기본 콘텐츠로 건너뛰기

선형 회귀 분석 (6)




 다른 모든 분야와 마찬가지로 회귀 분석을 비롯한 통계 분석은 역시 실제로 해봐야 실력이 늘어나는 것 같습니다. 전문가라고 할 수 있을 정도로 실력이 늘려면 상당한 시간과 노력이 필요하는 것 역시 다른 분야와 비슷합니다. 실제 분석을 시도해보면 생각했던 것과는 다른 결과에 당황스럽기도 하고 결과 해석 역시 어려울 뿐 아니라 맞게 분석한 것인지도 확신이 서지 않을때가 많습니다. 


 공부하는 과정에서 만나게 되는 예제 데이터는 실제 데이터를 기반으로 충분히 수정한 것이라 큰 문제가 없는 경우가 많지만, 실제 데이터는 그렇지 않기 때문에 로우 데이터부터 분석을 시도하면 많은 여러움이 있을 것입니다. 그래서 여기서는 선형 회귀 분석의 예제로 잘 사용되지 않는 예제를 이용해 보겠습니다. 앞서 소개한 바 있는 다이아몬드 데이터죠. 5만개 이상의 다이아몬드의 컷팅, 색, 크기 (캐럿)와 가격의 리스트를 만든 것입니다. 




 쉽게 생각해서 큰 다이아몬드는 더 비쌀 것입니다. 따라서 다이아몬드의 캐럿과 가격은 비례 관계에 있을 것이라는 추정을 내릴 수 있습니다. 사실 큰 다이아몬드가 더 비싸다는 걸 알고 싶어 하는 사람은 별로 없을 것입니다. 당연한 이야기니까요. 하지만 예제로는 삼을 수 있겠죠. 다이아몬드 데이터를 불러내 가격과 캐럿의 관계를 선형 회귀 모델에 넣어 보겠습니다. 


> library("ggplot2")
> summary(diamonds)
     carat               cut        color        clarity          depth           table           price             x                y                z         
 Min.   :0.2000   Fair     : 1610   D: 6775   SI1    :13065   Min.   :43.00   Min.   :43.00   Min.   :  326   Min.   : 0.000   Min.   : 0.000   Min.   : 0.000  
 1st Qu.:0.4000   Good     : 4906   E: 9797   VS2    :12258   1st Qu.:61.00   1st Qu.:56.00   1st Qu.:  950   1st Qu.: 4.710   1st Qu.: 4.720   1st Qu.: 2.910  
 Median :0.7000   Very Good:12082   F: 9542   SI2    : 9194   Median :61.80   Median :57.00   Median : 2401   Median : 5.700   Median : 5.710   Median : 3.530  
 Mean   :0.7979   Premium  :13791   G:11292   VS1    : 8171   Mean   :61.75   Mean   :57.46   Mean   : 3933   Mean   : 5.731   Mean   : 5.735   Mean   : 3.539  
 3rd Qu.:1.0400   Ideal    :21551   H: 8304   VVS2   : 5066   3rd Qu.:62.50   3rd Qu.:59.00   3rd Qu.: 5324   3rd Qu.: 6.540   3rd Qu.: 6.540   3rd Qu.: 4.040  
 Max.   :5.0100                     I: 5422   VVS1   : 3655   Max.   :79.00   Max.   :95.00   Max.   :18823   Max.   :10.740   Max.   :58.900   Max.   :31.800  
                                    J: 2808   (Other): 2531                                                                                                     
> model=lm(price~carat, data=diamonds)
> summary(model)

Call:
lm(formula = price ~ carat, data = diamonds)

Residuals:
     Min       1Q   Median       3Q      Max 
-18585.3   -804.8    -18.9    537.4  12731.7 

Coefficients:
            Estimate Std. Error t value Pr(>|t|)    
(Intercept) -2256.36      13.06  -172.8   <2e-16 span="">
carat        7756.43      14.07   551.4   <2e-16 span="">
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 1549 on 53938 degrees of freedom
Multiple R-squared:  0.8493, Adjusted R-squared:  0.8493 
F-statistic: 3.041e+05 on 1 and 53938 DF,  p-value: < 2.2e-16 


 여기서는 데이터가 별도의 데이터 프레임 형태로 존재하기 때문에 lm 함수에 넣기 위해서는 data=diamonds를 지정해 줘야 정확한 값을 얻을 수 있습니다. 실제 분석할 때 주의해야 하는 점입니다. 일단 여기서 독립변수는 다이아몬드 캐럿 carat 이 될 것입니다. 종속변수는 가격이죠.


 결과를 보니 상당히 큰 연관성이 있어 <2e-16 0.8493="" 1="" 7756="" djusted="" nbsp="" r-squared="" span="">


 그런데 정말 맞는 추정일까요? 여기서 잔차 분석을 해보겠습니다. 앞서 언급했듯이 plot(model) 함수를 이용해서 잔차도를 그려볼 수 있습니다. 참고로 앞서 소개한 다른 잔차 분석 방법은 솔직히 이렇게 관측값이 많을 때는 현실적으로 사용이 어렵습니다. 

par(mfrow=c(2,2))
plot(model)





 이 그래프는 컴퓨터 사양에 따라서 시간이 좀 걸릴 수 있습니다. 관측값이 많기 때문입니다. 아무튼 잔차도가 한 눈에 봐도 이상합니다. 어디가 이상할까요? 앞서 포스트에서 설명했듯이 잔차의 분포는 한 곳으로 몰리지 않고 균등하게 분포해야 합니다. 그런데 이 잔차도(잔차 도표)는 한 쪽으로 크게 쏠려 있어 모델에서 추정한 회귀 모델이 잘못되었을 가능성을 시사합니다. 다시 말해 등분산 가정을 위반했다는 이야기입니다. 이렇게 잔차의 분포를 보는 도표가 왼쪽 위에 첫번째 도표입니다. 앞서 설명드린 바 있죠. 




 normal QQ 그래프 역시 직선과 크게 어긋나 있습니다. 이는 정규 분포라는 가정을 위반한 것입니다. 그래도 쿡의 거리는 크게 벗어나지 않은 듯 하지만, 사실 이미 모델 자체가 믿을 수 없는 상황이라 큰 의미가 없습니다. 쿡의 거리가 벗어나보이지 않는 건 사실 표본의 숫자가 많기 때문이고 모델의 신뢰성과는 상관이 없습니다. 따라서 회귀 계수 추정은 잘못된 것입니다. 


 분명 다이아몬드가 커질 수록 비싸진다는 가정에는 문제가 없는 것 같고 자료 해석에도 문제가 없는 것 같은데 왜 이럴까요? 이유는 간단합니다. 1차 방정식의 형태로 선형 비례를 하지 않기 때문이죠. 실제로 데이터를 분석하다보면 이런 문제를 비롯해서 온갖 문제에 부딪히게 됩니다. 어떻게 해결하는 것이 좋을지 다음 시간에 이야기해보겠습니다. 




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