기본 콘텐츠로 건너뛰기

로지스틱 회귀 분석 (3)





 모델 선택은 분석에 있어 가장 어려운 과정이 될 수 있습니다. 이것 저것 변수를 많이 넣게 되면 오히려 각 변수간 상호 작용의 가능성이 커지고 현상을 설명하는 모델이 너무 복잡해지거나 과보정이 되어 정확한 상관 관계를 보여주지 못할 수 있습니다. 반대로 너무 변수를 적게 넣으면 다른 교란 변수에 의한 영향력을 보정할 수 없게 됩니다. 경우에 따라서는 저자의 주장에 적당한 모델을 선택해 P값을 해킹하는 일이 발생할 수도 있습니다. 


 따라서 연구에 따라서 모델 선택을 어떻게 했는지가 매우 중요한 이슈가 될 수 있습니다. 논문 심사에서 중요하게 보는 문제가 될 수 있기 때문에 구체적으로 왜 이렇게 모델을 선택하고 중요한 변수를 넣거나 넣지 않은 이유를 설명할 수 있어야 합니다. 로지스틱 회귀 분석에서 모델 선정에 중요한 파라미터는 바로 AIC (akaike information criterion)입니다. AIC 가 낮을수록 좋은 모델이라고 할 수 있습니다. 따라서 AIC는 summary()에서 기본으로 보여줍니다. 



library(moonBook)
library(mlbench)

data(PimaIndiansDiabetes)
pima <- pimaindiansdiabetes="" span="">

pima<-subset pima="" pressure="">0)
pima<-subset mass="" pima="">0)
pima<-subset glucose="" pima="">0)

pima$obesity[pima$mass>=30]=2
pima$obesity[pima$mass<30 span="">
pima$obesity[pima$mass<25 span="">
table(pima$obesity)

out=glm(diabetes~factor(obesity)+pressure+glucose+age+pedigree,family=binomial,data=pima)
summary(out)
extractOR(out)

> out=glm(diabetes~factor(obesity)+pressure+glucose+age+pedigree,family=binomial,data=pima)
> summary(out)

Call:
glm(formula = diabetes ~ factor(obesity) + pressure + glucose + 
    age + pedigree, family = binomial, data = pima)

Deviance Residuals: 
    Min       1Q   Median       3Q      Max  
-2.8133  -0.7259  -0.3803   0.7219   2.5514  

Coefficients:
                  Estimate Std. Error z value Pr(>|z|)    
(Intercept)      -8.223152   0.831018  -9.895  < 2e-16 ***
factor(obesity)1  1.225678   0.471464   2.600 0.009330 ** 
factor(obesity)2  2.174498   0.441818   4.922 8.58e-07 ***
pressure         -0.001569   0.008389  -0.187 0.851656    
glucose           0.034531   0.003597   9.600  < 2e-16 ***
age               0.032288   0.008562   3.771 0.000163 ***
pedigree          0.984527   0.305211   3.226 0.001257 ** 
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

(Dispersion parameter for binomial family taken to be 1)

    Null deviance: 931.94  on 723  degrees of freedom
Residual deviance: 676.98  on 717  degrees of freedom
AIC: 690.98

Number of Fisher Scoring iterations: 5

> extractOR(out)
                   OR  lcl   ucl      p
(Intercept)      0.00 0.00  0.00 0.0000
factor(obesity)1 3.41 1.35  8.58 0.0093
factor(obesity)2 8.80 3.70 20.91 0.0000
pressure         1.00 0.98  1.01 0.8517
glucose          1.04 1.03  1.04 0.0000
age              1.03 1.02  1.05 0.0002
pedigree         2.68 1.47  4.87 0.0013


 여기서 AIC는 690.98입니다. 만약 여기서 혈압 (pressure)를 빼면 어떨까요?

> out=glm(diabetes~factor(obesity)+glucose+age+pedigree,family=binomial,data=pima)
> summary(out)

Call:
glm(formula = diabetes ~ factor(obesity) + glucose + age + pedigree, 
    family = binomial, data = pima)

Deviance Residuals: 
    Min       1Q   Median       3Q      Max  
-2.8102  -0.7283  -0.3808   0.7295   2.5530  

Coefficients:
                  Estimate Std. Error z value Pr(>|z|)    
(Intercept)      -8.306914   0.701427 -11.843  < 2e-16 ***
factor(obesity)1  1.224595   0.471094   2.599  0.00934 ** 
factor(obesity)2  2.165589   0.438837   4.935 8.02e-07 ***
glucose           0.034457   0.003573   9.644  < 2e-16 ***
age               0.031815   0.008175   3.892 9.95e-05 ***
pedigree          0.985863   0.305021   3.232  0.00123 ** 
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

(Dispersion parameter for binomial family taken to be 1)

    Null deviance: 931.94  on 723  degrees of freedom
Residual deviance: 677.01  on 718  degrees of freedom
AIC: 689.01

 그 결과 AIC는 689.01으로 소폭 감소했습니다. 그 다음엔 가족력 (pedigree)을 빼보겠습니다. 


> out=glm(diabetes~factor(obesity)+glucose+age,family=binomial,data=pima)
> summary(out)

Call:
glm(formula = diabetes ~ factor(obesity) + glucose + age, family = binomial, 
    data = pima)

Deviance Residuals: 
    Min       1Q   Median       3Q      Max  
-2.2393  -0.7657  -0.3874   0.7429   2.6414  

Coefficients:
                  Estimate Std. Error z value Pr(>|z|)    
(Intercept)      -7.911011   0.680699 -11.622  < 2e-16 ***
factor(obesity)1  1.249056   0.474545   2.632 0.008486 ** 
factor(obesity)2  2.219298   0.442638   5.014 5.34e-07 ***
glucose           0.034991   0.003523   9.932  < 2e-16 ***
age               0.030844   0.008092   3.812 0.000138 ***
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

(Dispersion parameter for binomial family taken to be 1)

    Null deviance: 931.94  on 723  degrees of freedom
Residual deviance: 687.99  on 719  degrees of freedom
AIC: 697.99

Number of Fisher Scoring iterations: 5


 그 결과 697.99으로 소폭 증가했습니다. 이 세 모델은 AIC가 비슷하지만 그래도 두 번째 모델이 가장 작다는 결론을 내릴 수 있습니다. 하지만 어떤 변수를 넣고 뺄지는 만약 변수의 숫자가 매우 많아지면 상당한 복잡한 문제가 됩니다. 당연히 이를 자동화할 수 있는 방법이 있는데 바로 단계적 (stepwise model selection)으로 모델을 결정하는 것입니다. R에서는 step ()을 이용해서 구현할 수 있으며 가장 많은 모델에서 하나씩 줄여나가며 최적의 조합을 찾는 backward selection과 반대로 하나씩 변수를 추가해가면서 최적의 모델을 찾는 forward selection 두 가지 방법이 있습니다. 


 우선 5개의 변수를 가진 모델에서 하나씩 줄여나가는 backward 방식을 사용해 보겠습니다. 



full.model=glm(diabetes~factor(obesity)+pressure+glucose+age+pedigree,family=binomial,data=pima)
reduce.model=step(full.model,direction = "backward")


우선 가장 변수가 많은 모델을 결정한 다음 이를 step에 넣고 backward로 방향을 정해줍니다. 

> reduce.model=step(full.model,direction = "backward")
Start:  AIC=690.98
diabetes ~ factor(obesity) + pressure + glucose + age + pedigree

                  Df Deviance    AIC
- pressure         1   677.01 689.01
                 676.98 690.98
- pedigree         1   687.91 699.91
- age              1   691.44 703.44
- factor(obesity)  2   721.17 731.17
- glucose          1   793.36 805.36

Step:  AIC=689.01
diabetes ~ factor(obesity) + glucose + age + pedigree

                  Df Deviance    AIC
                 677.01 689.01
- pedigree         1   687.99 697.99
- age              1   692.36 702.36
- factor(obesity)  2   722.21 730.21
- glucose          1   794.37 804.37


 선정된 모델은 summary로 더 간결하게 알 수 있습니다. 


summary(reduce.model)


> summary(reduce.model)

Call:
glm(formula = diabetes ~ factor(obesity) + glucose + age + pedigree, 
    family = binomial, data = pima)

Deviance Residuals: 
    Min       1Q   Median       3Q      Max  
-2.8102  -0.7283  -0.3808   0.7295   2.5530  

Coefficients:
                  Estimate Std. Error z value Pr(>|z|)    
(Intercept)      -8.306914   0.701427 -11.843  < 2e-16 ***
factor(obesity)1  1.224595   0.471094   2.599  0.00934 ** 
factor(obesity)2  2.165589   0.438837   4.935 8.02e-07 ***
glucose           0.034457   0.003573   9.644  < 2e-16 ***
age               0.031815   0.008175   3.892 9.95e-05 ***
pedigree          0.985863   0.305021   3.232  0.00123 ** 
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

(Dispersion parameter for binomial family taken to be 1)

    Null deviance: 931.94  on 723  degrees of freedom
Residual deviance: 677.01  on 718  degrees of freedom
AIC: 689.01

Number of Fisher Scoring iterations: 5


 선택된 모델은 앞서 본 두 번째 모델입니다. 반대로 forward의 경우 처음에는 변수가 하나도 없는 모델에서 시작해야 합니다. scope에 full model을 적어주고 중간 결과를 생략하기 위해 trace = 0을 표기했습니다. 


model1=glm(diabetes~1,family=binomial,data=pima)
forward.model=step(model1, direction = "forward",
                   scope=(diabetes~factor(obesity)+pressure+glucose+age+pedigree), trace = 0)
summary(forward.model)


> summary(forward.model)

Call:
glm(formula = diabetes ~ glucose + factor(obesity) + age + pedigree, 
    family = binomial, data = pima)

Deviance Residuals: 
    Min       1Q   Median       3Q      Max  
-2.8102  -0.7283  -0.3808   0.7295   2.5530  

Coefficients:
                  Estimate Std. Error z value Pr(>|z|)    
(Intercept)      -8.306914   0.701427 -11.843  < 2e-16 ***
glucose           0.034457   0.003573   9.644  < 2e-16 ***
factor(obesity)1  1.224595   0.471094   2.599  0.00934 ** 
factor(obesity)2  2.165589   0.438837   4.935 8.02e-07 ***
age               0.031815   0.008175   3.892 9.95e-05 ***
pedigree          0.985863   0.305021   3.232  0.00123 ** 
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

(Dispersion parameter for binomial family taken to be 1)

    Null deviance: 931.94  on 723  degrees of freedom
Residual deviance: 677.01  on 718  degrees of freedom
AIC: 689.01

Number of Fisher Scoring iterations: 5




 역시 같은 결과가 나왔습니다. stepwise 방식은 널리 사용되기는 하지만 사실 만능은 아닙니다. AIC와 독립적으로 결과 변수를 설명하는데 매우 중요한 원인이 되는 변수가 있을 수 있으며 이를 빼는 것이 반드시 좋은 것이 아닐 수 있기 때문입니다. stepwise 방식을 사용할 경우 모델 선정에서 주관적으로 결정한 것이 아니라 객관적인 기준을 가지고 선정한 인상을 줄 수 있지만, 이 역시 사용자가 주관적으로 특정 변수를 뺄 가능성은 얼마든지 존재합니다. 따라서 필수적인 방식은 아니지만, 모델 선정에 있어 참고할 수 있는 중요한 방법인 점은 분명합니다. 

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