기본 콘텐츠로 건너뛰기

다중선형회귀 분석 (7)



 세상에는 단순한 비례 관계를 지닌 현상은 그렇게 많지 않습니다. 특히 자연 법칙이 아니라 상당히 여러 가지 요소가 작용하는 사회 현상, 질병 발생의 경우 그렇습니다. 따라서 이런 경우 회귀 모형에서 뭔가 어긋나는 경우가 생길 수밖에 없습니다. 예를 들어 BMI 1이 증가할 때 마다 당뇨가 정확히 몇 %씩 증가하거나 혹은 소득이 10% 증가할 때마다 자녀의 대학 진학률이 몇 % 씩 선형적으로 증가하기는 어렵다는 것입니다. 당뇨나 대학 진학률에 영향을 미치는 요인은 다양하며 각 요소들은 당연히 정확한 선형 비례 관계를 지니고 있지 않습니다. 더구나 사실 자료의 분포도 정규 분포가 아니라 한 쪽으로 치우친 분포인 경우가 많습니다. 


 변수 변환은 이렇게 한쪽으로 치우친 변수를 변환해 가능한 회귀 모형을 적합하게 만드는 것입니다. 대표적인 방법은 로그 변환 (log(x)), 역수 변환 (1/x), 루트 변환 (√x), 제곱 변환 (x^2) 등입니다. 로지스틱 회귀 분석에서 쓰이는 로짓 변환도 가능합니다. 앞서 보스턴 자료에서 대기질과 집값과의 관계를 다시 보겠습니다. 










  아무래도 대기 질 분포가 0.4 - 0.5 사이에 몰려 있는 것으로 보입니다. 이를 해결할 수 있는 가장 좋은 방법은 사실 사분위수로 나눠서 등급으로 바꾸는 것일 수도 있습니다. 아예 범주형으로 바꾸면 분포에 대한 가정은 할 필요가 없으니까요. 아무튼 변수 변환을 통해서 좀 더 회귀 모형을 적합하게 바꿀 수 있을지 살펴보겠습니다. 물론 결과 변수가 아니라 독립 변수를 변환하며 궁극적인 목표는 변수가 아니라 잔차를 적합하게 바꾸는 것입니다. 앞서 설명한 것처럼 중심극한 정리를 통해 충분히 큰 샘플은 정규 분포에 근사한다고 생각할 수 있습니다. 


model1=lm(medv~nox, data=data)
summary(model1)

par(mfrow=c(2,2))
plot(model1)



nox에 로그를 한번 씌워 보겠습니다. 

nox2=log(data$nox)


> model1=lm(medv~nox2, data=data)
> summary(model1)

Call:
lm(formula = medv ~ nox2, data = data)

Residuals:
    Min      1Q  Median      3Q     Max 
-13.289  -5.106  -2.008   2.787  31.529 

Coefficients:
            Estimate Std. Error t value Pr(>|t|)    
(Intercept)   10.537      1.179   8.939   <2e-16 span="">
nox2         -19.665      1.835 -10.717   <2e-16 span="">
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 8.308 on 504 degrees of freedom
Multiple R-squared:  0.1856, Adjusted R-squared:  0.184 
F-statistic: 114.9 on 1 and 504 DF,  p-value: < 2.2e-16



 미미한 차이는 있는지 모르겠지만, 사실 대동소이해 보입니다. 변수 변환에서 어려운 부분은 어떻게 변환을 해야 좋을지 알기 어려운 경우도 많다는 점입니다. 이 경우 car 패키지가 도움이 될 수 있습니다. car 패키지에는 회귀 모형을 적합하기 위한 여러 가지 도구가 있습니다. powerTransform은 변수를 정규화할 수 있는 가장 가능성 있는 지수를 제시합니다. 


summary(car::powerTransform(data$nox))

bcPower Transformation to Normality 
         Est Power Rounded Pwr Wald Lwr Bnd Wald Upr Bnd
data$nox   -0.9156          -1       -1.366      -0.4653

Likelihood ratio test that transformation parameter is equal to 0
 (log transformation)
                           LRT df       pval
LR test, lambda = (0) 16.38843  1 5.1599e-05

Likelihood ratio test that no transformation is needed
                           LRT df       pval
LR test, lambda = (1) 73.92699  1 < 2.22e-16


 Est Power 가 가능한 지수 변환으로 -0.9156이 나왔습니다. 물론 이렇게 지수를 적용하기는 불편하기 때문에 반올림해서 -1 정도가 적당합니다. 마지막 부분은 변수 전환이 필요한지를 보여주는데 필요하지 않을 가능성이 1 < 2.22e-16로 극도로 낮다고 하네요. -1이란 물론 역수를 의미합니다. 


nox3=1/data$nox

model1=lm(medv~nox3, data=data)
summary(model1)

par(mfrow=c(2,2))
plot(model1)



 이전보다 약간 펴진 것 같다는 생각은 들어도 여전히 잔차도가 100% 마음에 들지는 않습니다. 참고로 이 경우 표준 잔차도 이외에도 앞서 소개한 residplot이 ( https://blog.naver.com/jjy0501/221252592503 참조) 잔차의 분포 변화를 확인하는데 더 좋을 수 있습니다. 


 한편 car 패키지는 선형성 가정을 위반한 경우의 변형 방식에 대한 정보도 제공합니다. boxTidwell이 그것입니다. 참고로 car 뒤의 :: 표시는 여러 함수가 있을 경우 car 패키지의 것을 사용하라는 지시입니다. 


car::boxTidwell(medv~nox, data=data)

> car::boxTidwell(medv~nox, data=data)
 MLE of lambda Score Statistic (z) Pr(>|z|)
     -0.031947              1.5234   0.1277

iterations =  8 

 결과 해석에 의하면 선형성을 개선시키기 위해서는 -0.031947라는 매우 독특한 변수 전환이 제시되었습니다. 하지만 중요한 사실은 P 값이 0.1277로 변수 변환이 필요하지 않다라는 점입니다. P 값이 작을 수록 변수 변환이 의미있다는 이야기입니다. 


 등분산 가정에 위반되는 경우 ncvTest와 spreadLevelPlot 이 도움이 될 수 있습니다. 


> ncvTest(model1)
Non-constant Variance Score Test 
Variance formula: ~ fitted.values 
Chisquare = 3.053339, Df = 1, p = 0.080571
> spreadLevelPlot(model1)

Suggested power transformation:  0.6346467 

 지수 변환은 0.6이지만 P 값은 역시 필요가 없다는 점을 시사하고 있습니다. 이 함수는 여러 개의 변수를 포함한 모델에서도 동일하게 작동하므로 각각 테스트할 수 있습니다. 




 다만 애시당초 상관 관계 자체가 비선형인 자료를 자꾸 변환하고 이상치를 제거해서 무리하게 선형으로 끼워맞추면 이상한 결론에 도달할 수 있습니다. 더구나 변수를 변환할 경우 그 결과에 대한 해석이 상당히 복잡해집니다. 따라서 변수 변환 역시 신중하게 결정해야 합니다. 사실 변수 변환이 필요하지 않은 경우가 더 많으며 자동화된 툴 역시 가능성을 설명해 주는 것 뿐이지 꼭 해야 한다는 의미는 아닙니다. 확실하게 모형을 개선할 수 있다는 판단이 서지 않는다면 무리하게 변수 변화를 시도할 이유는 없을 것입니다. 

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