기본 콘텐츠로 건너뛰기

다중선형회귀 분석 (6)




 여러 개의 독립변수를 다루는 다중 회귀 분석에서는 각각의 변수가 서로 독립적이라는 가정을 하고 있습니다. 하지만 세상일이라는게 서로 얽히고 얽혀 있어 사실 그렇게 되기는 어렵습니다. 예를 들어 혈압과 비만, 혈당은 서로 연관성이 있어 비만해질수록 혈압이나 혈당이 같이 오르는 것이 일반적입니다. 질병 예측 모델을 위해 이를 모두 포함한 변수를 만들면 독립 변수들이 사실은 독립적이지 않은 문제에 직면합니다. 소득과 교육 수준 역시 마찬가지입니다. 소득이 높은 사람이 교육 수준도 같이 높은 경우가 많은데, 이 둘을 넣은 모델을 만들면 두 변수 사이에 상호 작용이 없을 수가 없습니다. 


 상호작용을 가진 변수를 해결하는 방법은 하나를 제거해서 모델을 단순하게 만드는 것 외에도 상호작용의 항을 하나 더 넣는 방법이 있습니다. 물론 가능한 독립 변수의 수를 줄이는 것이 더 좋은 접근이긴 하지만, 하필이면 꼭 보고자 하는 변수들끼리 관계가 있거나 모델에서 배제하기 어려운 변수인 경우 상호작용(interaction)을 포함시킨 모델이 도움이 될 수 있습니다. 일단 앞서 모델을 다시 보겠습니다. 



library(car)
library(MASS)

data("Boston", package = "MASS")
data<-boston span="">

model5=lm(medv ~ lstat + rm + ptratio + dis + nox + chas + black + zn + crim + rad + tax, data = data)
summary(model5)
vif(model5)


 

 상호작용을 포함한 모델을 만드는 방법은 변수:변수 혹은 변수*변수의 형태로 모델에 새로운 변수로 포함시키는 것입니다. : 와 *의 차이는 각각의 독립 변수를 포함하느냐 아니냐의 차이로 *는 독립 변수를 포함하고 여기에 상호작용이 있는 새로운 변수를 추가하는 반면 : 는 그냥 상호작용만 포함합니다. 실제 코드를 실행시키면 이해가 더 빠른데 여기서는 rad와 tax 사이의 상호 작용을 알아보겠습니다. 


> model5=lm(medv ~ lstat + rm + ptratio + dis + nox + chas + black + zn + crim + rad*tax, data = data)
> summary(model5)

Call:
lm(formula = medv ~ lstat + rm + ptratio + dis + nox + chas + 
    black + zn + crim + rad * tax, data = data)

Residuals:
     Min       1Q   Median       3Q      Max 
-15.5078  -2.7103  -0.5414   1.6898  26.2652 

Coefficients:
              Estimate Std. Error t value Pr(>|t|)    
(Intercept)  3.558e+01  5.261e+00   6.764 3.82e-11 ***
lstat       -5.223e-01  4.746e-02 -11.006  < 2e-16 ***
rm           3.792e+00  4.070e-01   9.316  < 2e-16 ***
ptratio     -9.351e-01  1.309e-01  -7.146 3.24e-12 ***
dis         -1.505e+00  1.872e-01  -8.039 6.77e-15 ***
nox         -1.739e+01  3.538e+00  -4.915 1.21e-06 ***
chas         2.702e+00  8.554e-01   3.158 0.001684 ** 
black        9.237e-03  2.678e-03   3.450 0.000609 ***
zn           4.734e-02  1.381e-02   3.427 0.000660 ***
crim        -1.069e-01  3.291e-02  -3.249 0.001236 ** 
rad          4.459e-01  2.781e-01   1.603 0.109553    
tax         -1.064e-02  3.978e-03  -2.675 0.007727 ** 
rad:tax     -2.306e-04  4.269e-04  -0.540 0.589313    
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 4.74 on 493 degrees of freedom
Multiple R-squared:  0.7407, Adjusted R-squared:  0.7344 
F-statistic: 117.4 on 12 and 493 DF,  p-value: < 2.2e-16

> model5=lm(medv ~ lstat + rm + ptratio + dis + nox + chas + black + zn + crim + rad:tax, data = data)
> summary(model5)

Call:
lm(formula = medv ~ lstat + rm + ptratio + dis + nox + chas + 
    black + zn + crim + rad:tax, data = data)

Residuals:
     Min       1Q   Median       3Q      Max 
-16.3045  -2.9431  -0.4585   1.6839  26.4357 

Coefficients:
              Estimate Std. Error t value Pr(>|t|)    
(Intercept)  3.442e+01  5.158e+00   6.673 6.74e-11 ***
lstat       -5.282e-01  4.805e-02 -10.994  < 2e-16 ***
rm           4.019e+00  4.078e-01   9.855  < 2e-16 ***
ptratio     -1.003e+00  1.310e-01  -7.659 9.90e-14 ***
dis         -1.417e+00  1.874e-01  -7.562 1.95e-13 ***
nox         -1.993e+01  3.501e+00  -5.693 2.15e-08 ***
chas         3.004e+00  8.627e-01   3.483 0.000541 ***
black        9.573e-03  2.711e-03   3.531 0.000452 ***
zn           3.574e-02  1.353e-02   2.642 0.008507 ** 
crim        -9.968e-02  3.326e-02  -2.998 0.002859 ** 
rad:tax      1.577e-04  5.721e-05   2.756 0.006070 ** 
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 4.801 on 495 degrees of freedom
Multiple R-squared:  0.7329, Adjusted R-squared:  0.7275 
F-statistic: 135.8 on 10 and 495 DF,  p-value: < 2.2e-16
 

 역시 간략하게 쓰기 위해서는 rad*tax라고 표현하는 것이 더 좋을 것 같습니다. 그런데 다중공선성 테스트는 변수간에 상호 작용의 유무만 알려줄 뿐 구체적으로 어떤 변수와 연관성이 깊은지 설명해주지는 않습니다. 그리고 상호 작용을 포함한 모델이 꼭 필요한지 역시 말해줄 수 없습니다. 확인하는 방법은 anova를 통해서 상호 작용이 모델에 의미 있는 변화를 가져오는지 보는 것입니다. 


model5=lm(medv ~ lstat + rm + ptratio + dis + nox + chas + black + zn + crim + rad + tax, data = data)
model6=lm(medv ~ lstat + rm + ptratio + dis + nox + chas + black + zn + crim + rad*tax, data = data)
anova(model5,model6)


> model5=lm(medv ~ lstat + rm + ptratio + dis + nox + chas + black + zn + crim + rad + tax, data = data)
> model6=lm(medv ~ lstat + rm + ptratio + dis + nox + chas + black + zn + crim + rad*tax, data = data)
> anova(model5,model6)
Analysis of Variance Table

Model 1: medv ~ lstat + rm + ptratio + dis + nox + chas + black + zn + 
    crim + rad + tax
Model 2: medv ~ lstat + rm + ptratio + dis + nox + chas + black + zn + 
    crim + rad * tax
  Res.Df   RSS Df Sum of Sq      F Pr(>F)
1    494 11081                           
2    493 11075  1     6.555 0.2918 0.5893


  두 모델에 유의한 차이가 없는 것으로 확인되었습니다. VIF 수치가 높다고 해서 두 변수가 꼭 서로 상호 작용이 있는 건 아닐 수 있다는 것이죠. VIF는 모든 변수간 연관성을 설명해줍니다. 아무튼 rad*tax는 굳이 넣을 필요가 없다는 점이 분명해 보입니다. 


 어떤 변수가 연관이 깊을 것인지는 모델을 보고 판단해야 합니다. 예를 들어 고속도로의 접근성과 대기 오염은 상당한 연관성이 있을 것으로 생각할 수 있습니다. nox*dis 모델을 포함시켜 보겠습니다. 


model5=lm(medv ~ lstat + rm + ptratio + dis + nox + chas + black + zn + crim + rad + tax, data = data)
model6=lm(medv ~ lstat + rm + ptratio + dis + nox*rad + chas + black + zn + crim + tax, data = data)
anova(model5,model6)


> model5=lm(medv ~ lstat + rm + ptratio + dis + nox + chas + black + zn + crim + rad + tax, data = data)
> model6=lm(medv ~ lstat + rm + ptratio + dis + nox*rad + chas + black + zn + crim + tax, data = data)
> anova(model5,model6)
Analysis of Variance Table

Model 1: medv ~ lstat + rm + ptratio + dis + nox + chas + black + zn + 
    crim + rad + tax
Model 2: medv ~ lstat + rm + ptratio + dis + nox * rad + chas + black + 
    zn + crim + tax
  Res.Df   RSS Df Sum of Sq      F  Pr(>F)  
1    494 11081                              
2    493 10960  1    121.46 5.4634 0.01982 *
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1



 이번에는 P값이 0.01982으로 0.05 이하로 나와 통계적 유의성이 있는 것으로 나타났습니다. 이 문제의 해결책은 rad를 제거하거나 상호 작용이 있는 항을 포함시키는 것입니다. 

> summary(model5)

Call:
lm(formula = medv ~ lstat + rm + ptratio + dis + nox + chas + 
    black + zn + crim + rad + tax, data = data)

Residuals:
     Min       1Q   Median       3Q      Max 
-15.5984  -2.7386  -0.5046   1.7273  26.2373 

Coefficients:
              Estimate Std. Error t value Pr(>|t|)    
(Intercept)  36.341145   5.067492   7.171 2.73e-12 ***
lstat        -0.522553   0.047424 -11.019  < 2e-16 ***
rm            3.801579   0.406316   9.356  < 2e-16 ***
ptratio      -0.946525   0.129066  -7.334 9.24e-13 ***
dis          -1.492711   0.185731  -8.037 6.84e-15 ***
nox         -17.376023   3.535243  -4.915 1.21e-06 ***
chas          2.718716   0.854240   3.183 0.001551 ** 
black         0.009291   0.002674   3.475 0.000557 ***
zn            0.045845   0.013523   3.390 0.000754 ***
crim         -0.108413   0.032779  -3.307 0.001010 ** 
rad           0.299608   0.063402   4.726 3.00e-06 ***
tax          -0.011778   0.003372  -3.493 0.000521 ***
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 4.736 on 494 degrees of freedom
Multiple R-squared:  0.7406, Adjusted R-squared:  0.7348 
F-statistic: 128.2 on 11 and 494 DF,  p-value: < 2.2e-16

> summary(model6)

Call:
lm(formula = medv ~ lstat + rm + ptratio + dis + nox * rad + 
    chas + black + zn + crim + tax, data = data)

Residuals:
     Min       1Q   Median       3Q      Max 
-15.1895  -2.5704  -0.5176   1.6182  25.9958 

Coefficients:
             Estimate Std. Error t value Pr(>|t|)    
(Intercept) 30.036123   5.720655   5.250 2.26e-07 ***
lstat       -0.518396   0.047245 -10.972  < 2e-16 ***
rm           3.880343   0.405894   9.560  < 2e-16 ***
ptratio     -0.890858   0.130675  -6.817 2.72e-11 ***
dis         -1.422319   0.187334  -7.592 1.59e-13 ***
nox         -9.710918   4.810427  -2.019 0.044057 *  
rad          0.837937   0.238805   3.509 0.000491 ***
chas         2.810217   0.851307   3.301 0.001033 ** 
black        0.009639   0.002666   3.615 0.000331 ***
zn           0.052094   0.013725   3.796 0.000166 ***
crim        -0.102818   0.032720  -3.142 0.001777 ** 
tax         -0.012311   0.003365  -3.659 0.000281 ***
nox:rad     -0.834408   0.356984  -2.337 0.019819 *  
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 4.715 on 493 degrees of freedom
Multiple R-squared:  0.7434, Adjusted R-squared:  0.7372 
F-statistic:   119 on 12 and 493 DF,  p-value: < 2.2e-16

> model5=lm(medv ~ lstat + rm + ptratio + dis + nox + chas + black + zn + crim + tax, data = data)
> summary(model5)

Call:
lm(formula = medv ~ lstat + rm + ptratio + dis + nox + chas + 
    black + zn + crim + tax, data = data)

Residuals:
     Min       1Q   Median       3Q      Max 
-15.8588  -2.8451  -0.5955   1.4641  27.6777 

Coefficients:
              Estimate Std. Error t value Pr(>|t|)    
(Intercept)  2.974e+01  4.975e+00   5.978 4.33e-09 ***
lstat       -5.254e-01  4.843e-02 -10.849  < 2e-16 ***
rm           4.147e+00  4.082e-01  10.160  < 2e-16 ***
ptratio     -8.519e-01  1.302e-01  -6.542 1.52e-10 ***
dis         -1.429e+00  1.892e-01  -7.552 2.08e-13 ***
nox         -1.646e+01  3.605e+00  -4.567 6.26e-06 ***
chas         3.037e+00  8.697e-01   3.492 0.000522 ***
black        8.392e-03  2.724e-03   3.081 0.002180 ** 
zn           4.131e-02  1.378e-02   2.999 0.002846 ** 
crim        -6.356e-02  3.204e-02  -1.984 0.047853 *  
tax          5.175e-04  2.191e-03   0.236 0.813396    
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 4.837 on 495 degrees of freedom
Multiple R-squared:  0.7289, Adjusted R-squared:  0.7234 
F-statistic: 133.1 on 10 and 495 DF,  p-value: < 2.2e-16 


 각각의 경우 모두 회귀 계수가 달리 나오는데 사실 단순한 모델이 가장 좋다는 점을 생각하면 반드시 필요하지 않으면서 다른 변수와 상호 작용을 일으키는 변수를 제거하는 것이 가장 좋은 해결책일 것입니다. 연구자가 반드시 알고자 하는 변수는 남기면서 나머지를 빼고 더하는 것이 최적의 모델을 찾아가는 방법입니다. 물론 그 과정은 복잡할때가 많으며 결국 아예 통계 분석 방법 자체를 바꿔야 하는 경우도 생길 수 있습니다. 

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