Factor- and Composite-Based Structural Equation Modeling -- A New Approach to Incorporate Composites in the Traditional SEM Framework

논문 요약: Factor- and Composite-Based Structural Equation Modeling (FC-SEM)

1. 연구 배경 및 문제 제기 (Problem)

구조방정식모형 (SEM) 은 사회과학 및 경영학 등 다양한 분야에서 잠재변수와 관측변수 간의 관계를 분석하는 데 널리 사용됩니다. 전통적인 SEM 은 **공통 요인 (Common Factors)**을 기반으로 하며, 이는 관측변수들의 공분산 구조를 설명하는 잠재적인 공통 원인으로 가정됩니다.

그러나 최근 연구에서는 **복합체 (Composites)**를 기반으로 한 모형의 중요성이 부각되고 있습니다. 복합체는 관측변수들의 선형 결합으로 정의되며 (형성적 측정), 기업의 매력도나 사회경제적 지위와 같이 관측변수들이 모여 구성변수를 형성하는 경우에 적합합니다.

기존 접근법의 한계:

• 전통적 SEM 프레임워크 밖의 방법론 (PLSc, GSCA, SVD-SEM 등): 공통 요인과 복합체가 혼합된 모형을 추정할 수 있지만, 전통적 SEM 의 장점 (결측치 처리, 전체 모형 적합도 평가, 그룹 간 차이 검정 등) 을 완전히 활용하지 못하거나, 추론을 위해 부트스트랩 (Bootstrap) 에 의존해야 하므로 계산 비용이 높습니다.
• 전통적 SEM 프레임워크 내 통합 시도 (One-step, Pseudo-indicator, H-O specification 등):
  • One-step/Pseudo-indicator: 복합체가 종속변수 위치에 있을 수 없거나, 복합체 가중치를 자유롭게 추정할 수 없음.
  • H-O (Henseler-Ogasawara) specification: 모형 지정이 복잡하고 추가 변수를 도입해야 하며, 수렴 문제 (convergence issues) 가 발생하기 쉽고, 실제 관심 매개변수 (가중치 등) 를 추정 후 유도해야 하는 번거로움이 있음.

이러한 한계로 인해 연구자들은 공통 요인과 복합체가 공존하는 모형을 분석할 때 유연성과 정확성 사이에서 타협을 강요받고 있었습니다.

2. 방법론 (Methodology)

저자들은 **요인 및 복합체 기반 구조방정식모형 (FC-SEM)**이라는 새로운 접근법을 제안합니다. 이는 전통적인 SEM 프레임워크 내에서 공통 요인과 복합체를 통합하여 모델링하는 방법입니다.

• 모형 지정 (Model Specification):

  • 공통 요인: $y_f = \Lambda_f \eta_f + \epsilon_f$ (전통적 반사적 측정).
  • 복합체: $\eta_c = W' y_c$ (형성적 측정, $W$는 가중치 행렬).
  • 구조 모형: $\eta = B\eta + \zeta$ (공통 요인과 복합체 간의 인과 관계).
  • 공분산 구조: 복합체로 형성되는 관측변수들의 공분산은 자유 모수 (free parameters) 로 설정되며, 이를 $T$ 행렬로 표현합니다.

• 모형 함의 공분산 행렬 유도:

  • 전통적 SEM 과 유사하게, 모형 매개변수로부터 관측변수의 공분산 행렬 $\Sigma(\theta)$를 유도합니다.
  • 복합체의 경우, 관측변수들의 공분산이 제한되지 않으므로, 복합체 가중치 ($W$) 와 관측변수 공분산 행렬 ($T$) 을 통해 복합체의 분산을 계산하고, 이를 구조 모형과 결합하여 전체 공분산 행렬을 도출합니다.

• 모형 식별 (Identification):

  • 공통 요인은 전통적인 척도화 방법 (로딩 고정 또는 분산 고정) 을 사용합니다.
  • 복합체는 가중치 하나를 고정하거나, 분산을 고정하는 등 다양한 척도화 방법을 허용합니다. 또한, 복합체가 다른 변수 (지표가 아닌) 와 관련되어 있어야 식별이 가능합니다.

• 추정 및 평가:

  • 유도된 공분산 행렬을 바탕으로 최대우도법 (ML), 일반최소제곱법 (GLS), 가중최소제곱법 (WLS) 등 전통적 SEM 의 추정기를 직접 적용할 수 있습니다.
  • $\chi^2$ 검정, RMSEA, CFI 등 전통적인 모형 적합도 지수를 사용할 수 있습니다.
  • 결측치 처리 (Full Information Maximum Likelihood 등) 도 가능합니다.

• 구현:

  • 이 방법은 오픈 소스 R 패키지인 lavaan (버전 0.6-20 이상) 에 구현되었습니다.
  • 문법: 복합체는 <~ 연산자를 사용하여 지정 (예: Composite <~ y1 + y2 + y3), 공통 요인은 =~ 연산자를 사용합니다.

3. 주요 기여 (Key Contributions)

1. 통합 프레임워크 제공: 공통 요인과 복합체를 동시에 포함하는 모형을 전통적 SEM 프레임워크 내에서 자연스럽게 지정하고 추정할 수 있는 체계를 마련했습니다.
2. 전통적 SEM 기능의 확장: 기존에 복합체 모형 분석 시 불가능했거나 제한적이었던 모형 적합도 평가, 결측치 처리, 그룹 비교, 매개효과 분석 등을 가능하게 했습니다.
3. 유연한 추정 및 척도화: 복합체의 가중치를 자유롭게 추정할 수 있으며, 척도화 방법 (가중치 고정, 분산 고정 등) 을 유연하게 선택할 수 있습니다.
4. 계산 효율성 및 통계적 추론: 부트스트랩에 의존하지 않고 **분석적 표준오차 (Analytic Standard Errors)**를 도출할 수 있어 계산 시간을 단축하고 통계적 추론의 정확성을 높였습니다.
5. 소프트웨어 구현: 널리 사용되는 lavaan 패키지에 통합되어 연구자들이 별도의 복잡한 설정 없이 기존 문법으로 분석을 수행할 수 있게 했습니다.

4. 결과 (Results)

• 시나리오 분석: 모집단을 완벽하게 대표하는 인공 데이터를 사용하여 FC-SEM 을 적용한 결과, 모집단 모수 (Population Parameters) 를 정확하게 복원했습니다. 이는 모형 식별과 공분산 행렬 유도 공식이 올바름을 증명합니다.
• 모의실험 (Simulation): 1,000 번의 반복을 통한 몬테카를로 시뮬레이션 결과, 유한 표본에서도 모수 추정치가 모집단 값에 근접하며, 평균 표준오차가 경험적 표준편차와 잘 일치하여 **일관된 추정 (Consistent Estimation)**이 가능함을 확인했습니다.
• 실증 분석 (American Customer Satisfaction Index): 실제 데이터 (ACSI) 를 적용하여 FC-SEM, IGSCA, PLSc, H-O specification 의 결과를 비교했습니다.
  • 표준화 모수 추정치들이 각 방법론 간에 매우 유사하게 나타났습니다.
  • 특히 H-O specification 과는 거의 동일한 결과를 보였으나, FC-SEM 은 모형 지정이 더 직관적이고 수렴 문제가 적었습니다.

5. 의의 및 결론 (Significance)

이 논문은 구조방정식모형 연구에 있어 중요한 전환점을 제시합니다.

• 방법론적 유연성: 연구자들은 이론적 타당성에 따라 공통 요인 (반사적) 과 복합체 (형성적) 를 혼용하여 모형을 설계할 수 있게 되었으며, 이로 인해 모형의 타당성과 예측력이 향상됩니다.
• 접근성 향상: 복잡한 수학적 유도나 별도의 전용 소프트웨어 없이, 기존에 익숙한 lavaan과 전통적 SEM 기법을 그대로 활용하여 복합체 모형을 분석할 수 있게 되어 연구 진입 장벽이 낮아졌습니다.
• 미래 연구 방향: 모형 적합도 지수의 복합체 적용 가능성, 측정 오차를 가진 복합체 지표 처리, 그리고 다른 소프트웨어로의 확장 등 향후 연구 과제를 제시하며 SEM 의 적용 범위를 크게 확장시켰습니다.

요약하자면, FC-SEM은 공통 요인과 복합체의 장점을 결합하면서도 전통적 SEM 의 강력한 분석 도구를 유지하는 혁신적인 방법론으로, 다양한 학문 분야에서 보다 정교하고 유연한 변수 관계 분석을 가능하게 합니다.