.58e-03  0.02629 1.066 3.53e-04 0.0231    
17 -0.000899  5.37e-04 -0.00813 1.064 3.37e-05 0.0201    
18  0.073028 -6.73e-02  0.14530 1.034 1.06e-02 0.0255    
19 -0.164030  1.49e-01 -0.37100 0.852 6.28e-02 0.0238   *
20  1.093972 -1.11e+00 -1.16089 1.139 6.29e-01 0.2344   *
21  0.000342 -3.67e-04 -0.00066 1.074 2.22e-07 0.0290    
22 -0.006073  2.97e-03 -0.06933 1.054 2.44e-03 0.0200    
23 -0.001406 -6.58e-04 -0.04608 1.060 1.08e-03 0.0200    
24 -0.087535  9.16e-02  0.12693 1.071 8.16e-03 0.0417    
25  0.082921 -7.14e-02  0.26941 0.931 3.46e-02 0.0215    
26  0.181990 -1.75e-01  0.23350 1.042 2.72e-02 0.0458    
27  0.035904 -3.74e-02 -0.04910 1.093 1.23e-03 0.0475    
28  0.006197 -5.80e-03  0.01063 1.073 5.77e-05 0.0285    
29  0.013624 -1.50e-02 -0.03351 1.068 5.73e-04 0.0250    
30 -0.060568  5.61e-02 -0.11616 1.048 6.82e-03 0.0261    
31 -0.517224  5.31e-01  0.60963 0.962 1.75e-01 0.0830    
32 -0.004001  1.46e-03 -0.05679 1.057 1.64e-03 0.0200    
33 -0.040841  3.55e-02 -0.12623 1.034 8.01e-03 0.0217    
34  0.016222 -8.95e-03  0.16289 1.008 1.32e-02 0.0201    
35  0.144123 -1.40e-01  0.17409 1.081 1.53e-02 0.0560    
36 -0.206233  1.96e-01 -0.30962 0.962 4.62e-02 0.0333    
37 -0.476991  4.67e-01 -0.52350 1.041 1.33e-01 0.0977    
38 -0.051546  4.94e-02 -0.06942 1.082 2.45e-03 0.0405    
39  0.003854 -5.13e-03 -0.02875 1.063 4.22e-04 0.0207    
40 -0.000265  6.54e-05 -0.00446 1.064 1.02e-05 0.0200    
41  0.330405 -3.38e-01 -0.37180 1.126 6.90e-02 0.1143   *
42  0.006296 -5.92e-03  0.01030 1.075 5.42e-05 0.0299    
43  0.035551 -3.24e-02  0.07770 1.058 3.07e-03 0.0242    
44  0.034350 -4.45e-02 -0.23058 0.960 2.58e-02 0.0208    
45  0.043407 -4.05e-02  0.07708 1.063 3.02e-03 0.0276    
46  0.029244 -2.72e-02  0.05364 1.067 1.47e-03 0.0269    
47  0.020373 -1.92e-02  0.03215 1.075 5.28e-04 0.0312    
48 -0.139288  1.33e-01 -0.19723 1.037 1.94e-02 0.0366    
49  0.023773 -1.53e-02  0.19008 0.989 1.78e-02 0.0201    
50 -0.012719  6.71e-03 -0.13445 1.025 9.06e-03 0.0200   


 하지만 사실 이렇게보면 더 해석이 어려워 보입니다. 대개는 쿡의 거리 정도만 측정하는데, 그래도 더 모델을 정교하게 가다듬어야 한다면 olsrr 패키지와 ddalpha 패키지를 설치해서 그래프로 더 상세하게 볼 수 있습니다. 


require("olsrr")
ols_cooksd_barplot(model)
ols_dfbetas_panel(model)
ols_dffits_plot(model)





(큰 그림을 보려면 클릭) 


 이렇게 보니 한결 파악이 쉬워졌습니다. 모델에서 20은 제외시키는 게 좋을 것 같고 31,37번 관측치도 다소 영향을 주는 관측치입니다. 이를 하나씩 제외시키면서 모델이 적합해지는지 관찰해 나가면됩니다. 다음 시간에 좀 더 실제 데이터에 가까운 예제 데이터로 실습해 보겠습니다. 모든 일이 그러하듯 회귀 분석 역시 여러 번 실제로 해봐야 실력이 늘 수 있습니다. 


 참고로 olsrr 패키지로 더 다양한 플롯을 그려보고 싶다면 아래 설명을 참조해 보시기 바랍니다. 




댓글

이 블로그의 인기 게시물

통계 공부는 어떻게 하는 것이 좋을까?

 사실 저도 통계 전문가가 아니기 때문에 이런 주제로 글을 쓰기가 다소 애매하지만, 그래도 누군가에게 도움이 될 수 있다고 생각해서 글을 올려봅니다. 통계학, 특히 수학적인 의미에서의 통계학을 공부하게 되는 계기는 사람마다 다르긴 하겠지만, 아마도 비교적 흔하고 난감한 경우는 논문을 써야 하는 경우일 것입니다. 오늘날의 학문적 연구는 집단간 혹은 방법간의 차이가 있다는 것을 객관적으로 보여줘야 하는데, 그려면 불가피하게 통계적인 방법을 쓸 수 밖에 없게 됩니다. 이런 이유로 분야와 주제에 따라서는 아닌 경우도 있겠지만, 상당수 논문에서는 통계학이 들어가게 됩니다.   문제는 데이터를 처리하고 분석하는 방법을 익히는 데도 상당한 시간과 노력이 필요하다는 점입니다. 물론 대부분의 학과에서 통계 수업이 들어가기는 하지만, 그것만으로는 충분하지 않은 경우가 많습니다. 대학 학부 과정에서는 대부분 논문 제출이 필요없거나 필요하다고 해도 그렇게 높은 수준을 요구하지 않지만, 대학원 이상 과정에서는 SCI/SCIE 급 논문이 필요하게 되어 처음 논문을 작성하는 입장에서는 상당히 부담되는 상황에 놓이게 됩니다.  그리고 이후 논문을 계속해서 쓰게 될 경우 통계 문제는 항상 나를 따라다니면서 괴롭히게 될 것입니다.  사정이 이렇다보니 간혹 통계 공부를 어떻게 하는 것이 좋겠냐는 질문이 들어옵니다. 사실 저는 통계 전문가라고 하기에는 실력은 모자라지만, 대신 앞서서 삽질을 한 경험이 있기 때문에 몇 가지 조언을 해줄 수 있을 것 같습니다.  1. 입문자를 위한 책을 추천해달라  사실 예습을 위해서 미리 공부하는 것은 추천하지 않습니다. 기본적인 통계는 학과별로 다르지 않더라도 주로 쓰는 분석방법은 분야별로 상당한 차이가 있을 수 있어 결국은 자신이 주로 하는 부분을 잘 해야 하기 때문입니다. 그러기 위해서는 학과 커리큘럼에 들어있는 통계 수업을 듣는 것이 더 유리합니다. 잘 쓰지도 않을 방법을 열심히 공부하는 것은 아무래도 효율

150년 만에 다시 울린 희귀 곤충의 울음 소리

  ( The katydid Prophalangopsis obscura has been lost since it was first collected, with new evidence suggesting cold areas of Northern India and Tibet may be the species' habitat. Credit: Charlie Woodrow, licensed under CC BY 4.0 ) ( The Museum's specimen of P. obscura is the only confirmed member of the species in existence. Image . Credit: The Trustees of the Natural History Museum, London )  과학자들이 1869년 처음 보고된 후 지금까지 소식이 끊긴 오래 전 희귀 곤충의 울음 소리를 재현하는데 성공했습니다. 프로팔랑곱시스 옵스큐라 ( Prophalangopsis obscura)는 이상한 이름만큼이나 이상한 곤충으로 매우 희귀한 메뚜기목 곤충입니다. 친척인 여치나 메뚜기와는 오래전 갈라진 독자 그룹으로 매우 큰 날개를 지니고 있으며 인도와 티벳의 고산 지대에 사는 것으로 보입니다.   유일한 표본은 수컷 성체로 2005년에 암컷으로 생각되는 2마리가 추가로 발견되긴 했으나 정확히 같은 종인지는 다소 미지수인 상태입니다. 현재까지 확실한 표본은 수컷 성체 한 마리가 전부인 미스터리 곤충인 셈입니다.   하지만 과학자들은 그 형태를 볼 때 이들 역시 울음 소리를 통해 짝짓기에서 암컷을 유인했을 것으로 보고 있습니다. 그런데 높은 고산 지대에서 먼 거리를 이동하는 곤충이기 때문에 낮은 피치의 울음 소리를 냈을 것으로 보입니다. 문제는 이런 소리는 암컷 만이 아니라 박쥐도 잘 듣는다는 것입니다. 사실 이들은 중생대 쥐라기 부터 존재했던 그룹으로 당시에는 박쥐가 없어 이런 방식이 잘 통했을 것입니다. 하지만 신생대에 박쥐가 등장하면서 플로팔랑곱

9000년 전 소녀의 모습을 복원하다.

( The final reconstruction. Credit: Oscar Nilsson )  그리스 아테나 대학과 스웨덴 연구자들이 1993년 발견된 선사 시대 소녀의 모습을 마치 살아있는 것처럼 복원하는데 성공했습니다. 이 유골은 그리스의 테살리아 지역의 테오페트라 동굴 ( Theopetra Cave )에서 발견된 것으로 연대는 9000년 전으로 추정됩니다. 유골의 주인공은 15-18세 사이의 소녀로 정확한 사인은 알 수 없으나 괴혈병, 빈혈, 관절 질환을 앓고 있었던 것으로 확인되었습니다.   이 소녀가 살았던 시기는 유럽 지역에서 수렵 채집인이 초기 농경으로 이전하는 시기였습니다. 다른 시기와 마찬가지로 이 시기의 사람들도 젊은 시절에 다양한 질환에 시달렸을 것이며 평균 수명 역시 매우 짧았을 것입니다. 비록 젊은 나이에 죽기는 했지만, 당시에는 이런 경우가 드물지 않았을 것이라는 이야기죠.   아무튼 문명의 새벽에 해당하는 시점에 살았기 때문에 이 소녀는 Dawn (그리스어로는  Avgi)라고 이름지어졌다고 합니다. 연구팀은 유골에 대한 상세한 스캔과 3D 프린팅 기술을 적용해서 살아있을 당시의 모습을 매우 현실적으로 복원했습니다. 그리고 그 결과 나타난 모습은.... 당시의 거친 환경을 보여주는 듯 합니다. 긴 턱은 당시를 살았던 사람이 대부분 그랬듯이 질긴 먹이를 오래 씹기 위한 것으로 보입니다.   강하고 억센 10대 소녀(?)의 모습은 당시 살아남기 위해서는 강해야 했다는 점을 말해주는 듯 합니다. 이렇게 억세보이는 주인공이라도 당시에는 전염병이나 혹은 기아에서 자유롭지는 못했기 때문에 결국 평균 수명은 길지 못했겠죠. 외모 만으로 평가해서는 안되겠지만, 당시의 거친 시대상을 보여주는 듯 해 흥미롭습니다.   참고  https://phys.org/news/2018-01-teenage-girl-years-reconstructed.html