기본 콘텐츠로 건너뛰기

다중선형회귀 분석 (2)


 앞서 설명한 간단한 모델은 사실 일반적으로는 있을 수 없는 모델입니다. 결과 변수에 영향을 미칠 수 있는 다양한 원인 변수는 모두 선형적인 증가를 하는 경우가 드물기 때문입니다. U자형 연관성이나 J 형 혹은 뒤집어진 U자형, J 형, 그리고 갑자기 어느 점을 넘어서면 증가하는 패턴 등 현실적으로는 매우 다양한 패턴이 존재할 수밖에 없습니다. 여기서는 U자형 연관성을 지니는 변수를 하나 더 넣어서 어떤 변화가 생기는지 알아보겠습니다. 


set.seed(1234)
x1<-rnorm span="">
x2<-rnorm span="">
x3<-rnorm span="">
b<-rnorm span="">
y=3.0*x1-1.3*x2+(x3-10)^2+b


 이 모델에서는 단순하게 Y=(X-a)^2+b의 변수를 넣었습니다. 우리는 이것이 U자형 그래프를 그릴 것이라는 사실을 알고 있습니다. plot 함수를 통해서 이를 직접 확인할 수 있습니다. 


y3=(x3-10)^2
plot(x3,y3)



 막상 분포를 보면 거의 한쪽으로 치우친 형태로 U자보다는 늘어진 J 패턴에 가깝습니다. 아무튼 단순한 선형 비례 혹은 반비례 관계는 아닙니다. 그래도 전체적으로는 증가하는 패턴이라 변수의 숫자가 적으면 선형 증가 관계 비슷하게 보일 수 있습니다. 앞서 예제처럼 X1에서 범주형 변수인 X4까지 만들어 그래프를 그려 보겠습니다. 


set.seed(1234)
x1<-rnorm span="">
x2<-rnorm span="">
x3<-rnorm span="">
b<-rnorm span="">
y=3.0*x1-1.3*x2+(x3-10)^2+b

df1<-data .frame="" span="" x1="" x2="" x3="" y="">
df1$x4="a"

set.seed(1234)
x1<-rnorm span="">
x2<-rnorm span="">
x3<-rnorm span="">
b<-rnorm span="">
y=2.8*x1-1.1*x2+(x3-10)^2+b

df2<-data .frame="" span="" x1="" x2="" x3="" y="">
df2$x4="b"

df3<-rbind df1="" df2="" span="">
plot(df3$x1,df3$y)


 이렇게 하면 총 200개의 관측치를 지닌 데이터 프레임이 완성됩니다. 여기서는 우리가 알고자 하는 가장 중요한 변수는 x1으로 x1과 y의 관계를 정확히 밝히는 것이 목적이라고 가정합니다. 기본 그래프는 다음과 같이 나타납니다. 




 아마도 x1과 y 사이에는 선형 비례 관계가 있는 것 같지만, 일부로 여러 변수를 섞어서 정확한 비례 관계를 알기 어렵습니다. x1과 y를 포함한 선형 회귀모델을 보면 분명하게 나타납니다. 


model1=lm(y~x1, data=df3)
summary(model1)
par(mfrow=c(2,2))
plot(model1)


Call:
lm(formula = y ~ x1, data = df3)

Residuals:
    Min      1Q  Median      3Q     Max 
-88.727 -26.968  -6.707  23.992 154.755 

Coefficients:
             Estimate Std. Error t value Pr(>|t|)    
(Intercept) -456.3604    39.8310  -11.46   <2e-16 span="">
x1             7.6268     0.4216   18.09   <2e-16 span="">
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 42.14 on 198 degrees of freedom
Multiple R-squared:  0.6231, Adjusted R-squared:  0.6212 
F-statistic: 327.3 on 1 and 198 DF,  p-value: < 2.2e-16



 x1와 y의 비례 관계는 y=2.9x1이 나와야 하지만, 위의 모델에서 추정한 베타 값은 7.6으로 x1이 1증가할 때 y는 7.6증가한다는 잘못된 결론을 내릴 수 있습니다. 그런데 위의 모델만으로는 사실 잘못된 해석이라는 점을 눈치채기 어렵습니다. 잔차도 역시 그렇게 나쁘지 않아보입니다. 그러면 변수 x2,x3,x4를 모델에 추가해 보겠습니다. 


model1=lm(y~x1+x2+x3+factor(x4), data=df3)
summary(model1)
par(mfrow=c(2,2))
plot(model1)

Call:
lm(formula = y ~ x1 + x2 + x3 + factor(x4), data = df3)

Residuals:
    Min      1Q  Median      3Q     Max 
-25.648  -9.810  -3.672   6.954  87.986 

Coefficients:
             Estimate Std. Error t value Pr(>|t|)    
(Intercept) -164.3687    29.8502  -5.506 1.15e-07 ***
x1             2.9947     0.2246  13.335  < 2e-16 ***
x2            -1.0033     0.2187  -4.587 8.04e-06 ***
x3            13.2448     0.5897  22.461  < 2e-16 ***
factor(x4)b   -5.5035     5.3762  -1.024    0.307    
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 15.81 on 195 degrees of freedom
Multiple R-squared:  0.9478, Adjusted R-squared:  0.9467 
F-statistic: 884.6 on 4 and 195 DF,  p-value: < 2.2e-16




 Adjusted R-squared 값이 크게 올라갔지만, 잔차도의 모습은 문제가 있습니다. 2.99는 비교적 정확한 값이지만, 아직 문제가 다 해결되지 않았습니다. 이유는 간단합니다. x3가 사실 다항식이기 때문이죠. 이는 x3의 분포를 보고 추정해야 하는데, 만약 변수의 숫자가 적거나 한쪽으로 편향된 경우 정확한 관계를 알기 어려운 경우도 많다는 점을 이해해야 합니다. 아무튼 모델에 이차항을 하나 더 넣겠습니다. 


model1=lm(y~x1+x2+I(x3^2)+factor(x4), data=df3)
summary(model1)
par(mfrow=c(2,2))
plot(model1)


Call:
lm(formula = y ~ x1 + x2 + I(x3^2) + factor(x4), data = df3)

Residuals:
    Min      1Q  Median      3Q     Max 
-19.111  -5.696  -1.497   5.119  57.477 

Coefficients:
            Estimate Std. Error t value Pr(>|t|)    
(Intercept) -68.9056    18.5421  -3.716 0.000264 ***
x1            2.9851     0.1441  20.717  < 2e-16 ***
x2           -1.0607     0.1404  -7.553 1.61e-12 ***
I(x3^2)       0.4304     0.0111  38.762  < 2e-16 ***
factor(x4)b   2.3877     3.4309   0.696 0.487294    
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 10.15 on 195 degrees of freedom
Multiple R-squared:  0.9785, Adjusted R-squared:  0.978 
F-statistic:  2216 on 4 and 195 DF,  p-value: < 2.2e-16




 이차항을 넣었는데도 당황스럽게 잔차도는 문제가 있습니다. 이유는 일차항을 뺐기 때문입니다. 앞서 설명했듯이  I(x3^2)이 아니라 x3+I(x3^2)로 추가해야 합니다. 그 이유는 y=(x-a)^2+b의 이차 방정식을 펼쳐보면 나옵니다. 펼치면 결국 y는 x^2과 x 항 모두를 지니기 때문이죠. 한번 일차항을 같이 넣어보겠습니다. 


model1=lm(y~x1+x2+x3+I(x3^2)+factor(x4), data=df3)
summary(model1)
par(mfrow=c(2,2))
plot(model1)

Call:
lm(formula = y ~ x1 + x2 + x3 + I(x3^2) + factor(x4), data = df3)

Residuals:
     Min       1Q   Median       3Q      Max 
-16.7708  -3.1052   0.0356   3.4255  11.0779 

Coefficients:
             Estimate Std. Error t value Pr(>|t|)    
(Intercept)  90.59256   11.79865   7.678 7.73e-13 ***
x1            3.04989    0.07450  40.937  < 2e-16 ***
x2           -1.05117    0.07256 -14.486  < 2e-16 ***
x3          -19.77503    0.85380 -23.161  < 2e-16 ***
I(x3^2)       0.99493    0.02504  39.730  < 2e-16 ***
factor(x4)b  -2.43313    1.78486  -1.363    0.174    
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 5.243 on 194 degrees of freedom
Multiple R-squared:  0.9943, Adjusted R-squared:  0.9941 
F-statistic:  6749 on 5 and 194 DF,  p-value: < 2.2e-16




 이제 정확한 결과가 나왔습니다. x3가 베타 값이 -19가 나온 것은 -2ax3의 형태로 풀리기 때문입니다. 2차항의 베타 값은 거의 1이 나와 정확했고 나머지 값도 괜찮고 잔차도도 훨씬 좋아보입니다.  




 여기서는 쉽게 모델을 만들어 검증했지만, 현실에서는 그렇게 쉽지 않은 것이 보통입니다. 여러 모델을 검토하고 다항식도 넣고 변수도 변환시켜 그 값을 비교하는 과정이 필요합니다. 세상에 쉽고 간단한 일은 없는 법이죠. 

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