Pairwise Target Rotation for Factor Models

기술 요약: 요인 모델을 위한 쌍별 대상 회전 (Pairwise Target Rotation)

문제 정의
탐색적 요인 분석(EFA)은 관측된 변수들로부터 잠재적 구성 개념을 식별하는 표준적인 방법이다. 그러나 EFA의 유용성은 결과로 도출되는 요인 모델의 해석 가능성에 크게 의존한다. 해석 가능성을 저해하는 주요 장애물은 **회전 불확정성(rotational indeterminacy)**이다. 수학적으로 동일한 공분산 구조를 재현할 수 있는 서로 다른 적재 행렬들이 존재하며, 이들은 실질적으로 매우 다른 의미를 내포할 수 있다. 연구자들은 이를 해결하기 위해 종종 주관적 판단이나 "단순 구조(simple structure)" 기준(희소성)에 의존하지만, 이러한 접근 방식은 결과 요인이 실질적으로 일관되거나 문항의 이론적 의미와 일치하는지를 보장하지 못한다. 정밀한 수치적 대상 적재량을 요구하는 타겟 회전(target rotation)과 같은 기존 방법들은, 연구자가 문항 간 유사성에 대한 질적 기대만을 가지고 있는 탐색적 설정에서는 구체적인 수치를 지정하기 어렵다는 한계가 있다.

방법론
저자들은 **해석 가능성 지수(interpretability index)**와 그에 대응하는 회전 방법인 **쌍별 대상 회전(pairwise target rotation, 또는 priorimax)**으로 구성된 새로운 프레임워크를 제안한다.

1. 해석 가능성의 전제: 이 방법은 설문 문항의 의미론적 내용이 그것이 측정하는 잠재적 구성 개념과 본질적으로 연결되어 있다는 "심층 어휘 가설(Deep Lexical Hypothesis)"에 근거한다. 저자들은 의미론적으로 유사한 현상 변수들이 유사한 적재 프로파일(즉, 잠재 요인들과의 연관성 패턴)을 보일 것이라고 가설을 세웠다.
2. 유사도 함수:
   • 의미론적 유사도 ($D_s$): 자연어 처리(구체적으로 Universal Sentence Encoder)를 사용하여 문항 질문의 벡터 임베딩을 생성함으로써 계산된다. 두 문항 사이의 유사도는 임베딩 간의 각거리(angular distance)로 측정되며, $[0, 1]$ 범위로 정규화된다.
   • 적재 유사도 ($D_f$): 모든 요인에 대한 현상 변수의 표준화된 적재량 제곱을 기반으로 계산된다. 이는 변수 쌍 간의 적재 패턴 일치도를 측정한다.
3. 해석 가능성 지수 ($\omega$):
   • 저자들은 모든 현상 변수 쌍에 대한 의미론적 유사도와 적재 유사도를 포함하는 다중 집합(multiset)을 정의한다.
   • 지수는 두 가지 구성 요소로 구축된다:
     • $\tau$ (Kendall Tau-b): 의미론적 유사도와 적재 유사도 사이의 단조적 일치성을 측정하며, $[0, 1]$로 매핑된다.
     • $\theta$ (Slope-based): 의미론적 유사도와 적재 유사도 간의 관계에 대한 최소제곱법(OLS) 기울기에서 유도된다. 이 구성 요소는 의미론적으로 상이한 항목들의 적재 패턴의 "분리성" 또는 "구별성"을 측정한다. 이 또한 $[0, 1]$로 매핑된다.
   • 최종 지수인 $\omega$는 $\tau$와 $\theta$의 기하 평균이다: $\omega = \sqrt{\tau \theta}$. 값이 높을수록 해석 가능성이 높음을 의미한다.
4. Priorimax 회전:
   • 연구자는 특정 타겟 적재 행렬을 지정하는 대신, 항목 간의 쌍별 유사성(예: 의미론적 유사성)을 인코딩하는 **사전 행렬(prior matrix, $C$)**을 제공한다.
   • 회전 방법은 다음과 같은 최적화 문제로 정식화된다: 미회전 적재량과 사전 행렬이 주어졌을 때, $\omega$를 최대화하는 직교 회전 행렬 $R$을 찾는 것.
   • 최적화는 전역 최댓값에 근사하기 위해 여러 번의 무작위 시작(random starts)을 사용하는 COBYQA 알고리즘을 사용하여 해결된다.

주요 기여

• 새로운 지수 ($\omega$): 요인 모델의 해석 가능성을 정량적으로 평가하는 지수로, 사전 정보(특히 문항 의미론)와 경험적 적재 구조 사이의 일치도를 평가한다. 기존의 지수들과 달리, 이 지수는 추정된 요인 점수(factor scores)에 의존하지 않으므로 요인 점수의 불확정성 문제를 피한다.
• 쌍별 대상 회전: 구체적인 타겟 적재량이 아닌 쌍별 유사성 형태의 사전 정보를 통합하는 회전 방법이다. 이는 정확한 적재 값은 알 수 없지만 항목 간의 관계는 이해하고 있는 탐색적 설정에서 더 직관적이다.
• 일반화: 이 프레임워크는 사전 행렬을 의미론적 임베딩뿐만 아니라 다른 모든 사전 정보의 원천(예: 전문가의 판단, 이론적 그룹화)으로부터 구축할 수 있도록 허용한다.

결과

• 시뮬레이션 연구:
  • $\omega$-지수는 노이즈 수준(특수 분산)이 낮고 사전 행렬이 실제 적재량의 좋은 대리물(proxy)일 때 모델 적합도가 개선됨을 정확히 나타냈다.
  • Priorimax 회전은 교차 적재가 존재하는 경우(일반 적재 행렬), 클래식한 직교 회전(Varimax, Equamax, Quartimax)보다 실제 적재 행렬을 복원하는 데 있어 우수한 성능을 보였다. 그러나 단순 구조를 엄격히 따르는 단순 적재 행렬의 경우, 표준 회전 방식보다 성능이 저하되었다. 이는 표준 회전 방식은 그러한 희소성을 추구하도록 설계된 반면, priorimax는 그렇지 않기 때문이다.
  • 사전 행렬의 노이즈 수준이 증가함에 따라 성능이 저하되었으나, 섭동(perturbation)이 과도하지 않은 범위 내에서는 견고함을 유지했다.
  • 표본 상관 행렬을 사전 행렬으로 사용하는 것은 교차 적재가 있는 경우에만 유익한 것으로 나타났으며, 단순 구조에서는 표준 회전보다 성능이 떨어졌다.
• 실증적 시연:
  • 이 방법은 우울 불안 스트레스 척도(DASS) 및 Big Five 성격 검사에 적용되었다.
  • 두 사례 모두에서 priorimax 회전은 미회전, Varimax, Equamax, Quartimax 솔루션에 비해 가장 높은 $\omega$-지수를 산출했다.
  • 결과는 의미론적 유사도와 적재 유사도 사이의 양의 단조 관계를 보여주었으며, 이는 문항의 어휘와 잠재적 구성 개념 사이의 연결 고리를 경험적으로 뒷받침한다.

의의 및 주장
본 논문은 제안된 방법이 EFA에 사전 정보를 통합하는 "직관적이면서도 유연한" 방법을 제공한다고 주장한다. 희소성을 달로하는 것에서 **의미론적 일관성(semantic coherence)**을 달성하는 것으로 초점을 전환함으로써, 이 방법은 요인 해석에 내재된 주관성을 해결한다. 저자들은 $\omega$-지수가 서로 다른 회전 솔루션을 비교하기 위한 상대적 적합도 측정 도구로서 유용하다고 주장한다. 나아가, 이 방법이 사후 타당도 검증(높은 $\omega$는 높은 타당도를 의미)뿐만 아니라, 문항 의미론으로부터 유도된 잠재 구조만을 검토함으로써 설문지의 사전 타당도 검증에도 도움을 줄 수 있다고 제안한다. 결론적으로, 이 방법은 사전 정보가 실제 적재량의 강력한 대리물일 때 가장 효과적이지만, 특히 교차 적재가 있는 복잡한 모델에서 전통적인 회전 방식에 대한 견고한 대안을 제공한다.