A New Fit Assessment Framework for Common Factor Models Using Generalized Residuals

1. 연구 배경 및 문제 제기 (Problem)

• 기존 적합도 평가의 한계: 교육 및 심리학 분야에서 널리 사용되는 공통 요인 모델 (Common Factor Model) 의 적합도 평가는 주로 관측된 평균과 공분산 구조의 재현 여부 (Conventional Goodness-of-Fit, GOF) 에 의존합니다. CFI, TLI, RMSEA, SRMR, $\chi^2$ 검정 등 기존 지표들은 모델이 평균과 공분산 구조를 잘 설명하는지 확인하지만, 평균과 공분산 이상의 구조적 오차 (misfit) 를 놓칠 수 있습니다.
• 숨겨진 오차의 위험: 예를 들어, 잠재변수 (LV) 가 정규분포를 따르지 않거나, 관측변수 (MV) 와 잠재변수 간의 관계가 선형이 아니거나, 오차 분산이 일정하지 않은 경우 (이분산성) 에도 기존 GOF 지표는 양호한 적합도를 나타낼 수 있습니다. 이는 잠재변수 간의 상관관계 해석이나 개별 항목의 특성 분석 시 잘못된 결론을 초래할 수 있습니다.
• 필요성: 평균과 공분산 구조 이상의 모델 - 데이터 불일치를 포착하고, 구체적인 가정 위반 (예: 정규성, 선형성, 등분산성) 을 진단할 수 있는 새로운 프레임워크가 필요합니다.

2. 방법론 (Methodology)

이 논문은 범주형 데이터용이었던 일반화 잔차 (Generalized Residuals, Haberman & Sinharay, 2013) 이론을 연속형 관측변수를 갖는 일반적인 측정 모델 (선형 정규 요인 분석) 로 확장하여 새로운 적합도 평가 프레임워크를 제안합니다.

• 일반화 잔차의 확장:

  • 요약 통계량 (Summary Quantity, $H$): 모델 매개변수 ($\xi$) 와 관측 데이터 ($Y$) 에 의존하는 함수를 정의합니다.
  • 잔차 정의: 표본 평균 ($\hat{\eta}$) 과 모델이 예측하는 모평균 ($\eta$) 의 차이인 $\hat{\eta}(\hat{\xi}) - \eta(\hat{\xi})$를 잔차로 정의합니다.
  • 변환 잔차 (Transformed Residuals): 비율 (ratio) 등 다양한 변환 함수 ($\phi$) 를 적용하여 잔차를 변형함으로써 더 유연한 검정 통계량을 구성합니다.
  • 점근적 정규성: 변환된 잔차 벡터가 점근적으로 다변량 정규분포를 따름을 증명하여, 이를 기반으로 통계적 검정이 가능하도록 합니다.

• 검정 통계량 개발:

  1. z-통계량 (Pointwise Statistic): 단일 잔차를 표준화하여 특정 잠재변수 값 ($x_\ell$) 에서의 국소적 오차를 검정합니다.
  2. $\chi^2$-통계량 (Summary Statistic): 여러 잔차를 동시에 평가하는 2 차 형식 (quadratic form) 통계량을 개발합니다. 수치적 불안정성을 해결하기 위해 고유값 분해를 기반으로 한 가중치 행렬 ($\hat{\Sigma}^-_\phi$) 을 제안하여 자유도 $s=1$인 $\chi^2$ 분포를 참조분포로 사용합니다.

• 추정 방법:

  • 모수 추정을 위해 최대우도법 (ML) 을 사용합니다.
  • 공분산 행렬 추정의 안정성을 위해 몬테카를로 (Monte Carlo) 시뮬레이션을 통해 기대값과 공분산을 추정하는 방식을 채택했습니다 (표본 평균/공분산 사용 시 극단적 값에서 1 종 오류가 과대평가되는 문제 해결).

• 구체적 적용 사례 (3 가지 예시):

  1. 잠재변수 밀도 정규성 검정: 잠재변수의 분포가 정규분포인지 확인 (z1, T1).
  2. 관측변수 수준 선형성 검정: 잠재변수가 주어졌을 때 관측변수의 조건부 평균 함수가 선형인지 확인 (z2, T2).
  3. 관측변수 수준 등분산성 검정: 잠재변수가 주어졌을 때 관측변수의 조건부 분산이 일정한지 확인 (z3, T3).

3. 주요 기여 (Key Contributions)

1. 이론적 확장: 범주형 데이터 (IRT) 에 국한되었던 일반화 잔차 이론을 연속형 데이터를 다루는 공통 요인 모델로 성공적으로 확장했습니다.
2. 유연한 진단 도구: 평균과 공분산 구조뿐만 아니라, 잠재변수의 분포 형태, 관측변수의 비선형성, 이분산성 등 다양한 모델 가정을 직접적으로 검증할 수 있는 통계량을 제안했습니다.
3. 시각적 진단 가능성: 잠재변수가 주어졌을 때의 잔차를 그래프로 시각화하여 (예: 모델이 예측한 곡선 vs 실제 데이터 추정 곡선), 오차의 패턴을 직관적으로 파악할 수 있게 했습니다.
4. 수치적 안정성 개선: $\chi^2$ 통계량 계산 시 모의행렬 (pseudoinverse) 사용 시 발생할 수 있는 수치적 불안정성을 해결하기 위한 새로운 가중치 행렬 추정법을 제안했습니다.

4. 연구 결과 (Results)

• 시뮬레이션 연구:

  • 1 종 오류 (Type I Error): 표본 크기 ($n=100, 500, 1000$) 와 관계없이 제안된 통계량 (z-통계량 및 $\chi^2$-통계량) 은 명목 수준 ($\alpha=0.05$) 에서 잘 통제되었습니다.
  • 검정력 (Power): 모델 오설정이 있을 때 (예: 잠재변수 분포가 이모달, 평균 함수가 2 차함수, 분산이 로그선형), 제안된 통계량은 중간~대규모 표본에서 높은 검정력을 보였습니다. 특히 기존 GOF 지표들은 이러한 오설정을 거의 탐지하지 못했습니다.
  • 위양성 (False Detection): 오설정이 없는 항목에서도 오설정이 있는 항목의 존재로 인해 위양성이 발생하는 현상이 있었으나, 전체적으로 낮은 수준으로 통제되었습니다.

• 실증 분석 (Response Time Data):

  • TORRjr(유아 - 초등학생 관계 추론 검사) 의 반응시간 (RT) 데이터를 분석했습니다.
  • 기존 지표: CFI, TLI, RMSEA 등이 양호하여 모델 적합하다고 결론 내릴 수 있었습니다.
  • 제안된 방법의 발견:
    • 잠재변수 분포: 잠재변수 (처리 속도) 가 정규분포를 따르지 않고 첨도가 높고 (leptokurtic) 약간 왼쪽으로 치우친 분포임을 발견했습니다.
    • 선형성 위반: 특정 항목 (Item 2, 6, 7) 에서 평균 함수가 선형이 아닌 곡선 형태를 보였습니다. 이는 매우 빠르거나 느린 응답자에 대해 모델이 기대값을 과대/과소 평가함을 의미합니다.
    • 이분산성: 일부 항목에서 잠재 처리 속도가 느려질수록 반응시간의 변동성이 증가하는 이분산 패턴을 발견했습니다.

5. 의의 및 결론 (Significance)

• 기존 방법의 보완: 기존 GOF 지표가 놓칠 수 있는 중요한 모델 오차를 탐지하여, 연구자가 모델 수정 (예: 혼합 모델 적용, 비선형 요인 모델 도입) 이 필요한지 판단하는 데 결정적인 정보를 제공합니다.
• 해석의 정확성 향상: 잠재변수의 분포나 항목별 반응 패턴에 대한 잘못된 가정이 통계적 추론 (예: 잠재변수 간 상관관계 해석) 을 왜곡할 수 있음을 경고하고, 이를 교정할 수 있는 도구를 제공합니다.
• 미래 연구 방향: 고차원 잠재변수 환경에서의 계산 효율성 향상, 효과 크기 (Effect Size) 지표 개발, 그리고 다른 측정 모델 (비선형 요인 분석, 계수 데이터 IRT 등) 로의 확장 가능성을 제시합니다.

결론적으로, 이 논문은 일반화 잔차를 활용하여 공통 요인 모델의 적합도를 다각도로 평가할 수 있는 강력한 프레임워크를 제시함으로써, 측정 모델의 가정을 엄격하게 검증하고 보다 정확한 심리·교육적 추론을 가능하게 합니다.